You are on page 1of 97

SUMRIO ORIGEM DA PESQUISA OPERACIONAL MODELAGEM MATEMTICA 1.1- Introduo .................................................................................................................. 1.2- Metodologia da PO ................................................................................................... 1.

3- O Modelo de Programao Linear............................................................................. 1.4- Exemplos de Formulao de Modelos....................................................................... 1.5- Problemas Propostos ................................................................................................. 1.6- Soluo Grfica ......................................................................................................... II FUNDAMENTOS MATEMTICOS 2.1- Matriz ......................................................................................................................... 2.2- Sistema de Equaes Lineares ................................................................................... 2.3- Vetores no Plano e no Espao ................................................................................... 2.4- Combinao Linear .................................................................................................... 2.5- Independncia Linear ................................................................................................ 2.6- Soluo Bsica Vivel ............................................................................................... 2.7- Combinao Convexa ................................................................................................ 2.8- Conjunto Convexo ..................................................................................................... III MTODO SIMPLEX 3.1- Introduo .................................................................................................................. 3.2- Teoremas Fundamentais do Mtodo Simplex ........................................................... 3.3- Reduo de Um Problema de Programao Linear Forma Padro ........................ 3.4- Forma Cannica de Um Sistema ............................................................................... 3.5- Conceitos Bsicos do Mtodo Simplex ..................................................................... 3.6- Desenvolvimento do Mtodo Simplex ...................................................................... 3.7- Procedimento do Mtodo Simplex ............................................................................ 3.8- Anlise das Solues ................................................................................................. 3.9- Anlise Econmica .................................................................................................... 3.10- Mtodo do M Grande............................................................................................... 3.11- Mtodo das Duas Fases ........................................................................................... IV DUALIDADE 4.1- Introduo .................................................................................................................. 4.2- Estudo da Dualidade .................................................................................................. 4.3- Relaes Entre Primal e Dual .................................................................................... 4.4- Resumo Para Transformao Primal-Dual ................................................................ V ANLISE DE SENSIBILIDADE 5.1- Introduo .................................................................................................................. 5.2- Variaes nos Coeficientes da FO ............................................................................. 5.3- Variaes nas Quantidades dos Recursos................................................................... 5.4- Acrscimo de Varivel .............................................................................................. 5.5- Acrscimo de Restrio.............................................................................................. VI PROBLEMAS DE TRANSPORTES 6.1- Introduo................................................................................................................... 6.2- Modelagem do Problema de Transportes .................................................................. 6.3- Algoritmo do Problema de Transporte ...................................................................... 6.3.1- Obteno da Soluo Bsica Inicial ................................................................ 6.3.2- Algoritmo da Stepping-Stone....................................................................... 6.3.3- Clculo da Soluo tima Atravs do Problema Dual.................................... VII PROGRAMAO INTEIRA 7.1- Introduo I 01 04 04 06 07 10 17 19 29 29 30 32 33 33 33 34 34 35 35 35 36 38 39 47 50 50 51 57 58 60 60 60 66 66 67 67 68 70 72 75 79 79 79 81 82 87 89 92 92

7.2- Algoritmo de Bifurcao e Limite 7.2.1- Limite 7.2.2- Consideraes 7.2.3- Diagrama Esquemtico ANEXO 1- ESTUDO DE CASO: COMPOSIO DE FERTILIZANTES ANEXO 2- RESOLUO POR COMPUTADOR

92 94 94 94 95 103

ORIGEM E APLICAES DA PESQUISA OPERACIONAL


A Pesquisa Operacional (PO) uma cincia aplicada, formada por um conjunto de tcnicas que visa a determinao das melhores condies de aproveitamento dos recursos em uma situao na qual estejam sob restries, como a econmica, a material, a humana e a temporal. Sob o ponto de vista histrico, seu nome relativamente novo, de origem militar, sendo usado pela primeira vez na Gr-Bretanha, durante a Segunda Guerra Mundial. No comeo desse conflito, os organismos responsveis pela defesa daquele pas utilizaram o concurso de especialistas tais como fsicos, bilogos, matemticos para assessorar e contribuir no estudo e soluo de certos problemas que, geralmente, se consideravam de atribuies estritamente militar. Basicamente, as razes disto eram fundadas nos fatos da existncia de armamentos relativamente novos, mas sem o suficiente uso que permitisse medir a eficincia mxima dos mesmos e na necessidade urgente de alocar recursos escassos s vrias operaes militares e s atividades dentro de cada operao, de modo eficaz. Aplicando uma abordagem cientfica no tratamento de problemas estratgicos e tticos, foram resolvidos, com sucesso, problemas como a determinao do nmero mnimo de avies ingleses a serem mantidos em condies de fazer frente aos ataques alemes, a distribuio e localizao dos meios de defesa antiarea ao longo da ilha, a determinao da melhor profundidade para explodir as bombas lanadas dos avies contra os submarinos inimigos, entre outros. Os cientistas chamados para fazer pesquisa em operaes militares (da o nome Pesquisa Operacional), aps a guerra desenvolveram diversas outras aplicaes. Depois de 1950, a PO invadiu a rea industrial e encontrou seu aliado natural: o Computador. Depois do computador, a PO se expandiu de uma maneira extraordinria e problemas cada vez mais complexos e com grande nmero de variveis e equaes puderam ser solucionados. Na dcada de sessenta tinha a mesma divulgao e fascnio tambm obtidos por outras tcnicas, tal como a Gesto pela qualidade Total os tem obtido nas dcadas de oitenta e noventa. Hoje, o campo de atuao da PO bastante amplo, se estendendo desde o setor industrial, na produo de matrias-primas e bens de consumo, at o setor de servios e s aplicaes de interesse social como as relacionadas sade e educao. Existem diversas reas em que a PO vem sendo aplicada com sucesso para racionalizar recursos, reduzir custos e aumentar lucros. Dentre elas temos: Dosagem (ou Mistura) Investimentos Financeiros o Alimentao Anlise de Riscos de Crdito o Formulao de Raes Projeto de Investimentos, etc. o Fbrica de Adubos Alocao de Recursos o Ligas Metlicas Fbricas o Petrleo Fazendas (agropecuria), etc. o Minrios, etc. Localizao Transporte Localizao Industrial o Tamanho da Frota Localizao de Centrais Telefnicas o Roteamento, etc Localizao de Escolas, etc. Estoques, etc. 3

Os problemas de Misturas tem em comum o objetivo de se minimizar o custo do produto obtido pela mistura de diversas matrias-primas com diferentes custos e diferentes composies (qumica ou nutricional). As restries se referem participao dos componentes (ou nutrientes) no produto final. Este problema aplicado na pecuria para formular dietas de ruminantes a um custo mnimo atendendo exigncias de protenas e minerais e utilizando animais e alimentos disponveis em uma determinada regio. Assim como aplicado em dietas de animais, aplicado tambm na alimentao de pessoas utilizando alimentos disponveis e um pblico especfico, como por exemplo em hospitais, spas, escolas (merenda infantil), etc. Na indstria de fertilizantes a PO tem sido utilizada para formular diferentes tipos de composio a fim de otimizar o uso do nitrognio, fsforo e potssio que variam conforme as necessidades de cada cultura (algumas culturas absorvem determinados elementos da prpria natureza, outras necessitam receb-las ). Ver estudo de caso no Anexo I. Na indstria siderrgica aplicada a PO, por exemplo, para determinar quais minrios devem ser carregados no alto-forno de modo a se produzir, ao menor custo, uma liga de ao dentro de determinadas especificaes de elementos qumicos. J na indstria petrolfera, pode-se querer definir qual deve ser a mistura de petrleo a ser enviada para uma torre de craqueamento para produzir seus derivados (gasolina, leo, etc.) a um custo mnimo e considerando que os petrleos so de diversas procedncias e possuem composies diferentes. Na manufatura pode-se querer definir qual deve ser a composio de produtos a serem fabricados por uma empresa de modo que se atinja o lucro mximo, sendo respeitadas as limitaes ou exigncias do mercado comprador e a capacidade de produo da fbrica. Os problemas de transporte tm em comum o objetivo de minimizar o custo de todo o volume de transporte, obedecendo s necessidades de recebimento do destino e da capacidade de envio da fonte. Este problema aplicado, por exemplo, em fbricas que desejam transportar mercadorias para seus depsitos localizados em postos distintos a um custo mnimo. O mesmo estudo de transporte pode ser feito para transportar produtos de armazns para mercados varejistas ou para transportar carros de locadoras de automveis que esto com excesso de carros, para outras que esto com dficit em decorrncia dos contratos de locao permitirem que sejam os automveis devolvidos em locais diferentes daqueles onde foram originalmente alugados. Os problemas de transporte podem tambm ser aplicados para roteirizao de coleta de lixo em uma cidade ou para planejar abastecimento de avies a um custo mnimo, obedecendo a sua demanda de combustvel e a disponibilidade dos fornecedores. Apresentamos apenas algumas aplicaes dos problemas de transporte, existindo ainda uma infinidade delas. Uma das reas mais recentes em que a PO vem sendo aplicada em Investimentos Financeiros. Nesta rea pode-se aplicar a PO para fazer anlise de riscos de crditos, para projetar investimentos, etc. Pode-se, por exemplo, querer saber quais aes devem compor uma carteira de investimento de modo que o lucro seja mximo e sejam respeitadas as previses de lucratividade e as restries governamentais. Os problemas de Alocao de Recursos so muito comuns em PO. Problemas desse tipo dizem respeito atribuio e distribuio de recursos entre diversas tarefas ou atividades que devem ser realizadas. Normalmente, os recursos disponveis no so suficientes para que todas as atividades sejam executadas no nvel mais elevado que se possa desejar. Assim, o 4

que se procura, nesses casos, encontrar a melhor distribuio possvel dos recursos entre as diversas tarefas ou atividades, de forma a atingir um valor timo do objetivo estabelecido. As indstrias dos mais diversos setores utilizam estes problemas para fazer uma programao de produo, ou seja, saber qual a quantidade a produzir de um determinado produto, entre vrios, para se obter o maior lucro possvel ou o menor custo possvel e obedecendo as limitaes do sistema em estudo, como por exemplo, matria-prima, mo-deobra, demanda de mercado, maquinrio disponvel, etc. Na agricultura pode-se saber que alimentos devem ser plantados de modo que o lucro seja mximo e sejam respeitadas as caractersticas do solo, do mercado, do comprador e dos equipamentos disponveis. Pode-se tambm querer saber qual quantidade de terra deve-se destinar a cada atividade (plantao, pecuria, etc.) de modo a ter o melhor retorno financeiro, respeitando as limitaes de cada atividade. Os problemas de localizao possuem tambm importantes aplicaes prticas nos mais diversos setores. Nestes problemas desejamos saber onde implantar fbricas, escolas, hospitais, centrais telefnicas, etc, de modo a atender economicamente a demanda especfica e as limitaes impostas por cada situao. No caso de localizao industrial, por exemplo, podemos saber onde devem ser localizadas as fbricas e os depsitos de um novo empreendimento industrial de modo que os custos de entrega do produto aos varejistas sejam minimizados. No caso de localizao de escolas, podemos querer planejar a localizao de escolas de 1 Grau em reas urbanas, de forma que sejam minimizadas as distncias totais percorridas pelo conjunto de alunos. Na Indstria da Construo Civil a PO utilizada para reduzir sees transversais de estruturas como vigas e pilares. Essas sees devem ser a mnima possvel de forma que sejam atendidas as restries de carga e normativas. utilizada para otimizar o traado de cabos em vigas de concreto protendido, para reduzir pras no corte de barras de ferro nas obras, etc. Os problemas de Corte so problemas muito interessantes da PO. Esses problemas, alm de minimizar as perdas nos cortes de barras, minimizam tambm perdas na fabricao de bobinas, chapas, tecidos, papis, mveis, etc. Seria possvel ainda citar inmeros exemplos de aplicao da PO nas mais diversas reas, como estoques, meio ambiente, ecologia, sade, etc. Na realidade, no existe situaes em que sistemas humanos ou sistemas homem-mquina realizem trabalhos e a PO no possa ser utilizada para assegurar a eficcia dos aspectos de programao daqueles trabalhos. Pesquisas que vem sendo efetuadas em empresas que tm utilizado a PO como ferramenta, mostram que a reduo de custos se enquadra facilmente na faixa de 1% e 5%, existindo casos onde chegam at a 15%. Em indstrias como as siderrgicas e petrolferas, onde o custo de produo chegam na ordem de US$ 300 milhes anuais esses percentuais apresentados apresentam uma economia considervel. A PO uma cincia multidisciplinar, em constante evoluo, que conta hoje com o desenvolvimento e utilizao de diversos softwares e com sociedades nacionais e internacionais (SOBRAPO, INFORMS, etc) que promovem simpsios cientficos, premiaes, mantm sites, geram publicaes, etc, possibilitando a reciclagem e atualizao dos conhecimentos e aplicaes da PO.

Captulo I MODELAGEM MATEMTICA


5

1.1-

INTRODUO

O processo de tomar decises gerenciais, em bases racionais, pressupe a existncia de uma cincia da gesto. Essa cincia corresponde expresso em ingls Management Science, que se caracteriza pelo uso de abordagens cientficas na avaliao de alternativas de aes. Certamente, o ato de refletir, avaliar conseqncias e decidir um distintivo do ser humano, mas a criao de metodologias para promover o gerenciamento de decises um processo recente, datvel da 2 Guerra Mundial. Como parte do esforo de guerra, foram desenvolvidas experincias que consistiam em propor problemas operacionais blicos a grupos integrados por especialistas em domnios de conhecimentos diversificados, desde agrimensores a neurologistas, de fsicos a engenheiros, de estatsticos a mdicos, e assim por diante. De um modo geral, esses tcnicos eram pessoas de notrio saber, mas distantes do dia-a-dia militar. Portanto, a ao de tais grupos no consistia em fazer guerra, mas fazer pesquisa com fundamentos cientficos, destinada a orientar aes militares. Essa modalidade metodolgica foi, mais tarde, denominada de Pesquisa Operacional e abreviada por PO. (Pizzolato, 2004) Em estudos de Pesquisa Operacional, o uso de modelos faz parte de sua prpria essncia. Trata-se de um recurso adotado para problemas complexos que desafiam a criatividade humana. Parte-se do princpio que, se o problema simples, no so necessrios muitos estudos para sua soluo, basta usar a experincia, a intuio, o saber comum etc. medida em que a complexidade do problema torna-se crescente, sua soluo pode ultrapassar o ambiente local, mas podem existir especialistas capazes de resolv-lo; logo, o mais apropriado e pragmtico seria a convocao destes. Entretanto, h problemas cujo grau de dificuldade ultrapassa as limitaes da mente humana, sendo impensvel a possibilidade de identificar-se um tcnico com a capacidade ou competncia para dar uma soluo satisfatria. Assim, em casos associados a problemas de alta complexidade, mas com elevado potencial de retorno do investimento, justifica-se a contratao de uma equipe, a mobilizao dos recursos necessrios e o desenvolvimento de um projeto de Pesquisa Operacional. Estudos desse tipo envolvem a construo de um modelo, que simplifica a realidade, porm preservando as relaes essenciais de causa e efeito sobre o problema. Cria-se, portanto, um modelo simblico, usando-se relaes matemticas que descrevem o problema em estudo. A Figura 1 ilustra o procedimento. (Pizzolato, 2004)

Pode-se dizer que, ao se construir um modelo, passa-se do mundo real ao virtual, mediante simplificaes que viabilizam essa elaborao conceitual e sua avaliao 6

subseqente. O processo de construo de um modelo exige a mobilizao de uma equipe que deve: avaliar a natureza do problema; interrogar pessoas envolvidas; levantar dados; identificar o problema e o que constitui a sua essncia; entender relaes de causa e efeito etc. Essa etapa compe a fase inicial da metodologia e pode ser extremamente instrutiva em si mesma, na medida em que ela envolve uma radiografia descritiva do problema. Essa radiografia poder salientar aspectos correntemente desprezados, assim como elementos indevidamente valorizados, tanto do problema em si, como dos procedimentos em uso. Em uma fase posterior, o modelo dever ser resolvido e sua soluo validada. Validar significa avaliar se a soluo do modelo corresponde, de fato, a uma soluo consistente. A questo deve ser colocada porque, diante das simplificaes adotadas, alguma relao importante pode ter sido ignorada ou alguma varivel de deciso esquecida. Igualmente, a validao permite detectar o uso de dados numricos equivocados. A validao pode ser feita de vrios modos, em funo do problema em estudo, mas, basicamente, consiste em comparar as decises correntes com as decises determinadas pelo modelo, como tambm avaliar com esprito crtico o significado prtico das solues propostas. Nesse processo de validao, os ganhos potenciais decorrentes da implementao das decises sugeridas pelo modelo podem ser quantificados. Caso a soluo do modelo no passe nos testes de validao, deve-se rever as hipteses, o modelo adotado, ou os dados utilizados. Esse processo de alterar e testar prossegue at a validao efetiva do modelo. A partir desse ponto o modelo passa a ser considerado til e as decises por ele preconizadas estaro em condies de serem implementadas. O maior atrativo de um modelo em situaes que vo se repetir no futuro, como o caso de gerenciar a operao cotidiana de um sistema, objeto de revises peridicas. Um exemplo desse caso seria o problema de uma fbrica de raes animais que, como apontado por Lss (1981), propiciou a primeira aplicao prtica da PO no Brasil, efetuada pelo Professor Rui Leme no incio dos anos 60. O modelo busca selecionar os possveis ingredientes das raes de modo a minimizar os custos das matrias-primas adquiridas, mas sem prejuzo da qualidade desejada do produto. A existncia de um modelo bem ajustado permite, semanalmente, a seleo mais econmica dos ingredientes comprados. Obviamente, o esforo e o custo em elaborar o modelo sero distribudos por todas as vezes que o modelo voltar a ser aplicado. No caso alternativo de um projeto elaborado com um propsito nico, sem similar previsvel, o custo de elaborao do modelo poder no ter retorno econmico. Seria o caso de um modelo em que somente os custos do projeto sejam considerados e no os custos de sua operao. Nesse caso, seu atrativo pode ser menor e no ser justificvel em termos econmicos, mas podendo, entretanto, ter um interesse acadmico relevante, como demonstrao de erudio acadmica. Exemplo desse caso poderia ser o projeto estrutural de uma viga em balano, ou do dimensionamento de um reservatrio, em que se busca minimizar o peso, o custo ou o emprego de material. Nesses caso, os ganhos do estudo se manifestaro uma nica vez. (Pizzolato, 2004)

1.2- A METODOLOGIA DA PO

Diante do exposto, e obedecendo ao esquema sugerido pela Figura 1, um projeto de Pesquisa Operacional pode ser decomposto em cinco estgios ou etapas, a saber: 1. Identificao do problema; 2. Construo do modelo; 3. Determinao da soluo do modelo; 4. Teste e validao da soluo proposta; 5. Implementao da soluo. Aplicaes Prticas1 Caso 1: Produo de Raes. Entre raes para frangos, galinhas, sunos, bovinos, eqinos, peixes, camares, coelhos, avestruzes, codornas, animais domsticos etc, todo produtor de raes tende a manter ampla linha de produtos. O grande desafio ter qualidade e baixos custos, pois o criador tambm pode produzir suas prprias raes. Com isso, sabe-se que todo produtor de raes dispe de um modelo de otimizao, nica forma de reduzir custos e garantir qualidade. Assim, a funo objetivo consiste em minimizar custos, enquanto que as restries estabelecem qualidade de acordo com as caractersticas nutricionais apropriadas. Suponha que o produtor produza R tipos de raes e considere M tipos de insumos, desde derivados de produtos agrcolas at suplementos naturais e sintticos. As variveis de deciso indicaro a quantidade de cada insumo a ser aplicado em cada rao. O modelo exige um bloco de restries para garantir a quantidade e a qualidade de cada tipo de rao R. Tipicamente, esse modelo possui um grande nmero de restries. A validao da soluo um processo continuado de aperfeioamento do modelo do qual nenhum produtor pode prescindir. Certamente, a fase de validao e a implementao so mais relevantes no estgio preliminar de teste da metodologia. Caso 2: Comercializao de Petrleo. O mercado spot de petrleo corresponde a um mercado onde qualquer empresa do ramo oferece lotes de petrleo de um dado tipo, a um certo preo e determinada data de entrega. Como todos atores do ramo tomam conhecimento da oferta ao mesmo tempo, a deciso de comprar deve ser tomada rapidamente. Para tanto, muitas empresas, inclusive a Petrobrs, desenvolveram modelos matemticos que avaliam a vantagem econmica da compra. Alm de recomendar ou no a compra, o modelo pode sugerir que, caso o lote seja adquirido, um outro lote de petrleo, disponvel em certa data futura, deixou de ser interessante e deve ser oferecido no mesmo mercado spot. Trata-se de um modelo que pode oferecer imensas redues de custo para a empresa. A validao de um modelo desse tipo consiste em acompanhar e medir, a posteriori, a qualidade das decises tomadas pelo modelo. Esse modelo foi til na poca que a empresa era grande importadora, declinando hoje a sua importncia.

Caso 3: Localizao de Escolas.


1

Casos retirados do livro 2 Edio do Professor Nlio D. Pizzolato que est em fase de edio.

Esse tema tem sido objeto de muito interesse, tanto terico como prtico em vrios pases. Uma variante mais simples do problema consiste em avaliar a atual localizao das escolas. Para essa, os cinco estgios poderiam ser assim descritos: (i) Formulao do problema: a atual localizao das escolas, com suas atuais capacidades, satisfatria?; (ii) Construo do modelo: baseia-se em duas simplificaes: primeiro, a distribuio da populao discretizada em setores censitrios, como definidos pelo IBGE, e toda a populao habita um ponto central do setor denominado centride e, segundo, todo aluno prefere a escola mais prxima de sua residncia; (iii) Soluo: usando recursos aritmticos elementares, o modelo identifica para cada centride a escola mais prxima, determinando a demanda por cada escola e compara esta com sua capacidade, apontando escassez ou excesso de vagas; (iv) Validao: consiste em visitar as escolas e a regio, confirmar a demanda prevista pelo modelo e constatar se a escassez ou excesso esto de acordo com a percepo local; e (v) Implementao: uma vez validado, o modelo passa a ser considerado til e sua implementao consiste em tomar as medidas apropriadas, como ampliar algumas escolas, reduzir a capacidade de outras e, eventualmente, propor a construo de novas. 1.3- O MODELO DE PROGRAMAO LINEAR Atualmente, na Engenharia de Produo, um dos grandes desafios para o profissional desta rea usar com maior eficincia possvel os recursos disponveis para serem alcanados objetivos estabelecidos, isto conduz aos problemas de otimizao denominados Problemas de Programao. Os Problemas de Programao tratam de determinar distribuies timas de recursos limitados (mo-de-obra, matria-prima, mquinas, etc.) para satisfazer objetivos dados (maximizar ou minimizar alguma quantidade numrica, tal como um lucro ou custo). Um Problema de Programao dito Problema de Programao Linear quando o objetivo a ser alcanado e as limitaes dos recursos (restries) so expressas como funes matemticas lineares. Uma vez obtido o modelo linear, constitudo pela funo objetivo (linear) e pelas restries (lineares), os algoritmos matemticos da programao linear se incubem de processar a escolha da soluo tima, ou seja, uma soluo que satisfaa simultaneamente todas as restries do problema e otimize a FO. O problema geral da Programao Linear pode ser descrito da seguinte forma: Dado um conjunto de m desigualdades ou equaes lineares em n variveis, queremos determinar valores no-negativos dessas variveis que satisfaro as restries e maximizaro ou minimizaro alguma funo linear das variveis. Matematicamente, temos: Max (ou Min) Z= C1 x1 + C2 x2 + ...+ Cn xn Sujeito a ai1 x1 + ai2 x2 + ...+ ain xn = xj 0

bi

, ,

para i=1,2, ..., m para j = 1,2,...,n

onde para cada restrio um e somente um dos sinais , = , vale, mas o sinal varia de uma restrio para outra. Na construo do modelo matemtico, no caso um modelo linear, no h regra fixa para esse trabalho, mas podemos sugerir um roteiro que ajuda a ordenar o raciocnio. Roteiro: 9

a) Quais as variveis de deciso? Aqui o trabalho consiste em explicitar as decises que devem ser tomadas e representar as possveis decises atravs de variveis chamadas variveis de deciso. Se o problema de programao da produo, as variveis de deciso so as quantidades a produzir no perodo, se for um problema de programao de investimento, as variveis vo representar as decises de investimento, isto , quanto investir em cada oportunidade de investimento, e em que perodo. Nas descries sumrias de sistemas, isso fica claro quando lemos a questo proposta, isto , a pergunta do problema. Normalmente assumese que todas essas variveis possam assumir somente valores no-negativos. b) Qual o objetivo? Aqui devemos identificar o objetivo da tomada de deciso. Eles aparecem geralmente na forma da maximizao de lucros ou receitas, minimizao de custos, perdas, etc. A funo objetivo a expresso que calcula o valor do objetivo (lucro, custo, receita, perda, etc.) em funo das variveis de deciso. c) Quais as restries? Cada restrio imposta na descrio do sistema deve ser expressa como uma relao linear (igualdade ou desigualdade), montadas com as variveis de deciso. Por exemplo, em um problema de programao da produo a disponibilidade de mo-de-obra e de matria-prima representam restries do problema que devem ser expressas por uma relao linear com as variveis de deciso. importante enfatizar que todas as expresses mencionadas devem estar de acordo com a hiptese principal da PL, que diz respeito linearidade propriamente dita, ou seja, todas as relaes entre variveis devem ser lineares. Isso implica a proporcionalidade das contribuies envolvidas (por exemplo, a contribuio individual de cada varivel estritamente proporcional a seu valor), assim como a aditividade dessas contribuies (por exemplo, a contribuio total de todas as variveis igual soma das contribuies individuais, independentemente dos valores das variveis). Para facilitar a compreenso da modelagem matemtica atravs da formulao de programao linear vamos introduzir neste ponto uma srie de exemplos simples. Nos exemplos que sero apresentados no se deve ter preocupao com a soluo dos problemas e sim apenas com sua modelagem, uma vez que este o objetivo do presente captulo. Exemplo Inicial: Uma marcenaria possui 60m2 de madeira e dispe de 40H.h para mo-de-obra para fabricar mesas e cadeiras, ambos de um s modelo. O processo de produo tal que, para fazer 1 mesa a marcenaria gasta 7m2 de madeira e 3H.h de mo-de-obra. Para fazer uma cadeira, a marcenaria gasta 4m2 de madeira e 5H.h de mo-de-obra. Os preos de venda da mesa e da cadeira so, respectivamente, R$ 1000,00 e R$ 500,00. Qual o plano de produo para que a marcenaria maximize o rendimento obtido com as vendas? Construa o modelo de programao linear para esse caso. Soluo: a) Quais as variveis de deciso? O que deve ser decidido o plano de produo, isto , quais as quantidades que devem ser produzidas de mesa e cadeira. Portanto as variveis de deciso sero x1 e x2 onde, x1 quantidade de mesa a produzir 10

x2 quantidade de cadeira a produzir b) Qual o objetivo? O objetivo maximizar o rendimento obtido com as vendas, que pode ser calculado: Rendimento devido venda de mesa: 1000 x1 rendimento por unidade de mesa vendida x quantidade de mesa produzida. Rendimento devido venda de cadeira: 500x2rendimento por unidade de cadeira vendida x quantidade de cadeira produzida. Rendimento total obtido com as vendas: Z = 1000 x1 + 500 x2 Objetivo: maximizar Z = 1000 x1 + 500 x2 c) Quais as Restries? As restries impostas pelo sistema so: Disponibilidade de mo-de-obra para a produo: 40 H.h Mo-de-obra necessria para produzir mesas: 3x1 mo-de-obra necessria para produzir uma mesa x quantidade de mesa produzida. Mo-de-obra necessria para produzir cadeiras: 5x2 mo-de-obra necessria para produzir uma cadeira x quantidade de cadeira produzida. Total de mo-de-obra necessria para a produo: 3x1 + 5x2 Resttrio descritiva da situao: 3x1 + 5x2 40

Disponibilidade de madeira para a produo: 60 m2 Madeira necessria para produzir mesas: 7x1 madeira necessria para produzir uma mesa x quantidade de mesa produzida. Madeira necessria para produzir cadeiras: 4x2 madeira necessria para produzir uma cadeira x quantidade de cadeira produzida. Total de madeira necessria para a produo: 7x1 + 4x2 Restrio descritiva da situao: 7x1 + 4x2 60

Restries Implcitas Como as quantidades a produzir de mesa e cadeira devem ser positivas ou nulas, temos as seguintes restries de no-negatividade: x10 quantidade a produzir de mesa deve ser maior ou igual a zero; x20 quantidade a produzir de cadeira deve ser maior ou igual a zero;

11

RESUMO DO MODELO MATEMTICO Max Z= 1000 x1 + 500 x2 (Funo Objetivo) Sujeito a 3x1 + 5x2 40 (Restries tcnicas) 7x1 + 4x2 60 x1 0 (Restries de no-negatividade) x20 1.4- EXEMPLOS DE FORMULAO DE MODELOS Exemplo 1: Consideremos uma fbrica com trs tipos de mquinas A, B e C, que podem produzir
quatro produtos 1, 2, 3, 4. Cada um dos produtos tem que passar por alguma operao em cada um dos trs tipos de mquinas (mquina de tornear, perfurar e laminar, por exemplo). A tabela abaixo mostra os tempos necessrios de cada mquina para fazer a operao em cada produto, o total de funcionamento das mquinas por semana e o lucro obtido sobre a renda de uma unidade de cada um dos produtos. Considera-se que os lucros so diretamente proporcionais ao nmero de unidades vendidas. Sabendo-se que queremos determinar a produo semanal para cada produto de modo a maximizar os lucros, formule o problema de programao linear. Produtos 2 3 1 2,4 5 1 3 3,5 7,3 8,54 Tempo total utilizado por semana 2000 8000 5000

Tipo de mquina A B C Unidade de lucro

1 1,5 1 1,5 5,24

4 1 3,5 1 4,18

Suponha que xj seja o nmero de unidades do produto j produzidas por semana. Devem ento ser calculados os valores de x1, x2, x3 e x4 que maximizem o lucro. Desde que o tempo disponvel pela mquina seja limitado, no se pode aumentar arbitrariamente a sada de cada um dos produtos. A produo precisa ser distribuda entre os produtos 1, 2, 3 e 4 de modo que os lucros sejam maximizados sem exceder o nmero mximo de horas de mquinas disponveis em cada um dos grupos de mquinas. Modelo: FO Max Z = 5,24x1 + 7,3x2 + 8,54x3 + 4,18x4 (lucro semanal) S.A.. 1,5x1 + x2 + 2,4x3 + x4 2000 horas (mquina do tipo A) x1 +5 x2 + x3 + 3,5x4 8000 horas (mquina do tipo B) 1,5x1 + 3x2 + 3,5x3 + x4 5000 horas (mquina do tipo C)

x1, x2, x3, x4 0 Exemplo 2: Dieta Para uma boa alimentao o corpo necessita de vitaminas e protenas. A necessidade mnima de vitaminas de 32 unidades por dia e a de protenas de 36 unidades por dia. Uma pessoa tem disponvel carne e ovos para se alimentar. Cada unidade de carne contm 4 unidades de vitaminas e 6 unidades de protenas. Cada unidade de ovo contm 8 unidades de 12

vitaminas e 6 unidades de protenas . Qual a quantidade diria de carne e ovos que deve ser consumida para suprir as necessidades de vitaminas e protenas com o menor custo possvel? Sabe-se que cada unidade de carne custa 3 unidades monetrias e cada unidade de ovo custa 1 unidade monetria.
Modelo: FO Min Z = 3x1 + x2 S.A.. 4x1 + 8x2 32 6x1 + 6x2 36 (custo) (vitaminas) (protenas)

x1, x2 0 Exemplo 3: Investimentos Financeiros: Seja um investidor que dispe de $ 10.000 e vrias opes de investimento. O investidor pretende maximizar seu capital ao final de um ano, levando em conta os investimentos potenciais. No investimento A cada real aplicado hoje produz uma renda trimestral de $ 0,04 e devolve o principal ao final de um ano. No investimento B cada real aplicado hoje retorna $ 1,40 ao final de um ano. O investimento C estar disponvel ao incio do 3o trimestre e cada real aplicado retornar $ 1,25 ao final do ano. Sabe-se que qualquer real no investido pode ser mantido em fundos de renda fixa que remuneram o investidor em $ 0,03 por trimestre. Por outro lado, o investidor deseja diversificar e evitar concentrar suas aplicaes no melhor investimento. Assim, nenhuma alternativa dever aplicar mais do que $ 5.000. Soluo: Definindo-se: XA = investimento em A; XB = investimento em B; XC = investimento em C; R1, R2, R3 e R4 = recursos aplicados em fundos de renda fixa no incio de cada trimestre correspondente. Todos esses investimentos podem ser visualizados num eixo horizontal em escala trimestral, onde a seta para baixo indica uma aplicao e a seta para cima o retorno de caixa. O smbolo H registra o horizonte do estudo, ou final do 4o trimestre.

13

Nesse modelo, a funo objetivo, equao (0), indica o montante ao final do 4o ano. A restrio (1) indica as trs possibilidades de aplicao dos recursos hoje disponveis, a saber: investimento A, investimento B e conta corrente. A restrio (2) mostra a aplicao em fundos de renda fixa ao incio do 2o trimestre, sendo que a disponibilidade de recursos consiste na renda do investimento A mais o investimento R1 acrescido de juros. A restrio (3) representa o 3 trimestre e permite aplicar no investimento C e em fundos de renda fixa, sendo que os recursos disponveis consistem nos juros do investimento A, mais o investimento R2 acrescido de sua renda. Para o incio do 4o trimestre o nico investimento possvel R4 e os recursos disponveis so a renda do investimento A, mais a renda da aplicao em fundos de renda fixa do perodo anterior. Finalmente, as restries seguintes referem-se limitao dos nvestimentos e no negatividade das variveis.

Exemplo 4: Modelo de Misturas O dono de um avirio precisa fabricar uma rao especial para as suas galinhas, de forma a atender s necessidades mnimas. A produo desejada desta rao de 90 kg e a mistura deve ser formada por dois ingredientes bsicos: o milho e o farelo de arroz, que custam $ 0,90 e $ 0,30 por kg respectivamente. Alm disso, sabe-se que a rao precisa ter pelo menos 7% de protena e 3% de fibra na sua composio, de forma a atender as necessidades dirias das aves. A partir da tabela com a composio porcentual de fibra e protena do milho e do farelo de arroz, pede-se formular um modelo de Programao Linear para atender as necessidades dirias a um custo mnimo.

Composio de cada ingrediente

Soluo: As variveis de deciso do modelo so as seguintes: X1 = quantidade de milho (kg) X2 = quantidade de farelo de arroz (kg) A produo diria da mistura deve ser de 90 kg, ou seja, em termos matemticos:

14

Sabe-se tambm que a mistura deve ter pelo menos 7% de protena e 3% de fibra. Portanto, a soma das quantidades de protena de cada ingrediente deve exceder 7% da quantidade total, enquanto que a quantidade de fibra deve ser pelo menos superior a 3%, ou seja:

E, finalmente, o dono do avirio deseja produzir a mistura de forma a gastar o mnimo possvel. Assim, o modelo completo seria:

Exemplo 5: Planejamento da Produo Durante os prximos seis meses, o Artesanato Amaznia Ltda. deve atender os seguintes compromissos de sua seo de malharia:
Jan. 4.000 peas Abr. 1.000 peas Fev. 2.000 peas Mai. 4.000 peas Mar. 5.000 peas Jun. 2.000 peas Ao final de dezembro, h 500 peas em estoque e a empresa s tem capacidade para produzir 3.000 peas mensais. Entretanto, usando horasextras, a empresa pode produzir at 600 peas a mais que sua capacidade nominal. O custo varivel de produzir uma pea de $ 3 por pea e o custo de produzir em horas extras de $ 3,40 por pea. Alm disso, peas que ficam em estoque de um ms para outro provocam um custo aproximado de $ 0,25 por pea. Pede-se um modelo de Programao Linear que satisfaa a demanda, mas minimizando os custos de produo. Soluo: Defina Xt , Yt e It ,para t =1,2,...6, para indicarem respectivamente a produo regular, em horas-extras e o estoque ao final do ms t.

15

Exemplo 6: Processos Qumicos A empresa Petro dispe de duas fontes de petrleo bruto, denominadas leo A e leo B, vendidos em barris (bbl), que ela pode adquirir para processamento. O leo A custa $ 28,00/bbl e o leo B $ 22,00/bbl, sendo que as quantidades disponveis so de 10.000 bbl/dia e 7.000 bbl/dia respectivamente. Esses leos podem passar por dois processos sucessivos, nos quais no h perdas em volume: primeiro uma destilao que agrupa os leos em suas fraes leves e pesadas, as quais podem ser vendidas ou processadas novamente. O segundo processo um craqueamento que os transforma em dois produtos finais: gasolina e diesel. As Tabelas abaixo indicam as propores resultantes dos dois processos.

% das fraes por tipo de leo diesel por frao

% de gasolina e

Sabe-se que as fraes leves podem ser vendidas por $ 20/bbl e as pesadas por $ 27/bbl; a gasolina vendida por $ 35/bbl, enquanto que o diesel vendido por $ 30/bbl. Soluo: As variveis de deciso so as seguintes: OLEOA = leo do tipo A comprado; OLEOB = leo do tipo B comprado; FLEVE = fraes leves produzidas; FPESADA = fraes pesadas produzidas; LVENDIDA = volume das fraes leves vendidas; PVENDIDA = volume das fraes pesadas vendidas; LCRACK = volume das fraes leves craqueadas; PCRACK = volume das fraes pesadas craqueadas; GASOLINA = volume de gasolina produzido; DIESEL = volume de diesel produzido O inter-relacionamento das varveis anteriores pode ser melhor visualizado por um diagrama.

16

Com as variveis de deciso acima, o modelo torna-se:

O modelo acima tem 10 variveis e 8 equaes. Pode-se notar que duas variveis podem ser suprimidas, a saber: FLEVE e FPESADA, o que reduziria o sistema em duas variveis e duas equaes, mas esta reduo no obrigatria, alm de obscurecer as relaes descritivas. Para resolver o sistema, deve-se escrever todas as variveis do lado esquerdo, com os segundos membros iguais a zero.
Exemplo 7: A Companhia Veloz deseja determinar quantas unidades produzir durante os

meses de junho, julho, agosto e setembro, meses de pico de demanda, para um de seus produtos lderes. Ela dispe dos seguintes dados:
Demanda prevista Capacidade produtiva Regular Horas extras Subcontratao Estoque inicial em junho Custos de produo Normal Horas extras Subcontratao Manuteno do estoque Junho 800 Julho 1.000 Agosto 900 700 50 130 Setembro 800 700 50 120

700 700 50 50 150 150 100 unidades

$ 40,00/unidade $ 50,00/unidade $ 70,00/unidade $ 2,00/unidade/ms

Soluo Definio das variveis de deciso x11 quanto produzir em junho horas normais x12 quanto produzir em junho horas extras x13 quanto produzir em junho subcontrataes x21 quanto produzir em julho horas normais x22 quanto produzir em julho horas extras x23 quanto produzir em julho subcontrataes x31 quanto produzir em agosto horas normais x32 quanto produzir em agosto horas extras x33 quanto produzir em agosto subcontrataes x41 quanto produzir em setembro horas normais

17

x42 quanto produzir em setembro horas extras x43 quanto produzir em setembro subcontrataes O custo de manuteno dos estoques em junho ser: EMjun x $2,00/unidade x ms e EMjun= (EI)jun + (EF)jun 2 Sabe-se ainda que: Como P = D+EF-EI, teremos EF= EI+P-D P = Produo EF= Estoque Final EI = Estoque Inicial A tabela a seguir auxilia o clculo: Ms EI Produo Demanda EF Junho 100 x11+ x12+ x13 800 x11+ x12+ x13-700 Julho x11+ x12+ x13-700 x21+ x22+ x23 1.000 x11+ x12+ x13+ x21+ x22+ x23- 1.700 Agosto x11+ x12+ x13+ x31+ x32+ x33 900 x11+ x12+ x13+ x21+ x22+ x23- 1.700 x21+ x22+ x23 + x31+ x32+ x33 2.600 Setembro x11+ x12+ x13+ x41+ x42+ x43 800 x11+ x12+ x13+ x21+ x22+ x23 + x21+ x22+ x23 + x31+ x32+ x33 2.600 x31+ x32+ x33 + x41+ x42+ x43 3.400
Custo do Estoque

O custo mensal do estoque : Cjun=(EI)jun + (EF)jun x $2,00/unidade x ms 2 Somando-se para os quatro meses, tem-se: Cestoque= (EIjun+EFjun+ EIjul+EFjul+ EIago+EFago+ EIset+EFset) x $2,00 Como EFjun= EIjul etc. Cestoque= (EIjun+2EIjun+ 2EIago+2EIset+EFset) x $2,00 = EIjun+2EIjun+ 2EIago+2EIset+EFset Substituindo-se pelas expresses da tabela anterior tem-se: Cestoque=100 + 2(x11+ x12+ x13-700)+ 2(x11+ x12+ x13+ x21+ x22+ x23- 1.700) + + 2(x11+ x12+ x13+ x21+ x22+ x23 +x31+ x32+ x33 2.600) + (x11+ x12+ x13+ x21+ x22+ x23 +x31+ x32+ x33 +x41+ x42+ x43 3.400) Deduzindo-se tem-se: Cestoque= 7x11+ 7x12+ 7x13+ 5x21+5x22 + 5x23 + 3x31+ 3x32+ 3x33 +x41+ x42+ x43 13.300
Custo de Produo

Cproduo = 40(x11+ x21+ x31+ x41) + 50(x12+ x22+ x32+ x42)+ 70(x13+ x23+ x33+ x43)
Custo Total

Ctotal= Cproduo+Cestoque 18

Aps a reduo, tem-se: F.O. = Ctotal =47x11+ 57x12+77x13+ 45x21+55x22 + 75x23 + 43x31+ 53x32+ 73x33 + +41x41+51x42+ 71x43 13.300
Funo Objetivo

MIN Ctotal =47x11+ 57x12+77x13+ 45x21+55x22 + 75x23 + 43x31+ 53x32+ 73x33 + +41x41+51x42+ 71x43 13.300 Restries O EF deve ser maior ou igual a zero. x11+ x12+ x13-700 0 ou x11+ x12+ x13 700 x11+ x12+ x13+ x21+ x22+ x23 1.700 x11+ x12+ x13+ x21+ x22+ x23 +x31+ x32+ x33 2.600 x11+ x12+ x13+ x21+ x22+ x23 +x31+ x32+ x33 +x41+ x42+ x43 3.400 x11 x12 x13 x21 x22 x23 700 50 150 700 50 150 x31 700 x32 50 x33 130 x41 700 x42 50 x43 120 x11 x12 x13 x21 x22 x23 0 0 0 0 0 0 x31 x32 x33 x41 x42 x43 0 0 0 0 0 0

A soluo do sistema, com a utilizao do software LINDO, leva seguinte soluo: Mnimo custo = $ 150.380,00 Variveis: x11=700 x12=50 x13=70 x21 =700 x22= 50 x23=150 x31 =700 x32=50 x33 =130 x41=700 x42=50 x43=50 Exemplo 8: Ver ANEXO 1- ESTUDO DE CASO 1.5- PROBLEMAS PROPOSTOS
PROBLEMA 01 Um carpinteiro possui 6 peas de madeira e dispe de 28 horas de trabalho para confeccionar biombos ornamentais. Dois modelos venderam muito bem no passado, de maneira que ele se limitou a esses dois tipos. Ele estima que o modelo I requer 2 peas de madeira e 7 h de trabalho, enquanto o modelo II necessita de 1 pea de madeira e 8 horas de trabalho. Os preos de venda so, respectivamente, R$ 220,00 e R$ 105,00. Faa um modelo linear que ajude o carpinteiro a decidir quantos biombos de cada modelo devem ser confeccionados se desejar maximizar o rendimento obtido com as vendas. PROBLEMA 02 Seja uma mquina de fazer copos com dois moldes diferentes. Com o primeiro deles so fabricados 100 caixas de copos para suco em 6 hs; com o segundo, so fabricadas 100 caixas de copos para coquetel em 5 hs. A mquina opera 60 hs por semana e a capacidade do depsito de 15.000 m3. Uma caixa de copos para suco mede 10 m3; uma caixa de copos para coquetel mede 20 m3. O lucro pela venda de uma caixa de copo de $5(copos para suco) e de $4.5(copos para coquetel). O nico

19

fregus disponvel no aceita comprar mais de 800 caixas por semana de copos para suco e compra tudo que for produzido de copos para coquetel. Formule um modelo linear para ajudar o fabricante a decidir quantas caixas por semana de cada tipo de copo devem ser produzidas para maximizar o lucro. PROBLEMA 03 Um fazendeiro est estudando a diviso de sua propriedade nas seguintes atividades produtivas: A(Arrendamento)Destinar certa quantidade de alqueires para a plantao de cana-de-acar, a uma usina local, que se encarrega da atividade e paga pelo aluguel da terra $300,00 por alqueire por ano. P (Pecuria)- Usar outra parte para a criao de gado de corte. A recuperao das pastagens requer adubao (100Kg/Alq) e irrigao (100.000 litros de gua/Alq) por ano. O lucro estimado nessa atividade de $ 400,00 por alqueire por ano. S(Plantio de Soja)- Usar uma terceira parte para o plantio de soja. Essa cultura requer 200Kg por alqueire de adubos e 200.000 litros de gua/Alq para irrigao por ano. O lucro estimado nessa atividade de $500,00/ alqueire no ano. Disponibilidade de recursos por ano: 12.750.000 litros de gua 14.000 Kg de adubo 100 alqueires de terra Quantos alqueires dever destinar a cada atividade para proporcionar o melhor retorno? Construa o modelo de deciso. PROBLEMA 04 O aougue de um povoado prepara tradicionalmente suas almndegas, misturando carne bovina magra e carne de porco. A carne bovina contm 80% de carne e 20% de gordura e custa R$0,80 o Kg; a carne de porco contm 68% de carne e 32% de gordura e custa R$0,60 o Kg. Quanto de carne bovina e quanto de carne de porco deve o aougue utilizar por Kg de almndegas se desejar minimizar seu custo e conservar o teor de gordura da almndega no superior a 25%? PROBLEMA 05 Um fazendeiro est criando porcos para vender e deseja determinar as quantidades dos tipos de alimentos disponveis que devem ser dadas a cada porco para atingir certos requerimentos nutricionais, a um custo mnimo. O nmero de unidades de cada tipo de ingrediente nutricional bsico contido em um quilograma de cada tipo de alimento dado na tabela que segue, juntamente com os requerimentos nutricionais dirios e custos dos alimentos. Construa um modelo que ajude o fazendeiro a decidir a alimentao ideal a se recomendada aos porcos. Ingredientes Milho Tancagem Alfava Requerimento mnimo Nutricionais dirio (g/Kg de rao) Carboidratos(g/Kg 90 20 40 200 ) 30 80 60 180 Protenas (g/Kg) 10 20 60 150 Vitaminas (g/Kg) Custos ($/Kg) 21 18 15 PROBLEMA 06 Uma excurcionista planeja fazer uma viagem acampando. H cinco itens que a excurcionista deseja levar consigo, mas estes, juntos, excedem o limite de 60 Kg que ela supem ser capaz de carregar. Para ajudar a si prpria no processo de seleo ela atribuiu valores, por ordem crescente de importncia, a cada um dos itens segundo a tabela. Item 1 2 3 4 5

20

Peso (Kg) 52 23 35 15 7 Valor 100 60 70 15 15 Faa um modelo linear para o problema para ajudar a excurcionista a decidir que itens devem ser conduzidos de forma a maximizar o valor total e sem exceder as restries de peso. PROBLEMA 07 Suponhamos que possumos barras de 6 m de comprimento que devem ser convenientemente cortadas para obtermos barras menores, nos seguintes tamanhos: 50 barras de 2m 60 barras de 3m 90 barras de 4 m Desenvolva um modelo linear que determine como devero ser os cortes de forma a minimizar as perdas. PROBLEMA 08 Uma agencia de correios requer nmeros diferentes de empregados em dias diferentes da semana. O nmero de empregados em horrio integral necessrios em cada dia dado na tabela abaixo. As regras do sindicato estabelecem que cada empregado em horrio integral deve trabalhar cinco dias consecutivos, e ento receber dois dias livres. A agncia de correios quer satisfazer as suas necessidades dirias usando apenas empregados em horrio integral. Formule um programa linear que a agncia possa usar para minimizar o nmero de empregados em horrio integral que deve ser contratado. No de Empregados Observao: Para formular este problema Dia 1 = Segunda Feira 17 corretamente preciso perceber que a deciso a ser Dia 2 = Tera feira 13 feita no o nmero de empregados que trabalha em cada dia, e sim o nmero de empregados que comea Dia 3 = Quarta Feira 15 a trabalhar em cada dia da semana. Dia 4 = Quinta Feira 19 Dia 5 = Sexta feira 14 Dia 6 = Sbado 16 Dia 7 = Domingo 11

1.6- SOLUO GRFICA Os problemas de programao linear que envolvem apenas duas variveis podem ser resolvidos graficamente. A interpretao geomtrica dos problemas de programao linear muito importante uma vez que o exame dos tipos de negcio que podem ocorrer em casos simples envolvendo somente duas variveis fornece um vasto aprofundamento no que pode ocorrer em um caso mais geral com qualquer nmero de variveis. De incio, vamos achar uma interpretao geomtrica e a soluo para o seguinte problema de programao linear. 3 x1 + 5 x 2 15, 5 x1 + 2 x 2 10, (1) x1 , x 2 0 Max z = 5 x1 + 3 x 2 Devemos achar, primeiramente, os conjuntos de nmeros (x1, x2), que so solues viveis para o problema. Introduzimos um sistema de coordenada x1x2 e notamos que qualquer conjunto de nmeros (x1, x2) um ponto no plano x1x2. Todos os pontos (x1, x2) que se 21

encontram direita ou no eixo x2 tm x1 0 . Igualmente, todos os pontos que se encontram acima do eixo x1 tm x 2 0 . Segue-se que qualquer ponto que se encontrar no primeiro quadrante tem x1,x 2 0 e assim satisfaz s restries no-negativas. Qualquer ponto que for uma soluo vivel deve-se encontrar no primeiro quadrante. Para determinar o conjunto de pontos do primeiro quadrante que satisfaa s restries, devemos interpretar geometricamente inequaes tais como 3x1 + 5x 2 15 . Se o sinal de igualdade vingar, isto , 3x1 + 5x 2 = 15 , temos a equao para uma linha reta, e qualquer ponto na linha reta que satisfaa a equao. Considere agora o ponto (0,0), isto , a origem. Observamos que 3(0) + 5(0) = 0 < 15, tal que a origem tambm satisfaz a inequao. De fato, qualquer ponto que se encontre abaixo ou na linha 3x1 + 5x 2 = 15 satisfaz 3x1 + 5x 2 15 . Entretanto, nenhum ponto que se encontre acima da linha satisfaz a inequao. Sendo assim, o conjunto de pontos que satisfaz a inequao 3x1 + 5x 2 15 consiste em todos os pontos no plano x1x2 que se encontram abaixo ou na linha 3x1 + 5x 2 = 15 . Os pontos que satisfazem as restries no-negativas e estas inequaes so todos os pontos do primeiro quadrante que se encontram abaixo ou sobre a linha 3x1 + 5x 2 = 15 . Precisamente da mesma maneira, vemos que todos os pontos que satisfazem 5x1 + 2x 2 10 e as restries no-negativas so todos os pontos do primeiro quadrante abaixo sobre a linha 5x1 + 2x 2 = 10

Fig. 1.1

O conjunto de pontos que satisfazem tanto 3x1 + 5x 2 15 como 5x1 + 2x 2 10 , assim como as restries no-negativas, o conjunto de pontos na regio sombreada da Fig.1.1. Qualquer ponto nesta regio uma soluo vivel, e somente os pontos nesta regio so solues viveis. Ainda no dissemos nada sobre a funo objetivo. Para resolver o problema de programao linear, devemos achar o ponto, ou pontos, na regio de solues viveis que dem o maior valor da funo objetivo. Agora para qualquer valor fixo de z, z = 5x1 + 3x2 uma linha reta. Qualquer ponto nesta linha dar o mesmo valor de z. Para cada valor de z diferente, obtemos uma linha diferente. importante notar que todas as linhas que correspondem a diferentes valores de z so paralelas. Isto acontece porque a inclinao de

22

qualquer linha z = c1x1 + c 2 x2 z =

c1

c 2 e independente de z. Em nosso problema, c1,c2

so fixos e as linhas, paralelas. Devemos agora ser capazes de ver a soluo de um problema. Queremos achar a linha com o maior valor de z que tem pelo menos um ponto em comum com a regio de solues viveis. As linhas paralelas na Fig.1.1 representam a funo objetivo para os trs valores diferentes de z. claro que z1 no o valor mximo de z, pois a linha pode ser movida para cima, aumentando, em conseqncia, z, enquanto alguns de seus pontos ainda esto na regio das solues viveis. Por outro lado, embora z3>z2 e z1, a linha correspondente a z3 no tem nenhum ponto em comum com a regio de solues viveis; em conseqncia, nenhuma soluo vivel pode levar a um valor to grande de z. Vemos assim que z2 o valor mximo de z, e a soluo vivel que nos leva a esse valor de z o canto A da regio de solues viveis. A figura mostra que os valores das variveis para a soluo tima so aproximadamente x1 = 1, x2 = 2,4. Para determinar os valores exatos, notamos que o ponto que representa a soluo tima a interseo das linhas 3x1 + 5x 2 = 15 e 5x1 + 2x 2 = 10 . Resolvendo estas duas equaes simultaneamente, achamos que x1 = 1,053 e x2 = 2,368. A substituio desses valores na funo objetivo mostra que o valor mximo do z 12,37. x2

A Fig. 1.2

B 0 Z1 Vamos considerar agora o problema: 3x1 + 5x 2 15, 5x1 + 2x 2 10, x1,x 2 0, Max z = 2,5x1 + x 2 23 (2) Z2 Z3 x1

Este problema o mesmo que o que acabou de ser resolvido, exceto para uma funo objetivo levemente diferente. A regio de solues viveis a mesma que a para o problema anterior. A Fig. 1.2 mostra as linhas da funo objetivo de (2) para trs valores diferentes de Z. Obviamente, Z2 o valor mximo do Z. Agora, entretanto, a linha que representa a funo objetivo se encontra ao longo de um dos lados do polgono de solues viveis. Isto significa que no h valores nicos de x1,x2 que maximizem Z; qualquer ponto do lado AB do polgono d a soluo tima de Z.. Note que o canto que era timo para o problema prvio e tambm timo para este problema. Usando estes valores de x1,x2, achamos que Max Z = 5,0. Para este problema, duas extremidades, assim como qualquer ponto sobre a linha que liga estes dois pontos, so solues timas. Quando um problema de programao linear tem mais de uma soluo tima, dizemos que h uma alternativa tima; fisicamente, isto significa que os recursos podem ser combinados de mais de uma maneira para maximizar o lucro. x2

Z1 Z2 Z3

Fig 1.3

A1 0 x1

Como um exemplo de um problema para o qual a funo objetivo ser considerada minimizada: x1 + x 2 4, 6x1 + 2x 2 8, x1 + 5x 2 4, x1 3, x 2 3, x1,x 2 0, 24 (3)

Min z = 2x1 + 3x 2 A interpretao geomtrica do problema dada na Fig. 1.3 O valor mnimo de Z Z2. Este mnimo achado em um ponto nico, o ponto de interseo A das linhas 6x1 + 2x 2 = 8 e x1 + 5x2 = 4 . Resolvendo estas duas equaes simultaneamente, vemos que a soluo tima x1 = 8 7 , x 2 = 4 7 e Min Z = 4. Os problemas de programao linear envolvendo trs variveis tambm podem ser apresentados geometricamente; entretanto, sua soluo grfica mais difcil. Como ilustrao, vamos resolver graficamente o seguinte problema em trs variveis: 4x1 + 6x 2 + 3x3 24, x1 + 1,5x2 + 3x3 12, 3x1 + x 2 12, x1,x 2 ,x3 0, Max z = 0,5x1 + 6x 2 + 5x3 A regio que representa as solues viveis o poliedro sombreado na figura 1.4. recordemos que uma equao em trs variveis, tal como 4x1+6x2+3x3=24, um plano. Quando o sinal de igualdade substitudo por uma inequao (<), o conjunto de pontos que satisfazem esta inequao a coleo de todos os pontos que se encontram ou acima ou abaixo do plano. O conjunto de pontos (x1,x2,x3) que, quando substitudo na funo objetivo, leva ao valor dado de z, se encontra no plano z = 0,5x1+6x2+5x3. Quando z varia, obtm-se uma srie de planos paralelos. O plano que representa o maior valor de z que tem pelo menos um ponto em comum com a regio de solues viveis d o Max Z. O ponto ou pontos da regio de solues viveis que se encontram neste plano so solues viveis. (4)

Fig. 1.4

V-se que a soluo ocorre no vrtice A do poliedro de solues viveis. Neste ponto, os planos 4x1+6x2+3x3=24 e x1+1,5x2+3x3=12 se interceptam. Entretanto, x1=0 em A. Assim,

25

pela soluo simultnea de 6x2+3x2=24 e 1,5x2+3x3=12, x2 e x3 so achados e x 2 = x3 = 2 2 3 ; a soluo tima x1=0; x 2 = x3 = 2 2 3 , e Max z = 29 13 . Alguns casos excepcionais: Os exemplos da seo anterior ilustram o que pode ser chamado problemas de programao linear bem comportados. Agora queremos mostrar que h casos excepcionais que precisam ser levados em considerao se uma tcnica geral para soluo de problemas de programao linear for desenvolvida. Vamos estudar o seguinte problema x1 x 2 1, 0,5x1 + x 2 2, x1,x 2 0, Max z = 2x1 + 2x2 A regio de solues viveis a regio sombreada da Fig. 1.5. As linhas que representam a funo objetivo para vrios valores de Z so tambm desenhadas. x2 (5)

Fig. 1.5

x1 0 Z=4 Z=6 Z = 10

Encontramos um novo fenmeno. A linha que representa a funo objetivo pode ser movida sempre paralela a si mesma na direo de aumento de Z, e ainda tem alguns pontos na regio de solues viveis. Assim, Z pode aumentar arbitrariamente, e o problema no tem valor mximo do Z. Em tal caso dizemos que o problema tem uma soluo ilimitada. No esperamos que qualquer problema de programao linear represente alguma situao prtica de ter uma soluo ilimitada, pois isto implicaria, por exemplo, a viabilidade

26

de um lucro infinito. Entretanto, a limitao de recursos e a impossibilidade de se aumentar os lucros so precisamente as razes para nosso interesse no uso de programao linear. No obstante, ocasionalmente ocorre um erro na formulao de um problema real que leva a uma soluo ilimitada (o autor cometeu tal erro). x2 Z3 Z2 Z1

Fig. 1.6

x1 0 No exemplo acima, ambas as variveis podem crescer arbitrariamente quando z aumenta. Entretanto, uma soluo ilimitada no implica necessariamente que todas as variveis possam ser aumentadas arbitrariamente quando z tende ao infinito. Pode-se ver isto na soluo do problema x1 3, x1 x 2 0, x1,x 2 0, Max z = 3x1 + 2x 2 Este problema representado graficamente na Fig 1.6. J notamos que o conjunto de variveis que maximizam a funo objetivo no precisa ser necessariamente nico. Agora veremos que, embora z tenha um valor mximo finito, h solues que do este z mximo que tem valores arbitrariamente grandes das variveis. Isto ilustrado pelo seguinte exemplo. x1 x 2 1, 0,5x1 + x 2 2, x1,x 2 0, Max z = 2x 2 x1 , (7) (6)

27

que est resolvido graficamente na Fig. 1.7. Este problema no completamente normal, pois h solues com variveis arbitrariamente grandes que levam a valores timos do Z. O valor mximo do Z 4. Alm disso, qualquer ponto (x1,x2) que se encontre no lado da regio de solues viveis. x2

Z2=4

Fig. 1.7 Z3 Z1

x1

Entretanto, no h nenhuma garantia automtica de que todos os problemas da programao linear tm solues viveis. O prximo problema, mostrado graficamente na figura 1.8, no tem soluo, pois as restries so incompatveis: x1 + x 2 1, 2x1 + 2x 2 4, x1,x 2 0, Max z = 3x1 2x 2 , no h nenhum ponto (x1,x2) que satisfaa ambas as restries. As restries podem ser compatveis e ainda assim no haver soluo vivel porque nenhum ponto que satisfaz as restries tambm satisfaz as restries no-negativas. O problema seguinte, ilustrado geometricamente na Fig. 1.9, d um exemplo de tal caso. (8)

28

x1 x 2 0, 3x1 x 2 3, x1,x 2 0, Max z = x1 + x 2 , x2 (9)

Fig. 1.8

x1

x2

o x1

Fig. 1.9

29

Qualquer ponto na rea sombreada satisfaz as restries inequaes. Entretanto, como nenhuma soluo tem x1,x 2 0 , no h soluo vivel. O leitor no deve achar que os exemplos apresentados nesta seo so de interesse somente hipottico e nunca ocorrem no mundo real. Enquanto realmente no esperamos que qualquer problema prtico propriamente formulado exiba tal comportamento, um problema que envolve um grande nmero de variveis e restries dificulta extremamente o estudo da compatibilidade, a existncia de uma soluo vivel, e a certeza da no-existncia de uma soluo ilimitada. Por causa destas possibilidades de erro na formulao dos problemas, os casos excepcionais discutidos nesta seo podem ocorrer na prtica. Assim, a tcnica computacional delineada para a soluo de um problema de programao linear deve ser o bastante para revelar a existncia de uma soluo ilimitada ou a ausncia de uma soluo vivel. Seria bem ruim se tivssemos que averiguar se o problema possui um mximo e um mnimo finitos antes que pudssemos processar o computador.

30

Captulo II FUNDAMENTOS MATEMTICOS


2.1MATRIZ

Definio: um conjunto ordenado de nmeros, de forma retangular, e escrito no seguinte formato: Um elemento da matriz a11 A= a21 a31 : : am1 a12 a22 a32 : : am2 a13 a23 a33 : : am3 ....... ....... ....... ....... a1n a2n a3n : : amn Linha

Dimenso da matriz Coluna

Representao da matriz:

A= [ aij ]m x n Coluna Linha

Representao de um elemento da matriz:

aij

Matriz Quadrada: Se m=n (no de linhas = no de colunas) temos uma matriz quadrada de dimenso n. a11 An= a21 a12 a22 ....... ....... a1n a2n

: :
an1

: :
an2

: :
....... ann

Diagonal Secundria (i+j) = n+1

Diagonal Principal aij, onde i=j

31

Matriz Linha e Matriz Coluna: (vetores) a11 a21 A= a31 B= [ b11 b12 linha b13 ....... b1n ]

: :
am1 coluna 2.2- SISTEMA DE EQUAES LINEARES Equaes Lineares de n variveis: a1 x1 + a2 x2 + a3 x3 + .........+ an xn = b onde a1, a2, a3 ,....., an e b so constantes reais. Sistema de Equaes Lineares: um conjunto de equaes lineares. a11 x1 + a12 x2 + a13 x3 + .........+ a1n xn = b1 a21 x1 + a22 x2 + a23 x3 + .........+ a2n xn = b2 : : : : : am1 x1 + am2 x2 + am3 x3 + .........+ amn xn = bm onde aij e bk so constantes reais para i,k=1, ....,m e j= 1,...,n O sistema linear pode ser escrito como uma equao matricial: AX=B a11 a12 ....... a1n A= (mxn) a21 a22 ....... a2n

: :
am1

: :
am2

: :
....... amn

x1 X= (nx1) x2 : : xn B= (mx1)

b1 b2 : : bm

32

Matriz Aumentada: [A / B] a11 A= (mxn) a21 a12 a22 ....... ....... a1n a2 b1 b2

: :
am1

: :
am2

: :
....... amn

: :
bm

Uma forma de resolver um sistema linear, achar um outro sistema mais simples equivalente ao original. Isso se faz aplicando sucessivamente uma srie de operaes sobre as equaes. Operaes Elementares: Multiplicar uma equao por um escalar diferente de zero; Somar a uma equao um mltiplo de outra equao. Exemplo: 2x + 4y + z x+ y x + 2y = 10 = 3 = 5

MTODO DE GAUSS-JORDAN: 1. Colocar na forma de matriz aumentada: 2 1 1 4 1 2 1 0 0 10 3 5

2. Utilizando as propriedades elementares nas linhas da matriz aumentada, vamos procurar deixar a matriz na forma escalonada reduzida: Matriz escalonada reduzida: a) Todas as linhas nulas ocorrem abaixo das linhas no nulas; b) O primeiro elemento no nulo de cada linha no nula igual a 1 (chamado de piv); c) O piv da linha i+1 ocorre direita do piv da linha i, para i=1,...,m-1; d) Se uma coluna contm um piv, ento todos os seus outros elementos so iguais a zero. Obs: Se uma matriz satisfaz as propriedades (a), (b), e (c), mas no necessariamente (d), dizemos que ela uma matriz escalonada.

33

2.3-VETORES NO PLANO E NO ESPAO B Vetor magnitude Representao: extremidade direo AB sentido origem A orientao indica a direo e o sentido do vetor comprimento representa a magnitude do vetor Observaes: Dois vetores so iguais se eles possuem o mesmo comprimento, a mesma direo e o mesmo sentido, mesmo se possurem origens em pontos diferentes; Se um vetor W= V diz-se que W um mltiplo escalar do outro; Dois vetores no nulos so paralelos(ou colineares) se, e somente se, um mltiplo escalar do outro. Componentes do vetor V no plano: y

v2 OV o

V (v1, v2) v1

x As coordenadas de V so iguais as componentes de OV Componentes do vetor V no espao: Cada par de eixo determina um plano coordenado. Temos trs planos coordenados: XY XZ YZ z v3

V= (v1, v2, v3) Componentes de V v2 v1 x

34

2.4 - COMBINAO LINEAR Definio:Um vetor V do Rn uma combinao linear dos vetores V1,...,Vk , se a equao vetorial x1 V1 + x2 V2 +.....+ xk Vk =V possuir soluo, ou seja, se existirem escalares x1, ...., xk que satisfazem a equao acima. Neste caso, dizemos tambm que V pode ser escrito como uma combinao linear de V1, ..., Vk. 2.5- INDEPENDNCIA LINEAR Definio:Dizemos que um conjunto S={ V1, ..., Vk} de vetores linearmente independente (L.I.) se a equao vetorial x1 V1 + x2 V2 +.....+ xk Vk = 0 s possuir a soluo trivial, ou seja, se a nica forma de escrever o vetor nulo como combinao linear dos vetores V1, ..., Vk aquela em que todos os escalares so iguais a zero. Caso contrrio, isto , se a equao acima possuir soluo no trivial, dizemos que o conjunto S linearmente dependente (L.D.). Observaes: Se dois vetores V1 e V2 no R2 so L.D., ento um deles um mltiplo escalar do outro. Portanto, eles so paralelos. E reciprocamente, se eles so L.I., ento um no mltiplo escalar do outro e portanto no so paralelos. Se trs vetores V1, V2 e V3 do R3 so L.D., ento um deles uma combinao linear dos outros dois, ou seja, um deles uma soma de mltiplos escalares dos outros dois. Portanto, eles so coplanares, isto , so paralelos a um mesmo plano. E reciprocamente, se eles so L.I., ento nenhum deles combinao linear dos outros dois. Portanto eles no so coplanares. 2.6- SOLUO BSICA VIVEL Vamos supor o seguinte sistema: a11 x1 + a12 x2 + a13 x3 + .........+ a1n xn = b1 a21 x1 + a22 x2 + a23 x3 + .........+ a2n xn = b2 : : : : am1 x1 + am2 x2 + am3 x3 + .........+ amn xn = bm Forma Matricial: A X = B a11 a21 a12 a22 ....... ....... a1n a2n

x1 x2 : : xn =

b1 b2 : : bm

: :
am1

: :
am2

: :
....... amn

35

Suponhamos que m n e que o posto da matriz P(A)=m (posto da matriz A o nmero mximo de colunas L.I. em A). Obtm-se uma soluo bsica vivel para o sistema acima fazendo-se (n-m) das variveis x iguais a zero e determinando-se uma soluo no-negativa para as variveis x restantes, admitindo-se que os m vetores correspondentes s variveis x, que no foram igualadas a zero, so L.I. O conjunto de variveis, que inicialmente no so feitas iguais a zero, chamado conjunto de variveis bsicas. Se uma ou mais das variveis bsicas tornarem-se iguais a zero, a soluo bsica ser dita degenerada. Se todas as variveis bsicas forem positivas, a soluo bsica ser dita no-degenerada (factvel ou compatvel). 2.7- COMBINAO CONVEXA Considere um conjunto de vetores V={ V1, V2, ..., Vn } todos pertencentes a Rm v1 V1= v2 : : vm V={ V1, V2, ..., Vn } Rm j , j=1,2,...,n

j so constantes reais que satisfazem as relaes: 1 + 2 + .....+ n = 1 j 0 para j= 1,2,...,n ento o vetor b = 1 V1 + 2 V2 +.....+ n Vn uma combinao convexa dos vetores V1, V2, ..., Vn. 2.8- CONJUNTO CONVEXO Um conjunto X de vetores convexo se, para dois vetores quaisquer X1, X2 pertencentes ao conjunto, o segmento de reta entre estes vetores tambm pertence ao conjunto, ou seja, X1 X Matematicamente o segmento de reta entre X1 e X2 o conjunto de todas as X2 X combinaes convexas de X1 e X2. X1 + (1- )X2 X Exemplos Grficos Um vetor P um ponto extremo de um conjunto convexo se no se puder express-lo como uma combinao convexa de dois vetores de conjunto, isto , um ponto extremo no pode estar situado sobre o segmento de reta entre dois outros vetores quaisquer do conjunto. Um ponto extremo ponto da fronteira do domnio, pois caso contrrio, ele estaria entre dois outros pontos quaisquer. Nem todo ponto limite de um conjunto convexo necessariamente um ponto extremo. Alguns pontos limites podem-se situar entre dois outros pontos limites. 0 1

36

Captulo III MTODO SIMPLEX


3.1INTRODUO

O Mtodo Simplex um procedimento geral para resolver um Problema de Programao Linear. Foi desenvolvido em 1947 pelo matemtico norte-americano George B. Dantzig e consiste em um mtodo iterativo que percorre os pontos extremos do conjunto de solues compatveis do problema. Este mtodo formado por um grupo de critrios para escolha de solues bsicas que melhorem o desempenho do modelo, e tambm de um teste de otimalidade. Para ser iniciado, necessrio se conhecer uma soluo compatvel bsica (chamada soluo inicial) do sistema. Posteriormente, verificado se a presente soluo tima. Se for, o processo est encerrado. Se no for tima, porque um dos pontos extremos adjacentes ao ponto extremo inicialmente adotado fornece para a funo objetivo um valor melhor do que o atual. Para melhorar o valor da funo objetivo, a mesma deve ser aumentar ou diminuir, conforme o problema seja de maximizao ou minimizao respectivamente. O Mtodo Simplex faz ento a mudana do ponto inicial para o ponto extremo adjacente que melhore o valor da funo objetivo. O procedimento adotado para o ponto extremo inicial repetido para este segundo ponto extremo. O processo finaliza quando, estando num ponto extremo, todos os pontos extremos a ele adjacentes, fornecem valores piores para a funo objetivo. Algebricamente, um ponto extremo adjacente uma soluo compatvel bsica incluindo todas as variveis bsicas anteriores, com exceo de apenas uma delas. Achar, portanto, a prxima soluo compatvel bsica (ponto extremo adjacente) exige a escolha de uma varivel no-bsica para entrar na base em sua substituio. O Mtodo Simplex compreender, portanto, os seguintes passos: 1) Achar uma soluo compatvel bsica inicial. 2) Verificar se a soluo atual tima. Se for, pare. Caso contrrio, siga para o passo 3. 3) Determinar a varivel no bsica que deve entrar na base. 4) Determinar a varivel bsica que deve sair da base. 5) Achar a nova soluo compatvel bsica, e voltar ao passo 2. 3.2. TEOREMAS FUNDAMENTAIS DO MTODO SIMPLEX O Mtodo Simplex baseia-se em trs teoremas fundamentais: Teorema 1: O conjunto de todas as solues compatveis do modelo de programao linear um conjunto convexo. Teorema 2: Toda soluo compatvel bsica do sistema Ax=b um ponto extremo do conjunto das solues compatveis Teorema 3: a) Se a funo objetivo possui um mximo (mnimo) finito, ento pelo menos uma soluo tima um ponto extremo do conjunto convexo.

37

b) Se a funo objetivo assume o mximo (mnimo) em mais de um ponto extremo, ento ela toma o mesmo valor para qualquer combinao convexa desses pontos extremos. 3.3- REDUO DE UM PROBLEMA DE PROGRAMAO LINEAR FORMA PADRO Os modelos de programao linear, para serem devidamente solucionados por intermdio do algoritmo simplex que ser apresentado, devem apresentar o seguinte formato padro: A funo objetivo de maximizao (opcional); Todas as variveis de deciso no-negativas; Constantes do lado direito no-negativas; Restries de igualdade. Caso isso no acontea, deve-se procurar um modelo equivalente que possua essas caractersticas, para ento usar o simplex. a) Funo Objetivo de Minimizao A minimizao de uma funo f(x) matematicamente anloga maximizao da negativa desta funo (-f(x)). Exemplo: MIN z=c1x1+ c2x2+...+ cnxn equivalente a: MAX Z = -c1x1- c2x2-...-cnxn Com z = -Z Dessa forma: MIN z = -MAX(-Z) Essa uma das formas de resolver os problemas de minimizao utilizando o mesmo algoritmo dos problemas de maximizao. Caso se queira resolver diretamente, devemos alterar o critrio de entrada das variveis na base. b) Problema da Varivel Livre Entende-se por varivel livre as variveis sem qualquer restrio de sinal, isto , podem assumir valores positivos, negativos ou zero. Para contornarmos este problema, devemos lembrar que um nmero qualquer sempre pode ser escrito como a diferena de dois nmeros positivos. Exemplo: MAX z = x1+2x2+x3 SA x1+x2+x3 10 2x1+3x2 20 x1 0 , x2 livre , x3 0 Fazendo x2 = x'2 - x''2, com x'2 0 e x''2 0 e substituindo no modelo anterior, tem-se o modelo equivalente: MAX z = x1+2(x'2 - x''2)+x3 SA x1+ x'2 - x''2+x3 10 2x1+3(x'2 - x''2) 20 x1 0 , x'2 0, x''2 0, x3 0 38

Onde todas as variveis so no-negativas. A soluo deste modelo, resolve o anterior. c) Ocorrncia de bi<0 Basta multiplicarmos a restrio i por (-1) pois os coeficientes aij podem ter qualquer sinal. d) Transformao de Desigualdades em Igualdades Para a utilizao do algoritmo simplex necessrio que todas as desigualdades do conjunto de restries sejam transformadas em igualdade e que se conhea uma soluo inicial vivel, no- negativa. Na forma padro, apenas as restries de no-negatividade (das variveis) so desigualdades. Variveis de Folga e Excesso Outras restries de desigualdade so transformadas em equaes por meio de variveis de folga ou de excesso (muitas vezes se fala em variveis de folga mesmo quando se trata de variveis de excesso) que so sempre no-negativas. ai1x1 + .... + ainxn bi ou ai1x1 + .... + ainxn bi ai1x1 + .... + ainxn + si = bi si 0 ai1x1 + .... + ainxn - si = bi si 0

(folga)

(excesso)

A varivel de folga numericamente igual a diferena entre os valores direita e esquerda da desigualdade e representa o desperdcio acarretado pela parte do sistema modelada pela restrio em pauta. A varivel de excesso numericamente igual a diferena entre os valores esquerda e direita da desigualdade e representa um excesso das variveis de entrada nesta parte do sistema modelada pela restrio em pauta. Gerao de Soluo Inicial Vivel Depois de serem transformadas todas as restries lineares (com valores no negativos nos termos direita das desigualdades) em igualdades, pela introduo das variveis de folga e de excesso, onde necessrio, adiciona-se uma nova varivel chamada varivel artificial, esquerda de todas as restries que no contenham uma varivel de folga a fim de formar uma base inicial. Em conseqncia , todas as equaes representando as restries, ou contero variveis de folga ou variveis artificiais. Obtm-se uma soluo inicial no negativa para este novo conjunto de restries, fazendo-se cada varivel de folga e cada varivel artificial igual ao valor do lado direito da equao, na qual a varivel em questo aparece , e igualando-se a zero todas as outras variveis, inclusive as de excesso. Custos de Penalizao (Coeficiente das Variveis na Funo Objetivo) A introduo de variveis de folga ou excesso no altera a natureza das restries e tampouco a funo objetivo. Assim tais variveis so incorporadas a funo objetivo com coeficientes de valor nulo. As variveis artificiais, contudo, mudam a natureza das restries. Tendo em vista que estas variveis so adicionadas a apenas um dos membros de uma 39

igualdade, o novo e o velho sistema de equaes representando restries so equivalentes apenas se , e somente se, as variveis artificiais tiverem valor zero. A fim de assegurar tal alocao de valores na soluo tima ( em contraste com a soluo inicial), as variveis artificiais so incorporadas funo objetivo ponderadas por coeficientes positivos de valores elevados nos problemas de minimizao e por coeficientes negativos de valores elevados nos problemas de maximizao. Estes coeficientes designados por M e M, so subentendidos como grandes nmeros positivos e representam uma penalidade severa em que se incorre ao se fazer a alocao de uma unidade das variveis artificiais. Nos clculos manuais os custos de penalizao podem ser traduzidos por M. Em clculos computacionais deve-se atribuir a M um valor numrico, usualmente um nmero trs a quatro vezes maior em magnitude que qualquer outro existente no programa. Coeficiente das variveis artificiais na funo objetivo +M (problemas de minimizao) -M (problemas de maximizao) RESUMO Restrio tipo = Ajuste na restrio Adicionar uma varivel de folga (si) Adicionar uma varivel artificial (Ai) Subtrair uma varivel de excesso (si) e adicionar uma varivel artificial (Ai) Ajuste na Funo Objetivo Problema de Maximizao Problema de Minimizao Adicionar varivel de folga Adicionar uma varivel de (si) com coeficiente 0 folga (si) com coeficiente 0 Subtrair varivel artificial Adicionar varivel artificial (Ai) com coeficiente M (Ai) com coeficiente M Adicionar varivel de Adicionar varivel de excesso excesso (si) com coeficiente (si) com coeficiente 0 e 0 e subtrair varivel artificial adicionar varivel artificial (Ai) com coeficiente M (Ai) com coeficiente M

3.4. FORMA CANNICA DE UM SISTEMA O mtodo de Gauss-Jordan um mtodo numrico para soluo de sistemas lineares que explicita os valores de algumas variveis em funo do termo independente e, possivelmente em funo de outras variveis. Se um sistema, como aquele da forma padro apresentado, contm equaes linearmente independentes e tem m n, podemos a partir de uma base qualquer dada, fazer operaes com linhas para obter um sistema equivalente com os coeficientes das variveis bsicas iguais a um. Por exemplo suponhamos que as m primeiras colunas do sistema padro formam uma base (isto , as m primeiras colunas so LI), ento podemos por o sistema (isto , obter um sistema equivalente) na forma _ _ _ x1 +a1m+1xm+1 + .... + a1nxn = b1 _ _ _ x2 +a2m+1xm+1 + .... + a2nxn = b2 . : : . _: : _ _ xm +amm+1xm+1 + .... + amnxn = bm onde as barras denotam novos valores para os coeficientes. O sistema acima ento dito ser o sistema da forma padro na forma cannica em relao base formada pelas colunas 1,2,...,m. Note que ao fazer xm+1 ,....., xn iguais a zero obtemos diretamente a soluo bsica.

40

3.5. CONCEITOS BSICOS DO MTODO SIMPLEX Vamos apresentar a conceituao bsica do Mtodo Simplex atravs de um pequeno exemplo. a) Formulao do Problema Uma marcenaria deseja estabelecer uma programao diria de produo. Atualmente, a oficina faz apenas dois produtos: mesa e armrio, ambos de um s modelo. Para efeito de simplificao, vamos considerar que a marcenaria tem limitaes em somente dois recursos: madeira e mo-de-obra, cujas disponibilidades dirias so mostradas na tabela a seguir: RECURSO Madeira Mo-de-obra DISPONIBILIDADE 12m 8 H.h

O processo de produo tal que, para fazer 1 mesa a fbrica gasta 2m de madeira e 2 H.h de mo-de-obra. Para fazer um armrio, a fbrica gasta 3m de madeira e 1 H.h de mo-de-obra. Alm disso, o fabricante sabe que cada mesa d uma margem de contribuio para o lucro de $4, e cada armrio, de $1. O problema do fabricante encontrar o programa de produo que maximiza a margem de contribuio total para o lucro. Como se trata de um problema extremamente simples, preparado apenas para demonstrao dos fundamentos do Mtodo Simplex, podemos resolv-lo usando apenas algumas consideraes qualitativas. Para isso, inicialmente, vamos criar o modelo de programao linear para o problema proposto.

b) Montagem do Modelo Como variveis de deciso, vamos considerar quantidade a produzir de mesa: x1 quantidade a produzir de armrio:

x2

Com essa definio de variveis, podemos escrever as relaes matemticas que formam o modelo. Assim, para a funo-objetivo, temos: Margem de contribuio total Z = 4.x1 + 1.x2 Para as restries,a relao lgica existente : Utilizao de recurso Disponibilidade de recurso Assim, temos:

41

Para madeira:

2x1 + 3x 2 Utilizao de madeira para os dois produtos

12

Disponibilidade de madeira 8

Para Mo-de-obra:

2x1 + 1x 2 Utilizao da mo-de-obra para os dois produtos

Disponibilidade de mo-de-obra

O modelo completo : Achar x1 e x2, de forma a: MAXIMIZAR Z = 4.x1 + 1.x2 2.x1 + 3.x2 2.x1 + 1.x2 x1 x2 12 8 0 0

c) Soluo do Modelo Utilizando Raciocnio Lgico Inicialmente, vamos observar que o conjunto das restries forma um sistema de desigualdades lineares e, dessa forma, existem infinitas combinaes de valores de x1 e x2 que satisfazem as restries. Para descobrirmos aquela que produz o maior valor para o objetivo, vamos partir de um par de valores para x1 e x2 e tentar, atravs de um raciocnio lgico, encontrar um par de valores que fornece um lucro maior. Como ponto de partida vamos tomar a seguinte combinao x1 = 0 x2 = 0 Z=0 Que uma soluo possvel para o problema fcil verificar. Obviamente no a melhor, j que o fabricante nada produz. Porm, vamos observar o seguinte: Cada mesa que produzirmos aumenta o lucro de $4; Cada armrio que produzirmos aumenta o lucro de $1. 42

Como o objetivo maximizar o lucro, vamos comear a nossa anlise pela produo de mesa, mantendo a produo de armrio no nvel zero. Em termos matemticos, isso significa que: x1 deve ser positiva x2 continua igual a zero.

Bem, com a concluso acima, precisamos saber agora qual o valor que x1 deve tomar. Novamente, lembrando que nosso objetivo maximizar o lucro e j que cada mesa produzida aumenta o lucro de $4, razovel que procuremos dar a x1 o maior valor possvel. Para descobrirmos esse valor, vamos voltar s restries: 2.x1 + 3.x 2 12 2.x1 + 1.x 2 8 Como x2 = 0, e como queremos o maior valor possvel para x1, vamos reescrever as restries somente em termos de x1: 2.x1 = 12 2.x1 = 8 Assim, se considerarmos apenas o recurso madeira, poderamos fazer 6 mesas, ou: 12 x1 = =6 2 Por outro lado, se considerarmos apenas o recurso de mo-de-obra, poderamos fazer 4 mesas, ou seja: 8 x1 = = 4 2 Como para fazer uma mesa gastam-se simultaneamente os dois recursos, evidente que o maior valor possvel para x1 4, j que no teramos mo-de-obra suficiente para fazermos 6 mesas. Concluindo, j temos uma segunda programao da produo que d um lucro melhor que a primeira: x1 = 4 mesas x2 = 0 armrios O lucro que se obtm com esta produo : Z = 4 x 4 + 1 x 0 = 16 A soluo vivel, j que as restries foram respeitadas: 2x4+3x0=8 2 x 4 + 1x 0 = 8

43

Assim, recapitulando, partimos de uma soluo vivel ( x1 = 0 e x2 = 0) para outra soluo (x1 = 4 e x2 = 0), que d um lucro maior, usando os seguintes critrios: Comeamos a produo pelo produto que mais contribui para o lucro; nesse caso, a varivel que se torna positiva a que tem maior coeficiente em Z. Escolhido o produto, sua produo foi estabelecida no maior valor possvel, ou seja, deu-se varivel o maior valor positivo possvel.

A pergunta que se faz necessria agora a seguinte: Esta soluo encontrada a melhor de todas ou teremos ainda que encontrar outra? Para responder a essa pergunta, podemos usar os mesmos critrios anteriores, porm com pequena alterao. Neste exemplo, seria natural que procurssemos produzir armrios, j que seu nvel de produo zero e temos ainda madeira sobrando. No entanto, importante lembrar que toda a mo-de-obra disponvel foi alocada produo de mesas. Como necessitamos de mode-obra para produzir armrios, a nica forma de conseguirmos isso atravs da reduo do nmero de mesas a produzir, de maneira a liberarmos recursos. Conseqentemente, para podermos produzir armrios, duas alteraes devero ser feitas no programa de produo: O nmero inicialmente encontrado para a produo de mesas deve diminuir. Isso provoca diminuio do lucro total. A produo de armrios, inicialmente nula, poder ento tornar-se positiva. Isso provoca aumento do lucro total. Ora, j que temos simultaneamente duas alteraes no lucro total, uma reduo e um aumento, o nosso primeiro critrio pode ser adaptado. Nesse caso, a varivel x2 (produo de armrios) dever se tornar positiva se o resultado das modificaes no lucro total for positivo. Ou seja, se: AUMENTO EM Z PROVOCADO EPLO AUMENTO DE x2 DIMINUIO EM Z PROVOCADA PELA DIMINUIO DE x1 CONTRIBUIO LQUIDA PARA O LUCRO DADA POR x2 A modificao no critrio esta: no se faz positiva a varivel apenas porque tem um coeficiente positivo na funo-objetivo, mas se sua contribuio lquida, calculada pela expresso anterior, for positiva. vamos calcular isso: Visto que o recurso totalmente alocado a mo-de-obra, vamos considerar de novo a segunda equao: 2.x1 + 1.x2 = 8 Como o primeiro recurso tem folga, no precisamos nos preocupar com a primeira equao. Para calcularmos a reduo que ocorre em x1, para liberar recursos visando a aumentar a produo de x2, vamos dar a seguinte variao no valor da varivel x2: x2 = 0 passa para x2 = 1 Levando na equao acima:

44

donde:

2.x1 + 1 x 1 = 8 novo x1 = 3,5

Logo, um aumento de 1 na varivel x2 exige uma reduo de 0,5 no valor da varivel x1 (4 3,5 = 0,5). A variao do,lucro L pode ser calculada da seguinte forma: Variao em Z = 4 x (variao em x1) + 1 x (variao em x2) Logo: Variao em Z = 4 x (0,5) + 1 x 1 = 1 Ou seja, a contribuio lquida para o lucro, por unidade produzida de armrio, 1. Conseqentemente, nesse nosso exemplo, no vantajoso produzir armrios, e assim a soluo tima encontrada : x1 = 4 x2 = 0 Z = 16 d) Soluo do Modelo por Sistema de Equaes Lineares Podemos resolver nosso modelo de programao linear por algum mtodo de resoluo de equaes lineares. O processo que vamos analisar aqui bastante intuitivo e tem por finalidade, apenas, apresentar a filosofia bsica do Mtodo Simplex, que ser mostrado a seguir: a) Introduo das variveis de folga Para transformarmos as desigualdades lineares das restries em equaes lineares, de forma que possam ser aplicados os mtodos de soluo destas ltimas, vamos recordar, conforme j vimos anteriormente, que as restries do problema tm a seguinte estrutura lgica: Utilizao de recurso Disponibilidade de recurso Se introduzirmos o conceito de FOLGA DE RECURSO, podemos escrever a relao acima da seguinte forma: UTILIZAO + FOLGA = DISPONIBILIDADE

Isso significa que: UTILIZAO < DISPONIBILIDADE UTILIZAO = DISPONIBILIDADE

Implica Implica

FOLGA > 0 FOLGA = 0

Assim, a folga de cada recurso pode ser representada por uma varivel de forma exatamente igual produo de cada produto. desse modo, vamos chamar:

45

x3 = folga de madeira x4 = folga de mo-de-obra Introduzindo a varivel x3 para a primeira desigualdade e x4 para a segunda, temos nosso sistema transformado: maximizar Z = 4.x1 + 1.x2 + 0.x3 + 0.x4 sujeito a: 2.x1 + 3.x2 + 1.x3 = 12 2.x1 + 1.x2 + + 1.x4 = 8 x1, x2, x3, x4 0 Nosso problema se transformou em achar a soluo do sistema de equaes lineares que maximiza o lucro Z. Como nesse caso o nmero de incgnitas (n = 4) superior ao nmero de equaes (m = 2), o sistema de equaes indeterminado, apresentando assim infinitas solues. No entanto, como todas as variveis, incluindo as de folga, devem ser positivas ou nulas, e como, em termos de deciso no problema, atribuir o valor zero a uma varivel significa no produzir um dos produtos (se a varivel for natural do problema) ou usar toda a disponibilidade de recursos (se a varivel for de folga), podemos achar solues para o sistema de equaes dando arbitrariamente valor zero a duas variveis ( n m = 4 2 = 2) e calculando o valor das outras duas pelo sistema restante; Temos, dessa forma, que resolver: 4! = 6 sistemas de equaes lineares 2!x2!

C2 = 4

OBS.: Variando as variveis feitas zero teremos diferentes solues bsicas. No total teremos: n n! = m m!(n m)! Uma vez resolvido um sistema, usamos os valores encontrados para as variveis na funo-objetivo, achando assim o lucro L. As variveis que tiveram valor atribudo 0 sero chamadas variveis no-bsicas; as variveis cujos valores foram encontradas pela soluo dos sistemas de equaes (valores positivos), variveis bsicas e o conjunto das variveis bsicas, base. b) Soluo dos sistemas de equaes 1- Variveis no-bsicas: temos as variveis bsicas: x3 = 12 x4 = 8 46 x1 = 0 x2 = 0

Z= 0 2- Variveis no-bsicas: x1 = 0 x3 = 0 temos as variveis bsicas: x2 = 4 x4 = 4 dando o lucro: 3- Variveis no-bsicas: x1 = 0 x4 = 0 temos as variveis bsicas: x2 = 8 x3 = 12 Como x3 < 0, a soluo obtida INVIVEL. 4- Variveis no-bsicas: x2 = 0 x3 = 0 temos as variveis bsicas: x1 = 6 x4 = 4 Como x4 < 0, a soluo obtida INVIVEL. 5- Variveis no-bsicas: x2 = 0 x4 = 0 temos as variveis bsicas: x1 = 4 x3 = 4 dando o lucro: 6- Variveis no-bsicas: x3 = 0 x4 = 0 temos as variveis bsicas: x1 = 3 x2 = 2 Z = 16 Z=4

47

dando o lucro:

Z = 14

Comparando todas as solues encontradas por esse processo, achamos a mesma soluo tima obtida anteriormente, ou seja: x1 = 4 x2 = 0 x3 = 4 x4 = 0

dando um lucro Z = 16

Essas seis solues encontradas podem ser visualizadas em um grfico, conforme mostra a figura 3.6. As duas solues inviveis encontradas (sistemas 3 e 4) correspondem a pontos que se encontram fora da regio vivel, conforme mostra a figura 3.6. Sistema 3: x1 = 0 x2 = 8 8 X2 7 6 5 Sistema 2: x1 = 0 x2 = 4 4 3 2 1 Sistema 1: x1 = 0 x2 = 0 0 1 2 3 4 5 6 Sistema 6: x1 = 3 x2 = 2 Sistema 4: x1 = 6 x2 = 0

Sistema 5: x1 = 4 x2 = 0
Fig. 3.6. Representao grfica das solues obtidas

3.6. DESENVOLVIMENTO DO MTODO SIMPLEX A soluo algbrica anterior mostrou que a resoluo de um problema de programao linear consiste basicamente em resolver sistemas de equaes lineares e calcular o valor da funo objetivo. Comparando os diversos valores obtidos para a funo objetivo, escolheremos como soluo do problema o resultado do sistema de equaes que forneceu o maior valor.

48

Esse procedimento, apesar de correto, bastante trabalhoso, j que temos de resolver todos os sistemas para podermos escolher o que d o maior valor para a funo objetivo. Basta um pequeno problema real de programao linear, onde poderamos ter, por exemplo, 10 equaes e 15 variveis, para inviabilizarmos o processo, j que o nmero de sistemas de equaes que deveramos resolver seria muito elevado. Assim, para termos condies de resolver um problema de programao linear, precisamos de uma sistemtica que nos diga: qual o sistema de equaes que deve ser resolvido; que o prximo sistema a ser resolvido fornecer uma soluo melhor que os anteriores; como identificar uma soluo tima, uma vez que a tenhamos encontrado. Essa sistemtica o Mtodo Simplex e as regras que o mtodo utiliza para atender s trs questes so, basicamente, os critrios que desenvolvemos nos itens anteriores. Vamos voltar ao nosso pequeno problema, j com as variveis de folga: MAX Z= 4x1+ 1x2 + 0x3 + 0x4 S.A. 2x1+ 3x2 + 1x3 = 12 2x1+ 1x2 + + 1x4

= 8

x1, x2, x3, x4 0 Vamos montar um quadro (tableau) para ordenarmos as operaes, colocando nele apenas os coeficientes das variveis. No caso da funo objetivo, vamos realizar a seguinte transformao: de: Z= 4x1+ 1x2

para: -Z + 4x1+ 1x2 = 0 Quadro 1 (Tableau 1)


BASE

x1
2 2 4

x2
3 1 1

x3
1 0 0

x4
0 1 0

x3 x4
-Z

bi 12 8 0

A ltima coluna corresponde aos termos independentes das equaes, e a ltima linha contm os coeficientes das variveis na funo objetivo. Nessa ltima linha teremos sempre a contribuio que cada varivel d para o lucro total Z, por unidade, em cada iterao do processo de soluo. Essa ltima linha ser chamada de funo objetivo transformada. Caso se queira reproduzir as equaes, basta multiplicar os coeficientes na matriz pelas respectivas variveis, mostradas acima do quadro. a)Soluo Inicial A soluo inicial para o problema ser sempre obtida fazendo as variveis originais do modelo (no caso x1 e x2 ) iguais a zero e achando o valor das demais.

Assim, fazendo x1 = x2 =0 (variveis no-bsicas), obtemos do tableau 1 : x3 =12 x4 = 8 49

Z=0 As variveis bsicas esto indicadas na 1 coluna do tableau para facilitar o acompanhamento das operaes. b) Segunda soluo
Como a primeira soluo claramente no a melhor, vamos procurar outra que d um valor maior para Z. Para fazermos isso, vamos nos basear no tableau 1, na primeira soluo, e aplicar os critrios desenvolvidos no item 5 (Conceitos Bsicos do Mtodo Simplex ). Como j foi visto, essa segunda soluo tambm dever ter duas nulas e duas variveis positivas. O problema descobrir: Das duas variveis bsicas(nulas) na primeira soluo, qual dever se tornar positiva? Das duas variveis bsicas (positivas) na primeira soluo, qual dever ser anulada? Qual varivel dever se tornar positiva? Vamos observar que na ltima linha do tableau 1 temos os coeficientes da funo objetivo que mostram a contribuio para o lucro Z de cada unidade produzida de mesa (x1) e de armrio (x2).

Assim, aplicando o primeiro critrio de que devemos produzir primeiro o produto que mais contribui para o lucro, vamos comear a produo pela varivel x1, j que sua contribuio unitria para o lucro (4) maior que a contribuio de x2, igual a (1). Logo, a varivel que dever se tornar positiva x1.
Qual varivel dever ser anulada? A resposta a essa pergunta ser obtida pela aplicao do 2 critrio discutido anteriormente, onde procuramos descobrir qual o maior valor que podemos atribuir a x1. A partir do Quadro 1, vamos examinar as duas equaes, da mesma forma que fizemos anteriormente, incluindo porm as variveis de folga. 1 Equao: 2x1 + 1x3 = 12 O maior valor possvel para x1 ser 6, quando x3 for igual a zero. Observe que um valor maior que esse faria x3 se tornar negativo, o que no permitido. 2 Equao: 2x1 + 1x4 = 8 O maior valor possvel para x1, com base somente nessa equao, ser 4, quando x4 for igual a 0. Analisando simultaneamente as duas equaes, percebemos que o maior valor possvel para x 1 4 e, assim, descobrimos que a varivel que se anular x4. Observe que essa anlise pode ser feita diretamente no Quadro 1, atravs da diviso dos elementos da coluna b pelos correspondentes elementos da coluna x1. O menor quociente indica, pela linha em que ocorreu, qual a varivel bsica que deve ser anulada. Assim, como o menor quociente dado pela diviso 8/2 =4, a varivel bsica a ser anulada x 4, que a varivel positiva na atual soluo, cujo valor foi encontrado na 2 linha.

Assim temos: x2 =0 x4 = 0 e o sistema restante deve ser resolvido para acharmos o valor de x1 e x3 . A soluo desse sistema ser feita utilizando o tableau 1 com as equaes completas e usando as operaes vlidas com as linhas da matriz.

50

1 operao: dividir a 2 linha por 2 Tableau 2


BASE

x1
2 1 4

x2
3 1/2 1

x3
1 0 0

x4
0 1/2 0

x3 x1
-Z

bi 12 4 0

2 operao: multiplicar a 2 linha nova do tableau 2 por -2 e somar com a 1 linha do mesmo quadro, colocando o resultado na 1linha. Tableau 3 BASE bi x1 x2 x3 x4 0 2 1 -1 4 x3 1 1/2 0 1/2 4 x1
-Z 4 1 0 0 0

3 operao: Vamos fazer o mesmo procedimento com a 3linha, de forma a atualizar as contribuies que cada varivel no-bsica daria para o lucro, caso viesse a se tornar bsica. Para isso, vamos multiplicar a 2 linha do tableau3 por -4 e somar com a 3linha, substituindo esta pelo resultado obtido. Tableau 4 BASE bi x1 x2 x3 x4 0 2 1 -1 4 x3 1 1/2 0 1/2 4 x1
-Z 0 -1 0 -2 -16

Como a ltima linha (funo objetivo transformada) mostra as contribuies lquidas para o Z, caso as variveis x2 e x4 venham a ter seus valores aumentados de 0 para 1 e como estas contribuies tm seus valores com sinais trocados com relao ao quadro original, conclumos que a soluo encontrada x1 =4 x2 = 0 x3 = 4 x4 = 0 e Z=16 (valor da ltima linha e ltima coluna com sinal trocado)

a soluo tima. 3.7- PROCEDIMENTO DO MTODO SIMPLEX: Passo1: Transformar o modelo na forma padro; Passo 2: Montar um quadro (tableau) para os clculos, colocando os coeficientes de todas as variveis com os respectivos sinais e, na ltima linha, incluir os coeficientes da funo objetivo transformada; Passo 3: Estabelecer uma soluo bsica inicial, usualmente atribuindo valor zero s variveis originais e achando valores positivos para as variveis de folga. Passo 4: Localize o nmero mais negativo (se o problema for de MIN) ou o nmero mais positivo (se o problema for de MAX) da ltima linha do quadro simplex, excluda a ltima 51

coluna, e chame a coluna em que este nmero aparece de coluna de trabalho. Se existir mais de um candidato a nmero mais negativo (MIN) ou mais positivo (MAX), escolha um; Passo 5: Forme o quociente da diviso de cada elemento da ltima coluna pelo nmero positivo correspondente da coluna de trabalho que est na mesma linha (excluindo-se a ltima linha do quadro). Sai da base a varivel que corresponder a menor razo dentre quelas encontradas. Passo 6: Use operaes elementares sobre as linhas a fim de converter o elemento piv em 1 e, em seguida, reduzir a zero todos os outros elementos da coluna de trabalho; Passo 7: Substitua a varivel x existente na linha piv e primeira coluna pela varivel x da primeira linha e coluna piv. Esta nova primeira coluna o novo conjunto de variveis bsicas; Passo 8: Repita os passos 4 a 7 at a inexistncia de nmeros negativos(problemas de MIN) ou nmeros positivos (problemas de MAX) na ltima linha, excluindo-se desta apreciao a ltima coluna; Passo 9: A soluo tima obtida atribuindo-se a cada varivel da primeira coluna o valor da linha correspondente, na ltima coluna. s demais variveis atribudo o valor zero. O valor timo da funo objetivo, associado a z, o negativo do nmero resultante na ltima linha, ltima coluna. Idia geral do mtodo: a) Os coeficientes das variveis no bsicas na linha da FO(custos reduzidos) so necessrios para selecionar a varivel a entrar na base ou constatar a otimalidade do tableau. b) Os termos independentes so necessrios na seleo da varivel a sair da base de modo a evitar que a nova base seja infactvel e tambm ao final do mtodo j que so os valores das variveis bsicas. c) Os coeficientes da coluna a entrar na base, serviro na seleo da varivel a deixar a base e tambm necessrios na determinao das operaes de linhas que constituiro o pivotamento. 3.8- ANLISE DAS SOLUES a)Problema de Degenerao No desenvolvimento do Simplex, a linha piv a restrio que apresenta o menor quociente no negativo, na diviso dos termos independentes pelos coeficientes positivos da varivel que entra. Pode ocorrer que haja mais de um resultado nessas condies. Devemos escolher arbitrariamente um deles para calcular a soluo. Entretanto, essa soluo apresentar variveis bsicas com valor nulo. A sada de uma varivel bsica nula provoca o aparecimento de outra varivel bsica nula na soluo seguinte, sem alterao do valor do objetivo. Neste caso, a soluo chamada degenerada. Se os coeficientes da funo objetivo retornam negativos em alguma iterao, o caso no apresenta dificuldade. O problema aparece quando as iteraes levam a circuitos, sem caracterizas a soluo tima. Embora o caso seja muito raro, h maneiras de soluciona-lo. Entretanto, ao nvel desta exposio esse mtodo no tem interesse.

52

Chamaremos de soluo bsica factvel qualquer soluo bsica cujo valor das variveis sejam no-negativas. b)Problema da Soluo Ilimitada Quando a varivel que entra na base no possui em sua coluna nenhum coeficiente positivo o problema possui soluo ilimitada. Os programas de computador, neste caso, apresentam a ltima soluo bsica antes que a soluo se torne ilimitada. c)Caso de Solues Mltiplas Se na soluo tima o coeficiente de uma varivel no bsica zero, ele poder entrar na base sem alterar o valor do objetivo, gerando outra soluo tima. Neste caso, qualquer combinao linear dessas duas solues tambm ser soluo tima. Neste caso teremos solues mltiplas. 3.9- ANLISE ECONMICA A anlise econmica baseia-se nos coeficientes das variveis, na funo objetivo final. Vamos lembrar que: 1. O quadro final de um modelo de programao linear apresenta variveis bsicas e no bsicas. 2. A funo objetivo est escrita em termos das variveis no bsicas. 3. O valor das variveis bsicas esto na coluna b. O valor das variveis no-bsicas zero. 4. O coeficiente da varivel no bsica na funo objetivo mede a tendncia do objetivo com aquela varivel. um valor marginal, indica a variao proporcional no objetivo para pequenos aumentos ou diminuies na varivel. Para simplificar o raciocnio, vamos supor sempre aumentos ou diminuies unitrias na varivel. Posteriormente, em anlise de sensibilidade podemos verificar at quantas unidades podemos aumentar ou diminuir da varivel, sem alterar a informao contida em seu coeficiente. Esses coeficientes so chamados preos de oportunidade (preos relativos ao programa desenvolvido). 5. No quadro final, a soluo tima. Um aumento de zero para 1 na varivel no bsica prejudica o objetivo. (lucros diminuem, custos aumentam, etc.). Para fazermos a anlise econmica do ltimo exemplo trabalhado, vamos interpretar os coeficientes das variveis fora da base (no caso os coeficientes de x2 e x4) e os coeficientes da ltima linha do Tableau final. Anlise para x4: Como x4 est fora da base, seu valor na soluo tima zero. Vamos passar seu valor para 1 e calcular as variaes que devem ocorrer nas variveis bsicas. a) Clculo da variao em x3: A relao entre x4 e x3 aparece na primeira equao do Tableau final: x3 - x4 = 4 Com x4 = 1, temos: x3 = 4 + 1 ou x3novo = 5 A variao em x3 : x3 = x3novo - x3 = 5-4= 1

53

x3 =1 b) Clculo da variao em x1: A relao entre x1 e x4 aparece na segunda equao do Tableau final: x1 + x4 = 4 Com x4 = 1, temos: x1 = 4 .1 ou x1novo = 3,5 A variao em x1 : x1 = x1novo x1 = 3,5 - 4= -1/2 x1 = -1/2 c) Clculo da variao em Z: Z = 4x1 + 1x2 Z = 4.( x1)+1( x2) = 4(-1/2 )+ 0 Z = -2 Resumindo, temos: Para x4 = 1, encontramos: x3= 1 x1= -1/2 Z = -2 Comparando os valores acima com os coeficientes de x4 no Tableau final do Mtodo Simplex, podemos concluir: 1. As variaes nos valores das variveis bsicas podem ser obtidas diretamente do Tableau tomando-se os coeficientes da varivel no-bsica em teste, com os sinais trocados. 2. A variao no valor da FO o valor obtido na linha (-Z) correspondente varivel no-bsica em teste. Anlise para x2: Com essas duas regras, podemos obter diretamente as variaes na soluo bsica para uma variao unitria de x2. Para x2 = 1, encontramos: x3= -2 x1= -1/2 Z = -1 Z = 4.( x1)+1( x2) = 4(-1/2 )+ 1(1) = -2+1 = -1 Z = -1 Resumindo: Se aumentarmos x4 em uma unidade, ou seja, se diminuirmos em uma unidade a disponibilidade do recurso mo-de-obra, podemos concluir que: 1. As variaes nos valores das variveis bsicas podem ser obtidas diretamente do quadro, tomando-se os coeficientes da varivel no-bsica em teste, com os sinais trocados.
a)

54

A variao no valor da funo objetivo o valor obtido na ltima linha do tableau, correspondente varivel no-bsica em teste.
2.

Se diminuirmos x4 em uma unidade, ou seja, se aumentarmos em uma unidade a disponibilidade do recurso mo-de-obra, podemos concluir que: 1. As variaes nos valores das variveis bsicas podem ser obtidas diretamente do quadro, tomando-se os coeficientes da varivel no-bsica em teste, sem troca dos sinais. 2. A variao no valor da funo objetivo o valor obtido na ltima linha do tableau, correspondente varivel no-bsica em teste, com o sinal trocado.
b)

Interpretao Econmica dos Resultados A soluo tima do problema representa um plano de produo da mesa e do armrio: x1 = 4 Significa que deve ser produzida 4 unidades de mesa; x2 = 0 Significa que no deve ser produzida nenhuma unidade de armrio. Esse plano de produo dar uma margem de contribuio total de Z = R$ 16,00 A utilizao dos recursos est programada da seguinte forma: Madeira: x3 = 4 Significa que h uma sobra de 4m2 de madeira; Mo-de-obra: x4 = 0 Significa utilizao total do recurso mo-de-obra disponvel, j que a sobra desse recurso zero(no tem sobra no recurso mo-de-obra); Interpretao dos coeficientes de x2: Passando o valor de x2 de 0 para 1, estamos dizendo que vamos aumentar o nvel de produo do armrio em uma unidade e isso implicar nos seguintes resultados: a) x3 = -2 Significa que a sobra do recurso madeira cai de 2 unidades, ou seja, se eu fabricar uma unidade do armrio, em vez de sobrar 4m2 de madeira, sobrar apenas 2m2 desse recurso; b) x1 = -1/2 Significa que o nvel de produo da mesa cai de unidade; c) Z = -1 Como resultado dessas variaes nos nveis de produo dos dois produtos (mesa e armrio), obtivemos uma variao de -1 no valor da funo objetivo, isto , a margem de contribuio total para o lucro cai de R$ 16,00 para R$15,00. Interpretao dos coeficientes de x4: Passando o valor de x4 de 0 para 1, estamos impondo uma sobra de 1 unidade no recurso mo-de-obra ou reduzindo a sua disponibilidade original de 8 unidades para 7 unidade. Como resultado, obtivemos o seguinte:: a) x3 = 1 Significa que a sobra do recurso madeira aumenta de 1 unidades, ou seja, passa de 4m2 para 5m2; b) x1 = -1/2 Significa que o nvel de produo da mesa cai de unidade;

55

c) Z = -2 Como resultado dessas variaes nos nveis de produo da mesa, obtivemos uma variao de -2 no valor da funo objetivo, isto , a margem de contribuio total para o lucro cai de R$ 16,00 para R$ 14,00. Concluses: Comparando os dois valores para a variao de Z (-1 e -2), percebemos que entre passar a fabricar um unidade do armrio e reduzir em uma unidade a disponibilidade do recurso mo-de-obra, melhor passar a fabricar uma unidade do armrio, pois causa uma queda menor no valor da funo objetivo. O recurso madeira, por exemplo, por apresentar folga na soluo tima, no causa qualquer variao no valor da FO, quando tem sua disponibilidade reduzida em 1 unidade. Os valores na ltima linha do quadro simplex, devido aos significados mostrados acima, so chamados preos de oportunidade ou custo reduzido. A pergunta que se deve fazer, nesse ponto de nossa anlise a seguinte: At que valor podemos aumentar ou diminuir a disponibilidade de cada recurso? Observe que, em qualquer dos dois casos, algumas variveis sofrem um aumento e outras sofrem uma reduo. O limite para a variao na disponibilidade de um recurso o momento em que uma varivel atinge o valor zero, j que no podemos ter variveis negativas na soluo do nosso problema. Esta varivel sairia da base, exigindo o clculo de nova soluo. Um estudo completo nesse sentido ser feito em Anlise de Sensibilidade. Exemplo 2: No programa de produo para o prximo perodo, a empresa Beta Ltda., escolheu trs produtos P1, P2 e P3. O quadro abaixo mostra os montantes solicitados por unidade na produo. Produto Contribuio Horas de Trabalho Horas de uso de Demanda (lucro por unidade) mquinas mxima P1 2.100 6 12 800 P2 1.200 4 6 600 P3 600 6 2 600 Os preos de venda foram fixados por deciso poltica e as demandas foram estimadas tendo em vista esses preos. A firma pode obter um suprimento de 4.800 horas de trabalho durante o perodo de processamento e pressupe-se usar trs mquinas que podem prover 7.200 horas de trabalho. Estabelecer um programa timo de produo para o perodo. Soluo: Modelo Linear: Variveis de deciso: x1 quantidade a produzir de P1 x2 quantidade a produzir de P2 x3 quantidade a produzir de P3 Objetivo maximizar o lucro = 2100x1 + 1200x2 + 600x3 Sujeito s restries: 6x1 + 4x2 + 6x3 4800 12x1 + 6x2 + 2x3 7200 x1 800 x2 600 x3 600 x1 0, x2 0, x3 0

56

Forma Padro: Max Z= 2100x1 + 1200x2 + 600x3 6x1 + 4x2 + 6x3 +x4 = 4800 12x1 + 6x2 + 2x3 + x5 = 7200 x1 + x6 = 800 x2 + x7 = 600 x3 + x8= 600 Variveis de folga: x4 sobra de recurso horas de trabalho x5 sobra de recurso horas de mquina x6 sobra de recurso mercado de P1 x7 sobra de recurso mercado de P2 x8 sobra de recurso mercado de P3 O quadro final pelo mtodo Simplex o seguinte: Base x3 x1 x6 x2 x8 -Z x1 0 1 0 0 0 0 x2 0 0 0 1 0 0 x3 1 0 0 0 0 0 x4 0,2 -0,033 0,033 0 0,2 -50 x5 -0,1 0,1 -0,1 0 0,1 -150 x6 0 0 1 0 0 0 x7 -0,2 -0,47 0,47 1 0,2 -100 x8 0 0 0 0 1 0 bi 120 280 520 600 480 -1.380.000

Soluo: Produzir no perodo: 280 unidades de P1 600 unidades de P2 120 unidades de P3 Recursos disponveis aps o programa: 520 unidades do mercado de P1 480 unidades do mercado de P3 O preo de oportunidade do recurso horas de trabalho (coeficiente de x4 no quadro = 50) indica que: - Se conseguirmos mais uma hora de trabalho aos custos correntes poderemos aumentar nosso lucro em 50, isto , poderemos obter nova soluo tima com lucro de 1.380.050. - Se uma hora a mais de trabalho acarreta o pagamento de adicional extra, o valor 50 indica o limite mximo desse adicional. Por exemplo: se o adicional for de 20, a nova hora de trabalho implicar uma nova soluo com lucro de 30 a mais que o anterior, portanto o lucro de 1.380.030.

57

- Se houver falta de uma hora de trabalho, o lucro fica diminudo em 50, caso no haja alterao no custo. Se essa falta for, por exemplo, pela ausncia de um funcionrio que no ter hora descontada, acrescentar esse valor ao prejuzo causado pela ausncia do funcionrio. O preo de oportunidade do recurso horas de mquina (coeficiente de x5 no quadro = 150) indica que: - Uma hora a menos de mquina, o que equivale a fazer x5 = 1, acarreta uma diminuio no lucro de 150. A nova soluo tima nesse caso teria lucro de 1.379.850 desde que no haja alterao nos custos correntes. - Contratar mais de uma hora de mquina aos custos correntes significa um acrscimo de 150 no lucro. Se esse contrato implica adicional extra, ele deve ser descontado. No caso de aluguel de hora mquina de terceiros para o programa, o preo de oportunidade 150 indica o mximo que podemos pagar pelo aluguel alm de nosso custo corrente. - Em termos de manuteno e substituio de mquinas, o preo de oportunidade oferece informao para o clculo do prejuzo devido quebra e manuteno de uma mquina operando no programa. Se h uma probabilidade de 80% de que uma mquina necessite de uma hora para conserto durante o programa, ento, h uma expectativa de: 150 x 0,8 = 120 de prejuzo com esse evento (quebra de mquina) no programa, alm dos custos pela manuteno. O preo de oportunidade do recurso mercado de P1 (coeficiente x 6 no quadro=0) indica que esse recurso no escasso. O mesmo ocorre com o preo de oportunidade do recurso mercado de P3. Isto pode nos levar a rever o investimento no mercado desses dois produtos. Uma diminuio desses investimentos com conseqente diminuio do mercado no afetar nossas vendas, causando um aumento no lucro. Outra maneira de aumentar o lucro neste caso aumentar o preo de venda dos produtos P1 e P3. isto diminui os mercados correspondentes sem afetar as vendas, desde que o mercado no diminua aqum da produo. O preo de oportunidade de uma unidade do recurso mercado de P2 (coeficiente de x7 no quadro = 100) indica que: - O aumento de uma unidade nesse mercado, aos custos correntes, acarreta um aumento de 100 no lucro, isto , a nova soluo teria lucro de 1.380.100. - Da mesma forma, o cancelamento de uma unidade na compra de um cliente implica um prejuzo de 100, alm do custo normal da unidade desse recurso. - Se o departamento de marketing da empresa estimar em 80 o investimento adicional para aumentar em uma unidade o mercado do produto P2, esse investimento nos traria um retorno lquido de 100-80 = 20, passando o lucro para 1.380.020. Por investimento adicional entendemos o valor alm do custo normal de vendas por unidade nesse mercado. As anlises efetuadas nos exemplos apresentados mostram o grau de sua relevncia para a tomada de deciso. A PO constitui uma grande aliada do tomador de deciso, se bem utilizada e interpretada. Os modelos e seus resultados podem ser utilizados como ferramentas consistentes para a avaliao e divulgao de diferentes polticas empresariais.

58

3.10- MTODO DO M GRANDE Seja o exemplo a seguir MAX z = x1+x2+x3 SA 2x1+x2-x3 10 x1+x2+2x3 20 2x1+x2+3x3=60 x1 0 , x2 0 , x3 0 Forma Padro: -z + x1 + x2 + x3 + 0x4 - 0x5 - M6 x6 - M7 x7 = 0 2x1 + x2 - x3 + x4 x1 + x2 + 2x3 2x1 + x2 + 3x3 -x5 + x6 = 10 = 20 +x7= 60

A medida que Z maximizada, as variveis artificiais x6 e x7 deixam a base, devido ao grande valor de M6 e M7. O quadro inicial fica ento:
BASE

x1
2 1 2 1

x2
1 1 1 1

x3
-1 2 3 1

x4
1 0 0 0

x5
0 -1 0 0

x6
0 1 0 -M6

x7
0 0 1 -M7

x4 x6 x7
-Z

bi 10 20 60 0

Na primeira fase da soluo, a finalidade no ser maximizar o objetivo, e sim eliminar as variveis artificiais x6 e x7, retornando assim ao problema original. Podemos escolher para entrar na base uma varivel com qualquer coeficiente na funo objetivo, desde que a entrada dessa varivel provoque a sada de uma varivel artificial. Para isto basta verificar se na diviso dos termos independentes pelos coeficientes de uma varivel no bsica, o menor resultado positivo est na linha da varivel artificial bsica. Se isso verdade, a varivel artificial deixa a base, independente do coeficiente na funo objetivo da varivel que entra. Caso nenhuma das variveis no bsicas possa fazer o papel de expulsar a varivel artificial da base, o problema no tem soluo bsica, e portanto no tem soluo. OBS: Mesmo que no quadro inicial os coeficientes na funo objetivo sejam todos negativos ou nulos (problema de maximizao), a soluo no tima, pois o problema original estar alterado pela presena da varivel artificial. O quadro final fica ento:
BASE

x1

x2

x3

x4

x5

bi

59

x2 x3 x5
-Z

2 0 1 -1

1 0 0 0

0 1 0 0

0,75 -0,25 0,25 -0,5

0 0 1 0

22,5 12,5 27,5 -35

Soluo tima: Z= 35

x2=22,5

x3=12,5

x5=27,5

x1=x4=0

3.11- MTODO DAS DUAS FASES Consideremos o mesmo exemplo do item anterior: MAX z = x1+x2+x3 SA 2x1+x2-x3 10 x1+x2+2x3 20 2x1+x2+3x3=60 x1 0 , x2 0 , x3 0 Forma Padro: 2x1 + x2 - x3 + x4 x1 + x2 + 2x3 2x1 + x2 + 3x3 -x5 + x6 = 10 = 20 +x7= 60

Passo1: Para iniciarmos este mtodo, temos que construir uma funo objetivo artificial W, formada pela soma das variveis auxiliares. W= x6 + x7 Passo 2: A funo W deve ser escrita em termos das variveis originais e compor o novo objetivo a ser minimizado. x6 = -x1 - x2 - 2x3 +x5 + 20 x7 = - 2x1 - x2 - 3x3 MIN + 60

W = -3x1 - 2x2 - 5x3 +x5 + 80

Funo objetivo transformada: -W-3x1 - 2x2 - 5x3 +x5 = -80 Passo 3: Monta-se o quadro de soluo de forma exatamente igual sistemtica do mtodo simplex, colocando-se a funo objetivo artificial na ltima linha. O quadro inicial fica ento:
BASE

x1
2 1 2

x2
1 1 1

x3
-1 2 3

x4
1 0 0

x5
0 -1 0

x6
0 1 0

x7
0 0 1

x4 x6 x7

bi 10 20 60

60

-Z -W

1 -3

1 -2

1 -5

0 0

0 1

0 0

0 0

0 -80

Passo 4: Aplica-se o mtodo simplex normalmente, usando como funo objetivo a ser minimizada a ltima linha. Quando a soluo tima for atingida, dois casos podem ocorrer: 1) W = 0: neste caso foi obtida uma soluo bsica do problema original e o processo de soluo deve continuar, desprezando-se as variveis artificiais e os elementos da ltima linha. o incio da fase 2 do processo. 2) W 0: neste caso o problema original no tem soluo vivel, o que significa que as restries devem ser inconsistentes. Fase 1: Minimizar W Quadro final BASE x1 x2 1 1/2 x1 0 0 x3 0 -1/2 x5
-Z -W 0 0 1/2 0

x3
0 1 0 0 0

x4
3/8 -1/4 -1/8 -1/8 0

x5
0 0 1 0 0

x6
0 0 -1 0 21/5

x7
1/8 1/4 5/8 -3/8 1

bi 45/4 25/2 65/4 -95/4 0

Fase 2: Maximizar Z Quadro inicial BASE x1 x2 1 1/2 x1 0 0 x3 0 -1/2 x5


-Z 0 1/2

x3
0 1 0 0

x4
3/8 -1/4 -1/8 -1/8

x5
0 0 1 0

bi 45/4 25/2 65/4 -95/4

Passo 5: Aplica-se o mtodo maximizar Z. Quadro final BASE x1 x2 x3 2 1 0 x2 0 0 1 x3 1 0 0 x5


-Z -1 0 0

simplex normalmente no quadro inicial da fase 2 para x4


0,75 -0,25 0,25 -0,5

x5
0 0 1 0

bi 22,5 12,5 27,5 -35

Soluo tima: Z= 35

x2=22,5

x3=12,5

x5=27,5

x1=x4=0

Captulo IV
DUALIDADE
4.1INTRODUO

61

Todo problema de Programao Linear, a que chamaremos Primal, possui um segundo problema associado chamado Dual; ambos so completamente inter-relacionados, de forma que a soluo tima de um fornece informaes completas sobre o outro. A Teoria da Dualidade encontra hoje importantes aplicaes no desenvolvimento de mtodos computacionais para a resoluo de problemas de programao matemtica e, tambm, para interpretaes fsicas e econmicas de problemas reais. Problemas duais podem resultar da interpretao de alguma situao sob pontos de vistas opostos. Como exemplo introdutrio ao estudo da dualidade, pode-se mencionar a situao de um carpinteiro.

4.2-

ESTUDO DA DUALIDADE

Suponha que um carpinteiro fabrique apenas mesas e cadeiras, ambos de um s modelo, e que a quantidade usada de cada recurso para fabricao de cada produto, bem como a disponibilidade desse recurso e o preo de venda dos produtos fabricados, segue a tabela abaixo: Recurso Mesa Cadeira Disponibilidade Madeira 7 m2 4 m2 60 m2 Mo-de-obra 3 H.h 5 H.h 40 H.h Preo de Venda 1.000,00 500,00
O carpinteiro deseja saber qual o plano de produo que maximiza o rendimento obtido com as vendas.

Este problema descrito matematicamente pelo seguinte modelo linear: Max Z = 1000x1 + 500x2 (receita total) S.A. 3x1 + 5x2 40 (Mo-de-obra disponvel) 7x1 + 4x2 60 (Madeira disponvel) x1 , x2 0 (Quantidade de mesas e cadeiras) Podemos analisar este mesmo problema de outro ngulo: Vamos supor que este carpinteiro deseje saber qual o preo mnimo que pode ser atribudo aos recursos (horas de trabalho e madeira) que lhe pertencem, ou seja, ele quer saber qual o preo intrnseco de seus recursos. Para se estabelecer o preo, o carpinteiro poderia fazer a seguinte pergunta: Quais os preos mnimos que, se o mercado desse para a minha mo-deo-bra e para minha madeira, me fazem ficar indiferente entre vender esses recursos ou us-los para fazer e vender mesas e cadeiras? Se o mercado desse preos altos aos recursos certamente o carpinteiro os venderia, pois seria mais interessante vender e lucrar com os recursos do que fazer e vender mesas e cadeiras. Mas se o mercado desse preos to baixos aos recursos e o carpinteiro pudesse lucrar mais fazendo e vendendo mesas e cadeiras, ele certamente no venderia seus recursos. Esta segunda viso do problema do carpinteiro descrito matematicamente pelo seguinte modelo: Primeiro, o mercado dever oferecer o mnimo pelo total de recursos do carpinteiro. Chamando de y1 o preo dado por 1 H.h de mo-de-obra e de y2 o preo dado por 1 m2 de madeira, tem-se a seguinte F.O.: Min W = 40y1 + 60y2 (preo total dado aos recursos)

62

Segundo, o mercado no poder oferecer preos to baixos, pois o carpinteiro no venderia seus recursos, assim, o mercado deve oferecer preos tais que o valor dos recursos no sejam inferior ao preo de venda, ento tem-se as seguintes restries: 3y1 + 7y2 1000 (mesa) 5y1 + 4y2 500 (cadeira) Finalmente os preos no devem ser negativos pois as condies acima perderiam o significado. Resumindo temos: Min W = 40y1 + 60y2 (preo total dado aos recursos) S.A. 3y1 + 7y2 1000 (mesa) 5y1 + 4y2 500 (cadeira) y1 , y2 0 Observe que o problema de determinao de preos formado a partir do problema de alocao de recursos e vice-versa, mediante as seguinte regras: 1. Cada restrio, em um problema, corresponde a uma varivel no outro (a isima linha de coeficientes tecnolgicos em um problema, corresponde a isima coluna de coeficientes tecnolgicos do outro problema); 2. Os elementos do lado direito das restries (termos independentes) em um problema, so os coeficientes da F.O. do outro problema; 3. Se o objetivo de um problema maximizar, o do outro ser minimizar, e vice-versa; 4. O problema de maximizao tem restries com sentido , e o problema de minimizao tem restries com sentido ; caso essas condies no ocorram, podemos multiplicar a restrio cujo sinal est trocado por -1 e obter a restrio com o sinal adequado; 5. As variveis de ambos os problemas so no-negativas. Pela dualidade de viso que esses problemas representam e pela simetria da formao, eles so denominados Par Primal-Dual Simtrico. Exemplo: Primal: Max Z = 2x1 + 3x2 + x3 S.A. 3x1 + 4x2 + 2x3 10 2x1 + 6x2 + x3 20 x1 x2 x3 30 x1 , x2 , x3 0 Variveis Duais Associadas: y1 y2 y3 S.A.

Dual: Min W = 10y1 + 20y2 + 30y3 S.A. 3y1 + 2y2 + y3 2 4y1 + 6y2 y3 3 2y1 + y2 y3 1 y1 , y2 , y3 0

63

Observe que o dual, obtido a partir de um dual, retorna ao primal. A partir dessa definio, so verdadeiras as seguintes propriedades: 1. Se uma restrio primal do tipo =, a varivel dual correspondente ser sem restrio de sinal; 2. Se a varivel primal for sem restrio de sinal, a restrio do dual correspondente ser do tipo =. Exemplo: Primal: Max Z = 2x1 + 3x2 + x3 S.A. x1 + x2 10 2x1 + 4x2 - x3 = 20 x1 , x2 , x3 0 Dual: Min W = 10y1 + 20y2 S.A. y1 + 2y2 2 y1 + 4y2 3 - y2 1 y1 0 y2 irrestrita Para sabermos como a soluo tima de um primal pode fornecer informaes sobre o seu dual e vice-versa, precisamos conhecer as relaes existentes entre as solues dos dois problemas. As principais relaes existentes so apresentadas a seguir. 1. Propriedade Fraca da Dualidade Se (x1 , x2 ,..., xn ) uma soluo vivel para o primal (problema de maximizao) e (y1 , y2 ,..., ym ), uma soluo vivel para o dual (problema de minimizao), ento, o valor que a soluo do primal d a sua FO no pode ser maior do que o valor que a soluo do dual d a sua FO. (Z W). 2. Teorema da Dualidade Se existe uma soluo tima para o problema primal ou para seu dual, ento o outro problema tem uma soluo tima e as duas funes objetivo apresentam o mesmo valor timo. (Max Z = Min W) Em tais situaes temos que: a) os valores das variveis de deciso do primal so encontradas na ltima linha do ltimo quadro simplex para o dual, nas colunas associadas s variveis de folga e s variveis de excesso (pegar os valores absolutos de tais posies). b) Os valores das variveis de folga e de excesso do primal so encontrados na ltima linha do ltimo quadro simplex para o dual, nas colunas associadas s variveis de deciso (pegar os valores absolutos de tais posies). Como o primal dual do prprio dual, vale o mesmo raciocnio para acharmos a soluo do dual a partir da soluo tima do primal. 3. Propriedade da Ilimitao Se um problema tem soluo vivel, mas o timo ilimitado, ento seu dual no admite soluo vivel. 4. Propriedade de Folga Complementar Variveis Duais Associadas: y1 y2

64

Dada uma soluo tima do primal e uma do seu dual, sempre que uma folga ocorre na p-sima restrio de um dos problemas, a p-sima varivel do outro problema zero e, reciprocamente, se a q-sima varivel de uma soluo tima de um dos problemas positiva, a q-sima restrio do outro satisfeita com folga zero Para se enxergar mais claramente as relaes apresentadas vamos resolver o primal e o dual do problema do carpinteiro. Soluo do PRIMAL Max Z = 1000x1 + 500x2 (receita total) S.A. 3x1 + 5x2 40 (Mo-de-obra disponvel) 7x1 + 4x2 60 (Madeira disponvel) x1 , x2 0 (Quantidade de mesas e cadeiras) Forma Padro: Max Z = 1000x1 + 500x2 + 0x3 + 0x4 S.A. 3x1 + 5x2 + x3 = 40 7x1 + 4x2 + x4 =60 x1 , x2 , x3 , x4 0 FO transformada: -Z +1000x1 + 500x2 + 0x3 + 0x4 = 0 Tableau Inicial Tableau 1
BASE x3 x4 -Z x1 3 7 x2 5 4 x3 1 0 0 x4 0 1 0 bi 40 60 0

1000 500

Tableau Final - Tableau 2


BASE x3 x1 -Z x1 0 1 0 x2 23/7 4/7 -500/7 x3 1 0 0 x4 -3/7 1/7 -1000/7 bi 100/7 60/7 -60000/7

Vamos identificar no Tableau Final a soluo do dual conforme explicado. Variveis de deciso do primal Variveis de folga do primal
BASE x3 x1 x1 0 1 x2 23/7 4/7 x3 1 0 x4 -3/7 1/7 bi 100/7 60/7 Soluo tima do primal: Z= 60000/7 x1=60/7 x2=0 x3=100/7 x4=0 Soluo tima do dual: W=60000/7 y1=0 y2=1000/7 y3=0 y4=500/7

65

-Z

-500/7

-1000/7

-60000/7

y3

y4

y1

y2

Valor da FO do dual

valor das variveis de deciso do problema dual valor das variveis de excesso (considerar o valor absoluto) do problema dual (considerar o valor absoluto) Soluo do DUAL Min W = 40y1 + 60y2 (preo total dado aos recursos) S.A. 3y1 + 7y2 1000 (mesa) 5y1 + 4y2 500 (cadeira) y1 , y2 0 Forma padro: Min W = 40y1 + 60y2 - 0y3 - 0y4 + M5 y5 + M6 y6 S.A. 3y1 + 7y2 - y3 + y5 = 1000 5y1 + 4y2 y4 + y6 = 500 y1 , y2 , y3 , y4 , y5 , y6 0 Tableau Inicial Base y1 y2 y5 3 7 y6 5 4 -W 40 60 y3 -1 0 0 y4 0 -1 0 y5 1 0 M5 y6 0 1 M6 bi 1000 500 0

Aplicando o Mtodo do M Grande a fim de eliminar as variveis artificiais e aplicando o Mtodo Simplex, obtemos o seguinte Tableau Final com a soluo tima do Dual. Tableau Final Base y1 y4 -23/7 y2 3/7 -W 100/7 y2 0 1 0 y3 -4/7 -1/7 60/7 y4 1 0 0 bi 500/7 1000/7 -60000/7

Vamos identificar no Tableau Final a soluo do pirmal conforme explicado.

Variveis de deciso do dual Variveis de excesso do dual


BASE y4 y2 y1 y2 -23/7 0 3/7 1 y3 -4/7 -1/7 y4 1 0 bi 500/7 1000/7 Soluo tima do primal: Z= 60000/7 x1=60/7 x2=0 x3=100/7 x4=0 Soluo tima do dual: W=60000/7 y1=0 y2=1000/7 y3=0 y4=500/7

66

-W

100/7 0

60/70

-60000/7

x3

x4

x1

x2

Valor da FO do primal

valor das variveis de deciso do problema primal valor das variveis de folga do problema primal Conclumos, dessa forma, que dado um problema de programao linear, podemos escolher entre solucionar o modelo primal ou o dual correspondente, uma vez que a soluo de um pode ser obtida a partir do outro. A escolha leva em considerao o esforo computacional que, em geral, est associado ao nmero de restries. O problema dual, assim como o primal, gera uma interpretao econmica dos resultados timos obtidos. Por exemplo, o valor de y1= 0, representa o valor de oportunidade do recurso mo-de-obra. O resultado coerente, j que o recurso mo-de-obra no escasso (x3 = 100/7). J o valor de y2= 1000/7, representa o valor de oportunidade do recurso madeira, isto , cada m2 de madeira tem capacidade de gerar uma receita de R$ 142,86. O valor de y2 representa a capacidade da unidade do recurso madeira gerar receita neste programa. Na funo objetivo dual, cada parcela mede, ento, o valor de oportunidade dos recursos envolvidos na produo (estoque x valor de oportunidade unitrio do recurso). A funo objetivo dual mede, portanto, a capacidade de o estoque de recursos gerar receita. de fundamental importncia o entendimento da Teoria da Dualidade em Programao Linear uma vez que ela nos fornece elementos para um melhor entendimento do problema atravs de uma nova interpretao (dual) do mesmo e de relaes bem definidas entre essa nova interpretao e a formulao original. Podemos dizer que em aplicaes de PL Pesquisa Operacional, um problema s est bem formulado quando seu dual for tambm analisado.
EXEMPLO 2:

PRIMAL: SA

MAX z = 2x1+x2 x1+5x2 10 x1+3x2 6 2x1+2x2 8 x1 0 , x2 0

Tableau Final BASE x1 x3 0 x4 0 x1 1 -Z 0

x2 4 2 1 -1

x3 1 0 0 0

x4 0 1 0 0

x5 -1/2 -1/2 1/2 -1

bi 6 2 4 -8

DUAL:

MIN W = 10y1+6y2+8y3

Soluo tima do primal: Z= 8 x1=4 x2=0 x3=6 Soluo tima do dual: W=8 y1=0 y2=0 y3=1

x4=2 y4=0

x5=0 y5=1

67

SA

y1+y2+2y3 2 y1+3y2+2y3 1 y1 0 , y2 0, y3 0
Soluo tima do primal: Z= 8 x1=4 x2=0 x3=6 Soluo tima do dual: W=8 y1=0 y2=0 y3=1

x4=2 y4=0

x5=0 y5=1

Tableau Final BASE y1 y5 -4 y3 0,5 -Z 6

y2 -2 0,5 2

y3 0 1 0

y4 -1 -0,5 4

y5 1 0 0

bi 1 1 -8

4.3- RELAES ENTRE PRIMAL E DUAL Dual Tem solues viveis Primal Tem solues viveis Sem solues viveis tima tima Possvel Ilimitado Impossvel Invivel Impossvel Ilimitado Impossvel Impossvel Possvel

Sem solues viveis Invivel Impossvel Possvel Possvel

4.4- RESUMO PARA TRANSFORMAO PRIMAL-DUAL


1- Restries de Desigualdade PRIMAL MIN Z= CTX S.A. AX B Com X 0 2- Restries de Igualdade PRIMAL MIN Z= CTX S.A. AX = B Com X 0 MAX Z= CTX S.A. AX = B Com X 0 MIN S.A. Com DUAL MAX W= BTY S.A. AT Y C Com Y 0 DUAL MAX W= BTY S.A. AT Y C Com Y livre W= BTY AT Y C Y livre

Captulo V
ANLISE DE SENSIBILIDADE
5.1INTRODUO

68

O objetivo da Programao Matemtica, mais do que simplesmente determinar valores para variveis de modo a maximizar uma funo objetivo e a satisfazer restries de um modelo matemtico, dar ao analista um melhor entendimento do problema em estudo. A soluo tima de um problema calculada com base nos dados do modelo, que podem sofrer variaes ditadas por vrias razes, como por exemplo: Os dados foram estimados; Novas informaes ou possibilidades aparecem aps a formulao do modelo. Dessa forma, importante pesquisar a estabilidade da soluo adotada, em face dessas variaes. A anlise de sensibilidade, ou anlise ps-tima, um conjunto de tcnicas que, de forma bastante simples (em PL) nos fornece informaes sobre a sensibilidade da soluo tima a alteraes na formulao do problema. Analisaremos em nossos estudos os seguintes casos: 1. Variaes nos coeficientes da FO; 2. Variaes nas quantidades dos recursos; 3. Acrscimo de varivel; 4. Acrscimo de restrio. Com essas anlises, poderemos responder perguntas do tipo Dentro de que intervalo pode o preo de venda do produto x variar sem afetar a soluo tima?, Como seria afetada a deciso tima se a disponibilidade do recurso b fosse reduzida de k unidades?, Seria interessante fabricar um determinado produto que hoje no faz parte da minha programao de produo?. Nossa abordagem ser sempre na seguinte linha. Conhecidos o tableau inicial do problema original (no modificado) e o tableau final (timo) do mesmo, procuraremos descobrir como uma modificao no tableau inicial modifica o tableau final supondo que os mesmos pivotamentos que transformaram o tableau inicial original no tableau final original so feitos sobre o tableau inicial modificado. A figura a seguir ilustra o que dissemos. Tableau Original Inicial Alteraes Tableau Modificado Inicial

Mtodo Simplex (Seqncia de Pivotamentos) Comparao

Mesma Seqncia de Pivotamentos

Tableau Original Final (timo)

Tableau Modificado Final (timo ou no)

Para enxergar mais claramente a essncia das tcnicas de Anlise de Sensibilidade e ganhar a intuio criadora vamos v-las de atravs do exame de exemplos. O problema exemplo : MAX Z = 3x1 + 5x2 S.A. x1 4 x2 6 3x1 + 2x2 18

69

x1 , x2 0 Forma Padro: -Z+ 3x1 + 5x2 + 0x3 + 0x4+ 0x5 (FO Transformada) x1 + x3 =4 x2 + x4 =6 3x1 + 2x2 + x5 = 18 x1 , x2 , x3 , x4 , x5 0 Seja o seguinte Tableau Inicial para o problema:
BASE x3 x4 x5 -z -Z 0 0 0 1 x1 x2 x3 x4 1 0 1 0 0 1 0 1 3 2 0 0 3 5 0 0 Tableau 1- Tableau Original Inicial x5 0 0 1 0 bi 4 6 18 0

Linha 1 Linha 2 Linha 3 Linha da FO

e o Tableau Final aps a aplicao do Mtodo Simplex


BASE x3 x2 x1 -z -Z 0 0 0 1 x1 x2 x3 x4 0 0 1 2/3 0 1 0 1 1 0 0 -2/3 0 0 0 -3 Tableau 2- Tableau Original Final x5 -1/3 0 1/3 -1 bi 2 6 2 -36

Linha 1 Linha 2 Linha 3 Linha da FO

5.2- VARIAES NOS COEFICIENTES DA FO Consideremos o Tableau Original Inicial (Tableau 1) e o Tableau Original Final(Tableau 2) do exemplo apresentado. Tomemos o coeficiente de x1 assinalado com no tableau inicial. Se mudssemos o coeficiente original (3) do Tableau inicial para (3+), onde uma quantidade qualquer e fizssemos os mesmos pivotamentos que fizemos para obter o Tableau Final, obteramos o mesmo resultado final para o coeficiente de x1, porm acrescido de , ou seja, (0+). Portanto o que acrescentarmos a um coeficiente da FO no Tableau inicial, ser o acrscimo que obteremos no tableau final aps os pivotamentos. O tableau final ficaria:
BASE x3 x2 x1 -z -Z x1 x2 x3 x4 x5 0 0 0 1 2/3 -1/3 0 0 1 0 1 0 0 1 0 0 -2/3 1/3 1 0 0 -3 -1 Tableau 3- Tableau resultante das modificaes bi 2 6 2 -36

Linha 1 Linha 2 Linha 3 Linha da FO

Como x1 varivel bsica no tableau final, e as colunas com variveis bsicas devero ser um vetor identidade, devemos fazer =0 restabelecendo, assim, a forma cannica do tableau . Para isso, pivotamos no coeficiente 1 da coluna de x1 (isto , multiplicamos a 3 linha por e somamos linha da FO para tornar nulo o coeficiente de x1 na linha da FO), obtendo
BASE x3 -Z 0 x1 0 x2 0 x3 1 x4 2/3 x5 -1/3 bi 2

Linha 1 Linha 2 Linha 3 Linha da FO

70

x2 x1 -z

0 0 1 Tableau 4-

0 1 0 1 0 6 1 0 0 -2/3 1/3 2 0 0 0 -3+(2/3) -1-(/3) -36-2 Tableau Resultante na Forma Cannica

Agora, com o Tableau na forma cannica podemos afirmar que se todos os coeficientes da linha da FO forem no-positivos (excetuamos como sempre o de Z) o tableau timo, ou seja, o Tableau 4 ser timo se -3 + 2/3 0 9/2 -1 - 1/3 0 -3 Portanto: -3 9/2 Como um acrscimo, para obter o intervalo de variao do coeficiente de x 1 para o qual o tableau 4 timo, temos que somar o valor original do coeficiente, ou seja, Z = 3x1 + 5x2 Z* = (3+)x1 + 5x2 (3-3 = 0) Coef. de x1 (3 + 9/2 = 15/2) Assim, se o coeficiente de x1 na FO for qualquer nmero entre zero e 15/2 (incluindo esses valores extremos) a soluo tima encontrada para o problema original permanecer tima para o problema modificado. Note que apesar de a soluo tima para o original permanecer tima para o problema modificado ( pelo acrscimo de uma quantidade [-3 , 9/2] ao coeficiente de x1 na FO) o valor timo da FO ir variar em funo de uma vez que Z*=36+2. E se alterssemos o coeficiente de x1 na FO de para [-3 , 9/2]? Neste caso, o Tableau 4 no mais ser timo e precisaremos aplicar o Mtodo Simplex para obter a nova soluo tima. Mesmo nesse ltimo caso, onde precisamos de usar o Mtodo Simplex para obter o novo timo, o esforo computacional usualmente menor do que resolver o problema modificado a partir do tableau modificado inicial. No caso que acabamos de analisar, o coeficiente alterado correspondia a uma varivel bsica no tableau original final. Quando o coeficiente alterado corresponde a uma varivel que no-bsica no tableau original final, a anlise se torna ainda mais fcil. Suponhamos que o coeficiente de x4 na FO fosse alterado de zero para (como x4 uma varivel de folga, isso poderia, num problema real, corresponder ao surgimento de uma oportunidade de vender o recurso excedente por $/unid). Como vimos anteriormente, o impacto no tableau resultante das modificaes (tableau inicial modificado submetido aos mesmos pivotamentos que produziram o tableau original final a partir do tableau original inicial) ser um acrscimo de unidades no coeficiente de x4 quando comparado com o tableau original final. A linha da FO seria portanto,
BASE x3 x2 x1 -z -Z 0 0 0 1 x1 0 0 1 0 x2 0 1 0 0 x3 1 0 0 0 x4 2/3 1 -2/3 -3+ x5 -1/3 0 1/3 -1 bi 2 6 2 -36

Linha 1 Linha 2 Linha 3 Linha da FO

71

e o tableau estaria na forma cannica permitindo uma anlise imediata. O tableau seria timo quando tivssemos (-3+) 0 ou seja 3. Interpretando a necessidade de modificao como o surgimento de uma oportunidade de vender o recurso correspondente linha 2. Essa anlise responderia a pergunta: Qual o menor preo para o recurso da linha 2 acima do qual passa a ser interessante a venda dele? Como o coeficiente de x4 na FO era o zero inicialmente, ir representar o novo preo para o recurso. Apenas para valores de acima de 3 que a atividade x4 (fazer sobrar recurso para venda) passa a ser lucrativa (forma x4 candidata para entrar na base). Para qualquer valor de inferior a 3 a soluo com x 4 no-bsica (e, portanto, uma soluo que usa todo o recurso da linha 2) tima. O mesmo tipo de anlise pode ser feita quando queremos saber o efeito de variar simultaneamente mais de um coeficiente da FO. A nica dificuldade que ficamos com um sistema de desigualdades (que restringem as variaes dos coeficientes) mais complicado. 5.3- VARIAES NAS QUANTIDADES DOS RECURSOS Se no Tableau inicial original (Tableau 1) mudarmos o termo independente da primeira linha de 4 para 4+, o tableau inicial fica:
BASE -Z x1 x2 x3 x4 x5 bi x3 0 1 0 1 0 0 4+ x4 0 0 1 0 1 0 6 x5 0 3 2 0 0 1 18 -z 1 3 5 0 0 0 0 Tableau 5- Tableau Inicial com modificao em termo independente

Linha 1 Linha 2 Linha 3 Linha da FO

Se fizermos a mesma seqncia de pivotamentos que fizemos para obter o tableau final do problema original, no haver mudanas (em relao ao tableau original final, Tableau 2) a no ser a coluna dos termos independentes . Podemos, para maior clareza no que segue, representar por uma coluna no lado direito do tableau, assim
BASE x3 x4 x5 -z Tableau 6-Z x1 x2 x3 x4 x5 bi 0 1 0 1 0 0 4 1 0 0 1 0 1 0 6 0 0 3 2 0 0 1 18 0 1 3 5 0 0 0 0 0 Representao da modificao como uma coluna no lado direito

Linha 1 Linha 2 Linha 3 Linha da FO

Note que a coluna de idntica coluna de x3 e como fazemos apenas operaes com linhas, duas linhas idnticas no tableau inicial permanecem idnticas aps os pivotamentos. Portanto, no tableau, aps os pivotamentos teremos:
BASE x3 x2 x1 -z -Z 0 0 0 1 x1 0 0 1 0 x2 0 1 0 0 x3 1 0 0 0 x4 2/3 1 -2/3 -3 x5 -1/3 0 1/3 -1 bi 2 6 2 -36 1 0 0 0

Linha 1 Linha 2 Linha 3 Linha da FO

Conseqentemente, para que a base tima do problema original permanea factvel (variveis bsicas no-negativas) para o problema modificado, basta que 2+0, ou seja, 72

2. Assim, podemos concluir que quando alteramos um bi no tableau inicial, se a varivel bsica que, nesse tableau, corresponde ao bi for tambm bsica no tableau final, ento um aumento (positivo) nesse bi no desfaz a factibilidade da base tima para o problema original. Se a modificao for um decrscimo no bi, ento para que a base tima para o problema original permanea factvel, o valor absoluto desse decrscimo no deve ser superior ao valor de bi no tableau original final. Vejamos agora o que acontece quando mudamos o valor de um bi que corresponde a uma varivel no tableau inicial que no-bsica no tableau original final. Suponhamos que o termo independente da segunda linha do tableau original inicial fosse mudado para 6+ teramos ento no tableau inicial.
BASE x3 x4 x5 -z -Z 0 0 0 1 x1 1 0 3 3 x2 0 1 2 5 x3 1 0 0 0 x4 0 1 0 0 x5 0 0 1 0 bi 4 6 18 0 0 1 0 0

Linha 1 Linha 2 Linha 3 Linha da FO

Fazendo os mesmos pivotamentos do problema original obteramos:


BASE x3 x2 x1 -z -Z 0 0 0 1 x1 0 0 1 0 x2 0 1 0 0 x3 1 0 0 0 x4 2/3 1 -2/3 -3 x5 -1/3 0 1/3 -1 bi 2 6 2 -36 2/3 1 -2/3 -3

Linha 1 Linha 2 Linha 3 Linha da FO

Ou seja, para que a base tima do problema original permanea factvel: 2+ 2/3 0 -3 6+ 0 -6ou -3 3 2- 2/3 0 3 Conclumos ento que para valores de [-3, 3] a soluo tima do problema modificado diferente da soluo tima do problema original (exceto para =0), mas a base (isto , a coluna ou as variveis que compem a base) tima do problema original tambm tima para o problema modificado. Pode-se fazer o mesmo tipo de anlise acima considerando-se variaes simultneas de mais de um bi. Como no caso do estudo de sensibilidade para os coeficientes da FO, o nico problema que as expresses (o sistema de desigualdades) limitando a variao simultnea dos bis torna-se mais complicado. Isso ser verdade sempre que sempre que a linha do bi modificado tiver uma varivel de folga (se a varivel for de excesso as colunas sero idnticas mas com os sinais trocados antes e depois dos pivotamentos). 5.4- ACRSCIMO DE VARIVEL Algumas vezes precisamos adicionar uma coluna a um problema de PL que j foi resolvido. Por exemplo, aps resolver um problema de programao de produo podemos estar interessados em saber se a possibilidade de fabricar um novo produto pode melhorar o valor FO.

73

Examinemos, inicialmente, o tableau inicial e o final de um problema qualquer de PL para identificar alguns aspectos importantes para a anlise. Sendo m o nmero de linhas (equaes de restrio) do problema e n o nmero de colunas (variveis) do problema, temos:
BASE xn-m+1 -Z x1 A xn -Z 1 xn-m xn-m-1 I 0 Tableau Inicial 0 bm 0 xn bi b1

Coeficientes no-bsicos

BASE xB1

-Z

x1 A

xn-m

xn-m-1 Q

xn

bi b1

xBm -Z 1 Tableau Final -y1* -ym*

bm -Z

Multiplicadores do Simplex Podemos identificar no tableau inicial duas submatrizes. A primeira, a matriz A que corresponde aos coeficientes das variveis no-bsicas (no tableau inicial) nas linhas das restries. Note que estamos supondo que o problema parte de uma base constituda por variveis de folga. No tableau final (aps a aplicao do Mtodo Simplex) as colunas de A passam a formar uma nova sub-matriz A . A segunda uma matriz identidade, I, formada pelos coeficientes das variveis inicialmente bsicas (variveis de folga), que aps os pivotamentos do Mtodo Simplex se tornam a matriz Q do tableau final. Considerando o tableau 1 (inicial) e o Tableau 2(final) do exemplo apresentado, temos as seguintes submatrizes identificadas:

A=

1 0 0 1 3 2 1 0 0 1 0 0 0 0 1

aps o mtodo simplex

0 0 A= 0 1 1 0 Q= 1 2/3 -1/3 0 1 0 0 -2/3 1/3 74

I=

aps o mtodo simplex

Multiplicadores do Simplex: [0 -3

-1]

O que nos diz a matriz Q? Ora, se em cada linha e em cada coluna de I temos apenas um elemento no zero que 1, a matriz Q espelha os pivotamentos que foram feitos durante a execuo do Mtodo Simplex. Assim, se quisermos saber como fica no tableau final uma coluna qualquer do tableau inicial, basta multiplicar a coluna pela matriz Q. Exemplo: Consideremos nosso problema exemplo. Vamos verificar como fica no tableau final (Tableau 2) a coluna de x1 do Tableau inicial (Tableau 1). Coluna de x1 do tableau inicial (Tableau 1): 1 0 3 Coluna de x1 do tableau final (Tableau 2): Q. 1 0 3 = 1 2/3 -1/3 0 1 0 0 -2/3 1/3 1 0 3 = 0 0 1

J sabemos, ento, como obter os coeficientes de uma nova coluna (correspondente a uma nova varivel acrescentada ao problema original) nas linhas das restries do tableau final sem para isto ter que resolver o problema modificado a partir do tableau inicial modificado. Falta-nos agora obter o coeficiente da nova varivel na linha da FO no tableau final. Para isto, basta multiplicar o vetor linha [-y1* , , -ym*, 1] pela nova coluna. Exemplo: Consideremos nosso problema exemplo. Vamos verificar como o coeficiente de x1 na linha da FO do tableau inicial(Tableau 1) fica no tableau final (Tableau 2). [-y1* -y2* -y3* FO] [0 -3 -1 1] . 1 0 3 3 =0

O que confere com o encontrado no Tableau 2 Seja agora o seguinte exemplo: O que acontece se acrescentarmos ao problema exemplo a varivel x6 com coeficientes conforme abaixo? Linha 1 Linha 2 Linha 3 FO 75

2 3 6 15 Anlise:
BASE x3 x4 x5 -z -Z 0 0 0 1 x1 x2 x3 x4 1 0 1 0 0 1 0 1 3 2 0 0 3 5 0 0 Tableau Modificado Inicial x5 0 0 1 0 x6 2 3 6 15 bi 4 6 18 0

Linha 1 Linha 2 Linha 3 Linha da FO

Como ficaria esta nova coluna no Tableau Modificado Final? a)Identificar Q vendo no tableau original final as colunas correspondentes as variveis bsicas do tableau original inicial. b) Multiplicar a nova coluna pela matriz Q Q. 2 3 6 = 1 2/3 -1/3 0 1 0 0 -2/3 1/3 2 3 6 = 2 30

c) Coeficiente na linha da FO [-y1* -y2* -y3* FO] [0 -3 -1 1] . 2 3 6 15 = 0-9-6+15 = 0

Assim temos o seguinte tableau modificado final:


BASE x3 x2 x1 -z -Z 0 0 0 1 x1 x2 x3 x4 0 0 1 2/3 0 1 0 1 1 0 0 -2/3 0 0 0 -3 Tableau Modificado Final x5 -1/3 0 1/3 -1 x6 2 3 0 0 bi 2 6 2 -36

Linha 1 Linha 2 Linha 3 Linha da FO

Como o custo reduzido no positivo podemos concluir que o tableau modificado final permanece timo, ou seja, a nova varivel no bsica nesse tableau. Note que, por acaso, o custo reduzido zero e, portanto, se pode dar valor positivo nova varivel obtendo nova soluo tima. Se ao invs de 15 o coeficiente da nova coluna na FO fosse 18, digamos, o custo reduzido seria positivo indicando que deve-se aplicar o Mtodo Simplex para tentar restabelecer a otimalidade do tableau. A nova coluna entraria na base e para determinar a varivel a sair da base, precisaramos dos outros elementos da coluna nova no tableau modificado final. Teramos ento a seguinte situao:
BASE x3 x2 -Z 0 0 x1 0 0 x2 0 1 x3 1 0 x4 2/3 1 x5 -1/3 0 x6 2 3 bi 2 6

Linha 1 Linha 2 Linha 3 Linha da FO

76

x1 -z

0 1

1 0 0 -2/3 0 0 0 -3 Tableau Modificado Final

1/3 -1

0 3

2 -36

Aplicando o Mtodo Simplex, pivotamos no elemento assinalado, o que faz x6 entrar na base e x3 sair dela. Faa o pivotamento e veja se o tableau fica timo. Se no ficar, prossiga at que ou se torne timo, ou indique que o problema ilimitado. 5.5- ACRSCIMO DE RESTRIO Podemos, aps resolver um problema de PL, querer acrescentar uma restrio ao modelo inicial. Isto pode se dar porque esquecemos de uma restrio quando formulamos o modelo, porque queremos explorar alguma condio sugerida pelo problema concreto, etc. claro que se o Mtodo Simplex aplicado ao problema original terminar com uma indicao de que o problema infactvel, no h porque querer acrescentar uma restrio. Abaixo ilustraremos como acrescentar uma restrio no caso de o tableau final do problema original indicar uma soluo tima e, atravs de outro exemplo, quando o tableau final indicar que o problema original no tem timo finito. importante notar que em ambos exemplos a restrio adicional ativa na soluo do problema modificado. Caso no seja, o mesmo procedimento ir indicar que a soluo do problema original permanece timo aps o acrscimo da restrio ou que permanece sem timo finito. No de a restrio adicionada tornar o problema infactvel, o Mtodo Simplex Dual ir indicar isso. Uma nova restrio pode alterar a viabilidade da soluo se ela no for redundante. O procedimento para essa anlise o seguinte: 1) Testar se a nova restrio satisfeita para a atual soluo tima. Em caso afirmativo, a nova restrio redundante. 2) Se no for satisfeita, ela deve ser introduzida no sistema e novos clculos so necessrios. Vamos exemplificar introduzindo uma nova restrio no problema exemplo apresentado. Seja a seguinte restrio adicionada: x1 + x2 7 Teste para verificar se a restrio redundante: x1 + x2 7 2 + 6 = 8 > 7 (a nova restrio no redundante) Logo, a soluo atual deixar de ser tima com a entrada da nova restrio, e novas iteraes devero ser feitas. Vamos acrescentar a nova restrio no tableau original final com sua correspondente varivel de folga. Assim, vem:
BASE x3 x2 x1 x6 -z -Z 0 0 0 0 1 x1 0 0 1 1 0 x2 0 1 0 1 0 x3 1 0 0 0 0 x4 2/3 1 -2/3 0 -3 x5 -1/3 0 1/3 0 -1 x6 0 0 0 1 0 bi 2 6 2 7 -36

Linha 1 Linha 2 Linha 3 Linha 4 (nova restrio) Linha da FO

77

Sem o tableau na forma cannica nada podemos afirmar sobre a otimalidade ou factibilidade. Para por na forma cannica pivotamos sobre x2 na segunda linha e sobre x1 na terceira linha, obtendo o tableau abaixo:
BASE x3 x2 x1 x6 -z -Z 0 0 0 0 1 x1 0 0 1 0 0 x2 0 1 0 0 0 x3 1 0 0 0 0 x4 2/3 1 -2/3 -1/3 -3 x5 -1/3 0 1/3 -1/3 -1 x6 0 0 0 1 0 bi 2 6 2 -1 -36

Linha 1 Linha 2 Linha 3 Linha 4 (nova restrio) Linha da FO

Podemos agora ver que a base formada por { x3 , x2 , x1 , x6 }no factvel, uma vez que temos um valor negativo na ltima coluna. Como temos o tableau na forma cannica e factibilidade dual ( custos reduzidos no-positivos), podemos aplicar o Mtodo Dual-Simplex para restabelecer a factibilidade primal (termos independentes no-negativos), cujas diferenas com relao ao Mtodo Simplex se resume nas regras de entrada e sada de variveis da base, que so as seguintes: a) Varivel que sai: a varivel bsica com o valor mais negativo. Empates podem ser resolvidos arbitrariamente. Se todas as variveis bsicas tiverem valores positivos, a soluo tima; b) Varivel que entra: escolhida entre as variveis fora da base, da seguinte forma: b.1) dividir os coeficientes da linha da FO pelos correspondentes coeficientes negativos da equao da varivel que sai. b.2) a varivel que entra a que tem o menor valor absoluto entre os quocientes encontrados. Quando no houver coeficientes negativos na linha da varivel que sai da base, o problema no tem soluo vivel. Aplicando o Dual-Simplex no nosso exemplo, vem: x6 varivel que sai da base x5 varivel que entra da base Pivotando, portanto sobre x5 na linha da nova restrio, temos:
BASE x3 x2 x1 x5 -z -Z 0 0 0 0 1 x1 0 0 1 0 0 x2 0 1 0 0 0 x3 1 0 0 0 0 x4 1 1 -1 1 -2 x5 0 0 0 1 0 x6 -1 0 1 -3 -3 bi 3 6 1 3 -33

Linha 1 Linha 2 Linha 3 Linha 4 (nova restrio) Linha da FO

O tableau agora factvel (variveis bsicas no-negativas) com a seguinte soluo tima: x1 = 1 x3 = 3 x5 = 3 Z = 33 x2 = 6 x4 = 0 x6 = 0 Note que acrescentamos ao problema original, alm de uma restrio, uma nova varivel x6 que a varivel de folga da restrio adicional. Se a restrio tivesse o sentido da desigualdade o procedimento seria exatamente o mesmo aps multiplicarmos a restrio por -1, invertendo o sentido da desigualdade. Se a restrio fosse de igualdade, o

78

procedimento tambm seria o mesmo e x6 seria vista como uma varivel artificial que seria eliminada do problema assim que se tornasse no-bsica. Vamos agora ao seguinte exemplo: MAX Z = 3x1 + 2x2 S.A. -2x1 + x2 3 x1 - x2 4 x1 , x2 0 Seja o seguinte tableau original final do problema:
BASE x3 x1 -Z -Z 0 0 1 x1 0 1 0 x2 -1 -1 5 x3 1 0 0 x4 2 1 -3 bi 11 4 -12

Linha 1 Linha 2 Linha da FO

O problema, portanto, no admite timo finito. Vejamos agora o que acontece se acrescentarmos a restrio 2x1 + 3x2 12 a este problema. Adicionando a varivel de folga x5 e agregando a nova restrio ao tableau temos:
BASE x3 x1 x5 -Z -Z 0 0 0 1 x1 0 1 2 0 x2 -1 -1 3 5 x3 1 0 0 0 x4 2 1 0 -3 x5 0 0 1 0 bi 11 4 12 -12

Linha 1 Linha 2 Linha 3 (nova restrio) Linha da FO

Restabelecendo a forma cannica temos:


BASE x3 x1 x5 -Z -Z 0 0 0 1 x1 0 1 0 0 x2 -1 -1 5 5 x3 1 0 0 0 x4 2 1 -2 -3 x5 0 0 1 0 bi 11 4 4 -12

Linha 1 Linha 2 Linha 3 Linha da FO

O que mostra ser a soluo factvel, mas no tima. Aplicando o Simplex Primal, em uma iterao obtemos:
BASE x3 x1 x2 -Z -Z 0 0 0 1 x1 0 1 0 0 x2 0 0 1 0 x3 1 0 0 0 x4 8/5 3/5 -2/5 -1 x5 1/5 1/5 1/5 -1 bi 59/5 24/5 4/5 -16

Linha 1 Linha 2 Linha 3 Linha da FO

Que demonstra a otimalidade da soluo. Aps essas anlises de sensibilidade estudadas, observamos que o trabalho da equipe de P.O. no est nem mesmo perto de estar concludo depois de o mtodo simplex ter sido aplicado com sucesso para identificar uma soluo tima para o modelo. Na verdade, os valores dos parmetros usados no modelo normalmente so apenas estimados com base numa previso de condies futuras. Os dados obtidos para desenvolver estas estimativas freqentemente so um tanto crus ou inexistentes, de modo que os parmetros na formulao original podem representar pouco mais que rpidas regras prticas fornecidas por pessoal de

79

linha pressionado. Eles podem mesmo representar superestimativas, ou subestimativas deliberadas para proteger os interesses dos estimadores. Portanto, a gerncia ou grupo de pesquisa operacional manter um ceticismo saudvel quanto aos nmeros originais saindo do computador e, em muitos casos, ir v-los apenas como um ponto de partida para futuras anlises do problema. Por estas e outras razes importante se proceder uma anlise de sensibilidade para investigar o efeito do mtodo simplex sobre a soluo tima se os parmetros assumirem outros valores possveis.

Captulo VI
PROBLEMAS DE TRANSPORTES
6.1INTRODUO

80

A estruturao do problema de transportes uma aplicao interessante de programao linear e de grande relevncia para a Engenharia de Produo. A Pesquisa Operacional estuda esses problemas com o objetivo de minimizar custos de transporte e desenvolver modelos computacionais de fcil resoluo. Um problema tpico de Transporte pode ser descrito como se segue: Quantidades dadas de um determinado produto so disponveis em cada uma de um determinado nmero de origens (por exemplo, armazns). Desejamos remeter quantidades especficas do produto a cada um de um determinado nmero de destinos (por exemplo, mercados varejistas). conhecido o custo de embarque de uma unidade do produto de qualquer uma origem para qualquer um destino. Considerando-se que possvel embarcar de qualquer uma das origens para qualquer um dos destinos, estamos interessados em determinar os itinerrios (rotas) de custo mnimo das origens (armazns) aos destinos (mercados varejistas). Dizemos que um sistema de transporte est equilibrado quando a somatria das quantidades de produtos ofertados em cada origem igual a somatria das quantidades de produtos demandados em cada destino. Para solucionar um problema de transporte, ou seja, para encontrarmos os itinerrios otimizados (de menor custo) das origens para os destinos, devemos, inicialmente, modelar o problema matematicamente. Aps esta modelagem, devemos proceder a aplicao do algoritmo de transporte. 6.2- MODELAGEM DO PROBLEMA DE TRANSPORTES Suponhamos a existncia de m origens de um produto, cada uma podendo fornecer a quantidade ai, com o ndice i = 1,2,...., m. Por outro lado, existem n destinos, cada um demandando uma quantidade bj, com j = 1,2,...., n. Sabe-se que o custo de transportar uma unidade do produto da origem i para o destino j Cij. O objetivo do problema determinar o nmero de unidades xij do produto, que devem ser transportados de cada origem i para cada destino j, de forma a minimizar o custo total de transporte. Estruturando o problema de forma diagramtica, temos: Origens (i) Oferta (ai) a1 1 a2
. . .

Destinos (j) x11C11 x1nC1n x12C12 1 Demanda (bj) b1 b2


. .

x21C21 x C . 22 22 2 2 . . x2nC2n . am . . . Considerando que possvel embarcar de qualquer uma das origens (armazns) para bn . x C . qualquer um dos destinos (mercadosC varejistas), que o nmero total de unidades xm2 m2 m1 m1 . transportadas, a partir da origem i deve ser igual oferta ai . origem; e que o nmero de da xdeve ser igual suandemanda bj, temos o seguinte Cmn m unidades transportadas para o destino j mn modelo matemtico: Funo Objetivo: (funo matemtica que expressa o objetivo de minimizar os custos)

81

MIN Z= C11x11 + C12x12 + .... + C1n1x1n + C21x21 +C22x22 + .... + C2nx2n +.... + Cm1xm1 +Cm2xm2 +.... + Cmnxmn ou seja,
m n

MIN Z= Cij . xij


i=1 j=1

Restries: Restries em relao a oferta: x11 + x12 + ... +x1n = a1 x21 + x22 + ... +x2n = a2
. .

xm1 + xm2 + ... +xmn = am ou seja,


n

xij = ai
j=1

para

i=1, 2, ... , m

Restries em relao a demanda: x11 + x21 + ... +xm1= b1 x12 + x22 + ... +xm2 = b2
.

x1n + x2n + ... +xmn = bm ou seja,


m

xij = bi
i=1

para

j=1, 2, ... , n

Restries implcitas: xij 0 IMPORTANTE: Para que o problema tenha soluo, a seguinte equao de balano deve ser verificada:
m i=1 n j=1

ai = bj Para solucionar o problema de transporte costuma-se representar seus dados conforme segue no Quadro 1. Destinos j i O r i g e n s x11 1 C11 1 x12 C12 2 ..... ..... x1n C1n a1 82 n Oferta ai

x21 2 . . xm1 m Demanda bj Cm1 b1 C21 . .

x22 C22 . . xm2 Cm2 b2

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

x2n C2n . . xmn Cmn bn am a2 . .

Quadro 1 Representao dos dados dos problemas de transporte 6.3- ALGORITMO DO PROBLEMA DE TRANSPORTE O algoritmo de transporte consiste em um mtodo iterativo que compreende basicamente os seguintes passos: 1. Encontrar uma soluo bsica inicial; 2. Verificar se a soluo encontrada tima. Se for, pare. Caso contrrio siga para o passo 3; 3. Determinar uma nova soluo bsica compatvel e voltar ao passo 2. Para facilitar o entendimento do algoritmo faremos seu estudo baseado em um exemplo prtico, conforme segue: Exemplo: Determinar, a partir dos dados apresentados no quadro abaixo, o plano para destinao de remessas de ervilhas enlatadas de trs armazns a trs centros consumidores, de tal forma que o custo total de transporte seja minimizado.

Destinos (centros consumidores) j i


Origens (armazns)

1 C11=8 1 C21=15 2 C31=3

2 C12=5 C22=10 C32=9

3 C13=6 C23=12

Oferta ai a1=120 a2=80 C33=10 a3=80

3 Demanda

83

bj

b1=150

b2=70

b3=60

6.3.1- Obteno da soluo bsica inicial Obter uma soluo bsica inicial. Para calcularmos a soluo bsica inicial existem diversos algoritmos matemticos, dentre os quais destacam-se o Mtodo do Canto Noroeste, o Mtodo do Mnimo Custo e o Mtodo de Vogel. Obs: Para iniciar a soluo do problema deve-se primeiramente verificar se o sistema est equilibrado, caso no esteja deve-se proceder seu equilbrio para ento iniciar a sua soluo. Para que o problema de transporte tenha soluo, a seguinte equao de equilbrio deve ser verificada:
m i=1 n j=1

ai = bj No caso desta equao no ser satisfeita, significa que o sistema no est equilibrado. Caso isso ocorra, deve-se criar uma origem ou destino fictcio para que o balanceamento possa ocorrer. EXEMPLO DE UM PROBLEMA NO EQUILIBADO Uma companhia locadora de automveis se defronta com um problema de alocao resultante dos contratos de locao que permitem sejam os automveis devolvidos em localidades outras que aquelas onde foram originalmente alugados. No presente momento h duas agncias de locao (origens) com, respectivamente 15 e 13 carros excedentes e quatro outras agncias (destinos) necessitando de 9, 6, 7, e 9 carros, respectivamente. Os custos unitrios de transporte entre as locadoras so os seguintes:
Origens (locadoras com excesso) j i 1 2 Demanda (bj) x11 C21=14 x21 b1=9 x22 b2=6 Destinos (locadoras com dficit) 1 C11=45 2 C12=17 x12 C22=18 x13 C23=19 x23 b3= 7 x24 b 4= 9 3 C13=21 4 C14=30 x14 C24=31 Oferta (ai) a1=15 a2= 13

Restabelecendo o Equilbrio, da Equao de Equilbrio: Verificao temos:


Origens (locadoras com excesso)
m n oferta demanda ai = bj 15+13 = 9+6+7+9 Destinos (locadoras com dficit) i=1 j=1 28 < 31

j i 1 2 3 (fictcia) Demanda (bj)

1 C11=45 C21=14 C31=0 b1=9

2 Sistema no-equilibrado! Oferta (a i) 3 4 C12=17 C22=18 C32=0 b2=6 C13=21 C23=19 C33=0 b3= 7 C14=30 C24=31 C34=0 b 4= 9 a1=15 a2= 13 a3= 3

84

Soluo tima encontrada aps aplicao do Algoritmo de Stepping-Stone (ser estudado no item 6.3.2):
Origens (locadoras com excesso)

j i 1

Destinos (locadoras com dficit) 1 2 3 4 Oferta (ai) a1=15

x11=0 2 x21=9 3 (fictcia) x31=0 Demanda (bj) b1=9

x12 =6 x22 =0 x32 =0 b2=6

x13=3 x23=4 x33 =0 b3= 7

x14= 6 x24=0 x34=3 b4= 9

a2= 13 a3= 3

O fato de haver alguma alocao positiva proveniente da origem fictcia indica que nem todas as demandas podem ser satisfeitas. Em particular, o destino 4 receber automveis a menos do que necessita.

Mtodo do Canto Noroeste Passo 1: Comece pela clula do canto superior esquerdo do quadro chamada clula (1,1), e aloque o valor mximo possvel para x11, com o cuidado de no violar as restries de oferta e demanda, ou seja, ser alocado a x11 o menor valor entre a1 e b1. j i 1 2 1 120 2 3 Oferta ai a1=120 a2=80 85

3 Demanda bj

a3=80 b1=150 b2=70 b3=60

Passo 2: Elimine a linha ou coluna j completamente atendida, ou seja, se a1<b1, elimine todas as clulas da linha 1; se a1>b1, elimine todas as clulas da coluna 1; se a1=b1, ento elimine apenas as clulas da coluna 1 ou as clulas da linha 1. Em seguida, subtraia o valor alocado da oferta a1 e da demanda b1. j i 1 2 3 bj 150 30 70 60 1 120 2 3 oferta ai 120 0 80 80

(linha eliminada)

Passo 3: Passe para a clula adjacente da linha ou coluna no eliminada. Se tanto a linha quanto a coluna adjacente j foram eliminadas, caminhe diagonalmente para a clula mais prxima. Em seguida faa a alocao conforme explicado no passo 1 e a eliminao da linha ou coluna conforme o passo 2. Repita esse passo at que todas as linhas e colunas tenham sido atendidas.

j i 1 2 3 bj 150 30 0 70 60 1 120 30 2 3

oferta ai 120 0 80 50 80

j i 1 2 3 bj 150 30 0 70 20 60 1 120 30 50 2 3

oferta ai 120 0 80 50 0 80

86

j i 1 2 3 bj 150 30 0 1 120 30

ai 120 0

j i 1 2 3 bj 150 30 0 1 120 30 50 20 70 20 0 60 60 0 2 3 ai 120 80 50 0 80 60 0

50 20 70 20 0 60

80 50 0 80 60

Assim, a partir dessa soluo (x11=120; x21=30; x22=50; x32=20; x33=60; x12=x13=x23=x31=0), pode-se chegar a o seguinte custo total de distribuio (no necessariamente o custo timo): z = 8 x 120 + 15 x 30 + 10 x 50 + 9 x 20 + 10 x 60 = 2.690,00 Para verificar se este o custo timo ou, caso, no seja, ach-lo, necessrio aplicar o Algoritmo de Stepping-Stone que veremos no item 6.3.2.

Mtodo do Mnimo Custo Os passos para aplicao deste mtodo so idnticos aos passos do Mtodo do Canto Noroeste, porm, iniciando a escolha da clula pela quela como mnimo custo e caminhando sempre para o prximo mnimo custo. j i 1 15 2 3 bj 70 3 80 b1=150 70 0 b2=70 0 b3=60 10 0 9 1 8 70 10 10 10 a3=80 0 2 5 50 12 a2=80 70 3 6 a1=120 50 0 ai

87

O custo total de distribuio obtido para essa soluo dado por: 5 x 70 + 6 x 50 + 15 x 70 + 12 x 10 + 3 x 80 = 2060, que inferior (e portanto melhor) que a soluo obtida pelo Mtodo do Canto Noroeste.

Mtodo de Vogel Normalmente, produz melhores solues e, freqentemente, a soluo tima. So previstos os seguintes passos: Passo 1: Calcule os valores dos resduos de cada uma das linhas e colunas, subtraindo o menor valor Cij do segundo menor o valor de Cij naquela linha ou coluna; Passo 2: Escolha a linha ou coluna com o maior valor do resduo (se houver empate, escolha arbitrariamente) e aloque o mximo possvel de unidade clula de menor Cij daquela linha ou coluna; Passo 3: Elimine a linha ou coluna j completamente atendida e retorne ao passo 1, recalculando os valores dos resduos; Passo 4: Termine quando sobrar apenas uma linha ou coluna, balanceando-a.

j i
3 eliminao

1 8 1 70 15 2 70 3 3 80 bj Resduo da coluna 150 70 0


8-3=5 15-8=7
*maior resduo

2 5 50 10 10 9

3 6

ai 120 50 0 12 80 10 80 0 70

Resduo da linha
6-5=1 6-5=1 6-5=1 12-10=2 12-10=2 12-10=2 9-3=6 *maior resduo

1 eliminao

70

60

10
10-6=4 12-6=6 12-6=6 *maior

9-5=4 10-5=5 10-5=5

88

resduo

2 eliminao

O custo total de distribuio correspondente z = 8 x 70 + 6 x 50 + 10 x 12 + 10 x 70 + 3 x 80 = 1920, que melhor que as solues obtidas pelos mtodos anteriores. Conforme fica observado na apresentao dos mtodos para clculo de soluo bsica inicial, podemos encontrar uma soluo (soluo bsica inicial de boa qualidade) ou mais afastada, conforme o mtodo escolhido. O melhor mtodo, conforme demonstrado, o mtodo de Vogel, o qual freqentemente j nos fornece a soluo tima do problema de transporte. No entanto, importante que fique claro que qualquer um dos mtodos apresentados para o clculo da soluo bsica inicial permitir que, aps a aplicao do algoritmo matemtico de programao linear especfico, o resultado final do problema de transporte (custo timo de distribuio) seja o mesmo. A vantagem de se utilizar um mtodo de clculo da soluo bsica inicial mais preciso est no fato de se fazer menos iteraes no algoritmo matemtico de programao linear para clculo do custo timo, reduzindo-se o tempo de processamento dos clculos. 6.3.2- Algoritmo de Stepping-Stone O Mtodo Stepping-Stone consiste em uma seqncia de passos (algoritmo) que sempre chega soluo tima a partir de uma soluo inicial. A partir da soluo bsica inicial encontrada, este mtodo pesquisar se alguma melhor soluo pode ser obtida. Consideremos o quadro abaixo com a soluo bsica inicial encontrada a partir do Mtodo do Canto Noroeste:

j i 1 2 3 bj b1=150 1 c11=8 x11=120 c21=15 x21=30 c31=3 x32=20 b2=70 x22=50 c32=9 x33=60 b3=60 c33=10 a3=80 c22=10 c23=12 a2=80 2 c12=5 3 c13=6 a1=120 ai

Cada clula vazia (no caso, 9 (m + n 1) clulas) representa uma varivel nobsica que poderia entrar na base (para entrar, a contribuio especfica da varivel nobsica deve implicar a reduo do custo total). Calculando essas contribuies para a clula x12:

89

1. Aloque 1 unidade a x12. Assim,no mais 70, mas 71 o total de unidades da coluna 2. 2. Para no violar a restrio da coluna 2, uma unidade dever ser subtrada ou de x 22 (50) ou de x32 (20). Subtraia 1 de x22, que passa a ter 49 unidades, e a coluna 2 com um total de 70, novamente. 3. Agora, a linha 2 totaliza 79 e no mais 80, o que pode ser corrigido com a adio de uma unidade a x21 (30 31). 4. A coluna 1 fica ento com um total de 151, o que pode ser corrigido com a subtrao de uma unidade de x11. 5. A linha 1 automaticamente corrigida em funo do passo anterior. Em outras palavras, deve-se determinar para cada varivel no-bsica um caminho fechado (closed-loop) para que se obtenha a eventual contribuio especfica funo objetivo.
Para determinar-se o caminho:

a) Adote um sentido (ou horrio ou anti-horrio); b) H somente um caminho fechado para cada clula vazia; c) Os extremos do caminho (a menos da varivel no-bsica) devem ser clulas ocupadas; d) Clulas ocupadas podem ser puladas, assim como um caminho pode apresentar cruzamentos; e) Exatamente uma adio e uma subtrao devem aparecer em cada linha e coluna do caminho traado. Assim, para a varivel x12: x12 x22 x21 x11 x12 +1 1 +1 1 Atribuindo os valores de custo pertinentes: *C12 = C12 C22 + C21 C11 = 5 10 + 15 8 = 2 Realizando os clculos devidos para todas as clulas vazias: Varivel Caminho Fechado Contribuio x22 x21 x11 x12 x12 x12 +2 x33 x32 x22 x21 x11 x13 x13 x13 +2 x23 x23 x33 x32 x22 x23 +1 x21 x22 x32 x31 x31 x31 11 Assim, a varivel que entra ser aquela que contribui com a menor reduo no valor da funo objetivo, que no caso diz respeito varivel x31. O valor a ser alocado a esta clula dever ser o mximo, de tal forma que nenhuma clula do caminho fechado fique com valores negativos. J para a varivel que sai, esta dever ser aquela, com sinal negativo no caminho fechado, com alocao inicial de menor valor absoluto. No caso, para o caminho referente a x31: x31 x21 x22 x32 Sinal no caminho fechado + + Alocao inicial 0 30 50 20 Portanto, x32 dever ser a varivel que sai.

90

Assim sendo, dever realocar-se o valor da varivel que sai pelo caminho fechado da varivel que entra. x31 = 0 + 20 = 20 x21 = 30 20 = 10 x22 = 50 + 20 = 70 x32 = 20 20 = 0 O novo quadro resultante apresentado a seguir: j Oferta i 1 2 3 ai 1 2 120=x11 10=x21 70=x22 120 80

3 20=x31 60=x33 80 Demanda bj 150 70 60 Para verificar a possibilidade de existncia de melhores solues, calcule novamente, a partir dos novos caminhos fechados, os valores das contribuies das variveis no-bsicas. Se todas essas contribuies forem positivas, a soluo tima foi encontrada. 6.3.3- Clculo da Soluo tima Atravs do Problema Dual A soluo tima de um problema de transporte pode ser tambm encontrada a partir do Problema Dual. Da mesma forma como o Mtodo de Stepping-Stone, o mtodo atravs do problema dual consiste em uma seqncia de passos (algoritmo) que sempre chega soluo tima a partir de uma soluo inicial. A partir da soluo bsica inicial encontrada, este mtodo pesquisar se alguma melhor soluo pode ser obtida. Consideremos o quadro abaixo com a soluo bsica inicial encontrada a partir do Mtodo do Canto Noroeste: j i 1 2 3 bj vj b1=150 v1 1 c11=8 x11=120 c21=15 x21=30 c31=3 x32=20 b2=70 v2 x22=50 c32=9 x33=60 b3=60 v3 c33=10 a3=80 c22=10 c23=12 a2=80 2 c12=5 3 c13=6 a1=120 ai ui u1 u2 u3

Onde ui a varivel dual correspondente as restries das origens e vj a varivel dual correspondente as restries dos destinos. 91

Assim como no Mtodo de Stepping-Stone, cada clula vazia (no caso, 9 (m + n 1) clulas) representa uma varivel no-bsica que poderia entrar na base (para entrar, a contribuio especfica da varivel no-bsica deve implicar a reduo do custo total). Para calcular essas contribuies atribui-se o valor zero a um dos elementos ui ou vj (qualquer um dos dois) e calcula-se o valor restante para ui ou vj de sorte que, para cada varivel bsica, ui + vj = Cij. Em seguida, calcula-se para cada varivel no-bsica, a quantidade Cij-ui-vj (contribuio especfica). Se todas essas quantidades forem nonegativas, a soluo presente tima. Caso contrrio, a soluo corrente no tima. Calculando-se ui e vj com relao s clulas das variveis bsicas do quadro acima e escolhendo-se arbitrariamente u2=0, tem-se: Cij = ui + vj Clula (2,1): C21 = u2 + v1, 15 = 0 + v1, ou v1=15 Clula (2,2): C22 = u2 + v2, 10 = 0 + v2, ou v2=10 Clula (1,1): C11 = u1 + v1, 8 = u1 + 15, ou u1= -7 Clula (3,2): C32 = u3 + v2, 9 = u3 + 10, ou u3= -1 Clula (3,3): C33 = u3 + v3, 10 = -1 + v3, ou v3= 11 Calculando-se Cij-ui-vj para cada uma das clulas referente s variveis no-bsicas do quadro, tem-se: Clula (1,2): C12-u1-v2 = 5-(-7)-10 = +2 Clula (1,3): C13-u1-v3 = 6-(-7)-11 = +2 Clula (2,3): C23-u2-v3 = 12-0-11 = +1 Clula (3,1): C31-u3-v1 = 3-(-1)-15 = -11 Tendo em vista que, pelo menos um dos valores Cij-ui-vj negativo, a soluo corrente no tima e se pode obter uma soluo melhor aumentando-se a alocao da clula possuidora do maior valor negativo, no caso, a clula (3,1). O valor a ser alocado a esta clula dever ser o mximo, de tal forma que nenhuma clula do caminho fechado correspondente fique com valores negativos. Para a varivel que sai o procedimento o mesmo de Stepping-Stone, esta dever ser aquela, com sinal negativo no caminho fechado, com alocao inicial de menor valor absoluto. No caso, para o caminho referente a x31: x31 x21 x22 x32 Sinal no caminho fechado + + Alocao inicial 0 30 50 20 Portanto, x32 dever ser a varivel que sai. Assim sendo, dever realocar-se o valor da varivel que sai pelo caminho fechado da varivel que entra. x31 = 0 + 20 = 20 x21 = 30 20 = 10 x22 = 50 + 20 = 70 x32 = 20 20 = 0 O novo quadro resultante apresentado a seguir:

92

j i 1 2 3 Demanda bj 1 120=x11 10=x21 20=x31 150 70 70=x22 60=x33 60 2 3

Oferta ai 120 80 80

Para verificar a possibilidade de existncia de melhores solues, atribui-se novamente o valor zero a um dos elementos ui ou vj, calcula-se os outros ui e vj e, em seguida, os valores de Cij-ui-vj (contribuio especfica). Se todas essas contribuies forem positivas, a soluo tima foi encontrada. importante observar que qualquer dos mtodos utilizados, seja Stepping-Stone ou atravs do Problema Dual, a soluo tima encontrada no final do problema de transportes a mesma. No planejamento de uma rede de distribuio, a funo transporte agrega o valor lugar ao produto, ou seja, disponibiliza o produto no local onde o mercado o exige. No adianta nada, do ponto de vista do mercado, o fornecedor dispor de um bom produto que no encontrado pelo cliente no momento que ele deseja. Assim, no processo geral de produo e comercializao do produto, o sistema transporte tem um papel fundamental e indispensvel e, desta forma, deve ser cuidadosamente planejado com o objetivo de atingir o que se espera dele, com o menor acrscimo no custo final do produto.

Captulo VII
PROGRAMAO INTEIRA
7.1INTRODUO

Um problema de Programao Inteira um problema de Programao Linear com o requisito adicional de que o valor de todas as variveis sejam nmeros inteiros. Resolve-se o problema de Programao Linear atravs de algum mtodo estudado, se a soluo for inteira, ento este o resultado do problema de Programao Inteira. Caso contrrio vamos usar o algoritmo de Bifurcao e Limite. 7.2- ALGORITMO DE BIFURCAO E LIMITE Se a primeira soluo contm uma varivel no inteira, por exemplo: xj varivel no inteira 93

ento, i1 < xj < i2 onde i1 e i2 so inteiros, consecutivos e no-negativos. Dois novos modelos de Programao Inteira so ento criados aumentando o problema de Programao Inteira Original com as restries: xj i1 e xj i2 Este processo chama-se bifurcao e tem o efeito de contrair a regio vivel de um modo que elimina de consideraes posteriores a soluo corrente no inteira para xj preservando ainda todas as possveis solues inteiras do problema original. Exemplo: Problema 1: MAX Z = 10x1 + x2 S.A. 2x1 + 5x2 11 x1 , x2 0 e inteiros Resolvendo pelo Mtodo Simplex temos:
BASE x3 -z BASE x1 -z -Z 0 1 -Z 0 1 x1 2 10 x1 1 0 x2 5 1 x2 2,5 -24 x3 1 0 x3 0,5 -5 bi 11 0 bi 5,5 -55

Soluo tima: x1 =5,5 x2 = 0

Z=55

Como x1 =5,5 no inteira, ento vem: 5 < x1 = 5,5 < 6 x1 5 x1 6 Problema 2: MAX Z = 10x1 + x2 S.A. 2x1 + 5x2 11 x1 5 x1 , x2 0 e inteiros Problema 3: MAX Z = 10x1 + x2 S.A. 2x1 + 5x2 11 x1 6

Soluo tima: x1 =5 x2 = 0,2

Z=50,2

Soluo tima: No possui soluo vivel

94

x1 , x2 0 e inteiros Como no Problema 2 x2 = 0,2, vem: 0 < x2 = 0,2 < 1 x2 0 x2 1 Problema 4: MAX Z = 10x1 + x2 S.A. 2x1 + 5x2 11 x1 5 x2 0 x1 , x2 0 e inteiros Problema 5: MAX Z = 10x1 + x2 S.A. 2x1 + 5x2 11 x1 5 x2 1 x1 , x2 0 e inteiros

Soluo tima: x1 =5 x2 = 0

Z=50

Soluo tima: x1 =3 x2 = 1

Z=31

Como essas aproximaes so inteiras no mais necessrio bifurcaes adicionais.

7.2.1- Limite A bifurcao continua at ser obtida uma primeira aproximao inteira. O valor da FO referente a esta primeira aproximao inteira torna-se um limite inferior (problema de maximizao) para o problema e, todos os modelos, cujas primeiras aproximaes, inteiras ou no, conduzam a valores da FO menores que o limite inferior, so descartados. 7.2.2- Consideraes Bifurca-se sempre a partir do modelo de programao que se revela mais prximo do timo. Quando h um certo nmero de candidatos a posteriores bifurcaes, escolhe-se a que apresentar o maior valor de Z, se a funo objetivo for a maximizar, ou a de menor valor de Z, se a funo objetivo for a minimizar. So acrescentadas restries adicionais, uma de cada vez. Se a primeira aproximao envolver mais de uma varivel no inteira, as novas restries sero impostas sobre a varivel que est mais longe de se tornar inteira, isto , a varivel cuja parte decimal estiver mais prxima de 0,5. Em caso de empate, escolhe-se arbitrariamente uma das variveis. Exemplo: Se obtemos em um problema o resultado x1 =2,55, x2 = 1,5 com Z = 12,75, como x2 est mais afastado de uma soluo inteira que x1 utiliza-se x2 para gerar as bifurcaes x2 1 e x2 2. 7.2.3- Diagrama Esquemtico 95

Um diagrama esquemtico (rvore) pode ser gerado a partir da resoluo do problema pelo algoritmo de Bifurcao e Limite retratando os resultados obtidos. DIAGRAMA DO EXEMPLO APRESENTADO x2 0
z = 50,2

z = 50

x1 5
1 Z =55 (5,5 ; 0)

2
(5 ; 0,2)

(5 ; 0)

x2 1

z = 31

x1 6

3 Sol. no-vivel

(3 ; 1)

Exerccio Proposto: Resolva o seguinte problema de programao inteira pelo algoritmo de Bifurcao e Limite e desenvolva seu diagrama: MAX Z = 3x1 + 4x2 S.A. 2x1 + x2 6 2x1 + 3x2 9 x1 , x2 0 e inteiros

ANEXO 1

96

Estudo de Caso: Composio de Fertilizantes

97