4 Método simplex

Prévia do material em texto

DESCRIÇÃO
O método simplex para a solução de modelos de programação linear e a utilização do solver na solução de problemas de
programação linear.
PROPÓSITO
Dominar a solução de problemas de programação linear, seja por meio do método simplex, ou pela utilização de softwares,
permitirá que você aplique a técnica de modelagem no processo de decisão de problemas complexos de diversas origens,
em especial em sua atuação profissional.
PREPARAÇÃO
Para o conteúdo deste tema, são necessários uma calculadora e um software editor de planilhas eletrônicas com o add-in
do solver habilitado.
OBJETIVOS
MÓDULO 1
Empregar o método simplex para a solução de problemas de programação linear
MÓDULO 2
Aplicar o solver para solução de problemas de programação linear
INTRODUÇÃO
A modelagem matemática nos permite representar, de forma simplificada, um problema complexo por meio de linguagem
matemática. Com isso, conseguimos analisar diferentes cenários de forma mais rápida e barata do que se a situação fosse
avaliada na realidade, auxiliando-nos, assim, no processo de tomada de decisão.
No contexto da programação linear, que se aplica, por exemplo, no planejamento de redes logísticas, há métodos, como o
método gráfico, que se restringem à solução de problemas com apenas duas ou no máximo três variáveis de decisão.
Como solucionar, então, problemas mais complexos, com maior número de variáveis de decisão? Este é o assunto a ser
tratado neste tema. A seguir, abordaremos o método simplex para a solução de problemas de programação linear e
aprenderemos a utilizar o solver do Excel para a solução desse tipo de problema!
MÓDULO 1
 Empregar o método simplex para a solução de problemas de programação linear
APRESENTAÇÃO DO TEMA
O vídeo aborda o método simplex e sua importância para a resolução de problemas.
O MÉTODO SIMPLEX PARA A SOLUÇÃO DE MODELOS
DE PROGRAMAÇÃO LINEAR
Podemos resolver, de forma simples, problemas de programação linear com duas variáveis de decisão por meio do
método gráfico. Entretanto, são poucos os problemas de programação linear no mundo real que envolvem apenas duas
variáveis de decisão, de modo que a aplicação do método gráfico é bastante limitada.
ENTÃO, COMO FAZEMOS PARA SOLUCIONAR PROBLEMAS
MAIS COMPLEXOS, COM UM MAIOR NÚMERO DE VARIÁVEIS
DE DECISÃO?
Existe uma série de técnicas matemáticas para resolver problemas de programação linear com qualquer número de
variáveis sem a necessidade de visualizar em gráficos as regiões viáveis. Dentre tais técnicas, destaca-se o algoritmo
simplex, que foi o primeiro método desenvolvido para resolver problemas de programação linear.
O algoritmo simplex foi desenvolvido por George B. Dantzig, em 1947, enquanto trabalhava como consultor em
matemática para o controle da Força Aérea norte-americana. O método simplex é específico para a solução de problemas
de otimização linear (equações ou inequações lineares). Trata-se de um algoritmo eficiente que se baseia na solução
sucessiva de sistemas de equações indeterminados, em que sistemas adjacentes são avaliados de forma iterativa, sendo,
assim, adaptável ao cálculo computacional. Na época, os computadores estavam começando a surgir, e a resolução desse
tipo de problema se tornava importante na prática!
O simplex é considerado uma das grandes contribuições à programação matemática.
Antes de estudarmos o algoritmo simplex, é importante entendermos o conceito do simplex e recordarmos alguns pontos
sobre a solução de problemas de programação linear com duas variáveis de decisão por meio do método gráfico.
O QUE É UM SIMPLEX?
Um simplex é um polígono convexo, ou seja, com propriedade especial: uma reta que passe por quaisquer dois pontos
pertencentes a um simplex deve estar contida inteiramente dentro do simplex. Logo, na figura a seguir, observa-se que o
polígono representado em (a) não é convexo, enquanto o ilustrado em (b) é um simplex.
 Polígono não convexo e polígono simplex.
As restrições de um problema de programação linear sempre definem hiperespaços convexos. Esta é a premissa do
algoritmo simplex e de boa parte da teoria de otimização convexa. Assim, o espaço de soluções de um problema de
programação linear, ou seja, a área formada pela intersecção das restrições do problema, é uma forma geométrica
simplex.
MÉTODO GRÁFICO
Para encontrar a solução ótima pelo método gráfico, precisamos seguir os seguintes passos:
Desenhe as retas correspondentes às restrições do problema e encontre o espaço de soluções.

Desenhe o vetor z (função objetivo).

Desenhe linhas ortogonais ao vetor z. Essas são as linhas de isocusto, isto é, são as retas que têm o mesmo valor de z.

Calcule o valor de z no ponto ótimo, ou seja, a linha de isocusto com maior z que ainda pertence ao espaço de soluções.
Em um caso bidimensional, o espaço de soluções viáveis é um plano, e a função objetivo é representada por um vetor.
Assim, por meio do método gráfico, buscamos a reta ( ) perpendicular ao vetor da função objetivo com o
maior (ou menor) possível dentro do espaço de soluções. Como o espaço de soluções é simplex, a reta 
para z ótimo que corta o plano, obrigatoriamente, corta as retas de restrições. Ainda, como nos pontos de interseção
(vértices) temos mudança de inclinação (retas diferentes), garante-se que a solução ótima se dá na interseção entre retas
de restrições (nos vértices), de modo que o algoritmo simplex analisa apenas os pontos de interseção do espaço de
soluções.
Na verdade, esta foi a grande ideia de Dantzig para o desenvolvimento do algoritmo simplex: dado que a solução ótima
está em um vértice do espaço de soluções viáveis, por que não percorrê-los em busca da melhor solução possível?
MÉTODO SIMPLEX
Conforme verificamos, a chave do algoritmo simplex está no formato da região limitada pelas restrições. Portanto, apesar
de ser um procedimento algébrico, os conceitos subjacentes ao método simplex são geométricos.
O simplex é um algoritmo iterativo, que se utiliza de um ferramental baseado em álgebra linear para a resolução sucessiva
de sistemas de equações, embora as restrições de problemas de programação matemática sejam tipicamente inequações.
Desse modo, a primeira etapa do método simplex consiste em converter as restrições de desigualdade em restrições
de igualdade equivalente. O algoritmo simplex só pode ser rodado se o problema estiver escrito na forma canônica, que
é a forma de se representar programas matemáticos por meio de equações. Para isso, precisamos criar as chamadas
variáveis de folga ou de excesso.
VARIÁVEIS DE FOLGA (F)
Exemplo (forma canônica):
x2 = z − ax1
z x2 = z − ax1
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
 = Variável de folga
Assim, se , então teríamos que a variável de folga seria igual a 2. Se , então teríamos que a variável de
folga seria igual a 7.
VARIÁVEIS DE EXCESSO (E)
Exemplo (forma canônica):
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
 = Variável de excesso
Assim, se , então teríamos que a variável de excesso e1 seria igual a 2. Se , então teríamos que a
variável de excesso seria igual a 5.
Veja o caso do problema da Fitwear, apresentado a seguir. Será que conseguimos escrevê-lo em sua forma canônica?
Caso Fitwear S/A
A Fitwear S/A é uma confecção de roupas esportivas, tendo uma linha fitness feminina, na qual produz roupas de ginástica
exclusivas para mulheres, como tops e calças de lycra.
Cada top de ginástica é vendido por R$80,00 e utiliza R$20,00 de matéria-prima, como tecido e alinhamentos, e R$32,00
de mão de obra. Trinta minutos de corte e 15 minutos de costura são demandados para a confecção de um top de
ginástica.
Cada calça de ginástica é vendida por R$120,00 e utiliza R$35,00 de matéria-prima, como tecido e alinhamentos, e
R$40,00 de mão de obra. Quinze minutos de corte e 30 minutos de costura são demandados para a confecção de uma
calça de ginástica.
A Fitwear só pode contar com 100 horas de cortepor semana e 160 horas de costura. A confecção não tem problemas no
fornecimento de matérias-primas, de modo que seu suprimento pode ser considerado ilimitado, bem como a demanda
semanal de seus produtos.
A Fitwear deseja planejar sua produção semanal de modo a maximizar seus lucros.
Quando modelamos o problema, consideramos as seguintes variáveis de decisão:
Número de tops de ginástica confeccionados a cada semana.
x1 ≤ 10   →  x1  + f1 = 10 
f1
x1 = 8 f1 x1 = 3
f1
x1 ≥ 10  →  x1  − e1 = 10
e1
x1 = 12 x1 = 15
e1
x1
Número de calças de ginástica confeccionadas a cada semana.
Assim, chegamos à seguinte formulação matemática em sua forma-padrão.
SUJEITO A (FORMA-PADRÃO):
 RESTRIÇÃO DE HORAS DE CORTE
 RESTRIÇÃO DE HORAS DE
COSTURA
 RESTRIÇÃO DE NÃO NEGATIVIDADE DAS
VARIÁVEIS DE DECISÃO
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Observe que tanto a restrição referente às horas de corte quanto a restrição referente às horas de costura são do tipo ≤.
Logo, precisaremos de duas variáveis de folga, e , para passar o problema para sua forma canônica.
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Sujeito à (forma canônica):
x2
Máx Z =  28 x1 +  40x2
0, 5x1  + 0, 25x2 ≤ 100  →  
0, 25x1  + 0, 5x2 ≤ 160  →
x1,  x2 ≥ 0  →
f1 f2
Máx Z =  28 x1 +  40x2
0, 5x1  + 0, 25x2 + f1 = 100
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Uma vez adicionadas as variáveis de folga, o problema da Fitwear é dito no formato canônico e pronto para ser resolvido
pelo método simplex!
Para resolver o problema de programação linear, o algoritmo simplex se baseia na solução sucessiva de sistemas de
equações, utilizando-se do conceito de variáveis básicas e não básicas:
VARIÁVEIS BÁSICAS
São aquelas para as quais o sistema de equações é resolvido.
VARIÁVEIS NÃO BÁSICAS
São aquelas que são zeradas para que o sistema de equações apresente uma solução, ou seja, para que o número de
equações seja igual ao número de variáveis, permitindo, assim, a solução do sistema de equações.
No problema da Fitwear, por exemplo, temos quatro variáveis ( , , e ) e apenas duas equações (restrições).
Entretanto, para que um sistema de equações lineares seja resolvido, é necessário que o número de equações seja igual
ao número de variáveis. De tal modo, para resolver o problema da Fitwear, devemos considerar duas variáveis como nulas
(não básicas) e resolver o problema para outras duas (variáveis básicas), e assim fazemos por iterações sucessivas, até
que encontremos o par de variáveis básicas que nos dá a solução ótima.
Em linhas gerais, o algoritmo simplex parte de uma solução viável do sistema de equações que constituem as restrições
do problema de programação linear, solução essa normalmente extrema (vértice). A partir dessa solução inicial, o algoritmo
adota um critério de escolhas para encontrar novos e melhores vértices da envoltória convexa do problema, e outro critério
para determinar se o vértice escolhido (solução básica) é ou não um vértice ótimo (GOLDBARG; LUNA, 2005). Assim, pelo
método simplex, devemos:
1
Transformar o modelo em sua forma canônica, ou seja, transformar o sistema de inequações em sistema de equações.
Determinar uma solução básica inicial, que será iterativamente melhorada.
2
0, 25x1  + 0, 5x2 + f2 = 160
x1,  x2 ≥ 0
x1 x2 f1 f2
javascript:void(0)
javascript:void(0)
3
Realizar o teste da otimalidade, ou seja, verificar se a iteração atual é ótima ou se outras variáveis não base (ou seja, que
estão zeradas) devem entrar na base, pois têm potencial para contribuir para melhorar a solução.
Realizar o teste da mínima razão, que determinará qual variável básica deve sair da base, ou seja, verificará quais das
variáveis devem passar a ser nulas para que a nova variável entre na base.
4
5
Calcular a nova solução básica e voltar ao passo 3.
Arenales et al. (2007) descrevem o algoritmo simplex em duas fases. A fase 1 traz o procedimento de como determinar
uma solução inicial, enquanto o método simplex propriamente dito é apresentado na fase 2.
PASSO 1
Escreva o problema na forma canônica
Minimizar 
 , sendo A uma matriz mxn
 
PASSO 2
Determine inicialmente uma partição básica factível , ou seja, com dois vetores de índices básicos e não
básicos: e .
Faça iteração=1.
Fase 2: {início da iteração simplex}
PASSO 1: {CÁLCULO DA SOLUÇÃO BÁSICA}
 (equivalentemente, resolva o sistema )
PASSO 2: {CÁLCULO DOS CUSTOS RELATIVOS}
{vetor multiplicador simplex}
 (EQUIVALENTEMENTE, RESOLVA O SISTEMA )
f(x) = cT x
Ax = b
x ≥ 0
A = [B.N ]
(B1,  B2,  … ,  Bm) (N1,  N2,  … ,  Nn − m)
x̂b = B−1b Bxb = b
x̂n = 0
ƛT = cT
B
B−1   BT  ƛ = cb
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
{custos relativos}
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
{determinação da variável a entrar na base}
 MÍNIMO (A VARIÁVEL ENTRA
NA BASE)
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
PASSO 3: {TESTE DA OTIMALIDADE}
SE , ENTÃO PARE {SOLUÇÃO NA ITERAÇÃO ATUAL É ÓTIMA}
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
PASSO 4: {CÁLCULO DA DIREÇÃO SIMPLEX}
(EQUIVALENTEMENTE, RESOLVA O SISTEMA )
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
PASSO 5: {DETERMINAÇÃO DO PASSO E VARIÁVEL A SAIR DA BASE}
Se , então: pare {problema não tem solução ótima finita: 
Caso contrário, determine a variável a sair da base pela razão mínima:
 MÍNIMO , TAL QUE , (A
VARIÁVEL SAI DA BASE)
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
PASSO 6: {ATUALIZAÇÃO: NOVA VARIÁVEL BÁSICA, TROQUE A L-
ĉNj = cNj − ƛT aNj,  j = 1, 2,… ,n − m
ĉNj = {ĉNj  ,  j = 1,  2,  … ,  n − m} xNk
ĉNj ≥ 0
y = B−1aNk By = aNk
y ≤ 0 f(x) → −∞}
ε̂ = =
x̂Bl
yl
{ x̂Bi
yi
yi > 0 yi > 0, i = 1, 2, . . .m}
xBl
ÉSIMA COLUNA DE B PELA K-ÉSIMA COLUNA DE N}
Matriz básica nova:
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Matriz não básica nova:
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Iteração = iteração +1
Retorne ao passo 1
{fim da iteração simplex}
Na forma de algoritmo, como apresentado por Arenales et al. (2007), o método simplex pode parecer difícil, mas vamos
entender o que Dantzig propôs por meio de um exemplo.
Caso da empresa Glass Co.
A empresa Glass Co., que possui três fábricas, produz janelas e portas de vidro. As esquadrias e ferragens em aço são
feitas na fábrica 1, as esquadrias de madeira são produzidas na fábrica 2 e a fábrica 3 produz o vidro e monta os produtos.
A direção da empresa decidiu modernizar sua linha de produtos e propôs o lançamento de dois novos produtos:
Produto 1: porta de vidro de 2,5m com esquadria de alumínio.
Produto 2: janela adornada com esquadria de madeira 1,2m x 1,8m.
O produto 1 requer capacidade produtiva das fábricas 1 e 3. O produto 2 precisa das fábricas 2 e 3. A divisão de marketing
concluiu que a empresa poderia vender tanto quanto fosse possível produzir desses produtos por essas fábricas. Porém,
ambos os produtos competem por capacidade produtiva da fábrica 3, não estando claro qual mix dos dois seria mais
lucrativo. Determine quais devem ser as taxas de produção para maximizar o lucro total, sujeitas às restrições impostas
pela capacidade produtiva:
Fábrica
Tempo de produção por lote (em
horas)
Tempo de produção disponível por semana
(horas)Produtos
1 2
B = [aB1 …  aBl−k aNk aBl+1 …  aBm]
N = [aN1 … aNk−1  aBl  aNk+1  …  aNn−m]
1 1 0 4
2 0 2 12
3 3 2 18
Lucro por
lote
R$3.000,00 R$5.000,00
 Atenção! Para visualizaçãocompleta da tabela utilize a rolagem horizontal
 Produção empresa Glass Co. Extraída de Hillier e Lieberman, 2013, pág. 21
Inicialmente, devemos escrever o modelo matemático para o problema da GlassCo., seguindo os passos do procedimento
para construção do modelo de programação linear:
Identificação das variáveis de decisão

Identificação da função objetivo

Identificação do conjunto de restrições
A seguir, vamos seguir cada um dos passos indicados.
IDENTIFICAÇÃO DAS VARIÁVEIS DE DECISÃO
No caso da Glass Co., a empresa deve decidir os produtos a serem fabricados. Logo, a definição da variável de decisão
seria:
 — quantidade de produto i confeccionada
Assim, temos:
 - Quantidade de lotes produtos 1 fabricados.
 - Quantidade de lotes produtos 2 fabricados.
IDENTIFICAÇÃO DA FUNÇÃO OBJETIVO
No caso da Glass Co., a empresa deseja maximizar seu lucro total:
Determine quais devem ser as taxas de produção para maximizar o lucro total (…).
Para cada lote de portas de vidro de 2,5m com esquadria de alumínio (produto 1) vendido, a empresa lucra R$3.000,000,
enquanto o lucro de venda de cada lote de janela adornada com esquadria de madeira 1,2m x 1,8m (produto 2) equivale a
R$5.000,00. Logo, o lucro total é igual a ., de modo que a função objetivo para o problema é:
xi
x1
x2
3000x1 + 5000x2
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
IDENTIFICAÇÃO DO CONJUNTO DE RESTRIÇÕES
No caso do problema da Glass Co., foram consideradas ilimitadas a demanda por seus produtos e a oferta de matéria-
prima, de modo que não entram como restrições no modelo matemático. Porém, há restrições relacionadas ao tempo de
produção disponível por semana em cada fábrica.
Fábrica
Tempo de produção por lote (em horas)
Tempo de produção disponível por semana (horas)Produtos
1 2
1 1 0 4
2 0 2 12
3 3 2 18
 Atenção! Para visualizaçãocompleta da tabela utilize a rolagem horizontal
 Produção empresa Glass Co. Extraída de Hillier e Lieberman, 2013, pág. 21.
Há, ainda, a restrição de não negatividade das variáveis de decisão, uma vez que não se pode produzir um número
negativo de portas ou janelas. Logo, a restrição 4 é dada por: 
Logo, temos as seguintes restrições:
Enfim, temos o seguinte modelo matemático para o problema da Glass Co.:
Max Z = 3x1 + 5x2
x1,  x2 ≥ 0
x1 ≤ 4
2x2 ≤ 12  →  x2 ≤ 6
3x1 + 2x2 ≤ 18
Max Z = 3x1 + 5x2
S.A.
 
 
 
 
 
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
MAS QUAL É O MIX DE PRODUÇÃO QUE NOS DÁ A SOLUÇÃO
ÓTIMA?
O primeiro passo do algoritmo simplex é transformar o modelo em seu formato canônico.
Passando para o formato canônico, temos:
S.A.
x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1,  x2 ≥ 0
x1,  x2 ≥ 0
Max Z = 3x1 + 5x2
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Em seguida, devemos escolher uma solução básica inicial. Observe que temos três equações no sistema de equações e
cinco variáveis. Dessa forma, devemos ter três variáveis-base e duas não base. O modo mais fácil de resolver esta etapa
é escolher as variáveis e como variáveis não básicas, uma vez que essa opção elimina o trabalho necessário para
encontrar a solução quando as variáveis básicas são as variáveis de folga (ou excesso) ( , e ). Nesse caso, se
 e , z seria igual a zero também, enquanto , e .
Função objetivo: , logo, para a solução inicial de e , temos .
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Restrição 1: 
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Restrição 2: 
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Restrição 3: 
 Atenção! Para visualização completa da equação utilize a rolagem horizontal

Portanto, temos a solução inicial de ( ).
Passamos, então, para o teste da otimalidade. Como , verificamos que o coeficiente de cada variável
não básica ( e ) fornece a taxa de crescimento em .
Como as taxas de crescimento são positivas (3 e 5) e este é um problema de maximização, concluímos que a solução
inicial ( ) não é a solução ótima!
Já sabemos que a solução básica inicial não é ótima, então uma variável não básica ( ou ) deve entrar na base.
Porém, devemos aumentar ou ?
x1 + f1   =  4  →  restrição 1
2x2 + f2  = 12 →  restrição 2
3x1 + 2x2 + f 3 = 18  →  restrição 3
x1,x2,  f1,  f2,  f3 >= 0
x1 x2
f1 f2 f3
x1 = 0 x2 = 0 f1 = 4 f2 = 12 f3 = 18
Z = 3x1 + 5x2 x1 = 0 x2 = 0 Z = 0
x1  + f1  =  4   →   0  + f1  =  4   →  f1  =  4
2x2  + f2  = 12  →   0  + f2  =  12   →  f2  =  12
3x1 + 2x2  + f3  = 18  →  0 + 0 + f3  =  18  →  f2  =  18 
0, 0, 4, 12, 18
Z = 3x1 + 5x2
x1 x2 Z
0, 0, 4, 12, 18
x1 x2
x1 x2
Para determinar isso, devemos verificar a direção de deslocamento. Observe que, para cada unidade que aumentarmos
, temos uma taxa de crescimento em de 3. Ao mesmo tempo, para cada unidade que aumentarmos , temos uma
taxa de crescimento em de 5. Sendo , devemos optar por para crescer. Logo, é a variável básica que
entra.
Entretanto, para que passe a ser uma variável básica, uma das variáveis-base da solução inicial ( , e ) precisa
sair da base. Porém, como determinar qual delas?
Para essa etapa, devemos ter em mente que, ao aumentar , eleva-se . Contudo, não podemos sair do espaço de
soluções, ou seja, da região de soluções viáveis. Assim, devemos aumentar , mantendo a variável não básica e
respeitando que todas as variáveis sejam não negativas.
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Como :
Teste da mínima razão
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
x1 Z x1
Z 5 > 3 x2 x2
x2 f1 f2 f3
x2 Z
x2 x1 = 0
x1 = 0 (variável não básica)
x1 + f1 =  4 →  f1 = 4
2x2 + f2 = 12  →  f2 = 12 − 2x2
3x1 + 2x2 + f3 = 18  →  f3 = 18 − 2x2
x1,  x2,  ,  f1, f2,  f3 ≥ 0
f1 = 4   →  não  implica   em   limite   superior   em  x2
f2 = 12 − 2x2  ≥= 0 →  x2 ≤ 12/2 = 6   ←  MÍNIMO
f3 = 18 − 2x2  ≥ 0 → x2 ≤ 18/2 = 9
Verificamos, então, que passa a receber o valor de 6, enquanto se torna uma variável não base e nula. Assim,
deduzimos intuitivamente o teste da mínima razão.
O objetivo do teste da mínima razão é determinar qual variável básica cai a zero primeiro à medida que a variável básica
que entra é aumentada.
Podemos descartar imediatamente a variável básica em qualquer equação cujo coeficiente da variável básica que entra é
zero ou negativo, já que uma variável básica não decresceria à medida que a variável básica que entra aumentasse.
No caso do problema da Glass Co., ao aumentarmos o valor de de 0 a 6, temos mudanças na solução.
SOLUÇÃO INICIAL
NOVA SOLUÇÃO
Temos que é igual a 6 e continua sendo zero. Portanto, temos que .
Devemos determinar, então, os valores de , e .
A nova solução é ( ) e !
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Então, devemos verificar se essa solução é ótima ou não, por meio do teste de otimalidade. Sendo ,
verificamos que tem o coeficiente positivo ( ), de modo que aumentar implica em aumentar . Portanto, a
x2 f2
x2
x1 = 0
x2 = 0
F1 = 4
F2 = 12
F3 = 18
x1 = 0
x2 = 6
F1 =?
F2 = 0
F3 =?
x2 x1 Z = 3x1 + 5x2 = 3 * 0 + 5 * 6 = 30
f1 f2 f3
x1 + f1  =  4 →  0 +  f1  =  4 →  f1  =  4
2x2 + f2   = 12  →  2 * 6 + f2   = 12 f2 = 0
3x1 + 2x2  + f3  = 18 →  3 * 0 + 2 * 6 + f3 = 18 →  f3 = 6
0, 6, 4, 0, 6 Z = 30
Z = 3x1 + 5x2
x1 = 3 x1 Z
javascript:void(0)
javascript:void(0)
solução atual não é ótima e devemos realizar nova iteração, analisando a entrada de como variável básica. Dessa
forma, devemos realizar o teste da mínima razão para determinar qual variável básica deve se tornar nula, saindo então da
base, para permitir a “entrada” de .
Teste da mínima razão
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Logo, sai da base para entrar com o valor igual a 2. Porém, ao aumentarmos o valor de de 0 a 2, temos
mudanças na solução.
SOLUÇÃO INICIAL
x1
x1
Z  − 3x1 − 2, 5x2 = 30
x1 + f1 =  4
2x2 + f2 = 12 
3x1 + 2x2 + f3 = 18
f1 = 4 − x1  ≥ 0 →  x1 ≤  4/1 →  x1 ≤  4
f2 = 12 − 2x2≥ 0  →   nenhum   limite   superior   em  x1
f3 = 6 − 3x1 ≥ 0  →  x →≤ 6/3 → x1 ≤ 2  →  mínima razão
f3 x1 x1
x1 = 0
x2 = 6
F1 = 4
F2 = 0
javascript:void(0)
NOVA SOLUÇÃO
Temos que é igual a 6 e equivale a 2. Logo, temos que . Devemos
determinar, então, os valores de , e .
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Portanto, concluímos que substitui como variável básica, sendo a nova solução igual a ( ) e . As
variáveis não básicas agora são e . Verificamos que aumentar as atuais variáveis não básicas não implica em
aumento em , o que garante que esta é a solução ótima.
MÉTODO SIMPLEX EM SUA FORMA TABULAR
Aprendemos até agora a forma algébrica do simplex, que é a melhor para aprender a lógica por trás do algoritmo. Porém,
não é a forma mais conveniente para realizar cálculos necessários. As operações realizadas no método simplex podem ser
organizadas em tabelas, chamadas tabelas simplex. Essa organização é a mais indicada para quando estivermos
resolvendo um problema de programação linear manualmente.
Considere um problema de otimização linear:
F3 = 18
x1 = 2
x2 = 6
F1 =?
F2 = 0
F3 =?
x2 x1 Z = 3x1 + 5x2 = 3 * 2 + 5 * 6 = 36
f1 f2 f3
x1   + f1   =  4 →  2 +  f1  =  4 →  f1  =  2
2x2 + f2   = 12  →  2 * 6 + f2  = 12 → f2   = 0
3x1 + 2x2  + f3  = 18 →  3 * 2 + 2 * 6 + f3   = 18 →  f3  = 0
x1 f3 2, 6, 2, 0, 0 Z = 36
f2 f3
Z
Minimizar  f(x) = cx
javascript:void(0)
.
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Nesse problema, temos as variáveis . Os coeficientes da função objetivo são . Os coeficientes
das restrições são e .
Arenales et al. (2007) descrevem as operações realizadas em cada iteração do algoritmo simplex em tabelas, em duas
fases.
Fase 1:
Determine a tabela simplex inicial.

A matriz dos coeficientes contém uma matriz identidade (m é o número de equações) e o vetor independente .

A função objetivo é escrita em termos das variáveis não básicas, isto é, os coeficientes das variáveis básicas são nulos.

Faça a iteração .
Fase 2:
Determine o menor dos custos relativos: mínimo { para toda variável não básica}.

Se , então pare (a solução básica na iteração é ótima). Se não, a variável entra na base.

Se , então e o problema não tem solução ótima finita. Nesse caso, pare. Se não,
determine mínimo { tal que }. (a variável básica da linha l sai da base).

Atualize a tabela simplex (pivoteamento do elemento ( )). A variável passa a ser a variável básica na linha l. Faça a
iteração = iteração +1 e retorne ao passo 1.
Na forma de algoritmo, como apresentado por Arenales et al. (2007), o método simplex tabular pode parecer difícil, mas
vamos entendê-lo resolvendo o exemplo da Glass Co., cujo modelo em formato canônico é apresentado a seguir.
Ax = b
x ≥ 0
x1,  x2 …  xn c1,  c2 …  cn
a1,  a2 …  an b
mxm b ≥ 0
= 0
ck = cj
ck ≥ 0 xk
aik ≤ 0,  i = 1,  … ,  m f → −∞
bl
alk
bi
aik
aik > 0, i = 1,… ,m
l, k xk
S.A.
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Inicialmente, vamos definir o formato da tabela de maneira a facilitar sua compreensão. A tabela simplex tem, do lado
esquerdo, as variáveis básicas e, do lado direito, as constantes das equações. No meio da tabela, ficam todos os
coeficientes das restrições e da função objetivo. Por padronização, colocaremos na primeira linha (zero) a equação que
representa a função objetivo, conforme apresentado na figura a seguir.
 Tabela simplex.
Uma escolha viável para a primeira base para o problema da Glass Co. seria ( , , ), pois facilitaria o preenchimento
da tabela simplex inicial, dado que e .
Max Z = 3x1 + 5x2
  x1  + f1 =  4   →  restrição 1
2x2 + f2  = 12  →  restrição 2
3x1 + 2x2 + f3 = 18  →  restrição 3
x1,x2,  f1,  f2,  f3 >= 0
f1 f2 f3
B = I B−1 = I
 
 
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Quando as variáveis de folga constituem a primeira base, na primeira linha da tabela simplex, apenas escrevemos o
negativo dos coeficientes de custo das variáveis não básicas. Como representa a potencial melhoria no valor
de da função objetivo representada pela j-ésima variável, as variáveis atualmente básicas devem receber o valor zero,
pois já se encontram na base. Assim, a primeira linha da tabela simplex para o exemplo da Glass Co. é:
Max Z = 3x1 + 5x2
x1  + f1  =  4 
2x2  + f2  = 12
3x1   + 2x2  + f3  = 18 
a3 a4 a5        a1 a2
A =[B I  N ]=
⎡
⎢
⎣
1 0 0 I 1 0
0 1 0 I 0 2
0 0 1 I 3 2
⎤
⎥
⎦
f1 f2 f3        x1 x2
B =
⎡
⎢
⎣
1 0 0
0 1 0
0 0 1
⎤
⎥
⎦
  B−1 =
⎡
⎢
⎣
1 0 0
0 1 0
0 0 1
⎤
⎥
⎦
zj − cj
z
RHS
 Atenção! Para visualizaçãocompleta da tabela utilize a rolagem horizontal
O valor atual de , , para esta primeira tabela, com as variáveis básicas sendo , , , seria igual a zero, pois
 e . Assim, atualizando a tabela, tem-se:
RHS
 Atenção! Para visualizaçãocompleta da tabela utilize a rolagem horizontal
Em seguida, devem-se escrever as linhas que compõem as restrições da tabela simplex, conforme indicado na figura a
seguir.
 Restrições da tabela simplex.
Para cada variável do problema, deve-se determinar . Como as variáveis de folga foram escolhidas como a primeira
base, temos e . Logo, temos , de modo que as linhas que compõem as restrições no tableau são
copiadas diretamente do problema. Ainda, as variáveis atualmente na base ( ) são identificadas à esquerda da
tabela simplex, como pode ser identificado na figura a seguir.
x1 x2 f1 f2 f3
Z −3 −5 0 0 0 Z0
z z0 f1 f2 f3
Z = 3x1 + 5x2 x1 = x2 = 0
x1 x2 f1 f2 f3
Z −3 −5 0 0 0 0
yj
B = I B−1 = I yj = aj
f1,  f2,  f3
Max Z = 3x1 + 5x2
s. a.
 Preenchendo a tabela simplex para o problema da Glass Co.
Observa-se, por meio da figura anterior, que os únicos elementos faltantes estão do lado direito da tabela simplex e
correspondem à fórmula:
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Desse modo, para a tabela inicial, basta copiar os valores de no lado direito da tabela, conforme apresentado na figura a
seguir.
 Tabela simplex inicial para o problema da Glass Co.
Uma vez preenchida a tabela inicial, devemos identificar as variáveis candidatas a entrar na base na primeira linha da
tabela. Para isso, devemos analisar os valores dos coeficientes de cada variável apresentados na segunda linha da tabela
simplex, levando em consideração o tipo de problema apresentado, maximização ou minimização:
b̄ = B−1b = Ib = b
b
Max Z = 3x1 + 5x2
s. a.
Problema de maximização
Em um problema de maximização, a variável cujo coeficiente é negativo e apresenta o maior valor absoluto é aquela que
entrará na base.

Problema de minimização
Em um problema de minimização, a variável a entrar na base será a que tiver o maior valor positivo.
Por meio da figura da Tabela simplex inicial para o problema da Glass Co., observamos que a variável a entrar na base
no problema da Glass Co. é , uma vez que tanto quanto têm valores negativos na segunda linha da tabela, sendo
.
Depois de identificarmos a variável que entra na base, é preciso determinar a variável básica que deve dar lugar para que
 entre na base. Para isso, aplicamos o teste da mínima razão, conforme indicado na figura a seguir. Observa-se que o
menor valor é 6, de modo que a variável a sair da base é .
 Teste da mínima razão para o problema da Glass Co.
Para completar a iteração do simplex, devemos, então, proceder com as operações elementares que utilizam a linha que
contém o elemento de pivot, de modo que a coluna (da variável entrante) assuma a configuração da coluna (variável
que sai da base). Observe, na figura a seguir, que a linha pivot é a quarta linha da tabela (atual linha do no lado
esquerdo da tabela) e que os valores para as colunas e não coincidem, de modo que é necessário executar a
operação elementar.Portanto, sendo a linha a quarta linha da tabela (3) após a operação elementar, tem-se que a
operação que transformará 2 em 1 é: .
x2 xx x2
5 > 3
x2
f2
x2 f2
f2
x2 f2
(3)´
(3)´ = (3)/2
 Operações com a linha pivot para o problema da Glass Co.
Observe, na segunda tabela da figura anterior, que, para a coluna assumir a configuração anterior da coluna , é
preciso ainda realizar operações elementares nas linhas (1) e (4) da tabela simplex. Assim, para a linha , é preciso
que , enquanto para a linha devemos fazer , conforme indicado na
próxima figura.
 DICA
Para a linha (2), não é preciso realizar nenhuma operação, uma vez que os valores para as colunas e já são
coincidentes.
 Renata Albergaria de Mello Bandeira
Verifique, na figura anterior, que a coluna ainda apresenta um valor negativo na segunda linha da tabela simplex, de
modo que esta variável deve entrar na base, sendo necessária, então, mais uma iteração. Logo, faz-se o teste da mínima
razão, conforme indicado na figura a seguir, sendo verificado que a variável a sair da base para que entre é .
Portanto, são necessárias as operações elementares para que a coluna receba os valores da coluna .
x2 f2
(4)´
(4)´ = (4) − 2 * (3)´ (1)´ (1)´ = (1) + 5 * (3)´
x2 f2
x1
x1 f3
x1 f3
 Teste da mínima razão para o problema da Glass Co. — 2a iteração
Observa-se, na figura do Teste da mínima razão para o problema da Glass Co. — 2a iteração, que a quinta linha (4) da
tabela simplex é a linha pivot. Assim, para que a coluna receba os valores da coluna , a primeira operação elementar
a ser feita é: , tal como apresentado na figura a seguir.
 Primeira operação elementar (linha (4)) para o problema da Glass Co. — 2a iteração.
Para a coluna assumir a configuração anterior da coluna , ainda é preciso realizar operações elementares nas linhas
(1) e (2) da tabela simplex. Assim, para a linha , é preciso que , enquanto para a linha 
devemos fazer , conforme indicado na próxima figura.
 DICA
Para a linha (3) não é preciso realizar nenhuma operação, uma vez que os valores para as colunas e já são
coincidentes nesta linha.
x1 f3
(4)´ = (4)/3
x1 f3
(2)´ (2)´ = (2) − (4)´ (1)´
(1)´ = (1) + 3 *  (4)´
x1 f3
 Operações com a linha pivot para o problema da Glass Co. — 2a iteração.
 ATENÇÃO
Verifique, na figura anterior, que não há mais valores negativos na segunda linha da tabela simplex (1), de modo que não
há mais variáveis para entrar na base. Logo, concluímos que a solução ótima para o problema da Glass Co. é ,
 e , tal como apresentado na seção método simplex, quando resolvemos este mesmo problema por meio do
método simplex em sua forma analítica.
VERIFICANDO O APRENDIZADO
MÓDULO 2
 Aplicar o solver para solução de problemas de programação linear
UTILIZAÇÃO DO SOLVER PARA SOLUÇÃO DE
PROBLEMAS DE PROGRAMAÇÃO LINEAR
No módulo 1, aprendemos a resolver problemas de programação linear por meio do método simplex, tanto o analítico
quanto o tabular. Aplicamos essas técnicas em alguns exemplos, de modo a entender a lógica do algoritmo. Porém,
pudemos verificar que são muitos os cálculos que precisam ser feitos para resolvermos problemas de programação linear
manualmente, e apenas um erro em uma conta nos levaria a um resultado errado. Contudo, felizmente, existem diversos
softwares de computador que podem ser utilizados para nos auxiliar a encontrar a solução ótima para problemas de
programação matemática, por exemplo:
LINDO
CPLEX
x1 = 2
x2 = 6 z = 36
AIMMS
GAMS
MATHPRO
Usando o software de computador adequado, podemos resolver facilmente quaisquer problemas de programação linear.
As técnicas para a solução de problemas de programação linear são, inclusive, desenvolvidas por meio de pacotes de
planilhas eletrônicas. Assim sendo, aprenderemos nesta seção a utilizar o solver do pacote de planilhas eletrônicas Excel
para solução de problemas de programação linear.
 DICA
Os mesmos conceitos e técnicas que apresentaremos a seguir também podem ser aplicados em outros pacotes de
planilhas, dadas as necessidades de alterações em detalhes de implementação.
PASSOS PARA IMPLEMENTAR UM PROBLEMA DE
PROGRAMAÇÃO LINEAR EM PLANILHA
Ragsdale (2009) apresenta cinco passos que devem ser feitos para implementar qualquer problema de programação linear
em uma planilha:
1
Organize os dados para o modelo (os coeficientes das restrições, os coeficientes da função objetivo etc.) na planilha.
Reserve as células separadas na planilha para representar cada variável de decisão do modelo algébrico. Isso é útil na
determinação de fórmulas para a função e restrições do objetivo.
2
3
Crie uma fórmula para cada célula da planilha que corresponda à função objetivo no modelo algébrico.
Para cada restrição, crie uma fórmula em uma célula separada na planilha. Muitas das fórmulas de restrição têm estrutura
semelhante, de modo que, quando possível, crie fórmulas de restrição que possam ser copiadas para implementar outras
fórmulas de restrição.
4
5
Use sombras e cores de fundo e/ou bordas para identificar as células que representam as variáveis de decisão, restrições
e funções objetivos do modelo.
INSTALANDO O SOLVER
Demonstraremos, neste módulo, como usar o solver do Excel resolvendo o problema enfrentado pela Fitwear. No entanto,
antes de iniciarmos a resolução do problema, é preciso instalar o solver nos pacotes de planilhas eletrônicas Excel. Para
isso, siga o passo a passo:
Clique em arquivos > opções no Excel, conforme indicado na figura.
 Instalando o solver — Passo 1. Captura do Excel.
O segundo passo é clicar em suplementos na tela que foi aberta.
 Instalando o solver — Passo 2. Captura do Excel.
Na tela seguinte, clique no botão ir, em gerenciar suplementos do Excel.
 Instalando o solver — Passo 3. Captura do Excel.
Na próxima tela, clique na opção solver.
 Instalando o solver — Passo 4. Captura do Excel.
Para finalizar, basta clicar na aba dados para visualizar a opção solver.
 Instalando o solver — Passo 5. Captura do Excel.
UTILIZANDO O SOLVER
Agora que já temos o solver instalado no nosso Excel, vamos iniciar a resolução do problema da Fitwear visto no módulo
1.
 DICA
Caso seja necessário, retorne ao módulo anterior e relembre como desenvolvemos o modelo matemático do problema.
Observe a seguir o modelo matemático, considerando as variáveis de decisão:
Número de tops de ginástica confeccionados a cada semana.
Número de calças de ginástica confeccionadas a cada semana.
Temos a formulação matemática em sua forma-padrão.
SUJEITO A:
x1
x2
Máx Z =  28 x1 +  40x2
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Uma das primeiras etapas para a solução do problema deve ser a organização dos dados. Vamos começar representando
as variáveis de decisão, como indicado na figura a seguir. Observe que descrevemos as variáveis de decisão na planilha,
bem como os ganhos semanais com a venda de cada produto ( e ), deixando destacado em amarelo as células
variáveis (ou ajustáveis), que reservamos na planilha para representar as variáveis de decisão do modelo.
 Variáveis de decisão. Captura de tela do Excel.
O próximo passo é criar uma fórmula que represente a função objetivo de acordo com as variáveis de decisão indicadas
na figura. Para isso, devemos utilizar a função “somarproduto” do Excel, que faz o produto escalar entre dois vetores.
0, 5x1  + 0, 25x2 ≤ 100  →  restrição  de   horas   de   corte
0, 25x →   + 0,  5x →≤ 160 →  restrição  de   horas   de   costura
x1,  x2 ≥ 0  →  restrição  de  não  negatividade   das  variáveis  de  decisão
x1 x2
 Função “somarproduto”. Captura de tela do Excel.
A figura a seguir ilustra como inserimos a função objetivo na planilha eletrônica no caso do problema da Fitwear. Observe
que fizemos a função “somarproduto” entre o vetor (28,40), que corresponde aos coeficientes da função objetivo, e as
células que destinamos para receber o valor das variáveis de decisão. Com isso,teremos que a célula destacada em
amarelo para a função objetivo recebeu a fórmula .
 Função objetivo. Captura de tela do Excel.
De maneira análoga à que fizemos a representação da função objetivo, precisamos representar as restrições. Para isso,
também vamos utilizar a função “somarproduto” do Excel. Veja a seguir como inserimos as duas restrições para o
problema da Fitwear na planilha eletrônica.
RESTRIÇÃO DE HORAS DE CORTE
Observe que fizemos a função “somarproduto” entre os vetores que indicam os coeficientes das restrições e as células que
destinamos para receber o valor das variáveis de decisão. Com isso, teremos que a célula destacada em amarelo na
figura restrição de horas de corte recebeu a fórmula .
28 * x1 + 40 * x2
0, 5x1 + 0, 25x2
 Restrição de horas de corte. Captura de tela do Excel.
RESTRIÇÃO DE HORAS DE COSTURA
Observe que a célula destacada em amarelo na figura restrição de horas de costura recebeu a fórmula
.
 Restrição de horas de costura. Captura de tela do Excel.
FINALMENTE, TERMINAMOS A IMPLEMENTAÇÃO DO MODELO
DO PROBLEMA DE PROGRAMAÇÃO LINEAR DA FITWEAR NO
EXCEL. ENTRETANTO, AINDA PRECISAMOS RESOLVÊ-LO.
Para isso, é preciso indicar para o solver o que cada célula da planilha representa:
0, 25x1 + 0,  5x2
A FUNÇÃO OBJETIVO
AS VARIÁVEIS DE DECISÃO
AS RESTRIÇÕES
Assim sendo, devemos definir a célula de destino, ou seja, aquela que representa a função objetivo na caixa de diálogo
parâmetros do solver, como indicado na próxima figura. Observe que a célula E9 contém a fórmula que representa a
função objetivo para o nosso problema, como havíamos preparado anteriormente. Neste momento, devemos instruir
também o solver para tentar maximizar seu valor, especificando o botão max.
 Definindo a função objetivo na célula de destino. Captura de tela do Excel.
O próximo passo consiste em indicar as células que representam as variáveis de decisão no modelo. Observe, na figura a
seguir, que as células C8 e D8, em nossa planilha, representam as variáveis de decisão para o modelo. O solver
determinará os valores ótimos para essas células.
 Definindo as variáveis de decisão. Captura de tela do Excel.
A seguir, devemos definir as células de restrição na planilha e as restrições que se aplicam a essas células.
 ATENÇÃO
As células de restrição são aquelas em que implementamos as fórmulas para cada restrição.
Para definir as células de restrição, siga os passos:
Clique no botão incluir.
 Especificando as células de restrição — passo 1. Captura de tela do Excel.
Preencha a caixa de diálogo incluir restrições.
 Especificando as células de restrição — passo 2. Captura de tela do Excel.
Observe que as células E13 e E14 representam as células de restrição cujos valores devem ser menores ou iguais aos
indicados nas células G13 e G14, respectivamente.
 Especificando as células de restrição — passo 3. Captura de tela do Excel.
Já especificamos as restrições, mas ainda precisamos determinar que as variáveis de decisão devem ser iguais ou
maiores do que zero. Para isso, basta clicar em tornar variáveis irrestritas não negativas na caixa de diálogo
parâmetros do solver, conforme indicado na figura a seguir. Enfim, para encontrarmos a solução ótima para o problema,
basta clicar no botão resolver.
 Condições de não negatividade. Captura de tela do Excel.
A figura a seguir apresenta a tela de saída do Excel com a solução ótima para o problema da Fitwear.
 Solução ótima para o problema da Fitwear. Captura de tela do Excel.
Observe que deve ser 53,33, recebe 293,333 e o valor ótimo de é igual a 13.226,67.
UTILIZAÇÃO DO SOLVER PARA A SOLUÇÃO DE
PROBLEMAS DE PROGRAMAÇÃO LINEAR
O vídeo mostra um passo a passo para a resolução de um problema de programação linear no solver do Excel.
VERIFICANDO O APRENDIZADO
x1 x2 z
CONCLUSÃO
CONSIDERAÇÕES FINAIS
A pesquisa operacional pode nos auxiliar no apoio a processos de decisão, em especial para problemas complexos.
Estudamos o método simplex, tanto pelo modo analítico quanto pelo tabular, por meio do qual aprendemos a resolver
problemas de programação linear, encontrando a solução ótima para este tipo de problema. Contudo, resolvê-los
manualmente é muito trabalhoso, envolvendo um grande número de cálculos. Um simples erro em uma das contas
requeridas implica encontrar uma solução equivocada para o problema. Por isso, é muito importante conhecer softwares
computacionais que permitem a solução de problemas de programação matemática.
São muitos os softwares computacionais dedicados à solução de problemas de programação matemática, como o CPLEx,
o GAMS, o LINDO, o LINGO etc. No entanto, problemas de programação linear podem ser resolvidos pelo solver de
pacotes de planilhas eletrônicas. Aprendemos a solucionar problemas de programação linear por meio do solver do Excel.
Isso certamente facilitará que consigamos aplicar a Pesquisa Operacional para a solução de problemas reais.
 PODCAST
Ouça o podcast com um resumo dos conteúdos estudados.
AVALIAÇÃO DO TEMA:
REFERÊNCIAS
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier, 2007.
FOGLIATO, F. Pesquisa operacional. Porto Alegre, 2006. (Notas de aula).
GOLDBARG, M. C.; LUNA, H. P. Otimização combinatória e programação linear. 2. ed. São Paulo: Campus, 2005.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões. Rio de Janeiro: Campus, 2009.
RAGSDALE, C. T. Modelagem e análise de decisão. São Paulo: Cengage Learning, 2014.
RODRIGUES, L. H.; AHLERT, F.; LACERDA, D. P.; CAMARGO, L. F. R.; LIMA, P. Pesquisa operacional: programação
linear passo a passo: do entendimento do problema à interpretação da solução. São Leopoldo: Unisinos, 2014.
EXPLORE+
Para saber mais sobre os assuntos tratados nesta aula, leia:
Conheça métodos preparatórios (utilizados antes do emprego do simplex) para resolver problemas diferentes do padrão de
maximização com restrições do tipo menor ou igual no capítulo 4 do livro “Operations research: applications and algorithms
(Vol. 3)”, de Winston e Goldberg (2004).
Para se aprofundar na utilização do solver para a solução de problemas de programação linear, sugerimos a leitura do
capítulo 3 do livro “Modelagem e análise de decisão”, de Ragsdale (2009).
CONTEUDISTA
Renata Albergaria de Mello Bandeira
 CURRÍCULO LATTES
javascript:void(0);
javascript:void(0);