Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Pesquisa Operacional Introdução à Pesquisa Operacional Programação Linear Sumário 2 • Modelagem e limitações da Programação Linear. • Resolução Gráfica. • Forma padrão de um modelo de Programação Linear. • Definições e Teoremas. • Forma canônica de um sistema de equações lineares. • Método Simplex. • Exercícios 3 Programação Linear: Preocupação em encontrar a melhor solução para problemas associados com modelos lineares. Modelo de Programação Linear: Maximização (ou minimização) de uma função objetivo linear com relação as variáveis de decisão do modelo. Respeitando-se as limitações (restrições) do problema expressas por um sistema de equações e inequações associadas com as variáveis de decisão do modelo. Programação Linear Modelagem em Programação Linear 4 Razões para o uso da Programação Linear: 1. Grande variedade de situações podem ser aproximadas por modelos lineares. 2. Existência de técnicas (algoritmos) eficientes para a solução de modelos lineares. 3. Possibilidade de realização de análise de sensibilidade nos dados do modelo. 4. Estágio de desenvolvimento da tecnologia computacional. Modelagem em Programação Linear 5 Passos básicos na obtenção de modelos de PL: 1. Identificar as variáveis de decisão, representá-las em simbologia algébrica. 2. Identificar as restrições do problema, expressá-las como equações ou inequações lineares em termos das variáveis de decisão. 3. Identificar o objetivo de interesse no problema, representá-lo como função linear em termos das variáveis de decisão, que deverá ser maximizada ou minimizada. Modelagem em Programação Linear 6 Construção de modelos não é uma ciência, mas uma arte, podendo ser melhorada com a prática. Exemplos a serem trabalhados: Determinação do mix de produção Seleção de mídia para propaganda Um problema de treinamento Uma indústria química Uma oficina mecânica Dimensionamento de equipes de inspeção Modelagem em Programação Linear 7 Determinação do mix de produção Uma companhia deseja programar a produção de um utensílio de cozinha que requer o uso de dois tipos de recursos – mão-de-obra e material. A companhia está considerando a fabricação de três modelos e o seu departamento de engenharia forneceu os dados a seguir: Modelo A B C Mão-de-obra (horas por unidade) 7 3 6 Material (kg por unidade) 4 4 5 Lucro ($ por unidade) 4 2 3 O suprimento de material é de 200 kg por dia. A disponibilidade diária de mão- de-obra é 150 horas. Formule um modelo de Programação Linear para determinar a produção diária de cada um dos modelos de modo a maximizar o lucro total da companhia. Modelagem em Programação Linear 8 Formulação do modelo 1. Identificação das variáveis de decisão: XA – produção diária do modelo A XB – produção diária do modelo B XC – produção diária do modelo C 2. Identificação das restrições: (Limitação de mão-de-obra) 7XA + 3XB + 6XC 150 (Limitação de material) 4XA + 4XB +5XC 200 (Não-negatividade) XA 0, XB 0, XC 0. 3. Identificação do objetivo: maximização do lucro total Lucro Total = L = 4XA + 2XB +3XC Max L = 4XA + 2XB +3XC Modelagem em Programação Linear 9 Modelo Encontrar números XA, XB, XC tais que: Max L= 4XA + 2XB +3XC Sujeito as restrições: 7XA + 3XB +6XC 150 4XA + 4XB +5XC 200 XA 0, XB 0, XC 0 Modelagem em Programação Linear 10 Seleção de mídia para propaganda Uma companhia de propaganda deseja planejar uma campanha em 03 diferentes meios: TV, rádio e revistas. Pretende-se alcançar o maior número de clientes possível. Um estudo de mercado resultou em: TV horário TV horário Rádio Revistas normal nobre Custo 40.000 75.000 30.000 15.000 Clientes Atingidos 400.000 900.000 500.000 200.000 Mulheres Atingidas 300.000 400.000 200.000 100.000 0bs: valores válidos para cada veiculação da propaganda. Modelagem em Programação Linear 11 A companhia não quer gastar mais de $ 800.000 e, adicionalmente, deseja: (1) Que no mínimo 2 milhões de mulheres sejam atingidas; (2) Gastar no máximo $ 500.000 com TV; (3) Que no mínimo 03 veiculações ocorram no horário normal TV; (4) Que no mínimo 02 veiculações ocorram no horário nobre TV; (5) Que o nº. de veiculações no rádio e revistas fiquem entre 05 e 10, para cada meio de divulgação. Formular um modelo de PL que trate este problema, determinando o nº. de veiculações a serem feitas em cada meio de comunicação, de modo a atingir o máximo possível de clientes. Modelagem em Programação Linear 12 Resolução do exemplo “seleção de mídia para propaganda” Variáveis de decisão: X1 = nº. de exposições em horário normal na tv. X2 = nº. de exposições em horário nobre na tv. X3 = nº. de exposições feitas utilizando rádio X4 = nº. de exposições feitas utilizando revistas. Função-objetivo: “Maximizar nº. de clientes atingidos” Max Z = 400.000X1 + 900.000X2 + 500.000X3 + 200.000X4 Modelagem em Programação Linear 13 Restrições: Orçamento: 40.000X1 + 75.000X2 + 30.000X3 + 15.000X4 800.000 Mulheres atingidas: 300.000X1 + 400.000X2 + 200.000X3 + 100.000X4 2.000.000 Gasto com TV 40.000X1 + 75.000X2 500.000 Nº. de veiculações em TV, rádio e revistas X1 3, X2 2, 5 X3 10, 5 X4 10 Não-negatividade X1, X2, X3, X4 0. Modelagem em Programação Linear 14 Um problema de treinamento Uma empresa de máquinas ferramentas tem um programa de treinamento para operadores de máquinas. Alguns operadores já treinados podem trabalhar como instrutores neste programa ficando responsáveis por 10 trainees cada. A empresa pretende aproveitar apenas 07 trainees de cada turma de 10. Estes operadores treinados também são necessários na linha de fabricação, e sabe-se que serão necessários para os próximos meses: 100 operadores em janeiro, 150 em fevereiro, 200 em março, e 250 em abril. Atualmente há 130 operadores treinados disponíveis na empresa. Modelagem em Programação Linear 15 Encontrar um modelo de PL que forneça um programa de treinamento de custo mínimo e satisfaça os requisitos da empresa em termos de nº. de operadores treinados disponíveis a cada mês. Observação: acordo firmado com o sindicato proíbe demissões de operadores treinados no período. Os custos associados a cada situação são: Trainees ...........................................................................$ 400. Operador treinado trabalhando ........................................$ 700. Operador treinado ocioso..................................................$ 500. Modelagem em Programação Linear 16 Variáveis de decisão: X6 = operadores ociosos em março X5 = operadores trabalhando como instrutores em março X4 = operadores ociosos em fevereiro X3 = operadores trabalhando como instrutores em fevereiro X2 = operadores ociosos em janeiro Resolução do exemplo: Um problema de treinamento Observe que a cada mês um operador treinado está: operando máquina, trabalhando como instrutor, ou estáocioso. Além disto, o nº. de operadores treinados trabalhando nas máquinas é fixo e conhecido: 100 em janeiro, 150 em fevereiro, 200 em março e 250 em abril. X1 = operadores trabalhando como instrutores em janeiro Modelagem em Programação Linear 17 Função-objetivo: Min C = 400(10X1 + 10X3 + 10X5) + 700(X1 + X3 + X5) + + 500(X2 + X4 + X6) + 700(100 + 150 + 200) Min C = 4700X1 +500X2 + 4700X3 +500X4 +4700X5 +500X6 + 315.000 “Custo total = custo trainees + custo instrutores + custo ociosos + custo operadores trabalhando em máquinas”. Modelagem em Programação Linear 18 Restrições: X1, X2, X3, X4, X5, X6 0 (não-negatividade) Abril: 250 = 130 + 7X1 + 7X3 + 7X5 7X1 + 7X3 + 7X5 = 120. operadores treinados no início do mês = operadores nas máquinas + instrutores + operadores ociosos. Equação de balanço mensal: Janeiro: 130 = 100 + X1 + X2 X1 + X2 = 30 Fevereiro: 130 + 7X1 = 150 + X3 + X4 7X1 - X3 - X4 = 20 Março: 130 + 7X1 + 7X3 = 200 + X5 + X6 7X1 + 7X3 - X5 - X6 = 70 Treinees qualificados como operadores em jan Treinees qualificados como operadores em fev Treinees qualificados como operadores em mar Modelagem em Programação Linear 19 Uma indústria química Dois produtos, A e B, são feitos a partir de duas operações químicas. Cada unidade do produto A requer 02 horas da operação 1 e 03 horas da operação 2. Cada unidade do produto B requer 03 horas da operação 1 e 04 horas da operação 2. O tempo total disponível para a realização da operação 1 é de 16 horas, e o tempo total para a operação 2 é de 24 horas. A produção do produto B resulta, também, num subproduto C sem custos adicionais. Sabe-se que parte do produto C pode ser vendido com lucro, mas o restante deve ser destruído. Previsões mostram que no máximo 05 unidades do produto C serão vendidas, e sabe-se que cada unidade do produto B fabricada gera 02 unidades do produto C. Modelagem em Programação Linear 20 Sabe-se que: Produto A gera um lucro de $ 4 por unidade. Produto B gera um lucro de $ 10 por unidade. Produto C gera um lucro de $ 3 por unidade se for vendido. Produto C gera um custo de $ 2 por unidade se for destruído Determinar um modelo de PL para tratar este problema, e encontrar quanto produzir de cada produto, de modo a maximizar o lucro da indústria química. Modelagem em Programação Linear 21 Observe que o lucro da venda do produto A é uma função linear, mas com respeito ao produto C isto não ocorre. Resolução do exemplo: Uma indústria química - produto A Quantidade Lucro Produto A 4 Produto B 10 Quantidade Produto C -2 Lucro 3 5 Modelagem em Programação Linear 22 2 X1 + 3 X2 16 (disponibilidade de tempo para operação 1) 3 X1 + 4 X2 24 (disponibilidade de tempo para operação 2) X3 + X4 = 2 X2 (produção do produto C a partir do produto B) X3 5 (previsão de produto C que pode ser vendido) X1, X2, X3, X4 0 (não-negatividade) Restrições: Artifício: considerar as variáveis de decisão como sendo X1 = quantidade produto A produzida X2 = quantidade produto B produzida X3 = quantidade produto C vendida X4 = quantidade produto C destruída Função-objetivo: Max Z = 4 X1 + 10 X2 + 3 X3 – 2 X4 Modelagem em Programação Linear 23 Oficina mecânica Uma oficina mecânica tem 01 furadeira vertical e 05 fresas, que são usadas para a produção de conjuntos formados de 2 partes. Sabe-se qual é a produtividade de cada máquina na fabricação destas partes do conjunto: Furadeira Fresa Parte 1 03 20 Parte 2 05 15 Obs: tempo para produzir as partes dado em minutos. Modelagem em Programação Linear 24 O encarregado pela oficina deseja manter uma carga balanceada nas máquinas de modo que nenhuma delas seja usada mais que 30 minutos por dia que qualquer outra, sendo o carregamento de fresamento dividido igualmente entre as 05 fresas. Achar um modelo de PL para dividir o tempo de trabalho entre as máquinas de modo a obter o máximo de conjuntos completos ao final de um dia, num total de 08 horas de trabalho. Modelagem em Programação Linear 25 Restrições: 3X1 + 5X2 480 (minutos por dia disponíveis para a furadeira) (20X1 + 15X2)/5 = 4X1 + 3X2 480 (minutos por dia disponíveis para cada fresa) Resolução do exemplo: Oficina mecânica Variáveis de decisão: X1 = número de partes 1 produzidas por dia X2 = número de partes 2 produzidas por dia Modelagem em Programação Linear 26 Observe que esta última restrição não é linear, mas é equivalente a duas equações lineares que podem substituí-la: X1 - 2X2 30 e -X1 + 2X2 30 X1, X2 0 (não-negatividade). |(4X1 + 3X2) - (3X1 + 5X2)| = |X1 -2X2| 30 (Balanceamento de carga entre as máquinas) Modelagem em Programação Linear 27 “maximização do número de conjuntos completos por dia” Max Z = min (X1, X2) Observe que esta função não é linear, mas pode ser linearizada utilizando-se uma nova variável, da forma: Seja Y = min (X1, X2), Y 0, naturalmente tem-se duas novas restrições Dadas por: Y X1 e Y X2. A função-objetivo linear fica sendo: Max Z = Y Função-objetivo: Modelagem em Programação Linear 28 Problema de dimensionamento de equipes de inspeção Uma companhia deseja determinar quantos inspetores alocar à uma dada tarefa do controle da qualidade. As informações disponíveis são: Há 08 inspetores do nível 1 que podem checar as peças a uma taxa de 25 peças por hora, com uma acuracidade de 98%, sendo o custo de cada inspetor deste nível $4 por hora; Há 10 inspetores do nível 2 que podem checar as peças a uma taxa de 15 peças por hora, com uma acuracidade de 95%, sendo o custo de cada inspetor deste nível $3 por hora. Modelagem em Programação Linear 29 A companhia deseja que no mínimo 1800 peças sejam inspecionadas por dia (= 08 horas). Sabe-se, ainda, que cada erro cometido por inspetores no controle da qualidade das peças acarreta um prejuízo à companhia de $2 por peça mal inspecionada. Formular um modelo de PL para possibilitar a designação ótima do nº. de inspetores de cada nível de modo a otimizar o custo da inspeção diária da companhia. Modelagem em Programação Linear 30 Função objetivo: Minimizar C = custo total diário de inspeção ($/dia) onde : custo total = custo do salário dos inspetores + custo dos erros Min C = 8 *[(4X1 + 3X2) + 2 * (25*0,02X1 + 15*0,05X2)] Min C = 40X1 + 36X2 Resolução do exemplo: Dimensionamento de equipes de inspeção Variáveis de decisão: Xi = nº. de inspetores do nível i (= 1, 2) alocados à inspeção. Prejuizo da inspeção ($$) Modelagem em Programação Linear 31 1. Quanto ao nº. de inspetores disponíveis: X1 8 (inspetores do nível 1) X2 10 (inspetores do nível 2) 2. Quanto ao nº. de peças inspecionadas por dia: 8 * (25X1 + 15X2) 1800 5X1 + 3X2 45 3. Restrições implícitas de não negatividade: X1 0 X2 0. Restrições: Resolução gráfica de modelos de PL 32 Aplicável para modelos com 02 variáveis de decisão Útil para a ilustração de alguns conceitos básicos utilizados na resolução de modelos de maior porte. Etapas a serem seguidas na resolução gráfica 1º Passo: identificara região viável do modelo, isto é, quais são os pares (X1, X2) que satisfazem a todas as restrições. 2º Passo: achar a melhor solução viável, denominada Solução Ótima e denotada por (X1*, X2*), que leva ao valor ótimo da função-objetivo Z*. Resolução gráfica de modelos de PL 33 Problema de mix de Produção Fabricação de dois modelos de brinquedos: B1 e B2. • Lucros unitários/dúzia: $8 para B1 e $5 para B2 • Recursos disponíveis: 1000 kg de plástico especial. 40 horas para produção semanal. • Requisitos do Departamento de Marketing: Produção total não pode exceder 700 dúzias; A quantidade de dúzias de B1 não pode exceder em 350 a quantidade de dúzias de B2. • Dados técnicos: B1 requer 2 kg de plástico e 3 minutos por dúzia. B2 requer 1 kg de plástico e 4 minutos por dúzia. Resolução gráfica de modelos de PL 34 A Gerência está procurando um programa de produção que aumente o lucro da Companhia. Resolução gráfica de modelos de PL 35 Variáveis de decisão: X2: produção semanal de B2 (em dúzias). X1: produção semanal de B1 (em dúzias). Função Objetivo: Maximizar o Lucro semanal Resolução gráfica de modelos de PL 36 Max 8X1 + 5X2 (Lucro semanal) sujeito a: 2X1 + 1X2 ≤ 1000 (Plástico - Kg) 3X1 + 4X2 ≤ 2400 (Tempo de produção - minutos) (40*60) X1 + X2 ≤ 700 (Produção total) X1 - X2 ≤ 350 (mix) Xj 0, j = 1,2 (Não negatividade) Resolução gráfica de modelos de PL 37 Conceitos importantes: Os pontos (X1, X2) que satisfazem todas as restrições do modelo formam a Região Viável. Esses pontos são chamados de Soluções Viáveis. Usando a resolução gráfica pode-se representar todos as restrições (semi-planos), a função objetivo (reta) e os três tipos de pontos viáveis. Resolução gráfica de modelos de PL 38 1º Passo: Traçar eixos cartesianos, associando a cada um deles uma variável de decisão. No exemplo de fabricação de brinquedos: X1 para o eixo das abscissas e X2 para o eixo das ordenadas. As restrições de não-negatividade, X1 0 e X2 0, implicam que os pares (X1, X2) viáveis estão no 1º quadrante dos eixos considerados. Resolução gráfica de modelos de PL 39 2º Passo: Observar que a função-objetivo, ao se fixar um valor para Z, representa uma reta. Alterações neste valor de Z gera uma família de retas paralelas. No exemplo dos brinquedos: considere a reta obtida fazendo Z= 2000, isto é , a reta dada por 8X1 + 5X2 = 2000. Percebe-se que ao se traçar retas paralelas no sentido de ficar mais afastado da origem (0, 0), o valor de Z aumenta. De fato pode-se verificar que a reta paralela, que contém algum ponto da região viável, no caso o ponto ótimo X* = (320, 360), e está mais afastada da origem, corresponde a um valor ótimo da função objetivo Z* = 4360. Resolução gráfica de modelos de PL 40 Representando as condições de não negatividade X2 X1 Resolução gráfica de modelos de PL 41 Observar que no exemplo dos brinquedos, as restrições correspondem a semi-planos associados, respectivamente, às retas suportes dadas por: 2X1 + 1X2 = 1000 3X1 + 4X2 = 2400 X1 + X2 = 700 X1 - X2 = 350 Xj 0, j = 1,2 Notar que cada reta suporte define dois semi-planos no espaço (X1, X2). Para identificar qual destes semi-planos é de interesse no caso, ou seja, contém os pontos que satisfazem a desigualdade da restrição, basta testar algum ponto à esquerda ou à direita (acima ou abaixo) da reta suporte da desigualdade. Um ponto que torna isto fácil é a origem (0, 0), mas poderia ser qualquer outro. Resolução gráfica de modelos de PL 42 1000 500 Viável X2 Inviável Tempo de produção 3X1+4X2 2400 Restrição da produção total X1+X2 700 (redundante) 500 700 Restrição do plástico 2X1+X2 1000 X1 700 Resolução gráfica de modelos de PL 43 1000 Viável X2 Inviável Tempo de Produção 3X1+4X2 2400 Restrição da produção total: X1+X2 700 (redundante) 500 Restrição do mix da produção: X1-X2 350 Restrição do plástico 2X1+X2 1000 X1 700 Resolução gráfica de modelos de PL 44 1000 500 Viável X2 Inviável 500 700 X1 700 Há três tipos de pontos viáveis. Pontos interiores. Pontos na fronteira. Pontos extremos. Resolução gráfica de modelos de PL 45 A busca por uma Solução Ótima: Começar com algum valor de lucro arbitrário, Por exemplo $2000... Depois aumentar o lucro, se possível... ...e continuar até que seja inviável 600 700 1000 500 X2 X1 X* = (320, 360) com Z* = 4.360 46 Pontos extremos e Soluções Ótimas Se o problema de Programação Linear tem uma Solução Ótima, um ponto extremo é Solução Ótima. Resolução gráfica de modelos de PL Resolução gráfica de modelos de PL 47 Visualização de situações possíveis X2 Solução única X1 Z Z* Solução ilimitada Z X2 X1 Resolução gráfica de modelos de PL 48 Soluções Ótimas Múltiplas Quando a função objetivo é paralela a alguma restrição. Todos os pontos do segmento de reta serão Soluções Ótimas. X* = X*1 + (1 - )X*2, com 0 1 X*1 X*2 Resolução gráfica de modelos de PL 49 Múltiplas Soluções Ótimas 1 – Segmento de Reta Ótimo X1 X* Z Z * X2 X2 X1 Múltiplas Soluções Ótimas 2 Semi-reta Ótima Z* X* Resolução gráfica de modelos de PL 50 X2 X1 O conjunto viável é vazio. Há restrições incompatíveis. Problema inviável Forma padrão de modelo de PL 51 Um modelo de PL com m restrições e n variáveis está na forma padrão se possuir as características abaixo: 1. A função-objetivo é de minimização ou maximização; 2. Todas as restrições estão na forma de igualdade; 3. Todas as variáveis são não-negativas; 4. As constantes de cada restrição são não-negativas. Forma padrão de modelo de PL 52 Modelo na forma padrão: Minimizar (ou maximizar) Z = C1 X1 + C2 X2 + ... + Cn Xn Sujeito a: 0. b ..., 0, b 0, b 0 X ..., 0, X 0, X b = X A + ... + X A + X A ... ... ... ... ... ... ... ... b = X A + ... + X A + X A b = X A + ... + X A + X A m21 n21 mnmn2m21m1 2n2n222121 1n1n212111 53 Notação matricial para um modelo na forma padrão: Minimizar (ou maximizar) Z = C X Sujeito a: Onde: A (m x n) matriz de coeficientes tecnológicos X (n x 1) vetor das variáveis de decisão b (m x 1) vetor de demandas C (1 x n) vetor de custos (lucros) 0. b 0 X bAX Forma padrão de modelo de PL 54 Redução de um modelo geral para a forma padrão O Método Simplex exige que o modelo esteja na forma padrão. Tratando com restrições na forma de inequações: Estas restrições são transformadas em equações através da introdução de novasvariáveis (não-negativas), chamadas de “variáveis de folga”. Forma padrão de modelo de PL Forma padrão de modelo de PL 55 Tratando com variáveis não-positivas: Suponha que num determinado modelo há uma variável X1 0. Basta substituí-la no modelo por uma nova variável não- negativa X1’ 0, dada por X1’ = – X1. Forma padrão de modelo de PL 56 Exemplo: Considere o problema de dimensionamento de equipes de inspeção: X1 8 X1 + X3 = 8, X3 0 é uma variável de folga. X2 10 X2 + X4 = 10, X4 0 é uma variável de folga. 5 X1 + 3 X2 45 5 X1 + 3 X2 – X5 = 45, X5 0 é uma variável de folga. Forma padrão de modelo de PL 57 Interpretação das variáveis de folga no exemplo: X3 = número de inspetores do nível 1 não utilizados. X4 = número de inspetores do nível 2 não utilizados. X5 = número (extra) de peças inspecionadas por dia, acima da quantidade mínima (1800) especificada pela empresa Variáveis de folga fornecem informações úteis sobre o problema. Forma padrão de modelo de PL 58 Tratando com variáveis livres (irrestritas em sinal): Em algumas situações exige-se o uso de variáveis que podem assumir tanto valores positivos, nulos, e negativos. Estas variáveis são chamadas de livres (free) ou irrestritas em sinal. Exemplo: Modelo de Planejamento Macroeconômico Uma das Variáveis de Decisão é a Taxa de Inflação que pode assumir qualquer valor positivo, nulo ou negativo (neste caso é conhecida como Deflação). Tratando com variáveis livres (irrestritas em sinal): 59 Estas variáveis devem ser eliminadas do modelo na forma padrão. Há, pelo menos, duas maneiras de se fazer isto: 1. Por substituição – utilizando uma das restrições do modelo, já na forma padrão (igualdade), procura-se expressar a variável livre como função das demais variáveis (não negativas) do modelo. A seguir eliminar a variável livre do modelo substituindo-a pela função escolhida na etapa anterior. A equação utilizada para expressar a variável livre como função das demais variáveis também será eliminada do modelo. 2. Por transformação – Suponha que a variável livre é S. Basta substituir em todas as restrições, e na função objetivo, a variável S por S = S’ – S”, com S’ 0 e S” 0 sendo duas novas variáveis (auxiliares) no modelo. Forma padrão de modelo de PL livre X 0, X 0, X 3 5 = 2X X 3X 2 2 X + X X 1 7 X + X + X 321 321 321 3 21 Exemplo Completo Obtenha a forma padrão do modelo abaixo: Maximizar Z = X1 – 2X2 + 3X3 Sujeito a: 60 Forma padrão de modelo de PL 61 1. Introduzir variáveis de folga nas restrições (1) e (2): X1 + X2 + X3 + X4 = 7 (1’) com X4 0. X1 – X2 + X3 – X5 = 2 (2’) com X5 0. 2. Multiplicar a restrição (3) por (– 1) para eliminar b3 = – 5 < 0: –3X1 + X2 + 2X3 = 5 (3’) 3. Substituir X2 0 por X2’ 0 através de X2’ = – X2: Max Z = X1+ 2 X2’ + 3 X3 Sujeito a: '3' 5 = 2X + 'X 3X '2' 2 = X X + 'X X '1' 7 = X + X + 'XX 321 5321 4321 Forma padrão de modelo de PL 62 4. Eliminar X3: 4.1. Substituição ou 4.2. Transformação Max Z = -2X1 + 5X2’ - 3X4 + 21 ou Max Z = X1 + 2X2’ + 3X3’ - 3X3’ s. a: s. a: Usando De (1’’): X3 = 7 – X1 + X2’ – X4 ou X3 = X3’ – X3’’ 0 X ,X ,'X ,X 9= 2X + 'X 5X 5 = X + X '2X 5421 421 542 0X ,X ,''X ,'X ,'X ,X 5= ''2X ''+2XX 3X 2=X ''X 'X '+X+X 7=X ''X 'X '+X X 543321 332 1 53321 4332 1 Definições e Teoremas em PL 63 Ponto central na resolução de modelos de PL é a solução de sistemas de equações lineares. Apresenta-se a seguir o Método de Eliminação de Gauss Jordan. Considere o sistema de equações abaixo: (S1) (nº variáveis >> nº equações) 2 4 X X3XX X 1 2 X2X4XX2X 54321 54321 Definições e Teoremas em PL 64 • Conjunto solução de (S1) é a coleção de todos os valores de (X1, X2, X3, X4, X5) que satisfazem as equações (1) e (2) conjuntamente. • Dois sistemas são equivalentes se possuem o mesmo conjunto solução. • Sistemas equivalentes podem ser obtidos por meio de operações elementares sobre as linhas do sistema: 1. Multiplicar (dividir) qualquer equação por um nº. 2. Adicionar à qualquer equação uma Combinação Linear das demais equações. Forma Canônica 65 Um sistema (S2) equivalente a (S1) pode ser obtido multiplicando-se a equação (1) por – 1 e adicionando-se o resultado à equação (2): (S2) Um sistema (S3) equivalente a (S1) pode ser obtido multiplicando-se equação (4) por 2 e adicionando-se o resultado à equação (3): (S3) (S3) é denominado uma forma canônica do sistema original (S1). (4) 2 3X X + 2X X (3) 2X2X4XX2X 5432 54321 (6) 2 = 3X X + 2X X (5) 6 = 4X 2X 3X X 5432 5431 Forma Canônica 66 Considere uma forma canônica de um sistema de equações lineares: (como (S3) anteriormente obtido) • Uma variável é dita ser variável básica para uma dada equação do sistema se ela possuir coeficiente 1 nesta equação e coeficientes nulos nas demais equações do sistema. Exemplo: em (S3) X1 e X2 são variáveis básicas • Variáveis que não satisfazem a condição acima são chamadas de variáveis não-básicas. Exemplo: em (S3) X3, X4, X5 são variáveis não-básicas. Solução Básica 67 M N 2 5 A solução de um sistema na forma canônica, obtida fazendo-se as variáveis não-básicas iguais a zero, é chamada de uma solução básica (SB). Nº máximo de soluções básicas = Exemplo: Em (S3) fazendo-se X3 = X4 = X5 = 0 X1 = 6 e X2 = 2 formam uma solução básica. Nº de soluções básicas = = 10 Uma Solução Básica Viável (SBV) de um sistema é uma solução básica onde todas as variáveis assumem valores não-negativos. Exemplo: a solução básica do exemplo anterior é uma SBV. Pivoteamento 68 Operações de Pivoteamento são as operações elementares aplicadas à um sistema para transformar uma dada variável em variável básica. São usadas pelo método de eliminação de Gauss Jordan. Deve-se identificar o elemento Pivô – que deve ser transformado em 1 e os demais elementos da sua coluna que devem ser transformados em 0. Para obter uma forma canônica de um sistema basta aplicar uma sequência de operações de pivoteamento (método de Gauss Jordan) de modo se conseguir uma variável básica associada com cada equação. Método de Eliminação de Gauss Jordan 69 Artifício para a realizaçãode operações de pivoteamento: Considere o sistema (S) abaixo: (S) Achar (S’) uma forma canônica de (S) de modo que X1 seja a variável básica associada com a equação (1), e X3 seja a variável básica associada com a equação (2). (2) 2 = X 4X + X (1) 4= X6+X2X2 321 321 Método de Eliminação de Gauss Jordan 70 VB X1 X2 X3 b Operações Elementares Feitas X1 2 -2 6 4 (1) - Pivô em azul X3 -1 4 -1 2 (2) (S’) Solução básica (não é viável): X1 = – 4 (Variável básica) X3 = 2 (Variável básica) X2 = 0 (Variável não básica) 2 = X+ X3/2 4 = X2/11X 32 21 X1 1 -11/2 0 -4 (1’’) = (1’) - 3*(2’’) X3 0 3/2 1 2 (2’’) = (2’)/2 – Equação do Pivô X1 1 -1 3 2 (1’) = (1)/2 - Equação do Pivô X3 0 3 2 4 (2’) = (2) + (1’) – Pivô em Azul Teoremas em PL 71 Teorema 1 Dado um modelo já na forma padrão, as soluções básicas viáveis do sistema de equações, correspondente às restrições do modelo, estão associadas a pontos extremos do conjunto de soluções viáveis do modelo original. Teorema 2 Se um modelo de Programação Linear possui Solução Ótima então pelo menos um ponto extremo, do conjunto de soluções viáveis do modelo original, corresponde a uma Solução Ótima. Comentários Gerais 72 Procedimento simplista para resolver um modelo de PL • Gerar todas as possíveis soluções básicas viáveis. • Determinar qual das soluções básicas viáveis corresponde ao melhor valor da função-objetivo. Problemas: 1. Nº de soluções básicas viáveis pode ser excessivo. 2. Modelo pode apresentar solução ilimitada ou ainda ser inviável. Observe que problemas de médio porte, que aparecem na prática, costumam envolver centenas de variáveis (valor de n) e milhares de restrições (valor de m).
Compartilhar