Universidade Estadual de Santa Cruz -

UESC

Pesquisa Operacional

Aula 5

Sara Meira Moutta

1
Casos especiais do método simplex
Esta seção considera quatro casos
especiais que podem surgir na utilização
do método simplex.
1 – Degeneração
2 – Soluções ótimas alternativas
3 – Soluções ilimitadas
4 – Soluções não existentes

2
Degeneração
Na aplicação da condição de viabilidade
do método simplex pode ocorrer um
empate na razão mínima.
Quando isso acontece, no mínimo uma
variável básica será zero na iteração
seguinte, e diz-se que a nova solução é
degenerada.
Isso revela que o modelo tem no mínimo
uma restrição redundante.
3
Exemplo 4.1
Maximizar z = 3 x1 + 9 x2
sujeito a
x1 + 4x2 ≤ 8
x1 + 2x2 ≤ 4
x1 , x2 ≥ 0

Dadas as variáveis de folga x3 e x4, a tabela

seguintedá as iterações simplex do
problema.
4
Iteração Base x1 x2 x3 x4 solução

0 z -3 -9 0 0 0
Entra x2 X3 1 4 1 0 8

Sai x3 x4 1 2 0 1 4

1 z -3/4 0 9/4 0 18

Entra x1 X2 1/4 1 1/4 0 2

Sai x4 x4 1/2 0 -1/2 1 0

2 z 0 0 3/2 3/2 18

(ótima) x2 0 1 1/2 -1/2 2

x1 1 0 -1 2 0
5
Na iteração 0, x3 e x4 empatam no critério
que determina a variável que sai, o que
leva a degeneração na iteração I porque a
variável básica x4 assume valor igual a
zero.
Qual a implicação prática da
degeneração?
Examine a solução gráfica na Figura 4.1.
Três retas passam pelo ponto ótimo (0,2).
O ponto está superdeterminado e uma das
restrições é redundante.

6
Figura 4.1 – Degeneração do problema de PL no exemplo 4.1

7
Do ponto de vista teórico, a degeneração
tem duas implicações.
A primeira é o fenômeno da ciclagem ou
do retorno cíclico.
Examinando as iterações 1 e 2 do método
simplex, você notará que o valor da
função objetivo não melhora.
Assim é possível que o método simplex
entre em uma sequência de iterações sem
nunca melhorar o valor da função objetivo
e nunca satisfazer a condição de
otimalidade. 8
Embora haja métodos para eliminar a
ciclagem, eles resultam em uma drástica
redução na velocidade dos cálculos.
Por isso, grande parte dos códigos em PL
não inclui provisões para ciclagem,
contando com o fato de sua ocorrência ser
rara na prática.
O segundo ponto teórico surge no exame
das iterações 1 e 2.
Ambas, embora diferentes na
categorização de suas variáveis básicas e
não básicas, resultam em valores idênticos
para o valor da função objetivo. 9
Soluções ótimas alternativas
Quando a função objetivo tem direção
paralela a uma restrição vinculadora não
redundante, a função objetivo pode
assumir o mesmo valor ótimo em mais de
um ponto de solução, o que dá origem a
soluções ótimas alternativas.
O exemplo seguinte mostra que há um
número infinito de tais soluções e também
demonstra a relevância prática de
encontrar tais soluções.
10
Exemplo 4.2
Maximizar z = 2 x1 + 4 x2
sujeito a
x1 + 2x2 ≤ 5
x1 + x2 ≤ 4
x1 , x2 ≥ 0

A figura 4.2 demonstra como as soluções

ótimas alternativas podem surgir no modelo
de PL quando a função objetivo tem direção
paralela a uma restrição vinculadora. 11
Figura 4.2 – Soluções ótimas alternativas do problema de PL no exemplo 4.2

12
Qualquer ponto sobre o segmento de reta
BC representa uma solução ótima
alternativa com o mesmo valor da função
objetivo z = 10.
As iterações do modelo são dadas na
tabela a seguir.
A iteração 1 dá a solução ótima x 1=0,
x2=5/2 e z=10, que coincide com o ponto
B na figura 4.2.
Como sabemos por essa tabela que as
soluções ótimas alternativas existem?
13
 Iteração Base x1 x2 x3 x4 solução

0 z -2 -4 0 0 0
Entra x2 X3 1 2 1 0 5

Sai x3 x4 1 1 0 1 4

1 (ótima) z 0 0 2 0 10

Entra x1 X2 1/2 1 1/2 0 5/2

Sai x4 x4 1/2 0 -1/2 1 3/2

2 z 0 0 2 0 10

(ótima x2 0 1 1 -1 1

alternativa) x1 1 0 -1 2 3
14
Observe os coeficientes das variáveis não
básicas da equação z na iteração 1.
O coeficiente de x1 não básica é zero, o
que indica que x1 pode entrar na solução
básica sem alterar o valor de z, mas
causando uma mudança nos valores das
variáveis.
Na iteração 2 x1 entra na base, forçando x4
a sair. O novo ponto de solução ocorre em
C (x1=3, x2=1, z=10).

15
O método simplex determina apenas os
dois pontos extremos B e C, mas,
matematicamente, podemos determinar
todos os pontos sobre o segmento da reta
BC como uma média ponderada não
negativa dos pontos B e C.
Na prática soluções ótimas alternativas
são úteis porque podemos escolher entre
muitas soluções sem que o valor da
função objetivo sofra deterioração.

16
Neste exemplo, a solução em B mostra
que somente a atividade 2 está em um
nível positivo, ao passo que em C ambas
as atividades são positivas.
Se o exemplo representar uma situação de
mix de produtos, pode haver vantagem em
produzir dois produtos em vez de um para
enfrentar a concorrência de mercado.
 Nesse caso, a solução em C pode ser
mais atraente.

17
Solução ilimitada
Em alguns problemas de PL, os valores
das variáveis podem ser aumentados
indefinidamente sem violar nenhuma das
restrições.
 Isso significa que a região de soluções é
ilimitada em no mínimo uma variável.
O resultado é que o valor da função
objetivo pode crescer (ou decrescer)
indefinidamente.
18
A falta de limites indica a possibilidade
de o modelo ter sido mal construído.
A irregularidade mais provável em tais
modelos é que uma ou mais restrições não
redundantes deixaram de ser levadas em
conta e os parâmetros de algumas
restrições podem não ter sido estimados
corretamente.
Os exemplos apresentados a seguir
mostram como a falta de limites na região
de soluções, bem como no valor da
função objetivo, pode ser reconhecida na
tabela simplex. 19
 Exemplo 4.3
Maximizar z = 2 x1 + x2
sujeito a
x1 - x2 ≤ 10
2 x1 ≤ 40
x 1 , x2 ≥ 0
Iteração inicial Base x1 x2 x3 x4 solução

z -2 -1 0 0 0
x3 1 -1 1 0 10
x4 2 0 0 1 40
20
Na tabela inicial, ambas, x1 e x2, têm
coeficientes negativos na equação z.
Por conseguinte qualquer uma pode
melhorar a solução.
Como x1 tem o coeficiente mais negativo,
normalmente ela é selecionada como a
variável que entra.
Contudo, todos os coeficientes das
restrições sob x2 são negativos ou zero.
Isso significa que não há nenhuma
variável que saia e que x2 possa ser
aumentada indefinidamente sem violar
nenhuma das restrições. 21
Como cada aumento unitário em x2
aumentará z em 1, um aumento infinito
em x2 resultará em um aumento infinito
em z.
Assim, o problema não tem nenhuma
solução limitada.
Esse resultado pode ser visto na figura 4.3
A região de soluções é ilimitada na
direção de x2 e o valor de z pode ser
aumentado indefinidamente.
22
Figura 4.3 – Solução ilimitada do problema de PL no exemplo 4.3

23
Solução inviável
Problemas de PL com restrições
inconsistentes podem não ter nenhuma
solução viável.
Pode ser que essa situação nunca ocorra
se todas as restrições forem do tipo ≤ com
constantes do lado direito não negativas
porque as folgas fornecem uma solução
viável.
Para outros tipos de restrições usamos
variáveis artificiais.
24
Embora as variáveis artificiais sejam
punidas na função objetivo para forçá-las
a zero na solução ótima, isso só pode
ocorrer se o modelo tiver uma região
viável.
Caso contrário, ao menos uma variável
artificial será positiva na iteração ótima.
Do ponto de vista prático, a não-
existência de uma região viável indica a
possibilidade de o problema não ter sido
formulado corretamente.
25
 Exemplo 4.4
Maximizar z = 3 x1 + 2 x2
sujeito a
2 x1 + x 2 ≤ 2
3 x1 + 4 x2 ≥ 12
x1 , x2 ≥ 0

Usando a punição M = 100 para a variável

artificial R, a tabela seguinte fornece as
iterações do método simplex do problema.
26
Iteração Base x1 x2 x4 x3 R solução
0 z -303 -402 100 0 0 -1200
Entra x2 x3 2 1 0 1 0 2

Sai x3 R 3 4 -1 0 1 12

1 z 501 0 100 402 0 -396

(Pseudo x2 2 1 0 1 0 2

ótima) R -5 0 -1 -4 1 4

27
A iteração ótima 1 mostra que a variável
artificial R é positiva, o que indica que o
problema é inviável.
Permitindo que a variável artificial seja
positiva, o método simplex, em essência,
inverteu a direção da desigualdade de 3 x 1
+ 4 x2 ≥ 12 para 3 x1 + 4 x2 ≤12.
O resultado é o que denominamos
solução pseudo-ótima.

28
Figura 4.4 – Solução inviável do problema de PL no exemplo 4.4

29