Baixe o app para aproveitar ainda mais
Prévia do material em texto
18 2- NOÇÕES DE CONVEXIDADE E FORMULAÇÃO MATEMÁTICA DE PROBLEMAS DE PROGRAMAÇÃO LINEAR 2.1 – Noções de Convexidade 2.1.1 - Combinação Convexa de pontos Considere C um conjunto contendo os pontos x1 e x2 e α ∈ [0,1]. Diz-se que o ponto b = αx1 + (1 -α)x2 é o resultado de uma combinação convexa de x1 e x2. Além disso, se fizer-se α + (1- α) terá como resultado o número 1. Pode-se estender esta definição para um conjunto de pontos:, Diz que o ponto b x x x i n n n i = + + + ≥ = � � � �� α α α α 1 1 2 2 0 1 2 .... ( , ,..., ) é uma combinação convexa dos pontos x1, x2,...,xn. Então, α1 + α2 + ........ + αn = α i i n = � = 1 1 Teorema 2.1.1: Sejam os pontos u1 e u2 , pertencentes ao ℜℜℜℜn, e u3 um ponto qualquer entre u1 e u2. Para algum 0 ≤ α ≤ 1 tem-se: α ( u1 - u2) = u3- u2. u3=α u1 + (1-α ) u2 (1). Como cada coeficiente de (1) é maior ou igual a 0, e a soma deles é igual a 1, então u3 é uma combinação convexa de u1 e u2. 2.1.2- Conjuntos Convexos Um subconjunto C∈ Rn é chamado convexo, se e somente se, para quaisquer pontos u1 e u2 pertencentes a C qualquer combinação convexa b = α 1 u1+α 2 u2 também pertencer a C. Em outras palavras, se C é convexo, então u C u C u u C 1 2 1 21 ∈ ∈ � � � �� + − ∈α α( ) (0 ≤ α ≤ 1). Portanto, um conjunto C é considerado convexo se todos os pontos do segmento de uma reta que une dois pontos de C também pertencem a C. 19 2.1.3- Ponto Extremo (ou Vértice) Seja C um conjunto convexo. Diz-se que u∈ C é um ponto extremo de C se não for possível expressá-lo como uma combinação convexa de quaisquer outros dois pontos distintos pertencentes ao conjunto C. 2.1.4- Intersecção de Conjuntos Convexos Sejam A e B dois conjuntos convexos. Seja S o conjunto intersecção, ou seja, S = A ∩∩∩∩ B. Se dois pontos p e q pertencem a S, então o segmento pq pertence a S. Portanto, todos os pontos pertencentes a S satisfazem a condição de convexidade. É imediato concluir que a intersecção de um número finito de conjuntos convexos é um conjunto convexo. 2.2 – Formulação Matemática de P.P.L’S em R2 A formulação matemática para os Problemas de Programação Linear é uma idealização da realidade, pois emprega símbolos matemáticos para representar as variáveis do sistema real. Essas variáveis são relacionadas por equações lineares que expressam as restrições do problema através de sistemas lineares e da função matemática a ser otimizada, que também é linear. A solução consiste em encontrar valores adequados das variáveis de decisão que otimizem o desenvolvimento do sistema, segundo o critério desejado (maximizar ou minimizar). A formulação matemática consiste em: i) Identificar as variáveis de decisão e determinar a grandeza a ser otimizada, expressando-a como uma função matemática (função objetivo). ii) Identificar todas as exigências, restrições e limitações estipuladas, expressando-as matematicamente (restrições). iii) Expressar todas as condições implícitas. Tais condições não são estipuladas explicitamente no problema relativo à situação física sendo assim, modeladas. Exemplo 2.1: Uma pessoa em dieta necessita ingerir pelo menos: - 20 unidades de vitamina A; ( Vitamina A ≥ 20) 20 - 10 unidades de vitamina B; ( Vitamina B ≥ 10) - 2 unidades de vitamina C. ( Vitamina C ≥ 2) Ela deve conseguir estas vitaminas a partir de dois tipos diferentes de alimentos A1 e A2. A quantidade de vitaminas que esses produtos contém por unidade e o preço de cada um estão na tabela: Vitamina A Vitamina B Vitamina C Preço Unitário Alimento A1 4 1 1 30 u.m. Alimento A2 1 2 0 20 u.m. Qual a programação de compras dos alimentos A1 e A2 que essa pessoa deve fazer para cumprir sua dieta a menor custo possível? Resolução: Variáveis de decisão: x1: quantidade de alimento A1 a ser comprado. x2: quantidade de alimento A2 a ser comprado. Função objetivo: z = 30x1 + 20x2 Conjunto de restrições: 4x1 + x2 ≥ 20 x1 + 2x2 ≥ 10 x1 ≥ 2 x2 ≥ 0 Problema: min z = 30x1 + 20x2 s.a 4x1 + x2 ≥ 20 x1 + 2x2 ≥ 10 x1 ≥ 2 x2 ≥ 0 . Exemplo 2.2: Um fabricante de artigos de plásticos possui um estoque de 1200 caixas de envôlucos transparentes em uma de suas fábricas e outras 1000 caixas em uma segunda 21 fábrica. O fabricante recebeu pedidos deste produto provenientes de três diferentes varejistas nas quantidades de 1000, 700 e 500 caixas respectivamente. Os custos unitários de expedição desde as fábricas até os varejistas são os seguintes: Varejista 1 Varejista 2 Varejista 3 Fábrica 1 14 13 11 Fábrica 2 13 13 12 Determine o programa de expedição que atenda todas as demandas a partir do estoque disponível a um custo mínimo. Resolução: Variáveis de decisão: xij : número de caixas a serem expedidas da fábrica i para o varejista j. i = 1, 2 , j = 1, 2, 3. Função objetivo: z = 14 x11 + 13 x12 + 11 x13 + 13 x21 + 13 x22 + 12 x23 Conjunto de restrições: x11 + x12 + x13 = 1200 x21 + x22 + x23 = 1000 x11 + x21 = 1000 x12 + x22 = 700 x13 + x23 = 500 xij ≥ 0 , i = 1, 2 ; j = 1,2,3. Problema: min z = 14 x11 + 13 x12 + 11 x13 + 13 x21 + 13 x22 + 12 x23 s.a. x11 + x12 + x13 = 1200 x21 + x22 + x23 = 1000 x11 + x21 = 1000 x12 + x22 = 700 x13 + x23 = 500 xij ≥ 0 , i = 1, 2 ; j = 1,2,3. 22 Exemplo 2.3: Uma pequena indústria produz artigos A1 e A2 que são vendidos a 200 u.m. e 300 u.m., respectivamente. Na sua produção são utilizados três tipos de matérias- primas, P1, P2 e P3, que são 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 razões econômicas, as matérias-primas P1, P2 e P3, estão disponíveis no máximo em 20, 32 e 10 unidades, respectivamente. O dono da empresa deseja saber as quantidades dos produtos A1 e A2 que devem ser produzidos para que a receita bruta seja a menor possível. Resolução: Variáveis de decisão: x1: quantidade do produto A1 a ser produzida; x2: quantidade do produto A2 a ser produzida. Função objetivo: z = 200 x1 + 300 x2 Conjunto de restrições: 2 x1 + x2 ≤ 20 4 x1 ≤ 32 x2 ≤ 10 x1 , x2 ≥ 0 Problema: min z = 200 x1 + 300 x2 2 x1 + x2 ≤ 20 4 x1 ≤ 32 x2 ≤ 10 x1 , x2 ≥ 0. 23 2.3- Resolução Gráfica dos Problemas de Programação Linear no ℜℜℜℜ 2 A resolução de Problemas de Programação Linear no ℜ2, pode ser determinada graficamente se o problema tem: - Solução única; - Múltiplas soluções; - Solução ilimitada; - Infactível (não tem solução). Para isso determina-se inicialmente a região de factiblidade do problema, ou seja, a região determinada pelas restrições. A seguir, utiliza-se as curvas de nível e o vetor gradiente da função objetivo para determinar o sentido em que a função cresçe ou diminui mais rapidamente. Veja alguns exemplos: Exemplo 2.3.1 (Solução única):Curva de Nível max z = 2 x1 + x2 Solução ótima s.a -x1 + x2 ≤ 1 x2 ≤ 2 x1 ≤ 3 x2 ≤ 2 x1 e x2 ≥ 0 x1 ≤ 3 x1 vetor gradiente Exemplo 2.3.2 (Múltiplas soluções): max z = x1 + x2 s.a x1 ≤ 3 x2 ≤ 4 x2≤4 2x1 + 2x2 ≤ 9 2x1 + 2x2≤9 x1 e x2 ≥ 0 x* = α x1 + (1 - α) x2 (0 ≤ α ≤ 1). x1≤3 x2 Infinitas Soluções x1 x2 -x1+x2 ≤ 1 24 x2 Exemplo 2.3.3 (Solução Ilimitada): max z = x1 + 2 x2 x1+2x2 ≥ 10 x1 ≥ 2 4 x1 + x2 ≥ 20 x1 + 2 x2 ≥ 10 soluções ilimitadas x1 ≥ 2 x1 e x2 ≥ 0 4x1+x2 ≥ 20 x1 Este problema não possui solução ótima finita, pois o valor da função pode crescer indefinidamente dentro da região de factibilidade. Dizemos que este é um problema ilimitado. x2 Exemplo 2.3.4 (Infactível): min. z = x1 + x2 -2x1+x2 ≥ 20 s.a -2 x1+ x2 ≥ 20 x1 - x2 ≥ 2 x1-x2 ≥ 2 x1 , x2 ≥ 0 x1 Neste problema, o conjunto de pontos viáveis é um conjunto vazio, pois não há região no plano que satisfaça as quatro restrições. Diz-se que este é um problema inviável ou infactível. 2.4– Formulação Geral de um Problema de Programação Linear Nessa seção, será definida um Problema de Programação Linear (P.P.L.) em sua forma geral, padrão e canônica, necessárias para a definição de um método para resolução desses problemas a ser visto no capítulo 3. . 25 2.4.1- Diferentes formas de um Problema de Programação Linear 2.4.1.1 Forma Geral Diz-se que um Problema de Programação Linear está na forma geral se este se encontrar na seguinte forma: Max (ou Min) z = c1x1 + c2x2 +…+ cnxn ; s.a. a11x1 + a12x2 + ... + a1nxn ≤ b1 . . . ap1x1 + ap2x2 + ... + apnxn ≤ bp a(p+1)1x1 + a(p+1)2x2 + ... + a(p+1)nxn ≥ b(p+1) . . . aq1x1 + aq2x2 + ... + aqnxn ≥ bq a(q+1)1x1 + a(q+1)2x2 + ... + a(q+1)nxn = b(q+1) . . . am1x1 + am2x2 + ... + amnxn = bm x1, ..., xp’ ≥ 0 x(p’+1), , xq’ ≤ 0 xq’, ..., xn : irrestrita, onde 1 ≤ p ≤ m , 1 ≤ p’ ≤ q’ ≤ n, 1≤q≤m Exemplo 2.4.1: max z = 5x1+3x2+x3+2x4-4x5 s.a.: x1+5x2-3x3 - x4+7x5 ≤ 10 3x1-2x2+5x3+ x4+4x5 ≥ 15 x1+7x2 - x3+2x4+3x5 ≥ 20 5x1+2x2+2x3+3x4- x5 = 8 x1≥0, x2≥0, x3≤0, x4 : irrestrita, x5 : irrestrita 2.4.1.2- Forma Canônica Dizemos que um Problema de Programação Linear está na forma Canônica ou na forma de Desigualdade do tipo “≤” se este se encontrar na seguinte forma: Max. (ou Min.) z = c1x1 + c2x2 +…+ cnxn ; s.a.: a11x1 + a12x2 + ... + a1nxn ≤ b1 .... am1x1 + am2x2 + ... + amnxn ≤ bm 26 Na forma matricial: max (ou min) z = cTx s.a. Ax ≤ b x ≥ 0 onde x,c ∈ ℜn, b ∈ ℜm , A ∈ ℜmxn Exemplo 2.4.2: Max z 2x1 + 3x2 s.a. 5x1 + x2 ≤ 0 3x1 + 2x2 ≤ 0 x1 + 4x2 ≤ 0 x1, x2 ≥ 0 2.4.1.3- Forma Padrão Dizemos que um Problema de Programação Linear está na forma Padrão ou na forma standard se este se encontrar na seguinte forma matricial: max (ou min) z = cTx s.a. Ax = b x ≥ 0 onde x,c ∈ ℜn, b ∈ ℜm , A ∈ ℜmxn 2.4.5- Transformação de PPL´s gerais na forma padrão. Para transformar um Problema de Programação Linear (que se apresenta em forma de um sistema de inequações e equações lineares) em um sistema de somente equações lineares, deve-se fazer: 2.4.5.1) Se bi < 0: Deve-se multiplicar a linha i do sistema por (-1). Exemplo 2.4.3: Max. 5x1 + 3x2 ≈ Max. 5x1 + 3x2 sa 2x1 + x2 ≤ 8 sa 2x1 + x2 ≤ 8 -x1 + 2x2 ≤ -3 (bi < 0) x1 - 2x2 ≥≥≥≥ 3 x1, x2 ≥ 0 x1, x2 ≥ 0 2.4.5.2) Se xi no modelo for livre de sinal ou irrestrito: xi é qualquer ou livre de sinal xi ≥ 0 ou xi ≤ 0. 27 Escreve-se xi em função de xi’ e xi” , ou seja: xi = xi’ - xi” com xi’ ≥ 0 e xi” ≥ 0. Exemplo 2.4.4: Max. 5x1 + 3x2 ≈ Max. 5x1 + 3(x2’ – x2’’) sa 2x1 + x2 ≥ 8 sa 2x1 + (x2’ – x2’’) ≥ 8 x1 + 2x2 ≥ 3 x1 - 2(x2’ – x2’’) ≥ 3 x1 ≥ 0, x2 livre x1, x2’, x2’’ ≥ 0 x2 = x2’ – x2’’ Observação: Se xi’ = xi” xi =0. Se xi’ > xi” xi > 0. Se xi’ < xi” xi < 0. 2.4.5.3) Ocorrência de xi ≤ 0: Troca-se xi por - xi’, onde xi’ ≥ 0. Exemplo 2.4.5: Max. 5x1 + 3x2 ≈ Max. 5x1 – 3x2’ sa 2x1 + x2 ≥ 8 sa 2x1 – x2’ ≥ 8 x1 + 2x2 ≥ 3 x1 – 2x2’ ≥ 3 x1 ≥ 0, x2 ≤ 0 x1, x2, x2’ ≥ 0 x2 = – x2’ 2.4.5.4) Se: :: Soma-se xn+i no membro da esquerda da linha i do sistema e considera-se o novo n = n + i (variável de folga), com xn+i ≥ 0. i n 1j jij bxa ≤� = 28 Exemplo 2.4.5: Max. 5x1 + 3x2 ≈ Max. 5x1 + 3x2 sa 2x1 + x2 ≤ 8 sa 2x1 + x2 + x3 = 8 -x1 + 2x2 ≤-3 x1 - 2x2 + 0x3 + x4 = 3 x1, x2 ≥ 0 x1, x2 ,x3, x4 ≥ 0 2.4.5.5) Se i n 1j jij bxa ≥� = Subtrair-se xn+i no membro da esquerda da linha i e considerar-se o novo n = n + j (variável de excesso), com xn+i ≥ 0. Exemplo 2.4.6: Max. 5x1 + 3x2 ≈ Max. 5x1 + 3x2 sa 2x1 + x2 ≥ 8 sa 2x1 + x2 - x3 = 8 x1 + 2x2 ≥ 3 x1 -2x2 - 0x3 - x4 = 3 x1, x2 ≥ 0 x1, x2 ,x3, x4 ≥ 0 2.4.5.6) Maximizar uma função objetivo é equivalente a minimizar o seu simétrico, ou seja: Máx. z = cTx Min. -z = -cTx.
Compartilhar