Baixe o app para aproveitar ainda mais
Prévia do material em texto
PESQUISA OPERACIONAL P R O F E S S O R : A D A L B E R T O N U N E S D E S I Q U E I R A Os resultados positivos conseguidos pela equipe de pesquisa operacional inglesa motivaram os Estados Unidos a iniciarem atividades semelhantes. Apesar de ser creditada à Inglaterra a origem da Pesquisa Operacional, sua propagação deve-se principalmente à equipe de cientistas liderada por George B. Dantzig, dos Estados Unidos, convocada durante a Segunda Guerra Mundial. Ao resultado deste esforço de pesquisa, concluído em 1947, deu-se o nome de Método Simplex. 1.1 - A origem da Pesquisa Operacional Durante a Segunda Guerra Mundial, um grupo de cientistas foi convocado na Inglaterra para estudar problemas de estratégia e de tática associados com a defesa do país. O objetivo era decidir sobre a utilização mais eficaz de recursos militares limitados. A convocação deste grupo marcou a primeira atividade formal de pesquisa operacional. Uma característica importante da pesquisa operacional e que facilita o processo de análise e de decisão é a utilização de modelos. Eles permitem a experimentação da solução proposta. Isto significa que uma decisão pode ser mais bem avaliada e testada antes de ser efetivamente implementada. A economia obtida e a experiência adquirida pela experimentação justificam a utilização da Pesquisa Operacional. . 1.2 - O que é Pesquisa Operacional? A pesquisa operacional é um ramo interdisciplinar da matemática aplicada que faz uso de modelos matemáticos e de algoritmos na ajuda à tomada de decisões. É usada sobretudo para analisar sistemas complexos do mundo real, tipicamente com o objetivo de melhorar ou otimizar a performance. A programação linear ou pesquisa operacional é uma das muitas técnicas analíticas recentemente desenvolvidas que se têm mostrado úteis na resolução de certos tipos de problemas empresariais. Esses métodos quantitativos de resolução de problemas, como muitos aplicados na pesquisa operacional, são baseados em conceitos matemáticos e estatísticos. 1.3 - Objetivos de estudo da Pesquisa Operacional a) reconhecer os problemas que passíveis de análise pelo modelo; b) auxiliar o analista no estágio inicial da investigação; c) avaliar e interpretar inteligentemente os resultados; d) aplicar os resultados com a confiança que é adquirida somente com a compreensão dos problemas e dos resultados envolvidos. A confiabilidade da solução obtida através do modelo depende da validação do modelo na representação do sistema real. A validação do modelo é a confirmação de que ele realmente representa o sistema real. A diferença entre a solução real e a solução proposta pelo modelo depende diretamente da precisão do modelo em descrever o comportamento original do sistema. 1.4 Modelagem Um modelo é uma representação de um sistema real, que pode já existir ou ser um projeto aguardando execução. No primeiro caso, o modelo pretende reproduzir o funcionamento do sistema, de modo a aumentar sua produtividade. No segundo caso, o modelo é utilizado para definir a estrutura ideal do sistema. . 1.5 – Equação Linear Uma equação linear é uma equação composta exclusivamente de adições e subtrações de termos que são constantes ou o produto de uma constante pela primeira potência de uma variável. Conforme a natureza do problema que dá origem a equação, as constantes e as variáveis podem ser números inteiros, reais, complexos ou ter uma estrutura ainda mais geral. Uma equação linear em n variáveis é uma equação que pode ser colocada na forma: a1x1 + a2x2 + a3x3 +....+anxn=b sendo que os escalares a1, a2, a3....an são denominados coeficientes, e b é chamado de termo independente, ou termo constante. Por exemplo, ( − 1, − 1) é uma solução da equação linear x + 3y = − 4, uma vez que -1 + 3(-1) = − 4, mas (1,5) não. No caso em que a quantidade de variáveis em uma equação linear é menor ou igual a três, pode-se associar ao seu conjunto solução, uma interpretação geométrica Uma solução da equação linear a1x1 + a2x2 + a3x3 +....+anxn=b é uma n-upla (um vetor) , s=(s1,s2,s3...sn) cujas entradas sj podem ser colocadas no lugar de cada xj, para j=1,...,n , de modo que a igualdade seja verdadeira. O conjunto solução de uma equação linear é aquele formado por todas as suas soluções. Se n é igual a 2, a equação linear tem como correspondente geométrico uma linha reta. Exemplos: Y= -x + 5 pode ser representada pela reta que passa pelos pontos (0,5) e (5,0). Y= x/2 + 2 corresponde a reta que contém os pontos ( − 4,0) e (2,3). Sistemas de equações lineares Um sistema de equações lineares (ou sistema linear) é uma coleção de equações lineares envolvendo o mesmo conjunto de variáveis. Um sistema geral de m equações lineares com n incógnitas (ou variáveis) pode ser escrito como Se n for 3, o conjunto solução é representado geometricamente como um plano no espaço tridimensional. Uma solução de um sistema linear é uma n-upla de valores s = (s1,s2,....,sn) que simultaneamente satisfazem todas as equações do sistema. Cada equação de um sistema linear em três variáveis determina um plano. Uma solução do sistema corresponde a um ponto na interseção desses planos. O conjunto solução de um sistema linear é a interseção entre os conjuntos soluções de cada equação do sistema (veja a figura). Um sistema linear é dito consistente se possui alguma solução. Caso contrário, é chamado de inconsistente. Cada equação de um sistema linear em três variáveis determina um plano. Uma solução do sistema corresponde a um ponto na interseção desses planos Em geral, para qualquer sistema linear existem três possibilidades a respeito das soluções: Uma única solução: Neste caso, existe apenas uma solução específica (uma certa n-upla). O conjunto S tem um único elemento. Geometricamente, isto implica que os n-planos determinados pelas equações do sistema se intersectam todos em um mesmo ponto do espaço, que é especificado pelas coordenadas da solução (as "entradas" da n-upla). O sistema é dito possível (existe alguma solução) e determinado (existe uma única solução); Nenhuma solução: Nesta situação, não existe qualquer n-upla de valores que verifiquem simultaneamente todas as equações do sistema. O conjunto S é vazio. Geometricamente, os n-planos correspondentes as equações não se intersectam (são paralelos). O sistema é dito impossível (não existe solução). Infinitas soluções: As equações especificam n-planos cuja intersecção é um m-plano onde é possível explicitar um conjunto S com infinitas soluções. O sistema é dito possível (existe alguma solução) e indeterminado (sua quantidade é infinita) As seguintes figuras ilustram os casos citados anteriormente: 2 A Modelagem Matemática na Pesquisa Operacional 2.1 - Componentes iniciais da Modelagem Em um modelo matemático, são incluídos três conjuntos principais de elementos: 1. Variáveis de decisão e parâmetros: variáveis de decisão são as incógnitas a serem determinadas pela solução do modelo. Parâmetros são valores fixos no problema; 2. Restrições: de modo a levar em conta as limitações físicas do sistema, o modelo deve incluir restrições que limitam as variáveis de decisão a seus valores possíveis (ou viáveis); 3. Função Objetivo: é uma função matemática que define a qualidade da solução em funçãodas variáveis de decisão. Para melhor ilustrar ao conjuntos acima, considere o seguinte exemplo: "Uma empresa de comida canina produz dois tipos de rações: Tobi e Rex. Para a manufatura das rações são utilizados cereais e carne. Sabe-se que: I) a ração Tobi utiliza 5 kg de cereais e 1 kg de carne, e a ração Rex utiliza 4 kg de carne e 2 kg de cereais; Deseja-se saber qual a quantidade de cada ração a produzir de modo a maximizar o lucro. II) o pacote de ração Tobi custa $ 20 e o pacote de ração Rex custa $ 30; III) o kg de carne custa $ 4 e o kg de cereais custa $ 1; IV) estão disponíveis por mês 10 000 kg de carne e 30 000 kg de cereais. variáveis de decisão: quantidades de ração de cada tipo a serem produzidas. parâmetros fornecidos: preços unitários de compra e venda, além das quantidades de carne e cereais utilizadas em cada tipo de ração. Restrições: limites de carne e cereais e a função objetivo: função matemática que determine o lucro em função das variáveis de decisão e que deve ser maximizada. Um estudo de pesquisa operacional geralmente envolve as seguintes fases: (1) definição do problema; (2) construção do modelo; (3) solução do modelo; (4) validação do modelo; (5) implementação da solução Apesar da seqüência acima não ser rígida, ela indica as principais etapas a serem vencidas. A seguir, é apresentado um resumo da cada uma das fases. 2.2.1 Definição do problema A definição do problema baseia-se em três aspectos principais: I) descrição exata dos objetivos do estudo; II) identificação das alternativas de decisão existentes; III) reconhecimento das limitações, restrições e exigências do sistema. A descrição dos objetivos é uma das atividades mais importantes em todo o processo do estudo, pois a partir dela é que o modelo é concebido. Da mesma forma, é essencial que as alternativas de decisão e as limitações existentes sejam todas explicitadas, para que as soluções obtidas ao final do processo sejam válidas e aceitáveis. 2.2.2 Construção do modelo A escolha apropriada do modelo é fundamental para a qualidade da solução fornecida. Se o modelo elaborado tem a forma de um modelo conhecido, a solução pode ser obtida através de métodos matemáticos convencionais. Por outro lado, se as relações matemáticas são muito complexas, talvez se faça necessária a utilização de combinações de metodologias. 2.2.3 Solução do modelo O objetivo desta fase é encontrar uma solução para o modelo proposto. Ao contrário das outras fases, que não possuem regras fixas, a solução do modelo é baseada geralmente em técnicas matemáticas existentes. No caso de um modelo matemático, a solução é obtida pelo algoritmo mais adequado, em termos de rapidez de processamento e precisão da resposta. 2.2.4 Validação do modelo Nessa altura do processo de solução do problema, é necessário verificar a validade do modelo. Um modelo é válido se ele for capaz de fornecer uma previsão aceitável do comportamento do sistema. 2.2.4 Validação do modelo Um método comum para testar a validade do sistema é analisar seu desempenho com dados passados do sistema e verificar se ele consegue reproduzir o comportamento que o sistema apresentou. 2.2.5 Implementação da solução Avaliadas as vantagens e a validação da solução obtida, esta deve ser convertida em regras operacionais. A implementação, por ser uma atividade que altera uma situação existente, é uma das etapas críticas do estudo. 3 Programação Linear 3.1 - Definição O problema geral de programação linear é utilizado para otimizar (maximizar ou minimizar) uma função linear de variáveis, chamada de "função objetivo", sujeita a uma série de equações ou inequações lineares, chamadas restrições. A formulação do problema a ser resolvido por programação linear segue alguns passos básicos. Deve ser definido o objetivo básico do problema, ou seja, a otimização a ser alcançada. Por exemplo, maximização de lucros, ou de desempenhos, ou de bem-estar social; minimização de custos, de perdas, de tempo. Tal objetivo será representado por uma função objetivo, a ser maximizada ou minimizada; 3 Programação Linear Para que esta função objetivo seja matematicamente especificada, devem ser definidas as variáveis de decisão envolvidas. Por exemplo, número de máquinas, a área a ser explorada, as classes de investimento à disposição etc. Normalmente, assume-se que todas estas variáveis possam assumir somente valores positivos; Estas variáveis normalmente estão sujeitas a uma série de restrições, normalmente representadas por inequações. Por exemplo, quantidade de equipamento disponível, tamanho da área a ser explorada, capacidade de um reservatório, exigências nutricionais para determinada dieta etc 3 Programação Linear 3.2 - Formulação de Modelos O problema geral de programação linear pode ser definido por Maximizar (ou minimizar) Z = c¹ x¹ + c² x² + ...+ cn xn 3 Programação Linear Exemplo Voltando ao exemplo anterior: Uma empresa de comida canina produz dois tipos de rações: Tobi e Rex. Para a manufatura das rações são utilizados cereais e carne. Sabe-se que: a) a ração Tobi utiliza 5 kg de cereais e 1 kg de carne, e a ração Rex utiliza 4 kg de carne e 2 kg de cereais; b) o pacote de ração Tobi custa $ 20 e o pacote de ração Rex custa $ 30; c) o kg de carne custa $ 4 e o kg de cereais custa $ 1; d) estão disponíveis por mês 10 000 kg de carne e 30 000 kg de cereais. Deseja-se saber qual a quantidade de cada ração a produzir de modo a maximizar o lucro. 3 Programação Linear Nosso modelo deseja maximizar o lucro (Z) a partir da quantidade de ração Tobi (x1) e de ração Rex (x2). A Tabela a seguir apresenta o cálculo do lucro unitário de cada ração. Variáveis de decisão: X1: Quantidade da ração Tobi a ser produzida X2: Quantidade da ração Rex a ser produzida Função objetivo: 11 X1 + 12X2 Restrições: 4 Solução Gráfica Os problemas de pesquisa operacional com apenas duas variáveis podem ser resolvidos através da solução gráfica. A solução gráfica pode ser feita em 03 passos: a) Identificação e construção das retas de restrição; b) Identificação da região viável; c) Identificação do ponto ótimo; a) Voltando ao exemplo anterior O problema da empresa de comida canina com apenas duas variáveis pode ser resolvido graficamente. Traça-se um gráfico com os seus eixos sendo as duas variáveis x1 e x2. A partir daí, traçam-se as retas referentes às restrições do problema e delimita-se a região viável (Figura A). b) Identificação e construção das retas de restrição As variáveis X e Y representam os eixos do plano cartesiano. As restrições definem o que é chamado de região viável, ou sejam a região onde a solução ótima deve estar. A região viável é criada utilizando-se todas as restrições do problema. As restrições de não-negatividade estabelecem que a solução ótima deve estar apenas na região onde as variáveis assumem valores positivos. Exemplo do exercício da Ração Tobi e Rex: c) Identificação da região viável Após definidas todas as retas (ou planos) de restrições, o próximo passo é identificar a região viável, que será a região de intersecção de todos os planos ou retas, conforme demonstrado abaixo: Exemplo 2 Uma artesã produz colares e pulseiras. Os colares sãovendidos a R$18,00 e as pulseiras à R$15,00. Ela gasta R$ 15,00 em matéria prima para fabricar o colar e R$13,00 para a pulseira . Cada colar utiliza 2 pedras de cristal e 1 detalhe de metal. Já a pulseira utiliza 1 pedra de cristal e 1 detalhe de metal. A artesã consegue comprar apenas 100 pedras de cristal por dia e 80 detalhes de metal. Ambos os adornos utilizam outros materiais como couro, linha, etc. mas que não tem problemas para serem obtidos. A artesã também percebeu que ela não consegue vender mais que 35 colares por dia. Qual a quantidade de colares e pulseiras que ela deve fazer? 1) Variáveis de decisão: X1=Quantidade de colares X2=Quantidade de pulseiras 2) Função objetivo: Max L=18X1+15X2-(15X1+13X2) Max L=3X1+2X2 3) Restrições Pedras de Cristal:2X1+X2≤100 Detalhes de Metal:X1+X2≤80 Demanda de colares:X1≤35 X1 e X2≥0 Resumo: Max L=3X1+2X2 Sujeito a: 2X1+X2≤100 X1+X2≤80 X1≤35 X1≥0 X2≥0 Solução gráfica: Inicialmente vamos encontrar a região de solução do problema que é o conjunto dos pontos que satisfazem todas as restrições 1) Para 2X1+X2≤100, temos X1=0;X2=100 e X2=0;X1=50 2) Para X1+X2≤80, temos X1=0;X2=80 e X2=0;X1=80 3) Para X1≤35, temos X1=35 Dessa maneira, definimos a região de solução, que se encontra entre as retas traçadas (0;100) (50;0) Agora, para acharmos o ponto ótimo, precisamos definir no gráfico a reta que será maximizada. Para isso, escolhe-se qualquer ponto (dentro da região de solução), ex.(10,0) Substituindo na Função objetiva 3X1+2X2=3x10+2x0=30 assim Para 3X1+2X2=30, X2=(30-3X1)/2=15-(3/2)*X1 Assim, para X1=0=>X2=15 Então temos a reta que passa por (10,0) e (0,15). Finalmente, o ponto ótimo é (20,60) Max L=3X1+2X2=3x20+2x60=180 Giapetto fabrica dois tipos de brinquedos de madeira: soldados e trens. Um soldado é vendido por $27 e usa $10 de matéria prima. Cada soldado que é fabricado tem um custo adicional de $14 relativo a mão de obra. Um trem é vendido por $21 e gasta $9 de matéria prima. O custo de mão de obra adicional para cada trem é de $10. A fabricação destes brinquedos requer dois tipos de mão de obra: carpintaria e acabamento. Um soldado necessita de 2 horas para acabamento e 1 de carpintaria. Um trem necessita de 1 hora para acabamento e 1 hora de carpintaria. Cada semana, Giapetto pode obter qualquer quantidade de matéria prima, mas tem a disposição até 100 horas de acabamento e 80 de carpintaria. A demanda por trens é ilimitada, mas a venda de soldados é de no máximo 40 por semana. Giapetto quer maximizar seu lucro diário (receitas-custos). Formular o modelo matemático que poderá ser usado por Giapetto para maximizar seu lucro semanal. Variáveis de decisão • X1 = número de soldados produzidos cada semana; • X2 = número de trens produzidos a cada semana. FUNÇÃO OBJETIVO • Receita por semana = 27*X1 + 21*X2 • Custos de M.P. = 10*X1 + 9*X2 • Custos de M.O. = 14*X1 + 10*X2 Então Giapetto quer maximizar: (27X1 + 21X2) - (10X1 + 9X2) - (14X1 + 10 X2) = 3X1 + 2X2 Restrição 1: 2X1 + X2 <= 100 (não mais de 100 h de acabamento) Restrição 2: 1X1 + X2 <= 80 (não mais de 80 h de carpintaria) Restrição 3: X1 <= 40 (venda máxima de soldados: 40) Restrições adicionais • X1 >= 0 • X2 >= 0 Se nós queremos delimitar em um gráfico o conjunto de pontos que satisfaça a: 2X1+3X2 <= 6 eq (1) Onde, 6 atribuição inicial para F.O. 3X2 <= 6 - 2X1 X2<=1/3*(6 - 2X1) = 2 - 2/3X1 eq(2) Encontrando a solução ótima: Após a identificação da região de solução, nós devemos procurar a solução ótima, que será o ponto da região que levar ao maior valor de Z = 3X1+2X2 Para encontrar a solução ótima, nós precisamos desenhar uma linha sobra a qual todos os pontos levem ao mesmo valor de Z. Escolhe-se qualquer ponto da região de solução: Escolhendo o ponto (20, 0) , temos que Z = 3X1+2X2 = 60 Assim (20, 0) cai sobre a reta: Z = 3X1 + 2X2 = 60 daí podemos concluir que X2 = 30 - 3/2X1 Fazendo X1=0, temos que o outro ponto da reta é (0, 30) Importante: uma vez desenhada a reta, podemos encontrar todas as outras pelo movimento paralelo da reta que desenhamos. Ponto ótimo: Z = 3*20 + 2*60 = 180 Após a identificação da região de solução, nós devemos procurar a solução ótima, que será o ponto da região que levar ao maior valor de Z = 3X1+2X2 Método de Tentativas pelos extremos ou vértices: Como normalmente o ponto ótimo é localizado em algum dos vértices da região viável, o procedimento para encontrar a solução ótima é o da tentativa pelos extremos ou vértices. Ou seja, definida a região viável, encontra-se a coordenada (x;y) de cada vértice e logo após substitui-se na equação da função-objetivo. Das soluções encontradas, aquela que apresentar o maior valor ou menor valor esperado (dependendo da função- objetivo) é a que deverá ser escolhida Exemplo (Minimização): Em uma dieta, cada 100 g de alimento A e B fornecem os seguintes elementos nutritivos (em unidades): As quantidade mínimas necessárias de elementos nutritivos, por dia, são 8 unidades de carboidratos, 19 unidades de vitaminas e 7 unidades de proteínas. Cada 100 g do alimento A contem 300 kcal (kilocalorias) e custa $ 50 u:m: enquanto cada 100 g do alimento B tem 500 kcl e custa $ 25 u:m: Como é possível minimizar o custo e a quantidade de calorias da dieta formada pelos alimento A e B? visualmente é possível identificar o ponto (1,4) do plano cartesiano como sendo o ponto onde a função custo é minimizada, obtendo um custo mínimo de $ 150 u:m: com o consumo total de 2.300 kcal, enquanto o ponto (5,1) minimiza a quantidade de calorias, 2.000 kcal, com custo de $ 275 u:m: z1 = 50x1 + 25x2 (minimizar o custo) z2 = 300x1 + 500x2 (minimizar calorias) z1 z2 Restrição dos carboidratos Restrição das vitaminas Restrição das proteínas Região Viável O Método Simplex O Método Simplex caminha pelos vértices da região viável até encontrar uma solução que não possua soluções vizinhas melhores que ela. Esta é a solução ótima. A solução ótima pode não existir em dois casos: quando não há nenhuma solução viável para o problema, devido a restrições incompatíveis. Ou quando não há máximo (ou mínimo), isto é, uma ou mais variáveis podem tender a infinito e as restrições continuarem sendo satisfeitas, o que fornece um valor sem limites para a função objetivo. 4.1 Exemplo de um Problema Uma marcenaria deseja estabelecer uma programação diária de produção. Atualmente, a oficina faz apenas dois produtos: mesa e armário, ambos de um só modelo. O processo de produção é tal que, para fazer uma mesa a fábrica gasta 2 m2 de madeira e 2 H.h de mão-de-obra. Para fazer um armário, a fábrica gasta 3 m2 de madeira e 1 H.h de mão de obra. Para efeito de simplificação, vamos considerar que a marcenaria tem limitações em somente dois recursos: madeira e mão-de-obra, cujas disponibilidades diárias são mostradas na tabela a seguir. Cada mesa dá uma margem de contribuição para o lucro de $ 4 e cada armário de $ 1. O problema é maximizar a margem de contribuição total para o lucro." Montagem do modelo As variáveis de decisão envolvidas no problema são: x1: quantidade a produzir de mesas x2: quantidade a produzir de armários A função objetivo é: Lucro: z = 4x1 + x2 Para as restrições, a relação lógica existente é: Utilização de recurso disponibilidade Assim temos O modelo completo é: Solução do modelo Já conhecemos o método de solução gráfica para problemas de programação linear de duas variáveis. Será agora apresentada a solução por sistemas de equações lineares. Ao se introduzir o conceito de folga de recurso, a inequação pode ser escrita como De forma a transformar as restrições do problema de programação linear de inequações em equações, são introduzidas as variáveis de folga. Neste problema, as restrições têm a seguinte estrutura lógica: Isso significa que Deste modo, a folga de cada recurso pode ser representada por uma variável de forma exatamente igual à produção de cada produto. Desse modo, vamos chamar: f1: folga de madeira; f2: folga de mão-de-obra. O problema se transformou em encontrar a solução do sistema de equações lineares que maximiza o lucro. Como neste caso o número de variáveis (m = 4) é superior ao número de equações (n = 2), o sistema é indeterminado, apresentando infinitas soluções. Introduzindo as variáveis de folga, o problema a ser resolvido passa a ser: No entanto, todas as variáveis devem ser maiores ou iguais a zero. Atribuir zero a uma variável significa não produzir um dos produtos (se a variável for x1 ou x2) ou utilizar toda a disponibilidade de recursos (se a variável for f1 ou f2). Uma vez resolvido um sistema, serão aplicados na função objetivo os valores encontrados. As variáveis zeradas são chamadas variáveis não-básicas. As variáveis cujos valores são calculados pelo sistema de equações são chamadas variáveis básicas. Desta forma, podemos encontrar soluções para o sistema de equações zerando duas variáveis (n - m = 2) e encontrando o valor para as duas variáveis restantes. Teremos que resolver então Sistemas lineares a serem resolvidos. Comparando todas as soluções encontradas por este processo, achamos a solução ótima, ou seja, x1 = 4, x2 = 0, f1 = 4, f2 = 0, dando um lucro z = 16. Desenvolvimento do Método Simplex Da forma como foi resolvido o problema anteriormente, é necessário que muitos sistemas de equações sejam resolvidos e suas soluções comparadas. Para problemas reais de programação linear, esta solução se torna inviável. Desta forma, para termos condições de resolver um problema de programação linear, precisamos de uma sistemática que nos diga: • qual o sistema de equações que deve ser resolvido; • que o próximo sistema a ser resolvido fornecerá uma solução melhor que os anteriores; • como identificar um solução ótima, uma vez que a tenhamos encontrado. Essa sistemática é o método Simplex, e as regras que o método utiliza para atender às três questões acima são, basicamente, os critérios que desenvolvemos nos itens anteriores. Vamos voltar ao nosso pequeno problema, já com as variáveis de folga: A última linha contém os coeficientes (contribuição para o lucro total z, por unidade em cada interação) das variáveis na função objetivo. Essa última linha será chamada de função objetivo transformada, ou função z-transformada. Vamos montar um quadro para ordenarmos as operações, colocando nele apenas os coeficientes das variáveis. No caso da função objetivo, vamos realizar a seguinte transformação: a) Solução inicial A solução inicial para o problema será sempre obtida fazendo as variáveis originais do modelo (no caso x1 e x2) iguais a zero e achando o valor das demais. Assim, fazendo x1 = x2 = 0 (variáveis não básicas), obtemos do Quadro 1: f1 = 12 f2 = 8 (variáveis básicas) z = 0 As variáveis básicas estão indicadas no Quadro 1, para facilitar o acompanhamento das operações. b) Segunda solução Como a primeira solução não é a melhor, vamos procurar outra que dê um valor maior para z. O problema é descobrir: • Das duas variáveis não básicas (nulas) na primeira solução, qual deve se tornar positiva? • Das duas variáveis básicas (positivas) na primeira solução, qual deverá ser anulada? Assim, aplicando o critério de que devemos produzir primeiro o produto que mais contribui para o lucro, vamos começar a produção pela variável x1, já que sua contribuição unitária para o lucro (4) é maior que a contribuição de x2, igual a 1. Logo, a variável que deverá se tornar positiva é x1. Qual variável deverá se tornar positiva (entrar na base)? Vamos observar que na última linha do Quadro 1 temos os coeficientes da função objetivo que mostram a contribuição para o lucro z de cada unidade produzida de mesa (x1) e de armário (x2). Qual variável deverá ser anulada (deixar a base)? Para identificá-la, deve-se realizar o seguinte procedimento: a) Dividir os elementos da última coluna pelos correspondentes elementos positivos da coluna da variável que vai entrar na base. caso não haja elemento algum positivo nesta coluna, o processo deve parar, já que a solução seria ilimitada. b) O menor quociente indica a equação cuja respectiva variável básica deverá ser anulada, tornando-se variável não básica. Assim, como o menor quociente é dado pela divisão 8 / 2 = 4, a variável básica a ser anulada é f2, que é a variável positiva na atual solução, cujo valor foi encontrado na segunda linha. Assim temos: x2 = 0 e f2 = 0 e o sistema restante deve ser resolvido para acharmos o valor de x1 e f1. A solução desse sistema será feita usando o Quadro 1 com as equações completas e usando as operações válidas com as linhas da Matriz. Gerar identidades Gerar este número 1 Gerar este número 0 Gerar este número 0 Como todas as variáveis que estão fora da base têm coeficientes nulos ou positivos na linha da função objetivo, a solução atual é ótima x1 = 4, x2 = 0, f1 = 4, f2 = 0 e z = 16 Procedimento do Método Simplex (Problemas de Maximização) Passo 1: Introduzir as variáveis de folga; uma para cada desigualdade. Passo 2: Montar um quadro para os cálculos, colocando os coeficientes de todas as variáveis com os respectivos sinais e, na última linha, incluir os coeficientes da função objetivo transformada. Passo 3: Estabelecer uma solução básica inicial, usualmente atribuindo valor zero às variáveis originais e achando valores positivos para as variáveis de folga. Passo 4: Como próxima variável a entrar na base, escolher a variável não básica que oferece, na última linha, a maior contribuição para o aumento da função objetivo (ou seja, tem o maior valor negativo). Se todas as variáveis que estão fora da base tiverem coeficientes nulos ou positivos nesta linha, a solução atual é ótima. Se alguma dessas variáveis tiver coeficiente nulo, isto significa que ela pode ser introduzida na base sem aumentar o valor da função objetivo. Isso quer dizer que temos uma solução ótima, com o mesmo valor da função objetivo. Procedimento do Método Simplex (Problemas de Maximização) Passo 5: Para escolher a variável que deve deixar a base, deve-se realizar o seguinte procedimento: a) Dividir os elementos da última coluna pelos correspondentes elementos positivos da coluna da variável que vai entrar na base. caso não haja elemento algum positivo nesta coluna, o processo deve parar, já que a solução seria ilimitada. b) O menor quociente indica a equação cuja respectiva variável básica deverá ser anulada, tornando-se variável não básica. Passo 6: Usando operações válidas com as linhas da matriz,transformar o quadro de cálculos de forma a encontrar a nova solução básica. A coluna da nova variável básica deverá se tornar um vetor identidade, onde o elemento 1 aparece na linha correspondente à variável que está sendo anulada. Passo 7: Retornar ao passo 4 para iniciar outra iteração. 0,11 Resposta : x2=0,11 (variável na base) Resposta : xF2 =0 (variável fora da base) Qual o valor da variável XF2? 12 Resposta : Z =12
Compartilhar