Universidade Estadual de Santa Cruz -

UESC

Pesquisa Operacional

Aula 4

Sara Meira Moutta

1
Solução inicial artificial
Problemas de PL nos quais todas as
restrições são (≤) com lados direitos não
negativos oferecem uma solução básica
inicial viável conveniente na qual todas as
variáveis são de folga.
Isso não acontece com modelos que
envolvem restrições (=) e/ou (≥). Neste
caso, usamos variáveis artificiais que
desempenham o papel de folgas na
primeira iteração e então são descartadas
legitimamente em iterações posteriores.
2
Método do M-grande
Este método começa com um problema de
PL na forma de equações.
Se a equação i não tiver uma folga, uma
variável artificial, Ri, é adicionada para
formar uma solução inicial semelhante à
solução básica na qual todas as variáveis
são de folga.
Contudo, como as variáveis artificiais não
são parte do modelo original, recebem
punições muito altas na função objetivo,
forçando-as a ter valor igual a zero na
solução ótima. 3
 Regra da penalização das variáveis
artificiais
Dado M, um valor positivo
suficientemente alto (em termos
matemáticos, M∞), o coeficiente na
função objetivo de uma variável artificial
representa uma punição adequada se:
-M, em problemas
Coeficiente na função
de maximização
objetivo da variável artificial
M, em problemas
=
de minimização

4
Exemplo 3.2
Minimizar z = 4 x1 + x2
sujeito a
3x1 + x2 = 3
4x1 +3 x2 ≥ 6
x1 +2 x2 ≤ 4
x1 , x2 ≥ 0

Usando x3 como uma sobra na segunda

restrição e x4 como uma folga na terceira
restrição, a forma de equações do problema é
5
 Minimizar z = 4 x1 + x2
sujeito a
3x1 + x2 = 3
4x1 +3 x2 - x3 = 6

x1 +2 x2 + x4 = 4
x1 , x2, x3 , x4 ≥ 0

A terceira equação tem sua variável

de folga, x4, mas a primeira e a segunda
equações não tem. 6
 Assim, adicionamos as variáveis artificiais R 1
e R2 nas duas primeiras equações, e as
punimos na função objetivo com MR 1 + MR2.
O problema de PL resultante é dado como:
Minimizar z = 4 x1 + x2 + MR1 + MR2
sujeito a
3x1 + x2 + R1 = 3 4x1
+3 x2 - x3 + R2 = 6
x1 +2 x2 + x4 = 4
x1 , x2, x3, x4 ,R1, R2 ≥ 0

7
Agora, sua solução básica inicial é dada por
(R1, R2, x4) = (3,6,4).
Qual valor de M usar?
A resposta depende dos dados do problema de
PL original.
Lembre-se que M deve ser suficientemente
grande em relação aos coeficientes da função
objetivo original.
Ao mesmo tempo não queremos que M seja
demasiadamente grande devido ao grave erro
de arredondamento que pode resultar quando
valores muito grandes são manipulados com
valores muito menores. 8
Neste exemplo, como os coeficientes de x 1
e x2 são 4 e 1, respectivamente, parece
razoável estabelecer M = 100.
Usando M=100, a tabela simplex inicial é
dada abaixo (a coluna z é eliminada porque
ela não muda em nenhuma das iterações).
Base x1 x2 x3 R1 R2 x4 solução

z -4 -1 0 -100 -100 0 0
R1 3 1 0 1 0 0 3
R2 4 3 -1 0 1 0 6
x4 1 2 0 0 0 1 4
9
Na tabela, x1=x2=x3=0, o que resulta na
solução básica R1 =3, R2 = 6 e x4= 4.
Essa solução dá z = 100 x 3 + 100 x6 = 900
Entretanto, na tabela z = 0.
Essa inconsistência surge do fato de R1 e R2
terem coeficientes não zero na linha de z.
Podemos eliminar essa inconsistência com a
substituição de R1 e R2 na linha z usando as
equações de restrição adequadas.
Multiplicar cada linha R1 e linha R2 por 100 e
adicionar a soma à linha z substituirá R1 e R2
na linha objetivo. 10
Nova linha z = linha z anterior + (100 x
linha R1 + 100 x linha R2).
Portanto, a tabela simplex modificada se
torna:

Base x1 x2 x3 R1 R2 x4 solução

z 696 399 -100 0 0 0 900

R1 3 1 0 1 0 0 3
R2 4 3 -1 0 1 0 6
x4 1 2 0 0 0 1 4

11
Observe que z =900, o que agora é
consistente com os valores da solução
básica viável inicial: R1 =3, R2 = 6 e x4= 4.
A última tabela está pronta para aplicação
do método simplex usando as condições
simplex de otimalidade e viabilidade.
Como estamos minimizando z, a variável
que tem o coeficiente mais positivo, x 1,
entra na solução.
A razão mínima da condição de viabilidade
especifica R1 como a variável que sai.
12
Tão logo as variáveis que entram na base e
que saem da base estejam determinadas, a
nova tabela pode ser calculada usando as
conhecidas operações por Gauss-Jordan.

Base x1 x2 x3 R1 R2 x4 solução

z 0 167 -100 -232 0 0 204

x1 1 1/3 0 1/3 0 0 1
R2 0 5/3 -1 -4/3 1 0 2
x4 0 5/3 0 -1/3 0 1 3

13
A última tabela simplex mostra que X 2 e R2
são as variáveis que entram e saem da base,
respectivamente.
Continuando os cálculos do método
simplex, são necessárias mais duas
iterações para chegar à solução ótima: x 1 =
2/5, x2 = 9/5, z = 17/5.
Observe que as variáveis artificiais R 1 e R2
saem da solução básica na primeira e na
segunda iterações, um resultado que é
consistente com o conceito de puni-las na
função objetivo. 14
Método das duas fases
No método M-grande pode resultar em
erros de arredondamento que podem
comprometer a precisão dos cálculos
simplex.
O método das duas fases ameniza essa
dificuldade eliminando totalmente a
constante M.
O problema é resolvido em duas fases: a
Fase I tenta achar uma solução básica
viável inicial e, se ela for encontrada, a
Fase II é invocada para resolver o
problema original. 15
 Resumo do método das duas fases
Fase I. Expresse o problema na forma de
equações e adicione as variáveis artificiais
necessárias às restrições.
Ache um solução básica com as equações
resultantes que sempre minimizará a soma das
variáveis artificiais.
Se o valor mínimo da soma for positivo, o
problema de PL não tem solução viável, o que
encerra o processo.
Caso contrário, passe para a fase II.
Fase II. Use a solução viável da Fase I como
solução básica inicial para o problema original.
16
 Exemplo 3.3
Usamos o mesmo problema do
exemplo 3.2.
Fase I
Minimizar r = R1 + R2
sujeito a
3x1 + x2 + R1 = 3
4x1 +3 x2 - x3 + R2 = 6
x1 +2 x2 + x4 = 4
x1 , x2, x3, x4 ,R1, R2 ≥ 0
17
A tabela associada é dada

Base x1 x2 x3 R1 R2 x4 solução

r 0 0 0 -1 -1 0 0
R1 3 1 0 1 0 0 3
R2 4 3 -1 0 1 0 6
x4 1 2 0 0 0 1 4

A fase I do problema dá a seguinte tabela

ótima:

18
 Base x1 x2 x3 R1 R2 x4 solução

r 0 0 0 -1 -1 0 0
x1 1 0 1/5 3/5 -1/5 0 3/5
x2 0 1 -3/5 -4/5 3/5 0 6/5
x4 0 0 1 1 -1 1 1

Como mínimo r = 0, a Fase I produz a

solução básica viável x1 = 3/5, x2 = 6/5 e x4 =
1.
As variáveis artificiais concluíram sua
missão e podemos eliminar suas colunas da 19
 Fase II
Após eliminar as colunas artificiais,
escrevemos o problema original como

Minimizar z = 4 x1 + x2
sujeito a
x1 + (1/5)x3 = 3/5
x2 - (3/5)x3 = 6/5
x3 + x 4 = 1
x1 , x2, x3, x4 ≥ 0
20
A Fase I é um procedimento que transforma
as equações de restrição originais de
maneira a fornecer uma solução básica
viável inicial para o problema, se houver.
A tabela do problema da Fase II é dada como:
Base x1 x2 x3 x4 solução

z -4 -1 0 0 0
x1 1 0 1/5 0 3/5
x2 0 1 -3/5 0 6/5
x4 0 0 1 1 1
21
Como as variáveis x1 e x2 tem coeficientes não
zero na linha z, elas devem ser substituídas
usando os seguintes cálculos:
Nova linha z = velha linha z + (4 x linha x 1 + 1
x linha x2)
Portanto a tabela inicial da Fase II é dada
como: Base x1 x2 x3 x4 solução
z 0 0 1/5 0 18/5
x1 1 0 1/5 0 3/5
x2 0 1 -3/5 0 6/5
x4 0 0 1 1 1
22
Como estamos minimizando, x3 deve
entrar na solução.
A aplicação do método simplex produzirá a
solução ótima em uma única iteração.
A remoção das variáveis artificiais e de
suas colunas no final da Fase I só pode
ocorrer quando todas elas forem não
básicas.
Se uma ou mais forem básicas no final da
Fase I, então é preciso executar as seguintes
etapas adicionais para removê-las antes do
início da Fase II. 23
Etapa I
Selecione uma variável artificial com
coeficiente igual a zero para sair da solução
básica e desine sua linha como a linha do
pivô.
A variável que entra pode ser qualquer
variável não básica (não artificial) que
tenha um coeficiente não zero na linha do
pivô.
Execute a iteração simplex associada.

24
Etapa 2
Remova da tabela a coluna da variável
artificial (que acabou de sair).
Se todas as variáveis artificiais com
coeficiente igual a zero tiverem sido
removidas, passe para a Fase II.
Caso contrário, volte para a Etapa I.

25