Você está na página 1de 126

Faculdade de Engenharia - Campus de Guaratinguet

Pesquisa Operacional

Livro: Introduo Pesquisa Operacional


Captulo 2 - Programao Linear

Fernando Marins fmarins@feg.unesp.br


Departamento de Produo

Sumrio
Modelagem e limitaes da Programao Linear.
Resoluo Grfica.
Forma padro de um modelo de Programao Linear.
Definies e Teoremas.
Forma cannica de um sistema de equaes lineares.
Mtodo Simplex.
Exerccios
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Programao Linear
Programao Linear:
Preocupao em encontrar a melhor soluo para problemas
associados com modelos lineares.
Modelo de Programao Linear:
Maximizao (ou minimizao) de uma funo objetivo linear com
relao as variveis de deciso do modelo.
Respeitando-se as limitaes (restries) do problema expressas por
um sistema de equaes e inequaes associadas com as variveis de
deciso do modelo.

3
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Razes para o uso da Programao Linear:
1. Grande variedade de situaes podem ser aproximadas por
modelos lineares.
2. Existncia de tcnicas (algoritmos) eficientes para a soluo
de modelos lineares.
3. Possibilidade de realizao de anlise de sensibilidade nos
dados do modelo.
4. Estgio de desenvolvimento da tecnologia computacional.
4
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Passos bsicos na obteno de modelos de PL:
1. Identificar as variveis de deciso, represent-las em simbologia
algbrica.
2. Identificar as restries do problema, express-las como
equaes ou inequaes lineares em termos das variveis de
deciso.
3. Identificar o objetivo de interesse no problema, represent-lo
como funo linear em termos das variveis de deciso, que
dever ser maximizada ou minimizada.
5
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Construo de modelos no uma cincia, mas uma
arte, podendo ser melhorada com a prtica.
Exemplos a serem trabalhados:
Determinao do mix de produo
Seleo de mdia para propaganda
Um problema de treinamento
Uma indstria qumica
Uma oficina mecnica
Dimensionamento de equipes de inspeo
6
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Determinao do mix de produo
Uma companhia deseja programar a produo de um utenslio de cozinha
que requer o uso de dois tipos de recursos mo-de-obra e material. A
companhia est considerando a fabricao de trs modelos e o seu
departamento de engenharia forneceu os dados a seguir:
O suprimento de material de
Modelo
200
kg
por
dia.
A
A
B
C
disponibilidade diria de mode-obra 150 horas. Formule
Mo-de-obra
7
3
6
um modelo de Programao
(horas por unidade)
Linear para determinar a
Material
4
4
5
produo diria de cada um dos
(kg por unidade)
modelos de modo a maximizar
Lucro
4
2
3
($ por unidade)
o lucro total da companhia.
7

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Formulao do modelo
1. Identificao das variveis de deciso:
XA produo diria do modelo A
XB produo diria do modelo B
XC produo diria do modelo C
2. Identificao das restries:
(Limitao de mo-de-obra)
(Limitao de material)
(No-negatividade)

7XA + 3XB + 6XC 150


4XA + 4XB +5XC 200
XA 0, XB 0, XC 0.

3. Identificao do objetivo: maximizao do lucro total


Lucro Total = L = 4XA + 2XB +3XC
Max L = 4XA + 2XB +3XC
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear

Modelo
Encontrar nmeros XA, XB, XC tais que:
Max L= 4XA + 2XB +3XC

Sujeito as restries:

7XA + 3XB +6XC 150

4XA + 4XB +5XC 200


XA 0, XB 0, XC 0

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Seleo de mdia para propaganda
Uma companhia de propaganda deseja planejar uma campanha em 03
diferentes meios: TV, rdio e revistas. Pretende-se alcanar o maior
nmero de clientes possvel. Um estudo de mercado resultou em:
TV
horrio

TV
horrio

Rdio

Revistas

normal

nobre

Custo

40.000

75.000

30.000

15.000

Clientes
Atingidos

400.000

900.000

500.000

200.000

Mulheres
Atingidas

300.000

400.000

200.000

100.000

0bs: valores vlidos para cada veiculao da propaganda.


Pesquisa Operacional - UNESP / Campus de Guaratinguet

10

Modelagem em Programao Linear


A companhia no quer gastar mais de $ 800.000 e, adicionalmente,
deseja:
(1) Que no mnimo 2 milhes de mulheres sejam atingidas;
(2) Gastar no mximo $ 500.000 com TV;
(3) Que no mnimo 03 veiculaes ocorram no horrio normal TV;
(4) Que no mnimo 02 veiculaes ocorram no horrio nobre TV;
(5) Que o n. de veiculaes no rdio e revistas fiquem entre 05 e 10, para
cada meio de divulgao.

Formular um modelo de PL que trate este problema,


determinando o n. de veiculaes a serem feitas em cada meio de
comunicao, de modo a atingir o mximo possvel de clientes.
11
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Resoluo do exemplo seleo de mdia para propaganda
Variveis de deciso:
X1 = n. de exposies em horrio normal na tv.
X2 = n. de exposies em horrio nobre na tv.
X3 = n. de exposies feitas utilizando rdio
X4 = n. de exposies feitas utilizando revistas.
Funo-objetivo:
Maximizar n. de clientes atingidos
Max Z = 400.000X1 + 900.000X2 + 500.000X3 + 200.000X4
12
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Restries:
Oramento:
40.000X1 + 75.000X2 + 30.000X3 + 15.000X4 800.000
Mulheres atingidas:
300.000X1 + 400.000X2 + 200.000X3 + 100.000X4 2.000.000
Gasto com TV
40.000X1 + 75.000X2 500.000
N. de veiculaes em TV, rdio e revistas
X1 3, X2 2, 5 X3 10, 5 X4 10
No-negatividade
X1, X2, X3, X4 0.
Pesquisa Operacional - UNESP / Campus de Guaratinguet

13

Modelagem em Programao Linear


Um problema de treinamento
Uma empresa de mquinas ferramentas tem um programa
de treinamento para operadores de mquinas. Alguns operadores
j treinados podem trabalhar como instrutores neste programa
ficando responsveis por 10 trainees cada. A empresa pretende
aproveitar apenas 07 trainees de cada turma de 10.
Estes operadores treinados tambm so necessrios na
linha de fabricao, e sabe-se que sero necessrios para os
prximos meses: 100 operadores em janeiro, 150 em fevereiro,
200 em maro, e 250 em abril. Atualmente h 130 operadores
treinados disponveis na empresa.
14
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Os custos associados a cada situao so:
Trainees ...........................................................................$ 400.
Operador treinado trabalhando ........................................$ 700.
Operador treinado ocioso..................................................$ 500.

Encontrar um modelo de PL que fornea um programa de


treinamento de custo mnimo e satisfaa os requisitos da empresa
em termos de n. de operadores treinados disponveis a cada ms.
Observao: acordo firmado com o sindicato probe demisses de
operadores treinados no perodo.
15
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Resoluo do exemplo: Um problema de treinamento
Observe que a cada ms um operador treinado est: operando
mquina, trabalhando como instrutor, ou est ocioso. Alm disto, o
n. de operadores treinados trabalhando nas mquinas fixo e
conhecido: 100 em janeiro, 150 em fevereiro, 200 em maro e 250
em abril.

Variveis de deciso:
X1 = operadores trabalhando como instrutores em janeiro
X2 = operadores ociosos em janeiro
X3 = operadores trabalhando como instrutores em fevereiro
X4 = operadores ociosos em fevereiro
X5 = operadores trabalhando como instrutores em maro
X6 = operadores ociosos em maro
Pesquisa Operacional - UNESP / Campus de Guaratinguet

16

Modelagem em Programao Linear


Funo-objetivo:
Custo total = custo trainees + custo instrutores + custo ociosos +
custo operadores trabalhando em mquinas.
Min C = 400(10X1 + 10X3 + 10X5) + 700(X1 + X3 + X5) +
+ 500(X2 + X4 + X6) + 700(100 + 150 + 200)
Min C = 4700X1 +500X2 + 4700X3 +500X4 +4700X5 +500X6 + 315.000

17
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Restries: X1, X2, X3, X4, X5, X6 0 (no-negatividade)
Equao de balano mensal:
operadores treinados no incio do ms = operadores nas mquinas
+ instrutores + operadores ociosos.
Janeiro: 130 = 100 + X1 + X2 X1 + X2 = 30
Fevereiro: 130 + 7X1 = 150 + X3 + X4 7X1 - X3 - X4 = 20
Maro: 130 + 7X1 + 7X3 = 200 + X5 + X6 7X1 + 7X3 - X5 - X6 = 70
Abril: 250 = 130 + 7X1 + 7X3 + 7X5 7X1 + 7X3 + 7X5 = 120.
18
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Uma indstria qumica
Dois produtos, A e B, so feitos a partir de duas operaes
qumicas. Cada unidade do produto A requer 02 horas da operao 1 e 03
horas da operao 2. Cada unidade do produto B requer 03 horas da
operao 1 e 04 horas da operao 2. O tempo total disponvel para a
realizao da operao 1 de 16 horas, e o tempo total para a operao 2
de 24 horas.
A produo do produto B resulta, tambm, num subproduto C
sem custos adicionais. Sabe-se que parte do produto C pode ser vendido
com lucro, mas o restante deve ser destrudo. Previses mostram que no
mximo 05 unidades do produto C sero vendidas, e sabe-se que cada
unidade do produto B fabricada gera 02 unidades do produto C.
19
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Sabe-se que:
Produto A gera um lucro de $ 4 por unidade.
Produto B gera um lucro de $ 10 por unidade.
Produto C gera um lucro de $ 3 por unidade se for vendido.
Produto C gera um custo de $ 2 por unidade se for destrudo
Determinar um modelo de PL para tratar este problema, e
encontrar quanto produzir de cada produto, de modo a maximizar
o lucro da indstria qumica.

20
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Resoluo do exemplo: Uma indstria qumica - produto A
Observe que o lucro da venda do produto A uma funo linear,
mas com respeito ao produto C isto no ocorre.
Produto B
Produto A

Lucro

Produto C
Lucro

10
4
-2

Quantidade

Quantidade

21
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Artifcio: considerar as variveis de deciso como sendo
X1 = quantidade produto A produzida
X2 = quantidade produto B produzida
X3 = quantidade produto C vendida
X4 = quantidade produto C destruda
Funo-objetivo:
Max Z = 4 X1 + 10 X2 + 3 X3 2 X4

Restries:
2 X1 + 3 X2 16 (disponibilidade de tempo para operao 1)
3 X1 + 4 X2 24 (disponibilidade de tempo para operao 2)
X3 + X4 = 2 X2 (produo do produto C a partir do produto B)
X3 5 (previso de produto C que pode ser vendido)
X1, X2, X3, X4 0 (no-negatividade)
Pesquisa Operacional - UNESP / Campus de Guaratinguet

22

Modelagem em Programao Linear


Oficina mecnica
Uma oficina mecnica tem 01 furadeira vertical e 05 fresas,
que so usadas para a produo de conjuntos formados de 2 partes.
Sabe-se qual a produtividade de cada mquina na fabricao
destas partes do conjunto:
Furadeira

Fresa

Parte 1

03

20

Parte 2

05

15

Obs: tempo para produzir as partes dado em minutos.


23
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


O encarregado pela oficina deseja manter uma carga balanceada
nas mquinas de modo que nenhuma delas seja usada mais que 30
minutos por dia que qualquer outra, sendo o carregamento de
fresamento dividido igualmente entre as 05 fresas.
Achar um modelo de PL para dividir o tempo de trabalho entre as
mquinas de modo a obter o mximo de conjuntos completos ao
final de um dia, num total de 08 horas de trabalho.

24
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Resoluo do exemplo: Oficina mecnica
Variveis de deciso:
X1 = nmero de partes 1 produzidas por dia
X2 = nmero de partes 2 produzidas por dia
Restries:

3X1 + 5X2 480


(minutos por dia disponveis para a furadeira)
(20X1 + 15X2)/5 = 4X1 + 3X2 480
(minutos por dia disponveis para cada fresa)
25

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


|(4X1 + 3X2) - (3X1 + 5X2)| = |X1 -2X2| 30
(Balanceamento de carga entre as mquinas)
Observe que esta ltima restrio no linear, mas equivalente
a duas equaes lineares que podem substitu-la:
X1 - 2X2 30

-X1 + 2X2 30

X1, X2 0 (no-negatividade).

26
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Funo-objetivo:
maximizao do nmero de conjuntos completos por dia
Max Z = min (X1, X2)
Observe que esta funo no linear, mas pode ser linearizada
utilizando-se uma nova varivel, da forma:
Seja Y = min (X1, X2), Y 0, naturalmente tem-se duas novas
restries
Dadas por: Y X1 e Y X2.
A funo-objetivo linear fica sendo: Max Z = Y
Pesquisa Operacional - UNESP / Campus de Guaratinguet

27

Modelagem em Programao Linear


Problema de dimensionamento de equipes de inspeo
Uma companhia deseja determinar quantos inspetores alocar
uma dada tarefa do controle da qualidade. As informaes
disponveis so:
H 08 inspetores do nvel 1 que podem checar as peas a
uma taxa de 25 peas por hora, com uma acuracidade de 98%, sendo
o custo de cada inspetor deste nvel $4 por hora;
H 10 inspetores do nvel 2 que podem checar as peas a
uma taxa de 15 peas por hora, com uma acuracidade de 95%, sendo
o custo de cada inspetor deste nvel $3 por hora.
28
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


A companhia deseja que no mnimo 1800 peas sejam
inspecionadas por dia (= 08 horas).
Sabe-se, ainda, que cada erro cometido por inspetores no controle
da qualidade das peas acarreta um prejuzo companhia de $2 por
pea mal inspecionada.

Formular um modelo de PL para possibilitar a designao tima do


n. de inspetores de cada nvel de modo a otimizar o custo da
inspeo diria da companhia.

29
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Resoluo do exemplo: Dimensionamento de equipes de inspeo
Variveis de deciso:
Xi = n. de inspetores do nvel i (= 1, 2) alocados inspeo.
Funo objetivo:
Minimizar C = custo total dirio de inspeo ($/dia)
onde : custo total = custo do salrio dos inspetores + custo dos erros
Min C = 8 *[(4X1 + 3X2) + 2 * (25*0,02X1 + 15*0,05X2)]
Min C = 40X1 + 36X2
30
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Modelagem em Programao Linear


Restries:
1. Quanto ao n. de inspetores disponveis:
X1 8
(inspetores do nvel 1)
X2 10 (inspetores do nvel 2)
2. Quanto ao n. de peas inspecionadas por dia:
8 * (25X1 + 15X2) 1800

5X1 + 3X2 45
3. Restries implcitas de no negatividade:
X1 0
X2 0.
31
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


Aplicvel para modelos com 02 variveis de deciso
til para a ilustrao de alguns conceitos bsicos utilizados na
resoluo de modelos de maior porte.
Etapas a serem seguidas na resoluo grfica
1 Passo: identificar a regio vivel do modelo, isto , quais so os
pares (X1, X2) que satisfazem a todas as restries.
2 Passo: achar a melhor soluo vivel, denominada Soluo
tima e denotada por (X1*, X2*), que leva ao valor timo da
funo-objetivo Z*.
32
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


Problema de mix de Produo
Fabricao de dois modelos de brinquedos: B1 e B2.
Lucros unitrios/dzia: $8 para B1 e $5 para B2
Recursos disponveis:
1000 kg de plstico especial.
40 horas para produo semanal.
Requisitos do Departamento de Marketing:
Produo total no pode exceder 700 dzias;
A quantidade de dzias de B1 no pode exceder em 350 a
quantidade de dzias de B2.
Dados tcnicos:
B1 requer 2 kg de plstico e 3 minutos por dzia.
B2 requer 1 kg de plstico e 4 minutos por dzia.
Pesquisa Operacional - UNESP / Campus de Guaratinguet

33

Resoluo grfica de modelos de PL

A Gerncia est procurando um


programa de produo que aumente
o lucro da Companhia.

34
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL

Variveis de deciso:
X1: produo semanal de B1 (em dzias).
X2: produo semanal de B2 (em dzias).
Funo Objetivo: Maximizar o Lucro semanal

35
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


Max 8X1 + 5X2 (Lucro semanal)
sujeito a:
2X1 + 1X2 1000 (Plstico - Kg)
3X1 + 4X2 2400 (Tempo de produo - minutos)
X1 + X2 700

(Produo total)

X1 - X2 350

(mix)

Xj 0, j = 1,2

(No negatividade)
36

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


Conceitos importantes:
Os pontos (X1, X2) que satisfazem todas as restries do
modelo formam a Regio Vivel.
Esses pontos so chamados de Solues Viveis.

Usando a resoluo grfica pode-se representar todos as


restries (semi-planos), a funo objetivo (reta) e os trs
tipos de pontos viveis.
37
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


1 Passo:
Traar eixos cartesianos, associando a cada um deles uma
varivel de deciso.
No exemplo de fabricao de brinquedos: X1 para o eixo
das abscissas e X2 para o eixo das ordenadas.
As restries de no-negatividade, X1 0 e X2 0,
implicam que os pares (X1, X2) viveis esto no 1 quadrante
dos eixos considerados.

38
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


2 Passo:
Observar que a funo-objetivo, ao se fixar um valor para Z,
representa uma reta. Alteraes neste valor de Z gera uma famlia de retas
paralelas.
No exemplo dos brinquedos: considere a reta obtida fazendo
Z= 2000, isto , a reta dada por 8X1 + 5X2 = 2000. Percebe-se que ao se
traar retas paralelas no sentido de ficar mais afastado da origem (0, 0), o
valor de Z aumenta.
De fato pode-se verificar que a reta paralela, que contm algum
ponto da regio vivel, no caso o ponto timo X* = (320, 360), e est
mais afastada da origem, corresponde a um valor timo da funo
objetivo Z* = 4360.
39
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL

Representando as condies de no negatividade


X2

X1
40
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


Observar que no exemplo dos brinquedos, as restries correspondem a
semi-planos associados, respectivamente, s retas suportes dadas por:
2X1 + 1X2 = 1000
3X1 + 4X2 = 2400
X1 + X2 = 700
X1 - X2 = 350
Xj 0, j = 1,2
Notar que cada reta suporte define dois semi-planos no espao (X1, X2).
Para identificar qual destes semi-planos de interesse no caso, ou seja,
contm os pontos que satisfazem a desigualdade da restrio, basta testar
algum ponto esquerda ou direita (acima ou abaixo) da reta suporte da
desigualdade.
Um ponto que torna isto fcil a origem (0, 0), mas poderia ser qualquer
41
Pesquisa
Operacional - UNESP / Campus de Guaratinguet
outro.

Resoluo grfica de modelos de PL


X2

Restrio do plstico
2X1+X2 1000

1000
700

Restrio da produo total


X1+X2 700 (redundante)

500

Invivel
Tempo de
produo
3X1+4X2 2400

Vivel
500

700

X1

42
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


X2

Restrio do plstico
2X1+X2 1000

1000
700

Restrio da produo total:


X1+X2 700 (redundante)

500

Tempo de Produo
3X1+4X2 2400

Invivel
Vivel

Restrio do mix da produo:


X1-X2 350

X1

43
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


X2
1000
700
500

Invivel
Vivel
500

700

X1

Pontos interiores. Pontos na fronteira. Pontos extremos.

H trs tipos de pontos viveis.

Pesquisa Operacional - UNESP / Campus de Guaratinguet

44

Resoluo grfica de modelos de PL

A busca por uma Soluo tima:


X2
1000

Comear com algum valor de lucro arbitrrio,


Por exemplo $2000...
Depois aumentar o lucro, se possvel...
...e continuar at que seja invivel

700
600

X* = (320, 360)
com Z* = 4.360

X1
500
Pesquisa Operacional - UNESP / Campus de Guaratinguet

45

Resoluo grfica de modelos de PL

Pontos extremos e Solues timas


Se o problema de Programao Linear tem uma Soluo
tima, um ponto extremo Soluo tima.

46
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


Visualizao de situaes possveis
X2

X2
Z
Z*
Z

Soluo
nica

X1

Soluo
ilimitada

X1

47
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL

Solues timas Mltiplas


Quando a funo objetivo paralela a alguma restrio.
Todos os pontos do segmento de
reta sero Solues timas.
X*1

X* = X*1 + (1 - )X*2, com 0 1


X*2

48
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL


X2

X2
Z
*

X*

Z
X*

Mltiplas Solues
timas 1
Segmento de Reta
timo

X1

Z*

Mltiplas
Solues timas 2
Semi-reta tima

X1

49
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Resoluo grfica de modelos de PL

X2

O conjunto
vivel vazio.
H restries
incompatveis.

Problema
invivel

X1

50
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


Um modelo de PL com m restries e n variveis est na forma
padro se possuir as caractersticas abaixo:
1. A funo-objetivo de minimizao ou maximizao;
2. Todas as restries esto na forma de igualdade;
3. Todas as variveis so no-negativas;
4. As constantes de cada restrio so no-negativas.

51
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


Modelo na forma padro:
Minimizar (ou maximizar) Z = C1 X1 + C2 X2 + ... + Cn Xn

Sujeito a:

A11 X1 + A12 X2 + ... + A1n Xn = b1


A21 X1 + A22 X2 + ... + A2n Xn = b2

...
...
...
...

...
...
...
...
Am1 X1 + Am2 X2 + ... + Amn Xn = bm

X1 0, X2 0, ..., Xn 0
b1 0, b2 0, ..., bm 0.

52
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


Notao matricial para um modelo na forma padro:
Minimizar (ou maximizar) Z = C X
Sujeito a:

AX b

X0
b 0.

Onde: A (m x n) matriz de coeficientes tecnolgicos


X (n x 1) vetor das variveis de deciso
b (m x 1) vetor de demandas
C (1 x n) vetor de custos (lucros)
53
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


Reduo de um modelo geral para a forma padro
O Mtodo Simplex exige que o modelo esteja na forma padro.
Tratando com restries na forma de inequaes:
Estas restries so transformadas em equaes atravs da
introduo de novas variveis (no-negativas), chamadas de
variveis de folga.

54
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


Tratando com variveis no-positivas:

0.

Suponha que num determinado modelo h uma varivel X1

Basta substitu-la no modelo por uma nova varivel nonegativa X1 0, dada por X1 = X1.

55
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


Exemplo:
Considere o problema de dimensionamento de equipes de
inspeo:
X1 8 X1 + X3 = 8, X3 0 uma varivel de folga.
X2 10 X2 + X4 = 10, X4 0 uma varivel de folga.
5 X1 + 3 X2 45 5 X1 + 3 X2 X5 = 45, X5 0 uma varivel
de folga.
56
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


Interpretao das variveis de folga no exemplo:
X3 = nmero de inspetores do nvel 1 no utilizados.
X4 = nmero de inspetores do nvel 2 no utilizados.
X5 = nmero (extra) de peas inspecionadas por dia, acima da
quantidade mnima (1800) especificada pela empresa
Variveis de folga fornecem informaes teis sobre o problema.
57
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


Tratando com variveis livres (irrestritas em sinal):
Em algumas situaes exige-se o uso de variveis que podem
assumir tanto valores positivos, nulos, e negativos. Estas variveis
so chamadas de livres (free) ou irrestritas em sinal.
Exemplo: Modelo de Planejamento Macroeconmico
Uma das Variveis de Deciso a Taxa de Inflao que pode
assumir qualquer valor positivo, nulo ou negativo (neste caso
conhecida como Deflao).
58
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Tratando com variveis livres (irrestritas em sinal):


Estas variveis devem ser eliminadas do modelo na forma padro. H,
pelo menos, duas maneiras de se fazer isto:
1. Por substituio utilizando uma das restries do modelo,
j na forma padro (igualdade), procura-se expressar a varivel livre
como funo das demais variveis (no negativas) do modelo. A seguir
eliminar a varivel livre do modelo substituindo-a pela funo
escolhida na etapa anterior. A equao utilizada para expressar a
varivel livre como funo das demais variveis tambm ser
eliminada do modelo.
2. Por transformao Suponha que a varivel livre S. Basta
substituir em todas as restries, e na funo objetivo, a varivel S por
S = S S, com S 0 e S 0 sendo duas novas variveis (auxiliares)
no modelo.
Pesquisa Operacional - UNESP / Campus de Guaratinguet

59

Forma padro de modelo de PL


Exemplo Completo
Obtenha a forma padro do modelo abaixo:
Maximizar Z = X1 2X2 + 3X3

X1 + X2 + X3 7
X1 X2 + X3 2

Sujeito a:
3X1 X2 2X3 = 5
X1 0, X2 0, X3 livre

1
2
3
60

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma padro de modelo de PL


1. Introduzir variveis de folga nas restries (1) e (2):
X1 + X2 + X3 + X4 = 7 (1) com X4 0.
X1 X2 + X3 X5 = 2 (2) com X5 0.
2. Multiplicar a restrio (3) por ( 1) para eliminar b3 = 5 < 0:
3X1 + X2 + 2X3 = 5
(3)
3. Substituir X2 0 por X2 0 atravs de X2 = X2:
Max Z = X1+ 2 X2 + 3 X3
X1 X2' + X3 + X4
=7

X1 X2' + X3
X5 = 2
Sujeito a:
3X1 X2' + 2X3
=5

Pesquisa Operacional - UNESP / Campus de Guaratinguet

1' '
2' '
3' '

61

Forma padro de modelo de PL


4. Eliminar X3:
4.1. Substituio

ou

4.2. Transformao

Max Z = -2X1 + 5X2 - 3X4 + 21

ou

Max Z = X1 + 2X2 + 3X3 - 3X3

2X2' X4 + X5 = 5
s. a: 5X1 X2' + 2X4
=9

X1, X2' , X4, X5 0

X1 X2'+ X3' X3' ' X4


=7
X1 + X2'+ X3' X3' '
X5 = 2

s. a:

3X1 X2'+2X3' 2X3' '


X1, X2' , X3' , X3' ' , X4, X5 0

Usando
De (1): X3 = 7 X1 + X2 X4

ou

=5

X3 = X3 X3
62

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Definies e Teoremas em PL
Ponto central na resoluo de modelos de PL a soluo de
sistemas de equaes lineares.
Apresenta-se a seguir o Mtodo de Eliminao de Gauss Jordan.
Considere o sistema de equaes abaixo:
(S1)

X1 2X 2 X 3 4X 4 2X 5 2

X1 X 2 X 3 3X 4 X 5 4

1
2

(n variveis >> n equaes)


63
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Definies e Teoremas em PL
Conjunto soluo de (S1) a coleo de todos os valores de
(X1, X2, X3, X4, X5) que satisfazem as equaes (1) e (2)
conjuntamente.
Dois sistemas so equivalentes se possuem o mesmo conjunto
soluo.
Sistemas equivalentes podem ser obtidos por meio de
operaes elementares sobre as linhas do sistema:
1. Multiplicar (dividir) qualquer equao por um n.
2. Adicionar qualquer equao uma Combinao Linear das
demais equaes.
64
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma Cannica
Um sistema (S2) equivalente a (S1) pode ser obtido
multiplicando-se a equao (1) por 1 e adicionando-se o
resultado equao (2):
(S2)

X1 2X 2 X 3 4X 4 2X 5 2

X2 2X3 + X4 3X5 2

(3)
(4)

Um sistema (S3) equivalente a (S1) pode ser obtido


multiplicando-se equao (4) por 2 e adicionando-se o resultado
equao (3):
(S3)

X1

3X3 2X4 4X5 = 6


X2 2X3 + X4 3X5 = 2

(5)
(6)

(S3) denominado uma forma cannica do sistema original (S1).65


Pesquisa Operacional - UNESP / Campus de Guaratinguet

Forma Cannica
Considere uma forma cannica de um sistema de equaes lineares:
(como (S3) anteriormente obtido)
Uma varivel dita ser varivel bsica para uma dada equao do
sistema se ela possuir coeficiente 1 nesta equao e coeficientes
nulos nas demais equaes do sistema.
Exemplo: em (S3) X1 e X2 so variveis bsicas
Variveis que no satisfazem a condio acima so chamadas de
variveis no-bsicas.
Exemplo: em (S3) X3, X4, X5 so variveis no-bsicas.
66
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Soluo Bsica
A soluo de um sistema na forma cannica, obtida fazendo-se as
variveis no-bsicas iguais a zero, chamada de uma soluo
bsica (SB).
N mximo de solues bsicas = N
M

Exemplo:
Em (S3) fazendo-se X3 = X4 = X5 = 0 X1 = 6 e X2 = 2 formam
uma soluo bsica.
N de solues bsicas = 5 = 10
2

Uma Soluo Bsica Vivel (SBV) de um sistema uma soluo


bsica onde todas as variveis assumem valores no-negativos.
Exemplo: a soluo bsica do exemplo anterior uma SBV.
Pesquisa Operacional - UNESP / Campus de Guaratinguet

67

Pivoteamento
Operaes de Pivoteamento so as operaes elementares
aplicadas um sistema para transformar uma dada varivel
em varivel bsica. So usadas pelo mtodo de eliminao
de Gauss Jordan. Deve-se identificar o elemento Piv que
deve ser transformado em 1 e os demais elementos da sua
coluna que devem ser transformados em 0.
Para obter uma forma cannica de um sistema basta aplicar
uma sequncia de operaes de pivoteamento (mtodo de
Gauss Jordan) de modo se conseguir uma varivel bsica
associada com cada equao.
68
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo de Eliminao de Gauss Jordan


Artifcio para a realizao de operaes de pivoteamento:
Considere o sistema (S) abaixo:
(S)

2X1 2X 2 + 6X 3 = 4

X1 + 4X2 X3 = 2

(1)
(2)

Achar (S) uma forma cannica de (S) de modo que X1 seja a


varivel bsica associada com a equao (1), e X3 seja a varivel
bsica associada com a equao (2).
69
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo de Eliminao de Gauss Jordan


VB

X1

X1

X3

Operaes Elementares Feitas

X3

-2

-1

-1

X1

-1

(1) = (1)/2 - Equao do Piv

X3

(2) = (2) + (1) Piv em Azul

X1

-11/2

-4

(1) = (1) - 3*(2)

X3

3/2

(S)

X2

(1) - Piv em azul


(2)

(2) = (2)/2 Equao do Piv

=4
X1 11 / 2 X 2

3/2 X2 + X3 = 2

Soluo bsica (no vivel): X1 = 4 (Varivel bsica)


X3 = 2 (Varivel bsica)
X2 = 0 (Varivel no bsica)
Pesquisa Operacional - UNESP / Campus de Guaratinguet

70

Teoremas em PL
Teorema 1
Dado um modelo j na forma padro, as solues bsicas viveis do
sistema de equaes, correspondente s restries do modelo, esto
associadas a pontos extremos do conjunto de solues viveis do
modelo original.
Teorema 2
Se um modelo de Programao Linear possui Soluo tima ento
pelo menos um ponto extremo, do conjunto de solues viveis do
modelo original, corresponde a uma Soluo tima.
71
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Comentrios Gerais
Procedimento simplista para resolver um modelo de PL
Gerar todas as possveis solues bsicas viveis.
Determinar qual das solues bsicas viveis corresponde ao
melhor valor da funo-objetivo.
Problemas:
1. N de solues bsicas viveis pode ser excessivo.
2. Modelo pode apresentar soluo ilimitada ou ainda ser invivel.
Observe que problemas de mdio porte, que aparecem na prtica,
costumam envolver centenas de variveis (valor de n) e milhares
de restries (valor de m).
72
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Comentrios Gerais
Linhas de Pesquisa
Algoritmos de pontos interiores e suas derivaes.
Implementaes de algoritmos para processamento em paralelo.
Linguagens de modelagem: ajudar no desenvolvimento e aplicao de
modelos de Pesquisa Operacional.
Exemplos:
AMPL - Modeling Language for Mathematical Programming - R. Fourer,
D. M. Gay, and B. W. Kerningham, 1993.
GAMS - General Algebraic Modeling System - J. Bisschop and A. Meeraus,
1982.
Whats best - The ABC of Optimization - S. L. Savage, 1992.
73
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Procedimento iterativo que resolve qualquer modelo de PL num
nmero finito de iteraes. Indica a ocorrncia de mltiplas Solues
timas, soluo ilimitada, e problema invivel.
Etapas de aplicao do Mtodo Simplex
Considere um modelo de PL que esteja na forma padro, e uma Soluo
Bsica Vivel inicial.
O Mtodo Simplex consiste basicamente da aplicao sucessiva de duas
etapas:
Etapa A: Identificao de uma Soluo tima.
Etapa B: Melhoria de uma Soluo Bsica Vivel.
74
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Etapa A: Identificao de uma Soluo tima.
Verificar se a Soluo Bsica Vivel atual satisfaz o critrio de
otimalidade do algoritmo:
Se o critrio for satisfeito termina a aplicao do mtodo;
Caso contrrio deve-se aplicar a etapa B.
Etapa B: Melhoria de uma Soluo Bsica Vivel.
Procurar obter uma Soluo Bsica Vivel melhor que a atual:
Determinao da varivel no-bsica que deve entrar;
Determinao da varivel bsica que ser substituda;
Obteno da nova Soluo Bsica Vivel - atravs de
operaes de pivoteamento.

75

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Desenvolvimento do Mtodo Simplex
Seja um modelo de PL (minimizao) colocado na forma padro:
Min Z = C1 X1 + C2 X2 + ... + Cn Xn
A11 X1 + A12 X2 + ... + A1n Xn = b1
A21 X1 + A22 X2 + ... + A2n Xn = b2

s. a:

...

...

...

...

...
...
...
...
Am1 X1 + Am2 X2 + ... + Amn Xn = bm
X1 0, X2 0, ... , Xn 0
b1 0, b2 0, ... , bm 0
76

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Considere o sistema (S) abaixo:

A11 X1 + A12 X2 + ... + A1n Xn = b1


A21 X1 + A22 X2 + ... + A2n Xn = b2

(1)
(2)

s. a:

...
...
...
...
...
...
...
...
...
...
Am1 X1 + Am2 X2 + ... + Amn Xn = bm

- Z + C1 X1 + C2 X2

+ ... + Cn Xn = 0

(m)
(m + 1)

Obter, aplicando o mtodo de eliminao de Gauss-Jordan, o sistema


equivalente (S) = uma forma cannica de (S) onde:
X1
X2
...
Xm
Z

seja a varivel bsica referente a equao (1),


seja a varivel bsica referente a equao (2),
seja a varivel bsica referente a equao (m),
seja a varivel bsica referente a equao (m+1).

Pesquisa Operacional - UNESP / Campus de Guaratinguet

77

Mtodo Simplex - Minimizao


O sistema (S), que uma forma cannica de (S), foi obtido
pelas operaes de pivoteamento aplicadas s variveis X1,
X2, ..., Xm, e Z, dado por:

X1

+ A1, m + 1 Xm + 1 + ... + A1, n Xn = b1


X2

+ A2, m + 1 Xm + 1 + ... + A2, n Xn = b2

.......

Xm + Am, m + 1 Xm + 1 + ... + Am, n Xn = bm

+ C m + 1 Xm + 1 + .... + C n Xn = Zo

(I)

78
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Em (S) :
(1) Ai , j , bj, C j so respectivamente os novos coeficientes das variveis
nas equaes de (S), as novas constantes nestas mesmas equaes, e
os novos coeficientes das variveis na funo objetivo (expresso (I)),
obtidos pelas operaes de pivoteamento no sistema (S).
(2) Os coeficientes C j so denominados coeficientes de custo relativo (ou
reduzido) das variveis no-bsicas da soluo atual.
(3) H uma Soluo Bsica Vivel explcita em (S), onde:
Variveis bsicas: X1 b1, X 2 b 2, ... , Xm bm;
Variveis no-bsicas: Xm 1 Xm 2 ... Xn 0
Valor da funo objetivo: Zo C1 b1 C 2 b 2 ... Cnbn
79
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Visualizao da etapa A do Mtodo Simplex:
Teste de otimalidade da Soluo Bsica Vivel atual.
Min Z = 4X1 + X2 + X3
s. a:

2X1 X2 2X3 4

3X1 3X2 X3 3
Xi 0, i 1,3

(S):

2X1 + X2 + 2X3 = 4
3X1 + 3X2 + X3 = 3

Z 4X1 X 2 X 3 0

(1)
(2)
(3)
80

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Aplicando o mtodo de eliminao de Gauss Jordan para obter uma
forma cannica (S) associando X3 como varivel bsica para a
equao (1), X1 para a equao (2) e Z para a equao (3), tem-se:
(S):

3/4 X2 + X3 = 3/2
X1 + 5/4 X2
= 1/2
13/4 X2

= 7/2

(I)

Soluo bsica vivel atual


Variveis bsicas: X1 = 1/2, X3 = 3/2
Variveis no-bsicas: X2 = 0
Funo objetivo: Z = Z0 = 7/2
81
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


De (I):

Z = 7/2 13/4 X2

Anlise de otimalidade da Soluo Bsica Vivel (SBV) atual:


X2 = 0 varivel no bsica
Se X2 se tornar VB o valor de X2
Se X2
o valor de Z
o que desejvel pois a funo
objetivo
de minimizao
Concluso: A SBV atual no tima e X2 deve se tornar VB numa
prxima SBV melhor que a atual.
Assim X2 deve Entrar. Ir a etapa (B).
82
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Etapa (A) do Mtodo Simplex
Questo:
Como verificar se a Soluo Bsica Vivel explicitada em (S)
tima para o modelo em estudo?
Resposta:
Considere a expresso (I) em (S), dada por:

Z
Onde

+ C m 1 X m + 1 + .... + C n Xn = Zo,
Zo = C1 b1 + C2 b2 + ... + Cm bm.
83

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Analisando (I) h duas possibilidades:
Se no h C j 0 ento a soluo atual tima. No
haver a aplicao da etapa (B). Fim da aplicao do
Mtodo Simplex.
Se h C j 0 a soluo atual no tima.
Uma varivel no-bsica XS, associada com um
coeficiente de custo relativo negativo, deve ser
transformada em varivel bsica numa prxima soluo
bsica vivel . Esta nova Soluo Bsica Vivel ter um
valor para a funo objetivo melhor (no caso do modelo de
minimizao, menor) que o valor da funo objetivo atual Z0.
Aplicar a etapa (B).

Pesquisa Operacional - UNESP / Campus de Guaratinguet

84

Mtodo Simplex - Minimizao


Visualizao da etapa B do Mtodo Simplex (PL de Minimizao):
Seja uma Soluo Bsica Vivel disponvel dada por,
X1 = 5, X2 = 6, X3 = X4 = 0, Z = 4,
Associada ao sistema (S) abaixo:
(S):

X1

+ 2X3 + 3X4 = 5
X2 + 2X3 2X4 = 6
4X3 + 5X4 = 4

(1)
(2)
(3)

Aplicando a etapa (A) tem-se:


Como

C 3 = - 4 < 0 se o valor de X3 o valor de Z .

Desta maneira X3 deve Entrar e seu valor dever aumentar. Observe-se


que X4 no deve Entrar pois piorar o valor da F. O.
Pesquisa Operacional - UNESP / Campus de Guaratinguet

85

Mtodo Simplex (minimizao)


Problema:
At quanto aumentar o valor de X3?
Anlise: como X4= 0 (permanece varivel no-bsica), tem-se:
De (1): X1 = 5 2X3
De (2): X2 = 6 2X3

se X 3 X1
se X 3 X2

ou seja
ou seja

Sabe-se que X1 0 X3 5/2 X3 = Min 5/2, 6/2 = 5/2


Sabe-se que X2 0 X3 6/2

Portanto X3 substituir X1 no conjunto das variveis bsicas da


nova Soluo Bsica Vivel dada por:
X = 5/2, X = 1, X = X = 0, Z = 4 - 4X3 = -6

Pesquisa Operacional
- UNESP
/ Campus
de4Guaratinguet
3
2
1

86

Mtodo Simplex - Minimizao


Etapa (B) do Mtodo Simplex
Hiptese:
H um coeficiente de custo relativo C S < 0 deve-se achar uma
nova Soluo Bsica Vivel onde XS seja varivel bsica.
Problema:
Qual das atuais variveis bsicas ser substituda por X S na
prxima Soluo Bsica Vivel?
87
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Soluo:

A i,s os coeficientes de XS nas equaes do sistema de


Sejam
restries, onde i = 1, ..., m.
Procurar a equao r do sistema de restries onde ocorra:

Min bi
br
=

A r , s Ai, s > 0 Ai, s


A varivel bsica da Soluo Bsica Vivel atual associada
com a equao r acima ser substituda por XS.
88
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Artifcio para aplicar as etapas (A) e (B) do Mtodo Simplex.
Considere o exemplo de minimizao usado na visualizao da
etapa (B), j colocado numa forma cannica:

X1

+ 2X3 + 3X4 = 5
X2 + 2X3 2X4 = 6
4X3 + 5X4 = 4

(1)
(2)
(3)

89
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex - Minimizao


Operacionalizao da aplicao das etapas (A) e (B):

VB

X1

X2

X1
X2

1
0

0
1

-Z

X3

X4

2
2

3
-2

5
6

-4

-4

X3 entra
X3
X2

1/2
-1

0
1

1
0

3/2
-5

5/2
1

-Z

11

No h C j < 0 , assim a
soluo atual tima.
Pesquisa Operacional - UNESP / Campus de Guaratinguet

(5/2) menor quociente X1 sai


(6/2)

X 1* 0

X 2 * 1
X*
=

X 3*
5/2

X 4 * 0

Z* = - 6

90

Mtodo Simplex - Maximizao


Modelo de Programao Linear com funo objetivo de
maximizao.
Etapa (A):
Soluo bsica vivel atual ser tima C j > 0.
Etapa (B):
A varivel XS que entra ter C S > 0, para possibilitar uma
melhoria (aumento) no valor da funo objetivo associado com a
Soluo Bsica Vivel atual.
Importante: as operaes de pivoteamento no se alteram.
91
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex (maximizao)


Exemplo de modelo de maximizao resolvido pelo Mtodo
Simplex.
Modelo original
Max Z = 3X1 + 5X2

X1

X2 6

3X1 + 2X2 18
X1 0, X2 0

s. a:

Modelo na forma padro


Max Z = 3X1 + 5X2

X1

s. a:

+ X3

= 4

X2
+ X4
= 6

+ X5 = 18
3X1 + 2X2
Xi 0, i = 1,5
92

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
VB

X1

X2

X3

X4

X5

X3
X4
X5

1
0
3

0
1
2

1
0
0

0
1
0

0
0
1

4
6
18

-Z

X3
X2
X5

1
0
3

0
1
0

1
0
0

0
1
-2

0
0
1

4
6
6

-Z

-5

0 -30

X3*
X2*
X1*

0
0
1

0
1
0

1
0
0

2/3
1
-2/3

-1/3
0
1/3

2
6
2

-Z*

-3

-1

-36

Entra X2, Sai X4

Entra X1, Sai X5

Soluo tima
X*1 = 2, X*2 = 6,
X*3 = 2, X*4 = X*5 = 0,
Z* = 36
93

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Comentrios Gerais
Considere um modelo de Programao Linear na forma padro que
seja de minimizao.
(1) Ocorrncia de Empate na Entrada:
Escolher para entrar a varivel no-bsica Xs associada ao
menor valor de coeficiente de custo relativo C S < 0.
(Regra de entrada de Dantzig)

94
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
(2) Identificao de Soluo Ilimitada:
Pode ser feita a identificao de soluo ilimitada durante a
aplicao da etapa (B).
Se houver alguma varivel no-bsica Xs para entrar que tenha
A i , s 0, em todas as equaes i (= 1,..., m) do
coeficientes
sistema de restries.

95
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Exemplo de Modelo com Soluo Ilimitada:
Seja a Soluo Bsica Vivel abaixo, associada a forma cannica (S):
X1 = 5, X2 = 6, X3 = X4 = 0, Z = 4

X1

(S):

2X3 + 3X4 = 5
X2 2X3 2X4 = 6
4X3 + 5X4 = 4

(1)
(2)
(3)

Observar que C3 = 4 < 0 X3 deve entrar. Quem vai sair?


De (1): X1 = 5 + 2X3
quando X3 X1 , X2 e Z
De (2): X2 = 6 + 2X3
Assim o modelo apresenta soluo ilimitada com Z .

Pesquisa Operacional - UNESP / Campus de Guaratinguet

96

Mtodo Simplex
(3) Interpretao geomtrica do Mtodo Simplex:

Em cada iterao do Mtodo Simplex (Etapa (A) + Etapa


(B)) h um deslocamento de uma Soluo Bsica Vivel para
outra que apresenta um valor para a funo objetivo melhor.
Em termos da resoluo grfica: numa iterao h a
locomoo de um ponto extremo para outro ponto extremo
adjacente na regio vivel do modelo em questo.

97
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Exemplo:
Modelo original
Min Z = 3X1 5X2
X1

s. a:

X2 6
3X1 + 2X2 18
Xi 0, i = 1, 2

X2

Regio
vivel

X1
98
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Exemplo:
Modelo original

Min Z = 3X1 5X2

X1
s. a:

Min Z = 3X1 5X2

X1

X2 6

Modelo na forma padro

s. a:

3X1 + 2X2 18
Xi 0, i = 1, 2

+ X3

X2
3X1 + 2X2
Xi 0, i = 1, 5

= 4
+ X4
= 6
+ X5 = 18

X2
Regio
vivel
99
Pesquisa Operacional - UNESP / Campus de Guaratinguet

X1

Mtodo Simplex
Resoluo do exemplo para interpretao geomtrica do Mtodo Simplex:
VB

X1

X2

X3

X4

X5

X3

X4

X5

18

X
-Z3

1
-3

-50

01

00

00

40

X2

X5

-2

-Z

-3

30

X3*

2/3

-1/3

X2*

X1*

-2/3

1/3

Quadro 1: Entra X2 Sai X4

Quadro 2: Entra X1 Sai X5

Quadro 3 (timo)

-Z* 0 bsica
0 vivel
0 tima:
3 X * 1= 2,36
Soluo
X2* = 6, X3* = 2, X4* = X5* = 0, Z* = 36
1
100

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Visualizao das iteraes
Quadro 3:
X4 *= X5* = 0,
Z* = -36, X1* = 2,
X2* = 6, X3* = 2.

X2
Quadro 2:
X1 = X4 = 0,
Z = -30,
X2 = 6, X3 = 4, X5 = 6.

Regio
vivel

Quadro 1:
X1 = X2 = 0,
Z = 0, X3 = 4, X4 = 6,
X5 = 18.
Pesquisa Operacional - UNESP / Campus de Guaratinguet

X1
101

Mtodo Simplex
(4) Identificao de Solues timas Mltiplas:
Considere que h uma Soluo Bsica Vivel tima para um
modelo de minimizao, ou seja, tem-se Z* = Z* e todos C S 0 para toda
varivel no-bsica X s .
A identificao da ocorrncia de Solues timas mltiplas feita,
no Quadro timo, quando h alguma varivel no-bsica Xj com
= 0.
Cj
Assim ao se escolher Xj para entrar no conjunto das variveis
bsicas, no se alterar o valor timo Z* da funo objetivo.
Desta maneira, pode-se obter uma nova Soluo Bsica Vivel
tima na qual Xj ser uma varivel bsica.
Fica caracterizada assim a existncia de mltiplas Solues timas.
102
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Exemplo:
Modelo original

Min Z = X1 2X2

3
X2 4
X1 + 2X2 9
Xi 0, i = 1, 2

Modelo na forma padro


Min Z = X1 2X2
X1

X1

S. a:

+ X3

=3

X2
+ X4
=4
+ X5 = 9
X1 + 2X2
Xi 0, i = 1, 5

S. a:

A seguir apresenta-se:
A resoluo grfica do modelo original.
A resoluo do modelo na forma padro pelo Mtodo Simplex.
Uma visualizao das iteraes desenvolvidas pelo Mtodo
Simplex sobre a regio vivel do modelo original.
103
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Resoluo grfica do exemplo com mltiplas Solues timas
X2

1
4

= XA*

(0,4)
X*

3
3

= XB*

Z* = - 9
Z=-6
(3,0)

X1

Observao: XA* , XB* so solues bsicas viveis timas, Z* = 9


o
valor timo da funo objetivo, a expresso geral da Soluo tima : X*
104
= XA* + (1 ) XB* com 0 1.
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Mtodo Simplex
Resoluo do modelo na forma padro
VB

X1

X2

X3

X4

X5

X3

X4

X5

X3
-Z

-11

-20

01

00

00

03

X2

X5

-2

-Z
X3*

-1
0

0
0

0
1

2
2

0
-1

8
2

X2*

X1*
X4*

1
0

2
0

0
1/2

-2
1

1
-1/2

1
1

-Z*
X2*

0
0

0
1

0
-1/2

0
0

1
1/2

9
3

X1*

Quadro 1: Entra X2 e Sai X4

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Quadro 2: Entra X1 e Sai X5

Quadro 3: timo (XA*)

Soluo tima geral:


Quadro 4
timo
(XB*)

X* = XA* + (1 - ) XB*,
com 0 1, e Z* = - 9
105

Mtodo Simplex
Visualizao das iteraes do Mtodo Simplex
Quadro 3:
X4* = X5* = 0,
X1* = 1, X2* = 4,

X2
XA

Quadro 2:

X3* = 2, Z* = -9

X1 = X4 = 0,
X*

X2 = 4, X3 = 3,
X5 = 1, Z = -8

X* = XA* + (1 -) XB*,
onde 0 1

Quadro 4:
X3* = X5* = 0,

o caso, em termos
de resoluo grfica,
de um segmento de
reta timo.

X1* = 3, X2* = 3,
X4* = 1, Z* = -9
XB

(0,0)
Quadro 1:
X1 = X2= 0, X3 = 3,
X4 = 4, X5 = 9, Z
=0
Pesquisa Operacional - UNESP / Campus de Guaratinguet

X1

106

Mtodo Simplex

Observao importante:
Se no Quadro 3, na coluna da varivel X4 no houvesse algum
coeficiente Ai , 4 > 0 , no se poderia efetuar o pivoteamento;

Ento este o caso, em termos da resoluo grfica, que a Soluo


tima uma semi-reta, da forma X* = XA* com 1 .

107
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex

Considere um modelo de Programao Linear que esteja na forma


padro
Se todas as restries do modelo original (ainda no colocado na forma
padro) forem desigualdades do tipo , tem-se uma forma cannica
inicial (ou seja, uma Soluo Bsica Vivel inicial) evidente, onde as
variveis bsicas sero as variveis de folga introduzidas para a reduo das
desigualdades para equaes equivalentes.
Se alguma restrio do modelo original for uma igualdade =, ou ainda
desigualdade do tipo , a condio acima no ocorrer e no haver
uma Soluo Bsica Vivel inicial explcita.
Quando no h uma Soluo Bsica Vivel inicial deve-se utilizar algum
procedimento de inicializao para o Mtodo Simplex.
109

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex

(1) Mtodo das Duas Fases.


Fase 1:
(a) Construo e resoluo de um modelo artificial
(b) Anlise da Soluo tima do modelo artificial
Fase 2:
Resoluo do modelo original utilizando como soluo inicial a Soluo
tima do modelo artificial.
(2) Mtodo do Big M .
Introduz variveis artificiais, nas equaes do sistema de restries
(exatamente como o mtodo das duas fases), e na funo objetivo original com
coeficientes penalizantes adequados, isto , M >>0 para minimizao e M <<0
para maximizao.
A seguir apresenta-se as bases do Mtodo das Duas Fases para inicializao do
Mtodo Simplex.
110

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex

Desenvolvimento do Mtodo das Duas Fases


Considere que o modelo de Programao Linear na forma padro
abaixo no apresenta uma Soluo Bsica Vivel inicial, isto , no h
uma forma cannica evidente.
Modelo original (na forma padro)
Min Z = C1 X1 + C2 X2 + ... + Cn Xn

s.a:

A11X1 + .... + A1nXn = b1


........................................

........................................
Am1X1 + ... + AmnXn

Xi 0, i = 1, n

bm
111

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex


Fase 1: Construo e resoluo de um modelo artificial
O modelo artificial, a partir das equaes do sistema de restries
do modelo original ser:
com Y1, Y2, ..., Ym sendo as variveis artificiais no negativas.
Min W = Y1 + Y2 + .... + Ym

s. a:

A11X1 + ... + A1nXn + Y1


A21X1 + ... + A2nXn +

= b1
Y2

= b2

........................................................................
Am1X1 + ... + AmnXn +
Ym = bm

Xi 0, i = 1, n ; Yj 0, j = 1, m
A F. O. artificial sempre ser de Minimizao, qualquer que seja o Modelo Original.
112
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex

Observe que o modelo artificial est na forma padro com Soluo Bsica
Vivel inicial:
X1 = X2 = ... = Xn = 0
(variveis no-bsicas)
Y1 = b1, Y2 = b2, ..., Ym = bm (variveis bsicas)
W = b1 + b2 + ... + bm.
Analisando o valor timo da funo objetivo W* do modelo artificial
pode-se concluir:
Caso 1: Se W* 0 h pelo menos uma varivel bsica artificial Yj com
valor 0.
Nesta situao conclui-se que o sistema de restries do modelo original
depende destas variveis artificiais no nulas para ser satisfeito. Assim o
Modelo Original invivel. No h a fase 2.
113

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex

Caso 2: se W* = 0 Y1* = Y2* = ... = Ym* = 0.


Conclui-se que o sistema de restries do Modelo Original
pode ser satisfeito apenas com as variveis Xi.
Desta forma o Modelo Original vivel.
Subcaso 2.1: se todas as variveis artificiais so nobsicas na Soluo tima do modelo artificial.
Basta eliminar todas as variveis artificiais, substituir a
funo objetivo artificial pela original, e iniciar a fase 2.
114
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex

Subcaso 2.2: se alguma varivel artificial permanece como varivel bsica


na Soluo tima do modelo artificial. Observe que estas variveis devem
ser nulas, pois W* = 0.
Deve-se, atravs de operaes de pivoteamento, substituir estas variveis
artificiais bsicas por variveis originais, eliminar todas as variveis
artificiais no bsicas, substituir a funo objetivo artificial pela original, e
iniciar a fase 2.
Se no possvel substituir alguma varivel artificial bsica por uma
varivel original (pela inexistncia de elemento pivot), basta eliminar a
equao associada com a varivel artificial em questo (a equao uma
combinao linear das demais equaes do modelo original).
115
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Exemplo de aplicao do Mtodo das Duas Fases


Visualizao das iteraes
Modelo
Min Z = -3X1 - 5X2
4
X2 6
3X1 + 2X2 18
Xi 0, i = 1,2

X1

s. a:

(1)
(2)
(3)
(4)

116
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex

Exemplo de aplicao do Mtodo das Duas Fases

Modelo
Min Z = -3X1 - 5X2

4
X2 6
3X1 + 2X2 18
Xi 0, i = 1,2

Modelo na forma padro

Min Z = -3X1 - 5X2

X1

s. a:

X1
s. a:

+ X3
X2

3X1 + 2X2
Xi 0, i = 1, 5

+ X4

=4
= 6
- X5 = 18

117
Pesquisa Operacional - UNESP / Campus de Guaratinguet

Procedimentos de inicializao para o Mtodo Simplex

Fase 1: construo do Modelo Artificial


Min W = Y1
s. a:

X1

+ X3
=4
X2
+X4
=6
3X1 + 2X2
X5 + Y1 = 18
Xi 0, i = 1,5; Yi 0

Soluo bsica vivel inicial para o Modelo Artificial:


X1 = X2 = X5 = 0 (variveis no-bsicas)
X3 = 4, X4 = 6, Y1 = 18 (variveis bsicas)
W = 18

Pesquisa Operacional - UNESP / Campus de Guaratinguet

118

Exemplo de aplicao do Mtodo das Duas Fases


Fase 1: Resoluo do Modelo Artificial
VB

X1

X2

X3

X4

X5

Y1

X3

Adequar a

X4

funo

Y1

-1

18

objetivo

-W
X3

0
1

0
0

0
1

0
0

0
0

1
0

0
4

X4

Y1

-1

18

-W
X1

-3
1

-2
0

0
1

0
0

1
0

0
0

-18
4

X4

Y1

-3

-1

-W
X1

0
1

-2
0

3
1

0
0

0
0

1
0

-6
4

X4

3/2

1/2

-1/2

X2

-3/2

-1/2

1/2

-W*

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Transformar em
Zeros os coeficientes
das variveis
artificiais na F. O.

Quadro 1

Quadro 2

Quadro 3

Fase 1: Anlise da Soluo


tima do Modelo Artificial
W* = 0
Caso 2.1: Modelo Original
vivel. No h variveis
bsicas artificiais. Eliminar
variveis artificiais,
substituir funo objetivo
artificial pela original.
Iniciar fase 2.
119

Exemplo de aplicao do Mtodo das Duas Fases


Fase 2: Resoluo do Modelo Original
VB

X1

X2

X3

X4

X5

X1

Adequar a

X4

3/2

1/2

funo

X2

-3/2

-1/2

objetivo

-Z
X1

-3
1

-5
0

0
1

0
0

0
0

0
4

X4

3/2

1/2

X2

-3/2

-1/2

-Z
X1*

0
1

0
0

-9/2
0

0
0

-5/2
0

27
4

X5*

Quadro 4

X2*

(timo)

-Z*

42

Quadro 3

Coeficientes de
variveis
bsicas na F. O.
devem ser Zero

Soluo tima
(nica) do Modelo
Original:
X1* = 4, X2* = 6,
X5* = 6,
X3* = X4* = 0,
Z* = -42
120

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Visualizao da Iteraes do Mtodo das Duas Fases


Quadro 4: timo,
Z* = -42

X2
(2, 6)

Quadro 1:
W = 18,
Z=0

Regio
Vivel

Quadro 3=
Quadro 3:
W = 0,
Z = -27

(4, 6)

(4, 3)

(4, 0)

Quadro 2:
W = 6,
Z = -12

X1

121
Pesquisa Operacional - UNESP / Campus de Guaratinguet

SIM

Pesquisa Operacional - UNESP / Campus de Guaratinguet

Exerccios: Resolver graficamente e pelo


Simplex
1.

s. a:

2.

s. a:

Min Z = X1 + 2 X2
X1 + X2 3
2X1 + X2 2
X1, X2 0

(R: Invivel)

Max Z = 6X1 + 10 X2
3X1 + 5X2 15
5X1 + 2X2 10
X1, X2 0

Pesquisa Operacional - UNESP / Campus de Guaratinguet

R: h mais de uma soluo tima


123
(Segmento de reta timo)

Exerccios
3.

s. a:

4.

s. a:

Max Z = 2X1 + 2X2


X1 - X2 -1
- X1 + X2 2
X1, X2 0

(R: Soluo ilimitada)

Max Z = X1 + X2
X1 + 4X2 4
3X1 + X2 = 1
X1, X2 0

Comentrio: Fica a Varivel Artificial na soluo tima do


124
Problema Artificial como Varivel Bsica, ela sai por
Pesquisa Operacional - UNESP / Campus de Guaratinguet
pivoteamento.

Exerccios
5.

s. a:

6.

Max Z = X1 + X2
2X1 + 3X2 = 5
- 6X1 - 9X2 = - 15
X1 X2 0
X1, X2 0

Comentrio: 1a. equao


combinao linear das demais.

Max Z = - 4X1 + X2

3X1 + X2 3
s. a: X1 - X2 - 1
4X1 X2 - 4
X1, X
Pesquisa Operacional
- UNESP
2 0 / Campus de Guaratinguet

125
R: H mais de uma soluo

Exerccios
7. Max Z = 3X1 5X2
s.a: -3X1 + 5X2 0
X1 2X2 -2
Xi 0, i = 1,2
R: H mais de uma soluo tima (Semi-reta tima)

Pesquisa Operacional - UNESP / Campus de Guaratinguet