Escolar Documentos
Profissional Documentos
Cultura Documentos
UESC
Pesquisa Operacional
Aula 5
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
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
2 z 0 0 3/2 3/2 18
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
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
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
Sai x3 R 3 4 -1 0 1 12
(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