Programacao Linear

EPS7005 – Pesquisa Operacional
Prof. Sérgio Mayerle
Ementa: Introdução: histórico, objetivos, restrições e modelos.

Condições de otimalidade. Programação linear: modelos de
programação linear, método simplex, dualidade, análise de
sensibilidade e pós-otimalidade. Problemas lineares especiais.
Programação não linear; otimização multivariada; otimização sem
restrições. Programação Inteira, binária e mista: algoritmos e
modelos. Programação dinâmica determinística e estocástica.
Pesquisa Operacional
Sumário
 Parte I – Introdução à Pesquisa Operacional
 Parte II – Programação Linear
 Parte III – Problemas Lineares com estruturas especiais
 Parte IV – Programação Inteira
 Parte V – Programação Dinâmica
 Parte VI – Programação Não Linear

Parte I
Introdução à Pesquisa Operacional
Histórico
Definição
Abordagem da PO
Princípios de modelagem
Validação de modelos
Histórico
 II Guerra Mundial
• Problemas complexos
• Envolvimento multidisciplinar de cientistas (UK)
• Desenvolvimento de técnicas matemáticas (USA)
• Eficiência e sucesso na área militar
 Transferência dos conhecimentos adquiridos para a área civil
• Retorno dos cientistas para as universidades
• Adaptação e aplicação das técnicas em atividades econômicas
(empresas petrolíferas e grandes coorporações)
• PO Vantagem Competitiva
• Padronização dos problemas generalização do uso da PO
 Década de 50
• 1952 - Operations Research Society of America (ORSA)
• 1953 - Institute of Management Sciences (TIMS)
• Operations Research e Management Sciences
Histórico
 Década de 60
• computadores resolução de problemas grandes e complexos
• introdução da PO como disciplina nas universidades
• cursos de pós-graduação (M.Sc. e Ph.D.)
 Atualmente
• IFORS - International Federation of Operations Research Society
• ALAIO - Associación Latino Americana de Investigación Operativa
• SOBRAPO - Sociedade Brasileira de Pesquisa Operacional
• Existem congressos, simpósios: "Production planning", "OR in
community health planning", "OR models of the criminal justice system",
"Transportation and mass transit studies", "Travel and tourism",
"Energy", "Education models", "OR applications in sports".
• Aplicações na indústrias, bancos, hospitais, instituições governamentais,
universidades, comércio, agricultura, informática
Definição
 Definição histórica
• "É um conjunto de problemas, técnicas de resolução e soluções, com
características bem definidas, acumuladas sob o termo PO desde a
década de 40 do século passado".
 Definição filosófica
• "Pesquisa Operacional é o conjunto de conhecimentos relacionados com
o processo científico de tomada de decisão, aplicados no projeto e
operação de sistemas homem-máquina, em um ambiente com recursos
restritos".
Abordagem da PO
Formulação: liberdade, Modelo é uma representação

arbitrariedade e coerência simplificada / idealizada, que
visa obter informações sobre o
sistema real com economia de
tempo e recursos
Sistema Formulação
Modelo
Real
Abordagem Direta Dedução
Solução Solução do Dedução: uso de

Interpretação técnicas dependentes
Real Modelo do modelo formulado,
rigor matemático e
precisão, uso de
computadores
Interpretação: julgamento humano,
reavaliação do modelo
Princípios de Modelagem
1. Não construir modelos complicados quando um modelo simples é suficiente.

2. Evitar a construção de modelos de modo que estes se ajustem a uma
técnica de solução previamente definida.
3. Conduzir a fase de dedução com o máximo rigor possível.
4. Os modelos devem ser validados a priori em relação a implementação.
5. Não confiar cegamente no resultado do modelo, de modo a perder de vista a
realidade do problema.
6. Modelos não devem ser utilizados, nem tão pouco criticados por não
resolver situações para as quais não foram desenvolvidos.
7. Não sobrevalorizar o modelo diante do usuário.
8. Sempre envolver o usuário no processo de desenvolvimento e validação do
modelo.
9. Os resultados de um modelo nunca podem ser melhores que os dados nele
introduzidos.
10. Modelos não podem substituir tomadores de decisão.
Validação de Modelos
 Aspectos a considerar
• não existe modelo perfeito
• não existe um critério absoluto de verificação de modelos
• não se pode "provar" ou "verificar" o modelo
 Validar o modelo
• adquirir a convicção de que o modelo é útil para aquilo a que foi
proposto
• convencer o usuário de que os resultados são úteis dentro de um
determinado contexto
Parte II
Programação Linear
Formulação de modelos
Solução gráfica
Forma padrão e relações de equivalência
Propriedades dos PPL’s
Solução inicial viável
Método Simplex – Forma tableau
Método Simplex – Algoritmo
Método Simplex – Forma matricial
Dualidade em Programação Linear
Análise de pós-otimalidade
Formulação de Modelos
A WINDOR GLASS Inc. dispõe de capacidade extra para produzir dois novos
produtos. A demanda é muito maior que a capacidade disponível (toda
produção poderá ser vendida).
Pergunta-se: (a) o que produzir? (b) quanto produzir? (c) qual será o lucro? (d)
qual o valor, em $/hora, da capacidade disponível em cada setor produtivo?
Os dados estão na tabela abaixo.
Produto
Capacidade
Setor Produtivo
Janelas Portas Disponível
Montagem 1 hora/unid. - 4.000 horas/mês

Laminação - 2 hora/unid. 12.000 horas/mês
Corte 3 hora/unid. 2 hora/unid. 18.000 horas/mês
Lucro Unitário $ 3,00 $ 5,00
Produto
Capacidade
Setor Produtivo
Janelas Portas Disponível
Montagem 1 hora/unid. - 4.000 horas/mês

Laminação - 2 hora/unid. 12.000 horas/mês
Corte 3 hora/unid. 2 hora/unid. 18.000 horas/mês
Lucro Unitário $ 3,00 $ 5,00
 Variáveis
X1 = qtde. de janelas, em milhares de unidades;
X2 = qtde. de portas, em milhares de unidades;
Z = lucro total obtido com novos produtos.
 Restrições
a) disponibilidade do setor de montagem;
b) disponibilidade do setor de laminação;
c) disponibilidade do setor de corte;
d) quantidades não negativas.
 Objetivo
Maximizar o lucro total da empresa
 Produção  Estratégia militar

 Logística  Engenharia estrutural
 Mistura  Operação de dutos
 Finanças e investimentos  Dimensionamento de linhas de
 Carregamento de navios produção
 Corte de chapas e barras  Alocação de mão-de-obra
 Aquisição de máquinas  Programação de operações
 Problemas dinâmicos  Controle de emissão de poluentes
 Câmbio
 Alguns do problemas acima apresentam variáveis discretas que somente

podem assumir valores do conjunto de inteiros, e em casos mais particulares
o conjunto de inteiros se limita a {0,1}.
Solução Gráfica
x2
9
8 x1  4
7
6 2 x2  12
5
x1  0 3
3 x1  2 x2  18
1
0
0 1 2 3 4 5 6 7 8 9 x1
x2  0
Solução Gráfica
 O que fazer se além de portas e janelas a WINDOR puder fabricar, também,

mesas e armários?
Resolver graficamente o problema torna-se inviável ... É necessário usar
métodos numéricos mais eficazes e eficientes.
 Quantos produtos diferentes uma fábrica pode produzir?

5, 10, 100, 1000, ...
 Quantos setores de produção uma fábrica possui?

5, 10, 100, 1000, ...
 E se existem restrições adicionais em relação ao uso de matéria-prima,

energia, estoques, mão-de-obra, cadeia de suprimento e distribuição?
Outros modelos, mais complexos, poderão ser formulados ...
A solução gráfica não se aplica a estas outras situações !!!

 Qualquer que seja a estrutura do PPL, sempre é possível transformá-lo no

formato padrão apresentado.
 Relação entre maximização e minimização

 Relação entre inequações e equações

 Tratamento de limites de variáveis

Suposições da modelagem
 Proporcionalidade
Custos e quantidades de recursos consumidos na produção são
proporcionais às quantidades produzidas
 Aditividade
Custos totais e quantidades totais de recursos são determinados pela soma
de custos e recursos consumidos na produção de todos items
 Divisibilidade
É possível produzir quantidades fracionárias de cada um dos produtos
 Certeza
Todos os parâmetros do modelo são determinados e conhecidos
Perspectiva das suposições da modelagem

Existe a possibilidade de todas estas suposições não serem verdadeiras.
 Se existe exatamente uma solução

ótima, então deve ser uma solução x2
factível em um vértice
9
 Se existem soluções ótimas múltiplas, 8

então ao menos duas delas devem ser
soluções factíveis em vértices 7
adjacentes
6
 Existe um número finito de soluções 5
factíveis em vértices, não maior que...
4
nn!!factível em um vértice

 melhor (segundo o valor de
Semmuma solução
CéCnigual
n ou
3
Z) que todas nsoluções
mm!!((nas mm)!)! factíveis nos
2
vértices adjacentes a ela, então é igual
ou melhor que todas as demais
1
soluções factíveis existentes nos
vértices, isto é, é uma solução ótima 0
0 1 2 3 4 5 6 7 8 9 x1
Estrutura do Método Simplex

x2
 Passo inicial: iniciar com Solução
9
uma solução em um vértice Ótima
(solução básica viável). 8
7
 Teste de otimalidade: se
não existe um vértice 6
adjacente, melhor que o
vértice atual, então PARE. 5
O vértice atual corresponde 4
à solução ótima. Em caso
contrário, vá ao passo 3. 3
2
 Passo iterativo: movimente
em direção de uma solução 1
factível melhor, em um
vértice adjacente; volte ao 0
passo 2.
0 1 2 3 4 5 6 7 8 9 x1
Solução Inicial Viável - Caso trivial
Caso trivial
a) variáveis não negativas
b) restrições com limite superior
Solução
 variáveis nulas
 folgas iguais ao RHS
Solução Inicial Viável - Caso não trivial
Não
Nãotem
temsolução
soluçãotrivial
trivial
Sempre
Sempretem
temsolução
soluçãotrivial
trivial
Ambas formulações são equivalentes quando di  0, i  1,..., m

Solução Inicial Viável - Método do M-grande
m
 M d
i 1
i
Se di  0, i  1,..., m  encontrou a solução ótima

não existe solução viável, ou
Se di  0  
M não é suficientemente grande
Solução Inicial Viável - Método das 2 fases
Resolver o problema da
Fase
Fase11
fase 1 usando as variáveis
artificiais para formar uma
base inicial viável.
Se w = 0, então uma
solução inicial viável foi
obtida para o problema.
Fase
Fase22
Se w = 0, usar solução ótima

da fase 1 como solução inicial
viável para a fase 2.
Método Simplex - Forma Tableau
Base Z X1 X2 S1 S2 S3 RHS
S1 0 1 0 1 0 0 4 +inf
S2 0 0 2 0 1 0 12 +6
S3 0 3 2 0 0 1 18 +9
Z 1 -3 -5 0 0 0 0
O que fazer para melhorar a solução? Quanto aumentar X2 ?
S1 0 1 0 1 0 0 4 +4
X2 0 0 1 0 1/2 0 6 +inf
S3 0 3 0 0 -1 1 6 +2
Z 1 -3 0 0 5/2 0 30
Método Simplex - Forma Tableau
S1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6
X1 0 1 0 0 -1/3 1/3 2
Z 1 0 0 0 3/2 1 36
Var. Decisões Valor Marg. Pergunta-se:

X1 Janelas 2 0 (a) o que produzir?
(b) quanto produzir?
X2 Portas 6 0 (c) qual será o lucro?
S1 Montagem 2 0 (d) qual o valor da capacidade
S2 Laminação 0 1,5 disponível em cada setor?
S3 Corte 0 1
Z Lucro 36 1
Programação Linear Custo
Customarginal
mais
marginal
negativo
Método Simplex – Algoritmo mais negativo
Início
Escolher variável Menor
Menorrazão
razão
para entrar na base não negativa
não negativa
Montar tableau com

solução básica Calcular razão
inicial viável RHS / coluna (entra)
1 Escolher variável
para sair da base
Existe custo Sim Existe Sim
marginal < 0 ? razão  0
finita ?
Não Não Fazer troca de

base e recalcular
o tableau
Solução Solução
ótima ilimitada
Fim
Supondo que a troca de base será realizada com o pivo localizado na r-ésima
linha e k-ésima coluna, o novo tableau poderá ser obtido pré-multiplicando o
tableu da iteração corrente pela inversa da matriz elementar formada pela k-ésima
coluna do tableau corrente, posicionada na r-ésima coluna desta matriz
elementar, isto é:
T (t 1)  Er,1k  T (t )
0 1 0 1 0 0 4
 
 0 0 2 0 1 0 12 
T (0) 
0 3 2 0 0 1 18 
 
 1 2 5 0 0 0 0 
1
1 0  0 1 0 1 0 0 4  0 1 0 1 0 0 4
  0 0 2 0 1
 
0 12   0 0 1 0 1/ 2 0 6

2  
T (1)  
 2 1  0 3 2 0 0 1 18   0 3 0 0 1 1 6
     
 5 1   1 2 5 0 0 0 0   1 3 0 0 5/ 2 0 30 
1
1 1  0 1 0 1 0 4  0
0 0 0 1 1/ 3 1/ 3 2
  0 0  
1 0 1/ 2 0 6   0 0 1 0 1/ 2 0 6

1 0  
T (2)
 
 3  0 3 0 0 1 1 6   0 1 0 0 1/ 3 1/ 3 2
     
 3 1   1 3 0 0 5 / 2 0 30   1 0 0 0 3/ 2 1 36 
Método Simplex - Forma Matricial
Particionando...
Particionando...
 Como resolver o sistema de equações lineares ?
 No caso particular em que as variáveis não básicas são nulas ...
Solução
SoluçãoParticular
Particular
 E o valor da função objetivo ?
 No caso particular em que as variáveis não básicas são nulas ...
Solução Particular
 Resumindo, até aqui tem-se ...
 É possível melhorar o valor da função objetivo ? ...

Escolher
Escolherpara
paraaumentar
aumentar(entrar
(entrar
 Como melhorar ... na base) uma variável não
na base) uma variável não
básica
básicaassociada
associadaaauma
uma
componente
componente positiva dovetor
positiva do vetor
cRT  cBT B 1 R
 Aumentar a k-ésima variável não básica (escolhida) ... até quanto ?
Escolherpara
Escolher parasair
sairda
dabase
base
umavariável
uma variávelbásica
básica
associadaao
associada aomenor
menorvalor
valor
calculado.
calculado.
 Resumo...
Solução
Teste de entrada
Teste de saída
Exemplo (1)
Exemplo (1.a)
1a. Iteração
Exemplo (1.b)
1
 S1  1 0 0   4   4 
 x1  0
xˆ R       xˆ B   S 2   B 1b  0 1 0 12  12
 x2  0        
 S3  0 0 1 18 18
4
zˆ  cBT xˆ B  [0 0 0] 12  0
 
18
1
1 0 0   1 0
cRT  cBT B 1 R  3 5  0 0 0na base
0 Entra 1 0  0 2
 na base  
Entra 
0 0 1 3 2
cRT  cBT B 1 R  3 5
Exemplo (1.c)
1
1 0 0   0   0   S1   4 
Rk  B 1 Rk  0 1 0 2  2 xˆ B   S 2   12
         
0 0 1 2 2  S3  18
 4  0  0 
xB  xˆ B  Rk xR ,k  12  2 xR ,k  0
     
18 2 0 Coluna
Colunade
de
 4 12 18 
xR ,k  min , ,   6
0 2 2 
Sai
Saida
dabase
base
Exemplo (2.a)
2a. Iteração
 S1  4
 x1 
xB   Sx2  xR    b  12
   Sx2   
 S3  18
1 0 0 1 0 
B  0 12 0 R  0 12
   
0 02 1 3 2
0
cTB  0 50 0 cTR  3 05

Exemplo (2.b)
1
 S1  1 0 0  4   4
 x1  0
xˆ R       xˆ B   x2   B 1b  0 2 0 12  6
 S 2  0         
 S3  0 2 1  18 6
 4
zˆ  cTB xˆ B  [0 5 0] 6  30
 
6
1
1 0 0 1 0
c RT  c BT B 1 R  3 0  0 5 0 0 2 0 0 1
   
Entra
Entrana
nabase
0
base 2 1  3 0
1  5
c R  c B B R  3  
T T
 2
Exemplo (2.c)
1
1 0 0  1  1   s1   4
Rk  B 1 Rk  0 2 0 0  0 xˆ B   x2   6
         
0 2 1 3 3  s3  6
 4  1  0 
xB  xˆ B  Rk xR ,k  6  0 xR ,k  0
      Coluna
Colunade
de
6 3 0
4 6 6
xR ,k  min , ,   2
1 0 3
Sai
Saida
dabase
base
Exemplo (3.a)
3a. Iteração
 S1  4
 Sx13 
xB   x2  xR    b  12 
  S 2   
 Sx13  18
1 0 1 0 0 10
B  0 2 0  R  0 10
   
0 2 13 1 0
3
cTB  0 5 30 cTR  0 03

Exemplo (3.b)
1
1 0 1   4   2 
xˆ B  B 1b  0 2 0 12  6 Solução
Soluçãoótima
ótima
     
0 2 3 18 2
 2
zˆ  cBT xˆ B  [0 5 3] 6  36
 
2
1
1 0 1   0 0 
cRT  cBT B 1 R  0 0  0 5 3 0 2 0 0 1
   
0 2 3 1 0
T 1  3
cR  cB B R   1  
T
 2
Exemplo (4)
Var. Decisões Valor Marg.

X1 Janelas 2 0
X2 Portas 6 0
S1 Montagem 2 0
S2 Laminação 0 -1,5
S3 Corte 0 -1
Z Lucro 36 1
Parte III
Problemas Lineares Especiais
Problema de Atribuição
Problema de Transportes
Problemas de Fluxo em Redes
Parte IV
Programação Inteira
Modelagem
Algoritmo de branch and bound
Algoritmo de Balas
Parte V
Programação Dinâmica
Programação Dinâmica Determinística
Programação Dinâmica Estocástica
Programação Dinâmica com horizonte ilimitado
Parte VI
Programação Não Linear
Condições de Karush-Kuhn-Tucker (KKT)
Problemas não lineares monovariados
Problemas mutivariados não lineares
Problemas multivariados não lineares com restrições

Programacao Linear

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Programacao Linear

Enviado por

Direitos autorais:

Formatos disponíveis

EPS7005 – Pesquisa Operacional

Prof. Sérgio Mayerle

Ementa: Introdução: histórico, objetivos, restrições e modelos.

 Parte I – Introdução à Pesquisa Operacional

 Parte II – Programação Linear

 Parte III – Problemas Lineares com estruturas especiais

 Parte IV – Programação Inteira

 Parte V – Programação Dinâmica

 Parte VI – Programação Não Linear

Formulação: liberdade, Modelo é uma representação

Abordagem Direta Dedução

Solução Solução do Dedução: uso de

1. Não construir modelos complicados quando um modelo simples é suficiente.

Montagem 1 hora/unid. - 4.000 horas/mês

Montagem 1 hora/unid. - 4.000 horas/mês

 Produção  Estratégia militar

 Alguns do problemas acima apresentam variáveis discretas que somente

 O que fazer se além de portas e janelas a WINDOR puder fabricar, também,

 Quantos produtos diferentes uma fábrica pode produzir?

 Quantos setores de produção uma fábrica possui?

 E se existem restrições adicionais em relação ao uso de matéria-prima,

A solução gráfica não se aplica a estas outras situações !!!

 Qualquer que seja a estrutura do PPL, sempre é possível transformá-lo no

 Relação entre maximização e minimização

 Relação entre inequações e equações

 Tratamento de limites de variáveis

Perspectiva das suposições da modelagem

 Se existe exatamente uma solução

 Se existem soluções ótimas múltiplas, 8

Estrutura do Método Simplex

Ambas formulações são equivalentes quando di  0, i  1,..., m

Se di  0, i  1,..., m  encontrou a solução ótima

Se w = 0, usar solução ótima

O que fazer para melhorar a solução? Quanto aumentar X2 ?

Var. Decisões Valor Marg. Pergunta-se:

Montar tableau com

Não Não Fazer troca de

 Como resolver o sistema de equações lineares ?

 No caso particular em que as variáveis não básicas são nulas ...

 E o valor da função objetivo ?

 No caso particular em que as variáveis não básicas são nulas ...

 Resumindo, até aqui tem-se ...

 É possível melhorar o valor da função objetivo ? ...

 Aumentar a k-ésima variável não básica (escolhida) ... até quanto ?

cTB  0 50 0 cTR  3 05

cTB  0 5 30 cTR  0 03

Var. Decisões Valor Marg.

Você também pode gostar