Professional Documents
Culture Documents
Apostila1
de
Introduo Pesquisa Operacional
Campina Grande - PB
- Novembro / 2012 1
Esta apostila vem sendo desenvolvida desde de 2008.1 quando o Prof. Gilberto S. Matos iniciou
sua experincia em ministrar esta disciplina, desde ento o mesmo est sempre em busca da melhoria
deste material didtico.
Sumrio
1 Apresentao
1.1
Ementa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Contedo Programtico . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4
Mtodo de Ensino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5
1.5.1
1.5.2
Horrios de Atendimento . . . . . . . . . . . . . . . . . . . . . .
Bibliografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6
2.1
Objetivos do Captulo . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
2.2.1
2.2.2
10
2.2.3
Cientistas... . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
10
2.3.1
Definio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.3.2
10
2.3.3
11
2.3.4
12
2.3.5
13
2.4
14
2.5
14
2.6
17
2.3
SUMRIO
3 Programao Linear
19
3.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
3.2
19
3.2.1
20
3.2.2
Exerccios de Fixao . . . . . . . . . . . . . . . . . . . . . . . .
21
24
3.3.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
3.3.2
Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
3.3.3
Exerccios de Fixao . . . . . . . . . . . . . . . . . . . . . . . .
28
3.3.4
29
31
3.4.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
3.4.2
33
3.4.3
Exerccios de Fixao . . . . . . . . . . . . . . . . . . . . . . . .
34
35
3.5.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
3.5.2
36
37
O Mtodo Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
3.6.1
Princpios Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . .
38
3.6.2
42
3.6.3
42
3.6.4
Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
3.6.5
44
3.6.6
47
3.3
3.4
3.5
3.5.3
3.6
Captulo 1
Apresentao
Nesta apostila/disciplina no temos a pretenso de apresentar tudo sobre Pesquisa
Operacional (P.O.) mas sim de introduzir algumas das principais tcnicas de P.O.
bem como algumas idias sobre outras no menos importantes para resolver problemas
prticos que podem surgir na vida profissional.
1.1
Ementa
1.2
Objetivos
Apresentar a Pesquisa Operacional como uma cincia que tem por objetivo auxiliar gerentes e administradores na tomada de decises;
Estudar Programao Linear (P.L.) por ser uma das tcnicas mais utilizadas na
prtica;
Apresentar algumas tecnologias computacionais tais como a ferramenta Solver do
Excel, software TORA, etc., para a resoluo de P.P.L.s;
Estudar algoritmos para a resoluo de Problemas de Transporte e Designao;
Apresentar noes sobre outras tcnicas de P.O.
5
CAPTULO 1. APRESENTAO
1.3
Contedo Programtico
Unidade I
Introduo P.O.: conceitos e definies sobre tomada de deciso, modelagem e
P.O.. Fases de um Estudo de P.O.. Modelagem de Problemas de P.L., resoluo
de PPL grfica e por soluo bsica(algbrica). O uso do software TORA.
Unidade II
Resoluo de P.P.L.s pelo Mtodo Simplex: Princpios, Simplex Tabular e Mtodo
das duas fases. Anlise de Sensibilidade: preo dual e custo reduzido. Dualidade
e Anlise de Ps-otimizao. O uso da ferramenta Solver do Excel e do software
TORA.
Unidade III
Problemas de Transporte e Designao e, possivelmente, de outra(s) tcnica(s)
de P.O..
1.4
Mtodo de Ensino
1.5
Trs (3) provas com direito a uma (1) reposio. Exame final.
Trabalhos no formato de relatrios tcnicos e/ou seminrios desenvolvidos no
decorrer da disciplina tambm podero, mas no necessariamente, serem considerados na composio das notas de cada prova.
1.6. BIBLIOGRAFIA
1.5.1
1.5.2
provas e contedos.
Data
Contedo
29 Abril
Reposio
06 Maio Exame Final
Horrios de Atendimento
Acessar: http://sites.google.com/site/gilbertosmatos1
1.6
Bibliografia
Bsica
Hamdy A. Taha. Pesquisa operacional. 8a. ed.. Pearson Book.
Andrade, Eduardo Leopoldino. 4a. ed. Introduo Pesquisa Operacional:
mtodos e modelos para anlise de decises. gen / LTC.
Lachtermarcher, Gerson. Pesquisa operacional na tomada de decises. 4a. ed.
So Paulo: Pearson - Prentice Hall.
Render, Barry M.; Stair, Ralph M.; Hanna, Michael E.. Anlise Quantitativa
para Administrao com Excel e POM-QM para Windows. 10a. ed.. Bookman.
Complementar
Arenales, Marcos; Armentano, Vincius Amaral; Morabito, Reinaldo; Yanasse,
Horacio Hideki (2006). Pesquisa Operacional - Modelagem e Algoritmos.
Ermes Medeiros da Silva et. all (1998). Pesquisa Operacional: Programao
linear. Simulao. 3a. ed.. Ed. Atlas.
Yoshida, Luzia Kazuko (1987). Programao Linear. So Paulo: Atual.
CAPTULO 1. APRESENTAO
Captulo 2
Introducao Pesquisa Operacional
2.1
Objetivos do Captulo
Definir PO;
Discutir e definir o conceito de deciso;
Discutir sobre o processo de deciso e suas classificaes;
Discutir sobre deciso racional;
Discutir a Natureza da PO;
Conhecer as Fases de um Estudo de PO.
2.2
2.2.1
Como o prprio nome sugere, Pesquisa quer dizer Estudo e Operacional quer dizer
das Operaes/Atividades. Neste contexto, podemos dizer que:
Pesquisa Operacional - uma cincia que se utiliza de um conjunto de tcnicas
quantitativas que tem por objetivo estudar as atividades ou operaes de uma organizao com o intuito de auxiliar os gerentes e administradores na tomada de decises.
10
2.2.2
2.2.3
Cientistas...
2.3
2.3.1
2.3.2
O Processo de Deciso:
1. Seqencial
consequncia de uma srie de fatos anteriores que criaram as bases para
se chegar a deciso.
Uma deciso significativa uma compilao de muitas decises. Frequentemente requer um longo perodo de tempo.
11
2. Complexo
Consiste de um inter-relacionamento entre pessoas, responsabilidades pelo
servio, comunicao e sistemas de informaes, cdigos de tica e moral e,
s vezes, interesses e objetivos diferentes dos participantes.
3. Envolve valores subjetivos
Muitas vezes desejvel que a maior parte de um processo de deciso seja
identificvel e claro, podendo ser repetido por outras pessoas ou em outras
ocasies;
No entanto, impossvel que inmeros fatores intuitivos, provenientes de
experincia pessoal e personalidade no interfiram no processo decisrio.
4. Em ambiente institucional
O inter-relacionamento entre pessoas, a forma como se processa o fluxo de
informaes, as caractersticas da organizao e o sistema hierrquico so
fatores que afetam fundamentalmente o processo de tomada de deciso.
2.3.3
Uma classificao geral onde as decises so vistas luz do nvel em que ocorrem dentro de uma empresa e do grau de complexidade envolvido dada e exemplificada
abaixo:
1. Nvel Estratgico
Diz respeito a sua importncia e abrangncia com relao organizao.
Quanto mais as atividades de uma organizao forem afetadas pela deciso,
mais estratgica ser.
2. Grau de Estruturao (complexidade)
Uma deciso to mais estruturada quanto mais intimamente o processo
puder ser acompanhado ou mesmo repetido por outras pessoas, em outras
ocasies.
12
Grau de
Estruturao
alto
mdio
baixo
Administrao de
estoques
Financiamento do
capital de giro
Escolha de manchete
de jornal
operacional
Programao da
produo
Programao
oramentria
Contratao de um
diretor de planejamento
gerencial
Localizao de
uma nova fbrica
Diversificao pela
aquisio de outra empresa
Aprovao de um programa de
pesquisa e desenvolvimento
corporativo
Nvel Estratgico
2.3.4
Anlise estatstica
Simulao
Anlise de risco
teoria dos jogos
2.3.5
13
14
2.4
2.5
Nesta seo procuramos descrever resumidamente sobre as principais fases/etapas necessrias para o desenvolvimento de um estudo ou projeto de Pesquisa Operacional.
De modo geral, podemos dizer que as principais fases so:
1. Formulao/Definio do Problema
muito difcil procurar uma soluo certa para um problema mal
formulado!!!
A frase acima resume muito bem a grande importncia de se definir bem um
problema em um estudo de PO. Nesta fase, trs (3) aspectos principais devem
ser discutidos:
Descrio exata dos objetivos do estudo;
Identificao das alternativas de deciso existentes;
Reconhecimento das limitaes, restries e exigncias do sistema(realidade).
2. Construo do Modelo
Um modelo uma representao simplificada de uma situao da vida real e
reflete a essncia do problema formulado. Um modelo matemtico nesta fase
pode muitas vezes formalizar esta representao simplificada em termos de smbolos e expresses matemticas. Alguns aspectos fundamentais para a construo
do modelo so:
15
16
2.6
17
18
Captulo 3
Programao Linear
3.1
Introduo
3.2
Exemplo 3.2.1 (Fbrica 1). Uma pequena indstria produz artigos A1 e A2 que
so vendidos a 200 u.m. (unidades monetrias) e 300 u.m., respectivamente. Na sua
produo so utilizados 3 tipos de matrias-primas, P1 , P2 e P3 , que so gastas da
seguinte forma:
2 unidades de P1 para fabricar 1 unidade de A1 ,
4 unidades de P2 para fabricar 1 unidade de A1 ,
1 unidade de P1 para fabricar 1 unidade de A2 ,
1 unidade de P3 para fabricar 1 unidade de A2 ,
Por razes econmicas, as matrias-primas P1 , P2 e P3 esto disponveis no
mximo em 20, 32 e 10 unidades, respectivamente.
19
20
3.2.1
Para resolver o problema da Fbrica 1 vamos formular o problema como um problema de programao linear. Para isto, necessrio realizarmos algumas suposies,
definirmos algumas variveis ditas de deciso e representar as informaes do problema
em termos de expresses matemticas. Vejamos:
Suposies para a modelagem matemtica:
(a) Supor que a quantidade do produto a ser vendida igual a quantidade do produto
a ser fabricada, isto , no h estoque;
(b) Supor que a receita bruta proporcional quantidade vendida;
(c) Supor que as matrias-primas gastas so proporcionais s quantidades produzidas, ou seja, no h desperdcio de matria-prima;
(d) Admitir que quantidades negativas dos produtos A1 e A2 no tero significado
algum.
Definio de variveis de deciso:
Agora, observe que podemos considerar as seguintes variveis ditas de deciso:
x1 : quantidade a ser produzida dos produtos A1 , e
x2 : quantidade a ser produzida dos produtos A2
Definio da Funo Objetivo (F.O.):
Aps interpretar as hipteses (a) e (b), verificamos que podemos exprimir a receita
bruta como funo das variveis x1 e x2 , da seguinte forma:
f (x1 , x2 ) = 200x1 + 300x2 ,
Esta funo denominada Funo Objetivo (F.O.) e dever ser maximizada com
relao s variveis x1 e x2 de modo que a receita bruta ser a maior possvel, conforme
o dono da fbrica deseja.
Definir e escrever as restries do problema em termos de inequaes
lineares:
Observe que existe limite na disponibilidade das matrias-primas e isto requer
que restries sejam consideradas no problema que estamos modelando. Portanto,
admitindo a hiptese (c), para cada matria-prima temos uma restrio que pode ser
expressa da seguinte forma:
2x1 + x2 20
- para a matria-prima P2 :
4x1 32
- para a matria-prima P3 :
x2 10.
3.2.2
Exerccios de Fixao
22
24
3.3
3.3.1
Introduo
3.3.2
Exemplo
Exemplo 3.3.1 (Cont. Fbrica 1). Para o problema da Fbrica 1, o seguinte P.P.L
foi considerado:
Maximizar 200x1 + 300x2 ,
Sujeito
2x1 +
x2 20
4x1
32
x2 10
x1 0, x2 0.
Ento, a soluo grfica consiste em desenvolver os seguintes passos:
10 ) Determinar o conjunto de pontos (x1 , x2 ) <2 que satisfazem as restries do
problema de programao linear. Para isso, deve-se determinar os pontos do plano que
satisfazem cada uma das inequaes das restries, tais como:
(a) pontos que satisfazem a primeira inequao:
(Esboar a regio do plano que satisfaz a primeira inequao)
26
Uma das maneiras de obter a soluo tima, isto , o ponto (x1 , x2 ) da regio
vivel que maximiza a funo f (x1 , x2 ) = 200x1 + 300x2 , consiste em atribuir alguns
valores para a funo, obtendo, assim, o que se chama de Curvas de Nvel. Para este
problema, em particular, alguns exemplos de curvas de nvel so:
200x1 + 300x2 = 1200
200x1 + 300x2 = 2400
200x1 + 300x2 = 3600
E as curvas de nvel representadas no sistema de eixo cartesiano sero da forma:
(Esboar as curvas de nvel no sistema de eixo cartesiano)
Observe que:
As curvas de nvel so todas retas paralelas e
A funo objetivo assume valor cada vez maior num determinado sentido.
possvel provar que as curvas de nvel so perpendiculares ao vetor gradiente da funo; ou seja; as curvas de nvel da funo f (x1 , x2 ) = 200x1 + 300x2 so
f (x1 , x2 ) f (x1 , x2 )
,
x1
x2
= (200, 300).
A partir deste grfico, pode-se observar que a curva de nvel de maior valor dentro
da regio vivel a reta que passa pelo ponto de coordenadas (x1 , x2 ) = (5, 10).
Portanto, o ponto (x1 , x2 ) = (5, 10) a soluo do problema e o maior valor que a
funo pode assumir f (x1 , x2 ) = 200x1 + 300x2 = 200.5 + 300.10 = 4000.
Dizemos que (x1 , x2 ) = (5, 10) uma soluo tima, e o valor da funo f (x1 , x2 ) =
4000 o valor timo do problema.
Para finalizar, devemos descrever a soluo do problema da seguinte forma:
Sendo x1 e x2 a quantidade do produto A1 e A2 a ser produzida, respectivamente;
o dono da empresa deve produzir 5 unidades do produto A1 e 10 unidades do produto
A2 e a receita bruta mxima de 4000 u.m.
28
3.3.3
Exerccios de Fixao
3.3.4
Na seo anterior, foi ilustrado alguns problemas de PPL cujas solues timas puderam ser obtidas a partir de anlises grficas. Nestes exemplos, foi possvel verificar
a existncia de uma nica soluo tima. Acontece que nem sempre isso ocorre, ou
seja, existem problemas em que existem infinitas solues timas ou at mesmo
problemas em que a soluo tima seja impossvel ou invivel de ser obtida. Existem, ainda, problemas cujo valor da funo pode crescer (ou decrescer) indefinidamente
dentro da regio vivel, e, nestes casos, dizemos que os problemas so ilimitados.
Para uma melhor compreenso deste assunto, obtenha a soluo dos seguintes
problemas de programao linear atravs do mtodo grfico e classifique os problemas
segundo o tipo de soluo obtido.
2h1
h1
2h1
2h1
+
+
+
3h2
h2 50
3h2 70
20
3h2 30
h1 0, h2 0.
b)
min
sujeito a
30x1
+
20x2
4x1
+
x2 20
x1
+
2x2 10
x1
2
x1 0, x2 0.
max
sujeito a
x1
+
2x2
4x1
+
x2 20
x1
+
2x2 10
x1
2
x1 0, x2 0.
min
sujeito a
x1
+
x2
2x1
+
x2 2
x1
2x2 2
x1 0, x2 0.
c)
d)
30
x1
+
x2
2x1
+
x2 2
x1
2x2 2
x1
+
x2 4
x1 0, x2 0.
f)
max
sujeito a
x1
x1 0, x2 0.
x2
x2 1
x2 2
3.4
31
3.4.1
Introduo
Qualquer problema de programao linear pode ser escrito na forma que chamaremos
geral, mas, por convenincia, qualquer PPL tambm pode ser escrito sob outras formas
e representaes. A principal forma de um PPL que estudaremos a padro e as
possveis representaes de um PPL so: cartesiana, matricial e vetorial. Vejamos,
agora, algumas definies e observaes sobre este assunto.
Observaes:
a. As restries de um PPL na forma padro so todas escritas na forma de igualdades lineares (equaes lineares).
b. Qualquer PPL pode ser escrito na forma padro.
c. O PPL na forma padro acima encontra-se representado por uma notao
cartesiana. Agora, de forma equivalente, o PPL pode ser representado por uma
notao matricial, dada por: Notao matricial de um PPL na forma
padro
Em que:
32
A=
d. Um PPL na forma padro tambm pode ser representado por uma notao
vetorial, dada por:
Em que aj =
e
Exemplo: Dado o seguinte PPL na forma padro e representao cartesiana,
represente-o na forma matricial e vetorial:
Maximizar 5x1
Sujeito x1
2x1
3x1
x1 0,
+
+
+
3x2
2x2
x2
3x2
x2 0,
+
+
4x3 ,
x3
= 10
3x3
= 15
2x3
= 12
x3 0.
33
3.4.2
Foi dito anteriormente que qualquer PPL pode ser transformado para a forma padro.
Para isto importante saber que:
1. Minimizar f (x) = f (x1 , . . . , xn ) equivalente maximizar f (x) = f (x1 , . . . , xn )
e
e
(Prove!).
2. A isima restrio da forma:
pode ser transformada na seguinte igualdade:
em que xFi =
conhecida por varivel de folga.
3. A isima restrio da forma:
pode ser transformada na seguinte igualdade:
em que xFi 0.
Neste caso xFi tambm denominada varivel de folga ou de forma mais adequada
varivel de excesso.
4. Variveis negativas
Se na modelagem de um problema a varivel xi deve assumir um valor negativo,
esta varivel pode ser substituda por uma no-negativa da seguinte forma:
Substituir no modelo matemtico a varivel
xi 0
pela varivel
0
xi = xi 0
5. Variveis livres de sinal
Se xi irrestrita de sinal, ou seja, pode ser positiva, negativa ou nula, a varivel
dita livre e a mesma pode ser substituda por duas outras no-negativas. Para
isto note que qualquer nmero xi pode ser escrito como:
34
3.4.3
Exerccios de Fixao
5x1
+
3x2
2x1
+
x2 8
x1
2x2 3
x1 0, x2 0.
max
sujeito a
5x1
+
3x2
2x1
+
x2 = 8
x1
2x2 3
x1 0, x2 0.
max
sujeito a
5x1
+
3x2
2x1
+
x2 8
x1
2x2 3
x1 0, x2 0.
b)
c)
d)
max
sujeito a
5x1
+
3x2
2x1
+
x2 8
x1
2x2 3
x1 0, x2 livre de sinal
e)
min
sujeito a
5x1
+
3x2
2x1
+
x2
x1
2x2
3x1
x2
x1 0, x2 0, x3 livre de sinal.
x3
+ 3x3 15
+ x3 10
+ 2x3 = 8
3.5
3.5.1
Soluo:
x1 + x2 + x3
= 4
x2 +
+ x4 = 2
36
3.5.2
] considerada, o sistema Ax = b
e
e
BxB + N xN = b ,
e
e
e
pois
Ax = b
e e
A=[ B
| N
xB
e
x
N
e
=b
e
BxB + N xN = b.
e
e
e
xB = B 1 b B 1 N xN
e
e
e
denominada soluo geral de um sistema de equaes lineares.
(3.1)
Observao 3. Para obter uma soluo geral basta atribuir valores quaisquer s nm
variveis no-bsicas pertencentes ao vetor xN , obtendo-se assim, de forma nica, os
e vetor x .
m valores das variveis bsicas pertencente ao
B
e
xB
Definio 3.5.3 (Soluo Bsica). Uma soluo x = e
chamada soluo
xN
e
e
bsica quando as n m variveis no-bsicas do vetor xN da soluo geral so todas
e
iguais a zero. Desta forma, a soluo bsica assume a forma:
1
xB
B b
x= e
=
.
x
0e
N
e
e
e
Definio 3.5.4 (Soluo Bsica Vivel). Dizemos que uma soluo bsica
vivel quando xB 0. Neste caso, temos que:
e
e
1
xB
B b
0.
=
x= e
xN
0e
e
e
e
e
Propriedade 1 (2.1, pg. 73 de Arenales et al, 2006). Considere uma regio vivel
descrita como S = {x < tal que Ax = b, x 0}. Um ponto x S um vrtice de
e bsica
e e vivel.
e
e
S se e somente se x efor uma soluo
e
Consequncia: Uma regio vivel S tem um nmero finito de vrtices pois h
um nmero finito de parties bsicas, limitado por:
n!
n
=
,
m
m!(n m)!
em que n o nmero de variveis e m a quantidade de equaes.
3.5.3
A partir dos resultados das sub-sees anteriores tornou-se possvel obter um mtodo
de soluo de PPLs que no necessariamente possuem apenas duas (2) variveis de
deciso mas sim duas (2) ou mais, como est descrito a seguir:
Consequncia (Um mtodo de Soluo de PPL):
Se existe uma soluo tima para um PPL, basta que se procure o timo entre
todas as solues bsicas viveis (vrtices da regio vivel).
Exemplo 3.5.2. Dado o seguinte PPL:
max
sujeito a
x1
x1
+
+
2x2
x2 4
x2 2
x1 0, x2 0.
a) Obtenha a forma padro deste PPL.
b) Determine quantas solues bsicas existem e obtenha-as.
c) Dentre as solues bsicas, obtenha as bsicas viveis e a soluo tima.
d) Desenvolva a soluo grfica do PPL e identifique graficamentes as solues
bsicas, bsicas viveis e tima obtidas no item anterior.
e) Qualquer soluo bsica um vrtice da regio vivel? Explique.
Resp.: Soluo tima: (x1 , x2 , x3 , x4 ) = (2, 2, 0, 0). Valor timo = 6. (x3 , x4 so variveis de folga).
Soluo:
38
3.6
3.6.1
O Mtodo Simplex
Princpios Bsicos
O mtodo Simplex uma ferramenta utilizada normalmente para a resoluo de problemas de alocao de recursos e pertence a um captulo da Pesquisa Operacional
chamado de Programao Linear.
A partir deste momento, apresentamos a conceituao bsica do mtodo Simplex
atravs de um exemplo. Para isto devemos lembrar que o problema da marcenaria
pode ser modelado segundo um problema de programao linear expresso da seguinte
forma:
Maximizar Lucro L = 4x1
Sujeito
2x1
2x1
x1 0,
+
x2 ,
+
3x2 12
+
x2 8
x2 0.
Soluo do modelo:
Questo 1 : Observando o conjunto de restries do PPL da marcenaria (e a
regio vivel, caso exista), quantas combinaes de valores de x1 e x2 satisfazem tais
restries?
Resposta:
Exemplos de solues que satisfazem as restries:
Note que muitas outras combinaes podem ser testadas e muitas destas tambm
satisfazem as restries do PPL.
39
Note que visando um maior lucro possvel razovel produzir uma quantidade de
mesas maior possvel mas para isto necessrio observar que h uma quantidade
limitada de recursos (madeira e mo-de-obra). Deste modo, se no produzimos
armrios, os seja, se x2 = 0, temos que as restries dos rescursos disponveis
ficam dadas por:
Deste modo:
Se considerarmos s o recurso madeira, devemos produzir:
Se considerarmos s o recurso mo-de-obra, devemos produzir:
Mas para produzir as mesas percebemos que necessrio considerar os dois
recurso simultaneamente de modo que s podemos produzir:
Segue assim que nossa segunda soluo para o problema dada por:
Note que esta soluo vivel pois de acordo com a soluo desenvolvida todas as
restries do problema so respeitadas. Veja:
Recapitulando:
1. Partimos de uma soluo vivel:
40
Resposta: para responder se a soluo encontrada a melhor de todas podemos nos utilizar de critrios lgicos anlogos ao 10 Critrio, porm com pequenas
alteraes.
30 Passo:
De acordo com a soluo atual devemos produzir x1 = 4 mesas e nenhum armrio
x2 = 0.
Questes:
1. Existe alguma vantagem em tambm produzir armrios para que o lucro seja
ainda maior? Por exemplo, h vantagem em se produzir uma unidade de armrio
(passar x1 = 0 para x1 = 1)?
2. Ainda existe recursos disponveis para se produzir armrios? Quais?
Precisamos perceber que havendo vantagem em se produzir armrios, ser necessrio reduzir a produo de mesas pois mesmo havendo madeira disponvel para a
produo dos mveis, o recurso mo-de-obra excasso; segundo a programao (soluo) de produo atual (x1 = 4 mesas e nenhum armrio x2 = 0).
Consequncias ao Produzir Armrios
Como consequncia para produzir armrios, duas alteraes devem ser feitas no
programa de produo:
1. O nmero inicialmente encontrado para a produo de mesas deve diminuir e isso
diminui o lucro total.
41
2. A produo de armrios, inicialmente nula, pode ento tornar-se positiva, provocando assim um aumento do lucro total.
Com base nestas duas alteraes simultneas no lucro; uma reduo e um aumento;
o 10 Critrio pode ser adaptado como:
A varivel x2 (produo de armrios) dever se tornar positiva se o resultado no
lucro for positivo. Ou seja, se:
O Aumento no lucro L provocado pelo aumento de x2 denotado por Ax2
for maior que
A Reduo no lucro L provocado pela diminuio de x1 denotada por Rx1
De modo equivalente, devemos dizer que a varivel x2 (produo de armrios)
dever se tornar positiva se a contribuio lquida para o lucro dada por x2 for
positiva, ou seja, se:
Contribuio lquida dada por x2 = Ax2 Rx1 > 0.
20 Critrio (Adaptao do 10 )
Ao invs de se fazer positiva a varivel que tem o maior coeficiente positivo na
funo objetivo, faz-se positiva se sua contribuio lquida for positiva.
Aps calcular a contribuio lquida para o lucro total dada pela varivel x2 quando
a mesma passa de x2 = 0 para x2 = 1 (e consequntemente x1 = 4 para x1 = 3.5)
possvel verificar que a mesma negativa em uma unidade, ou seja, que:
42
3.6.2
O mtodo simplex consiste de um procedimento matemtico e computacional sistemtico e eficiente para a resoluo de problemas de programao linear (PPL). O processo
de soluo de um PPL por este mtodo basea-se na resoluo de sistemas de equaes
lineares considerando as seguintes idias/questes:
1) Qual o sistema que deve ser resolvido?
2) Qual o prximo sistema a ser resolvido fornecer uma soluo melhor que a
anterior?
3) Como identificar uma soluo tima, uma vez que a tenhamos encontrado?
3.6.3
43
3x1
x1
5x2
x2
3x1
+
2x2
x1 0, x2 0.
4
6
18
3.6.4
Exerccio
Resolva alguns dos PPLs at aqui apresentados atravs do mtodo Simplex utilizando
o software TORA e a funo SOLVER do Excel.
44
3.6.5
M,
M,
em problemas de maximizao
em problemas de minimizao
45
variveis artificiais no for nula na soluo tima tem-se que a soluo invivel (isto
, o PPL tem restries inconsistentes).
46
3.6.6
47
Degenerao
Na aplicao da condio de viabilidade(condio que mantem a viabilidade simultnea das restries) do mtodo simplex pode ocorrer um empate na razo mnima que
pode ser resolvido arbitrariamente. Quando isso acontece, no mnimo uma varivel
bsica ser zero na iterao seguinte, e diz-se que a nova soluo degenerada.
No h nada de alarmante com uma soluo degenerada, exceto uma pequena
inconvenincia terica denominada ciclagem ou retorno cclico. A ciclagem pode
ocorrer pelo fato da possibilidade do mtodo simplex entrar em uma sequncia de iteraes sem nunca melhorar o valor da funo objetivo e nunca satisfazer a condio de
otimalidade. Solues existem para evitar a ciclagem mas so raramente implementados nos softwares por reduzir drasticamente a velocidade dos clculos e contando com
o fato de sua ocorrncia ser rara na prtica.
Um segundo ponto terico surge do fato da possibilidade de surgir em diferentes
iteraes valores idnticos para o valor da funo objetivo, apesar de diferenas entre a
categorizao das vriveis bsicas e no-bsicas. Sendo assim poderamos perguntar
se poderamos parar na primeira iterao em que a degenerao aparece ainda que no
seja tima e a resposta no porque a soluo pode ser temporariamente degenerada.
E agora, qual a implicao prtica da degenerao? O que acontece que alguns
recursos (restries) so suprfluos e esta informao pode ser valiosa durante a implementao da soluo. A informao tambm pode levar descoberta de irregularidades
na construo do modelo mas infelizmente no h nenhuma tcnica de clculo eficiente
para identificar restries redundantes diretamente da tabela.
48
Observemos todos estes comentrios usando o software Tora para resolver (pelo
simplex tabular e grfico) o seguinte PPL:
max
z = 3x1
+
9x2
sujeito a
x1
+
4x2 8
x1
+
2x2 4
x1 0, x2 0.
Solues timas alternativas (ou mltiplas solues timas)
Quando a funo objetivo tem direo paralela a uma restrio vinculadora no
redundante (isto , uma restrio que satisfeita como uma equao na soluo tima),
a funo objetivo pode assumir o mesmo valor timo em mais de um ponto de soluo,
o que d origem a solues timas alternativas (ou mltiplas solues timas). Na
soluo grfica do seguinte modelo de PPL
max
z = 2x1
+
4x2
sujeito a
x1
+
2x2 5
,
x1
+
x2 4
x1 0, x2 0.
possvel observar isto e, na soluo Simplex tabular, possvel observar que em uma
certa iterao o valor do coeficiente de uma determinada varivel no bsica na linha
de z zero, o que significa que esta determinada varivel no bsica pode entrar na
soluo bsica sem alterar o valor de z, mas apenas causando mudana nos valores das
variveis.
O mtodo Simplex apresenta apenas dois pontos extremos de todas as possveis
solues e, na prtica, solues timas alternativas permitem, por exemplo, escolhas
convenientes de acordo com o interesse atual do mercado. Por exemplo, na soluo
tima do PPL acima, uma das solues aponta que apenas um dos produtos podem
ser produzidos e uma outra soluo permite que dois produtos possam ser produzidos
sem alterar o valor timo. Neste ltimo caso, numa situao de mix de produtos,
pode haver vantagem em produzir dois produtos em vez de um para poder enfrentar a
concorrncia de mercado.
Soluo ilimitada
Na resoluo do seguinte PPL
max
z = 2x1
+
x2
sujeito a
x1
x2 10
2x1
40
x1 0, x2 0.
possvel observar a possibilidade do valor de uma varivel poder ser aumentado indefinidamente sem violar nenhuma restrio, o que significa que a regio de solues
49
ilimitada (o que pode ocorrer, no caso, geral, com o aumento de mais variveis). A falta
de limites indica a possibilidade de o modelo ter sido mal construdo. A irregularidade
mais provvel em tais modelos que uma ou mais restries no redundantes
deixaram de ser levadas em conta e os parmetros (constantes) de algumas
restries podem no ter sido estimados corretamente.
Na tabela inicial do PPL acima, ambas variveis no bsicas x1 e x2 , tm coeficientes negativos na equao z. Por conseguinte, qualquer uma pode melhorar a soluo.
Agora pelo que determina o critrio simplex, a varivel x1 entraria na base mas se observarmos a coluna da varivel x2 , todos os coeficientes das restries so negativos ou
zero. Isso significa que no h nenhuma varivel que saia e que x2 possa ser aumentada
indefinidamente sem violar nenhuma das restries. Como cada aumento unitrio em
x2 aumentar z em 1, um aumento infinito em x2 resultar em um aumento infinito
em z. Assim, o problema no tem nenhuma soluo limitada. Esses resultados podem
ser vistos tanto na soluo simplex tabular quanto grfica do presente PPL.
Comentrio! O que aconteceria se tivssemos aplicado a condio de otimalidade
estrita que exige que x1 entre na soluo. A resposta que, a certa altura, uma tabela
subseqente teria levado a uma varivel que entraria com as mesmas caractersticas de
x2 .
Soluo invivel
Problemas de PL com restries inconsistentes podem no ter nenhuma soluo vivel.
Pode ser que essa situao nunca ocorra se todas as restries forem do tipo com
constantes do lado direito no negativas porque as folgas fornecem uma soluo vivel. Para outros tipos de restries, usamos variveis artificiais. Embora as variveis
artificiais sejam punidas na funo objetivo para for-las a zero na soluo tima, isso
s pode ocorrer se o modelo tiver uma regio vivel. Caso contrrio, ao menos uma
varivel artificial ser positiva na iterao tima. Do ponto de vista prtico, a
no existncia de uma regio vivel indica a possibilidade de o problema no ter sido
formulado corretamente. Veja como exemplo, o seguinte PPL:
max
z = 3x1
+
2x2
sujeito a
2x1
+
x2 2
3x1
+
4x2 12
x1 0, x2 0.