Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Federal de Viçosa Departamento de Informática Prof. Mauro Nacif Rocha Prof. Luiz Aurélio Raggi Prof. Heleno do Nascimento Santos Fevereiro de 2005 INF-280 Pesquisa Operacional I Conteúdo: Programação Linear Programação em Redes ii ASPECTOS GERAIS DA PESQUISA OPERACIONAL ........................................................................................ 1 EXEMPLOS DE ALGUNS PROBLEMAS COMUNS DA P.O............................................................................................... 5 PARTE I – PROGRAMAÇÃO LINEAR ................................................................................................................. 8 EXEMPLOS DE MODELOS PARA ALGUNS PROBLEMAS CLÁSSICOS DE PROGRAMAÇÃO LINEAR .................................. 13 PROBLEMAS PARA MODELAGEM ............................................................................................................................ 17 SOLUÇÃO DE UM PROBLEMA DE PROGRAMAÇÃO LINEAR – INTERPRETAÇÃO GEOMÉTRICA ...................................... 19 CASOS ENCONTRADOS NA RESOLUÇÃO GRÁFICA ................................................................................................... 23 O MÉTODO SIMPLEX.......................................................................................................................................... 27 MODELO MATEMÁTICO E FORMA PADRÃO DE UM PPL............................................................................................. 27 DEFINIÇÕES BÁSICAS ............................................................................................................................................. 30 TEOREMAS FUNDAMENTAIS ................................................................................................................................... 35 O ALGORITMO SIMPLEX ........................................................................................................................................ 37 ALGORITMO SIMPLEX – MÉTODO DAS DUAS FASES ................................................................................................ 47 ELEMENTOS DE PÓS-OTIMIZAÇÃO................................................................................................................ 53 MUDANÇA NO VETOR C.......................................................................................................................................... 55 MUDANÇA NO VETOR B.......................................................................................................................................... 56 DUALIDADE .......................................................................................................................................................... 57 PARTE II – PROGRAMAÇÃO EM REDES......................................................................................................... 63 INTRODUÇÃO ........................................................................................................................................................ 63 INTRODUÇÃO À TEORIA DE GRAFOS ............................................................................................................ 65 UMA BREVE HISTÓRIA DA TEORIA DOS GRAFOS ..................................................................................................... 65 CONCEITOS BÁSICOS DA TEORIA DE GRAFOS.......................................................................................................... 68 FLUXOS EM REDE ............................................................................................................................................... 74 FORMULAÇÃO GERAL (CLÁSSICA) PARA PROBLEMAS DE FLUXOS EM REDE ............................................................. 75 O PROBLEMA DE FLUXO DE CUSTO MÍNIMO (PFCM).............................................................................................. 79 O PROBLEMA DE TRANSPORTE (PT) ....................................................................................................................... 87 O PROBLEMA DE DESIGNAÇÃO (PD) ...................................................................................................................... 94 O PROBLEMA DO CAMINHO MAIS CURTO (PCMC) ............................................................................................... 100 O PROBLEMA DE FLUXO MÁXIMO (PFM) ............................................................................................................. 104 O PROBLEMA DA ÁRVORE GERADORA MÍNIMA (AGM) ........................................................................................ 111 O PROBLEMA DE STEINER EM GRAFOS NÃO DIRECIONADOS .................................................................................. 115 REDES PERT / CPM............................................................................................................................................ 117 REDES PERT....................................................................................................................................................... 117 REDES PERT/CPM.............................................................................................................................................. 121 BIBLIOGRAFIA................................................................................................................................................... 125 1 Aspectos Gerais da Pesquisa Operacional 1. Introdução e Histórico Durante a II Guerra Mundial, líderes militares da Inglaterra e dos Estados Unidos requisita- ram um grupo de cientistas de diversas áreas de conhecimento para analisarem alguns problemas militares. Entre esses problemas citam-se: desenvolvimento, operação e localização de radares, ge- renciamento e controle de navios de apoio, planejamento de ataques aéreos, lançamento de bombas contra submarinos, defesa das comunidades européias contra ataques aéreos inimigos, abastecimen- to de tropas com munições e alimentos, operações de mineração, etc. A aplicação de métodos ma- temáticos e científicos para ajudar as operações militares foi chamada “Operational Research” ou “Operations Research”. 1759 (Quesney), 1874 (Walras) Modelos primitivos de programação matemática. 1873 (Jordan), 1896 (Minkowsky), 1903 (Farkas) Bases matemáticas para os modelos lineares. 1920 (Markov) Modelos dinãmicos. 192* (periódicos de negócios e en- genharia industrial) Sugestões inovadoras para controle econômico de esto- ques. 1920 (Erlang) Estudos pioneiros dos fenômenos das filas de espera. 1937 (Von Neumann), 1939 (Kan- torovich) Modelos econômicos mais sofisticados. 1938 (RAF – viabilidade dos siste- mas de radar) Operational Research – RESEARCH into (military) OPERATIONS 1940 (tomada da França pelos ale- mães) Maior conquista da OR na II Guerra. 1947 (Dantzig) Primeira formulação abstrata de um problema de progra- mação linear. a partir de 1947 Aplicações na engenharia, economia, controle de estoque, análise de tráfego aéreo, agricultura, comunicação, plane- jamento rural e urbano, distribuição de energia e outros Obs.: U.K. / Europa: Operational Research E.U.A.: Operations Research 2 2. Definição “Pesquisa Operacional é o uso do método científico com o objetivo de prover departamentos exe- cutivos de elementos quantitativos para a tomada de decisões, com relação a operações sob seu controle” (Kittel, 1947). “A Pesquisa Operacional é a aplicação do método científico, por equipes multidisciplinares, a pro- blemas envolvendo o controle de sistemas organizados de forma a fornecer soluções que melhor interessam a determinada organização” (Ackoff,1968). “Pesquisa Operacional é uma metodologia de estruturar processosaparentemente não estruturados por meio da construção de modelos. Utiliza um conjunto de técnicas quantitativas com o intuito de resolver os aspectos matemáticos dos modelos” (Ehrlich, 1991). Hoje, o termo operations research, ou pesquisa operacional, significa “um método científico para tomada de decisão, que busca determinar como melhor planejar e operar um sistema, usual- mente sob condições que requerem alocação de recursos escassos”. 3. A Metodologia da Pesquisa Operacional Geralmente a atividade de uma equipe de P.O. envolve as seguintes fases: • identificação do problema; • construção de um modelo; • obtenção da solução; • teste do modelo e avaliação da solução; • implantação e acompanhamento da solução. Deve-se salientar que tais fases não são distintas, superpondo-se e interagindo entre si, na tentativa de se obter uma melhor identificação entre o modelo e o real. Quando a pesquisa opera- cional é usada para resolver um problema de uma organização, o seguinte procedimento, poderá ser seguido: Passo 1 - Identificação e formulação do problema Em primeiro lugar deve ser definido claramente o problema da organização, incluindo a es- pecificação dos objetivos e as partes da organização que devem ser estudadas antes que o problema possa ser resolvido. Passo 2 - Observação do sistema Dados devem ser coletados para estimar valores de parãmetros que afetam o problema da organização. Estes valores são usados para desenvolver e avaliar o modelo matemático para o pro- blema. Passo 3 - Formulação do modelo matemático para o problema Consiste no desenvolvimento do modelo matemático para o problema. Geralmente, existem várias técnicas que podem ser aplicadas na solução dos modelos matemáticos. A técnica adequada é selecionada em função das características do modelo representativo do problema. Algumas situa- ções, no entanto, são tão complexas que não existem modelos analíticos tratáveis que possam repre- 3 sentá-las. Quando isso acontece é possível desenvolver modelos de simulação e usar a capacidade dos computadores para aproximar o comportamento desses sistemas. Passo 4 - Verificação do modelo e uso do modelo para predição Verifica-se se o modelo matemático proposto para o problema é uma representação fidedig- na da realidade. Os dados coletados durante a observação do problema podem ser usados para a va- lidação do modelo na situação corrente. Passo 5 - Selecionar uma alternativa aceitável Dado o modelo do problema e um conjunto de alternativas (soluções viáveis) deve-se esco- lher aquela (se existir) que melhor atende aos objetivos da organização. Em alguns casos, a seleção da melhor alternativa possível é um problema de difícil solução e, nesses casos, aceita-se uma “boa” alternativa. Passo 6 - Apresentação dos resultados e conclusões A partir da definição do modelo e das alternativas determinadas para o problema são feitas as recomendações para os gerentes das organizações para que eles possam tomar as decisões que melhor atendem os objetivos buscados. Passo 7 - Implementação e avaliação das recomendações Se a organização aceita o estudo realizado e as recomendações feitas, parte-se para a fase de implementação da solução, a qual deve ser constantemente monitorada, e atualizada dinamicamen- te, fazendo-se mudanças quando necessárias. 4. Áreas de aplicação Segundo trabalhos apresentados em reuniões da Sociedade Brasileira de Pesquisa Operacio- nal (SOBRAPO), citam-se abaixo algumas áreas onde a P.O. foi aplicada com algum sucesso e on- de se observa a grande variedade dessas aplicações: • administração • agropecuária • economia e planejamento econômico • educação e saúde • energia • engenharia • forças armadas • investimentos e finanças • localização-armazenamento-distribuição • planejamento e controle da produção • planejamento urbano e regional • recursos hídricos • siderurgia • telecomunicações • transporte 4 5. Técnicas aplicadas Os trabalhos de PO desenvolvidos e submetidos para apresentação em congressos e para pu- blicação revistas científicas envolvem a utilização das seguintes técnicas: • Análise e previsão de séries temporais • Controle e qualidade • Estatística • Teoria dos grafos • Otimização • Programação matemática • Processos estocásticos e teorias das filas • Simulação • Teoria da decisão e teoria dos jogos Estas técnicas permitem que se resolva uma variedade enorme de problemas, dentre os quais são típicos: • Alocação de recursos • Localização e distribuição da produção • Estoque • Substituição e reposição de equipamentos • Seqüenciamento e coordenação de tarefas • Determinação de caminhos em rede • Situações de competição (teoria dos jogos) • Busca de informação • Roteamento de veículos • Fluxos em rede • Problemas de características híbridas 6. Surgimento e desenvolvimento da PO no Brasil O início da P.O. no Brasil se deu aproximadamente uma década após sua implantação na Grã-Bretanha e nos Estados Unidos. Assim, já nos meados da década de 50, professores com for- mação em Engenharia, Matemática e/ou Estatística, entusiasmados com as novas técnicas relacio- nadas a P.O. que aqui chegavam pela difusão natural do conhecimento humano, começaram a for- mar equipes de P.O. nas universidades e instituições de ensino (ITA, PUC, COPPE-UFRJ, UFPB, UNICAMP, UFSC, UFMG, UFV, etc.), reproduzindo-se e induzindo a formação de equipes em conjunto com as empresas (PETROBRÁS, ELETROBRÁS, USIMINAS, CSN, EMBRAPA, SOUZA CRUZ, TELEBRÁS, etc.), bem como a formação de consultorias nas grandes cidades. Atualmente, vê-se com certo otimismo as perspectivas da P.O. no Brasil e, em particular, na Agricultura, Sistemas de Produção e Engenharia de Alimentos, baseando-se nos seguintes fatores: • A crise como elemento propulsor (escassez de recursos); • A explosão da informática; • Massa crítica existente de analistas de P.O.; • Integração universidade × empresa; • Seminários de P.O. aplicada à agropecuária; • Existência de cursos de P.O. nas universidades brasileiras; • Cursos e pesquisas em andamento na COPPE, UNICAMP, UFPb, UFSc, EMBRAPA, etc. 5 Exemplos de Alguns Problemas Comuns da P.O. Problema do Caminho Mínimo (PCM) Objetivos: determinar a rota de menor caminho (distância, tempo ou custo) existente entre um ponto de origem (cidade, endereço, computador, objeto etc.) e um ponto de destino. Problemas de Localização de Facilidades Objetivos: determinar a localização e capacidade das faci- lidades (restaurantes, depósitos, antenas de rádio etc.) de forma a suprir a demanda da região toda com um custo mínimo e/ou lucro máximo (considerando um determinado período). Cada facilidade possui normalmente um custo fixo de instalação e custos variáveis de operação. Problema da Mochila Rolando Caio da Rocha, um exuberante alpinista, está se preparando para uma longa escalada nos Alpes. Ele consegue levar até W quilos em sua mochila. Ele tem N diferentes tipos de itens que po- de incluir em seu fardo, e cada unidade de item j pesa wj quilos. Para cada item j, ele calculou um valor numérico Rj representando o valor de sobrevivência de cada unidade do item. Como exemplo, se ele levar cinco unidades do item 3 e sete unidades do item 9, o “valor” para ele desta seleção na mochila é 5R3 + 7R9. O problema do Rolando é escolher o número de cada tipo para incluir em sua mochila. 6 Escolha da Mistura para Rações Grão 1 Grão 2 Grão 3 Necessidades mínimas Nutriente A 2 3 7 1250 Nutriente B 1 1 0 250 Nutriente C 5 3 0 900 NutrienteD 0,6 0,25 1 232,5 $/peso 41 35 96 Objetivos: formular uma ração formada a partir da mistura dos grãos que atenda às necessidades mínimas e máximas de nutrientes e tenha um custo mínimo. Bin-packing / Cutting Stock Barra (bin) = 4100mm Demanda (mm) 3100 1930 1850 850 850 795 639 Fornecimento de Produtos através de uma Rede de Transportes Fornecimentos disponíveis Necessidades de demanda Usinas Depósitos S1 S2 S3 Sm Dn D3 D2 D1 Objetivos: determinar a quantidade do produto que cada fornecedor deve enviar para cada depósito, de forma que o custo total do transporte seja mínimo, que cada depósito tenha sua demanda atendi- da, e que nenhum depósito estoure sua capacidade de fornecimento. Objetivos: determinar a quantidade mínima possível de barras para que sejam cortados todos os pedaços neces- sários para suprir a demanda. 7 Problemas de Produção Recursos Especificações Atividades INSUMOS PRODUTOS Máquinas Ferramentas Capital Matéria prima Mão-de-obra ⇔ Decisões ⇔ Produto 1 Produto 2 . . Produto n CUSTOS RECEITA Objetivos: determinar as atividades que devem ser realizadas ou produzidas de forma a maximizar o lucro ou minimizar o custo de produção, levando-se em conta a quantidade máxima disponível para cada insumo. O Problema de Designação (caso particular do problema de transporte) Indivíduos ou máqui- nas (n) Custos cij Tarefas a serem execu- tadas (n) 1 1 2 2 3 3 Objetivos: minimizar o custo total para executar um conjunto de tarefas, onde cada tarefa deve ser executada por uma única máquina, e cada máquina executa uma única tarefa. 8 Parte I – Programação Linear 1. O significado da expressão “PROGRAMAÇÃO” ⇒ alocação de itens ou entidades “LINEAR” ⇒ relativo a funções, equações ou inequações lineares 2. O problema geral Recursos escassos de- vem ser repartidos entre deman- das competitivas ⇔ Decisões são interligadas na tomada de decisão ⇔ Demandas competem entre si na procura dos recursos escassos Objetivos: • Otimizar a distribuição dos recursos limitados no atendimento às demandas competitivas; • Maximizar lucros ou o uso dos recursos; • Minimizar custos, sobras, tempos ou distâncias. 9 3. Fases na solução de um problema de pesquisa operacional FLUXOGRAMA FORMULAÇÃO DO PROBLEMA OBTENÇÃO DO MODELO DEFINIÇÃO DO MÉTODO DE SOLUÇÃO OBTENÇÃO E PREPARO DOS DADOS EXPERIÊNCIA RESOLUÇÃO DO PROBLEMA INTERPRETAÇÃO DOS RESULTADOS COMPARAÇÃO COM A REALIDADE IMPLEMENTAÇÃO DA SOLUÇÃO 10 4. Modelagem de problemas MODELOS SÃO REPRESENTAÇÕES DA REALIDADE GRANDE NÚME- RO DE VARIÁ- VEIS SELEÇÃO DAS VA- RIÁVEIS PRINCIPAIS SIMPLIFICAÇÃO DA REALIDADE SISTEMA INTER- RELACIONAMENTO MODELO 5. Modelos matemáticos Os modelos matemáticos são modelos simbólicos - o sistema real é representado por EQUAÇÕES E EXPRESSÕES MATEMÁTICAS que descrevem suas propriedades relevantes. n DECISÕES QUE SÃO QUANTIFICÁVEIS E INTERRELACIONADAS n VARIÁVEIS DE DECISÃO (x1, x2, … , xn) REPRESENTA A MEDIDA DE EFICIÊNCIA DO SISTEMA FUNÇÃO OBJETIVO Z = f(x1, x2, … , xn) SÃO RESTRIÇÕES AOS VALORES DAS VARIÁVEIS DE DECISÃO REPRESENTADAS POR EQUA- ÇÕES OU INEQUAÇÕES MA- TEMÁTICAS É A REALIDADE É UMA APROXIMAÇÃO VALIDADE ASSOCIADA AO GRAU DE COR- RELAÇÃO 11 6. Expressão matemática de um modelo de programação linear OBJETIVO Determinar os valores das variáveis x1, x2, … , xn que otimizam (maximizam ou minimizam) a fun- ção linear Z = c1 x1 + c2 x2 + … + cn xn, obedecendo às seguintes RESTRIÇÕES: a11x1 + a12x2 + … + a1nxn ≤≤≤≤, =, ≥≥≥≥ b1 a21x1 + a22x2 + … + a2nxn ≤≤≤≤, =, ≥≥≥≥ b2 … am1x1 + am2x2 + … + amnxn ≤≤≤≤, =, ≥≥≥≥ bm e de forma que as variáveis sejam NÃO NEGATIVAS, ou seja: xn ≥≥≥≥ 0, xn ≥≥≥≥ 0, … xn ≥≥≥≥ 0. Temos que cj, aij e bi são constantes conhecidas, para todo i e todo j. Os parãmetros e variáveis do modelo são: Z - Medida de eficiência do sistema (chamada de Função Objetivo ou F.O.); xj - Nível da atividade j (variável de decisão); cj - Taxa de contribuição unitária da atividade j; bi - Disponibilidade do recurso i; aij - Coeficiente tecnológico (quantidade i / consumido por j) n - Número de atividades no modelo; m - Número de restrições no modelo. 7. Construção de um modelo de programação linear ETAPAS A SEGUIR PARA CONSTRUIR UM MODELO DE PL 1. Definição das atividades Definir as atividades (xj) e escolher uma unidade de medida para o seu nível. 2. Definição dos recursos Determinar os recursos consumidos e escolher a unidade de medida conveniente. 3. Determinação das condições externas Determinar a quantidade de recurso disponível (bi). 4. Cálculo dos coeficientes insumo/produção Determinar a relação entre atividades e recursos (aij). 12 5. Construção do modelo Associar x1, x2, … , xn às n atividades; Escrever as equações de balanceamento por recurso; Indicar o uso dos recursos; Estabelecer a função objetivo como medida de eficiência. 13 Exemplos de Modelos para Alguns Problemas Clássicos de Pro- gramação Linear Escolha da Mistura para Rações Grão 1 Grão 2 Grão 3 Necessidades mínimas Nutriente A 2 3 7 1250 Nutriente B 1 1 0 250 Nutriente C 5 3 0 900 Nutriente D 0,6 0,25 1 232,5 $/kg 41 35 96 Seja: x1 = qtde. (kg) do Grão 1 usada na ração x2 = qtde. (kg) do Grão 2 usada na ração x3 = qtde. (kg) do Grão 3 usada na ração Custo total da ração: 41x1 + 35x2 + 96x3 Para atender às necessidades mínimas para cada nutriente, devemos ter: 2x1 + 3x2 + 7x3 ≥ 1250,0 (Nutriente A) x1 + x2 ≥ 250,0 (Nutriente B) 5x1 + 3x2 ≥ 900,0 (Nutriente C) 0,6x1 + 0,25x2 + x3 ≥ 232,5 (Nutriente D) Queremos obter uma ração que tenha um custo mínimo. Portanto, o modelo completo fica assim: Minimizar 41x1 + 35x2 + 96x3 (Função Objetivo ou F.O.) Sujeito a: (Restrições) 2x1 + 3x2 + 7x3 ≥ 1250,0 (Nutriente A) x1 + x2 ≥ 250,0 (Nutriente B) 5x1 + 3x2 ≥ 900,0 (Nutriente C) 0,6x1 + 0,25x2 + x3 ≥ 232,5 (Nutriente D) e: x1 ≥ 0, x2 ≥ 0, x3 ≥ 0 14 Problema de Produção A empresa Nova Linha produz artigos de vidro de alta qualidade: janelas e portas, em três seções de produção: � Seção de Serralharia: para produzir as estruturas de alumínio � Seção de Carpintaria: para produzir as estruturas de madeira � Seção de Vidro e Montagem: para produzir vidro e montar as portas e janelas Devido à diminuição dos lucros, o gerente geral decidiu reorganizar a produção, e propõe produzir só 2 produtos que têm uma melhor aceitação entre os clientes. Estes produtos são: � Produto 1: uma porta de vidro com estrutura de alumínio � Produto 2: uma janela grande com estrutura de madeiraO Departamento de Marketing concluiu que a empresa pode vender tanto de qualquer dos dois produtos, tendo em conta a capacidade de produção disponível. Como ambos os produtos partilham a capacidade de produção da seção 3, o dono solicitou ao gerente de produção da empresa a resolução deste problema. O gerente então levantou os seguintes dados: � a capacidade de produção por minuto de cada seção, a ser utilizada para produzir uma unidade de cada produto � os lucros unitários para cada produto Capacidade por unidade de produção 5 2 2 0 Produto 2 1833 3 0 1 Produto 1 Lucro unitário (em R$) 122 41 Capacidade disponível Seção Nº Capacidade por unidade de produção 5 2 2 0 Produto 2 1833 3 0 1 Produto 1 Lucro unitário (em R$) 122 41 Capacidade disponível Seção Nº Modelo completo: Maximizar Z = 3x1 + 5x2, sujeito a x 1 ≤≤≤≤ 4 2x 2 ≤≤≤≤ 12 3x1 + 2x 2 ≤≤≤≤ 18 x1 ≥≥≥≥ 0, x2 ≥≥≥≥ 0 15 Problema da Mochila Rolando Caio da Rocha, um exuberante alpinista, está se preparando para uma longa escalada nos Alpes. Ele consegue levar até W quilos em sua mochila. Ele tem N diferentes tipos de itens que po- de incluir em seu fardo, e cada unidade de item j pesa wj quilos. Para cada item j, ele calculou um valor numérico Rj representando o valor de sobrevivência de cada unidade do item. O problema do Rolando é escolher o número de cada tipo para incluir em sua mochila. Modelo: F.O.: Max. R1x1 + R2x2 + ... + Rjxj + ... + RNxN s.a.: w1x1 + w2x2 + ... + wjxj + ... + wNxN ≤ W xj ≥ 0 ou: Max. ∑ = N j jj xR 1 s.a.: 0 1 ≥ ≤∑ = j N j jj x Wxw 16 Cutting Stock Tamanho (mm) Quantidade 3100 26 1530 71 850 47 Tamanho da Barra: 6000 mm Temos então as seguintes possibilidades de corte: x1 x2 x3 x4 x5 x6 Demanda 3100 1 1 0 0 0 0 26 1530 1 0 3 2 1 0 71 850 1 3 1 3 5 7 47 Sobra: 520 350 560 390 220 50 Sendo NB = No total de barras de 6000 mm que serão cortadas, xj = No de barras de 6000 mm que serão cortadas segundo o padrão de corte j, F.O.: Min. NB = x1 + x2 + x3 + x4 + x5 + x6 s.a.: x1 + x2 ≥ 26 x1 + 3x3 + 2x4 + x5 ≥ 71 x1 + 3x2 + x3 + 3x4 + 5x5 + 7x6 ≥ 47 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0 Se: aij = No de pedaços de tamanho i que serão cortados no padrão j, bi = demanda de pedaços i, m = No de tamanhos diferentes (linhas), n = No de padrões de corte diferentes (colunas). Min. NB = ∑ = n j jx 1 s.a. i n j jij bxa ≥∑ =1 , i = 1, 2, ..., m xj ≥ 0 e inteiro, j = 1, 2, ..., n 17 Problemas para Modelagem Problema de Produção e Alocação de Recursos Um fazendeiro deseja determinar que área de sua propriedade deve plantar milho e feijão para ma- ximizar o seu lucro, e informa o seguinte: a) o fazendeiro dispõe de uma área máxima de 8 alqueires para o plantio das 2 culturas, 100 m3 de água para irrigação por semana, e a semente de feijão lhe permite um plantio de 4 alqueires no máximo; b) o lucro por alqueire plantado com milho é de R$200,00 e plantado com feijão é de R$150,00; c) cada alqueire plantado com milho requer 10m3 de água por semana, e com feijão 20m3; d) por questões pessoais, ele deseja plantar no máximo 2/3 da área total com milho. Formule o problema como um PPL. Problema de Alocação de Recursos Em uma determinada repartição, existem m máquinas disponíveis para realizar determinadas tarefas ou fabricar determinados produtos. Cada máquina, devido à idade e ao fabricante, pode ser mais ou menos adequada que as outras para fabricar um determinado produto, bem como ter um custo de operação próprio (consumo de energia, manutenção etc.). Seja: n o número de produtos que precisam ser fabricados nessas máquinas, dij o tempo necessário para fabricar o produto j na máquina i, xij o número de unidades de j produzido na máquina i, ai o tempo disponível para a máquina i, bj o número de unidades de j que precisam ser produzidos, e cij o custo para fabricar uma unidade do produto j na máquina i. Modele este PPL de forma a obter uma produção de custo mínimo. Problema de Alocação de Transportes O expedidor de vôos, Eli Cóptero, da companhia Frete Aéreo Cauda Alta Ltda., que opera de um terminal central, tem 8 aviões do Tipo 1, 15 aviões do Tipo 2 e 11 aviões do Tipo 3 disponíveis para os vôos de hoje. A capacidade de cada avião é de 45t, 7t e 5t, respectivamente. O Sr. Cóptero deve expedir aviões para as cidades A, B e C. A quantidade mínima de cada produto que deve ser envia- da para cada cidade é de 20t, 28t e 30t, respectivamente. Cada avião pode voar somente uma vez por dia. O custo de enviar um avião do terminal a cada cidade é dado pelo seguinte quadro: Tipo 1 Tipo 2 Tipo 3 Cidade A 23 15 1,4 Cidade B 58 20 3,8 Cidade C 64 24 4,2 Denote por xij o número de aviões do tipo i enviado para a Cidade j (x1A, x1B, x1C, x2A etc.). Formule um modelo de PL para esse problema. 18 Problema de Planejamento de Tarefas Uma determinada região está sendo ameaçada pela ruptura de uma barragem e deve ser evacuada em, no máximo, 10 horas. São no total 8.000 homens, 7.900 mulheres e 1.850 crianças a transpor- tar. Cada pessoa poderá levar até 10 quilos de bagagem pessoal, Toda a região foi isolada e só cir- culam veículos autorizados para que se evitem acidentes e engarrafamentos. Para efetuar a evacua- ção estão disponíveis os seguintes meios: Veículo de 6 ton. do Exército Veículo de ¼ ton. do Exército Helicóptero Ônibus Microônibus Veículo de Passeio Quantidade de Unidades Disponíveis 10 20 15 10 5 60 Capacidade de Transporte 20 pessoas 5 pessoas 10 pessoas 30 pessoas 15 pessoas 5 pessoas Capacidade para bagagem 1 ton. 20 kg 50 kg 1 ton. 500 kg 100 kg Custo por Viagem 10 u.m. 4 u.m. 75 u.m. 5 u.m. 3 u.m. 2 u.m. Tempo de Viagem 1 h 45 min. 10 min. 45 min. 30 min. 30 min. Para minimizar o pânico, as crianças deverão viajar acompanhadas por suas mães. Existem 10 famí- lias com 5 filhos, 25 com 4 filhos, 150 com 3, 450 com 2 e 350 com 1. Os carros de passeio só po- derão fazer uma viagem de evacuação, ficando, por segurança, retidos fora da área de perigo. Formular o programa de evacuação que minimize os custos finais da operação. 19 Solução de um Problema de Programação Linear – Interpretação Geométrica Representação no espaço de soluções – duas dimensões (variáveis). Exemplo 1 (1) maximizar 12x1 + 15x2 sujeito a: (2) 4x1 + 3x2 ≤ 12 (3) 2x1 + 5x2 ≤ 10 (4) x1 ≥ 0 e x2 ≥ 0 Solução Ótima: ponto b, onde x1 = 15/7, x2 = 8/7 e 12x1 + 15x2 = 300/7 20 Exemplo 2 Por determinação médica, um jovem precisa fazer algum tipo de atividade física em uma academia. Por questões pessoais, ele escolheu fazer natação e/ou pólo aquático. Ele sabe que: • Uma hora de aula de natação custa R$8,00; • Uma hora de aula de pólo custa R$5,00; • Seu orçamento lhe permite dispor de 100 reais mensais para as atividades de academia; • Seus afazeres escolares lhe dão liberdade de gastar mensalmente, no máximo, 18 horas e 40.000 calorias de sua energia para essas atividades; • Cada hora de aula de pólo consome 3.300 calorias, e de natação consome 1.600 calorias; • Ele não tem preferência por nenhuma dessas duas atividades. Como ele deve planejar as suas atividades físicas para obter o número máximo de horas-aula, con- siderando o limite dos recursos que tem? Modele o problema como um problema de programação linear (PPL). x1 � Horas-aula de natação; x2 � Horas-aula de pólo aquático máx. x1+ x2 (1) s.a.: x1 + x2 ≤ 18 (2) 8x1 + 5x2 ≤ 100 (3) 1600x1 + 3300x2 ≤ 40000 (4) (1) (2) (3) (4) 21 Exemplo 3 Um fazendeiro deseja determinar que área de sua propriedade deve plantar milho e feijão para ma- ximizar o seu lucro, e informa o seguinte: a) o fazendeiro dispõe de uma área máxima de 8 alqueires para o plantio das 2 culturas, 100 m3 de água para irrigação por semana, e a semente de feijão lhe permite um plantio de 4 alqueires no máximo; b) o lucro por alqueire plantado com milho é de R$200,00 e plantado com feijão é de R$150,00; c) cada alqueire plantado com milho requer 10m3 de água por semana, e com feijão 20m3; d) por questões pessoais, ele deseja plantar no máximo 2/3 da área total com milho. x1 � Qtde. de alqueires plantados com milho x2 � Qtde. de alqueires plantados com feijão máx. 200x1 + 150x2 s.a.: x1 + x2 = 8 (1) x2 ≤ 4 (2) x1 ≤ 16/3 (3) 10x1 + 20x2 ≤ 100 (4) 22 Exemplo 4 Suponha que, por motivos justificáveis, uma certa dieta alimentar esteja restrita a leite desnatado e uma salada de composição bem conhecida. Sabendo-se ainda que os requisitos nutricionais serão expressos em termos de vitamina A e cálcio e controlados por suas quantidades mínimas (em mili- gramas). A tabela abaixo resume a quantidade de cada nutriente em disponibilidade nos alimentos e a sua necessidade diária para a boa saúde de uma pessoa. Nutriente Leite (copo) Salada (500g) Requisito Nutricional Mínimo Vit. A 2 mg 50 mg 11 mg Cálcio 50 mg 10 mg 70 mg Custo/unid. R$ 2,00 R$ 1,20 sendo x1 = qtd. de leite (em copos) x2 = qtd. de salada (em porções de 500g) min 2x1 + 1,2x2 ------ s.a. 2x1 + 50x2 ≥ 11 –––– 50x1 + 10x2 ≥ 70 –––– 23 Casos Encontrados na Resolução Gráfica Continuaremos usando aqui modelos de duas variáveis, mantendo um espaço bidimensional (pla- no), facilitando assim a visualização, para ilustrar todas as situações possíveis de ocorrer para um modelo de PL qualquer. 1. Uma única solução ótima. Exemplo 1: máx. x1 + x2 s.a.: 8x1 + 5x2 ≤ 100 (1) 16x1 + 33x2 ≤ 400 (2) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 F.O. (1) (2) x1 x2 24 Exemplo 2: min 2x1 + 1,2x2 s.a. 2x1 + 50x2 ≥ 11 (1) 50x1 + 10x2 ≥ 70 (2) 2. Infinitas soluções ótimas. máx. 16x1 + 10x2 s.a.: 8x1 + 5x2 ≤ 100 (1) 16x1 + 33x2 ≤ 400 (2) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x1 x2 (1) (2) (1) (2) 25 3. Solução ótima ilimitada. Exemplo 1: max 2x1 + 1,2x2 s.a. 2x1 + 50x2 ≥ 11 (1) 50x1 + 10x2 ≥ 70 (2) Exemplo 2: max x1 – x2 s.a. 2x1 – x2 ≥ 0 (1) x2 ≤ 4 (2) x1 x2 (1) (2) (1) (2) 26 Exemplo 3: min x1 – 2x2 s.a. 2x1 – x2 ≥ 0 (1) – x1 + 2x2 ≤ 4 (2) Neste caso, embora existam soluções ótimas finitas (qualquer ponto sobre a reta 2, incluindo e à direita do ponto de intercessão dessa reta com a reta 1), limitando o valor ótimo da F.O., o conjunto desses pontos não é limitado ou “fechado”. 4. Problema inviável (nenhuma solução existente). min Z = f(x1, x2) (uma função-objetivo qualquer) s.a. x1 + x2 ≤ 1 (1) x1 + x2 ≥ 2 (2) Veja que, neste caso, não existe nenhum ponto (x1, x2) no plano euclidiano que satisfaça si- multaneamente as expressões (1) e (2). x1 x2 (1) (2) x1 x2 (1) (2) 27 O Método Simplex O método Simplex, desenvolvido por DANTZIG em 1956, procura, a partir de uma deter- minada partição da matriz A, resolver o sistema de equações Ax = b. Veremos a seguir como pode- mos “preparar” um modelo de PL qualquer para que seja resolvido pelo Simplex, quais os funda- mentos teóricos do algoritmo, e como ele podemos usá-lo para resolver os modelos estudados. Modelo matemático e forma padrão de um PPL Considere o seguinte problema de programação linear: Maximizar Z = c1x1 + c2x2 + … + cnxn Sujeito a: a11x1 + a12x2 + … + a1nxn ≤, =, ≥ b1 a21x1 + a22x2 + … + a2nxn ≤, =, ≥ b2 … am1x1 + am2x2 + … + amnxn ≤, =, ≥ bm xn≥0, xn≥0, … xn≥0 A forma apresentada acima é a expandida. Outras formas de representar um problema de programa- ção linear são as mostradas a seguir: a) Forma de Somatório: Maximizar Z = ∑ = n j jj xc 1 Sujeito a: ∑ = n j jij xa 1 ≤, =, ≥ bi, i = 1, … , m; xj ≥ 0, j = 1, … , n. b) Forma Matricial Maximizar Z = cx Sujeito a: Ax ≤, =, ≥ b x ≥ 0 onde A é uma matriz retangular de dimensões m × n; c é um vetor 1 × n, b é um vetor m × 1 e x é um vetor n × 1. O uso de uma ou outra forma depende da conveniência da aplicação. As formas ma- tricial e somatório são mais usadas para provas e demonstrações diversas. A forma expandida é ne- cessária quando se torna necessário explicitar os coeficientes aij, bi e cj. 28 Forma Padrão de um Modelo de PL Antes de estabelecermos um algoritmo único para resolver os modelos matemáticos apresentados anteriormente, é necessário padronizar o formato desses modelos. Usaremos o formato padrão de maximização, que é adotado pela maioria dos livros de P.L.: Um modelo de PL na forma padrão é constituído apenas por equações lineares, e suas variáveis e termos independentes (bi) devem ser não negativas, como o modelo abaixo: Maximizar Z = ∑ = n j jj xc 1 Sujeito a: ∑ = n j jij xa 1 = bi, i = 1, … , m; xj ≥ 0, j = 1, … , n; bi ≥ 0, i = 1, … , m. É importante salientar que em um problema de programação linear qualquer podem aparecer vará- veis que devem ser deixadas livres em sua formulação, ou seja, variáveis irrestritas em sinal. Além disso, outras varáveis podem representar grandezas que na prática não podem ser positivas. Para que um problema com variáveis dos tipos mencionados acima seja colocado na forma padrão tor- nam-se necessários alguns recursos matemáticos, os quais serão discutidos a seguir. Recursos para se obter a forma padrão de um modelo de PL 1) Função Objetivo Os problemas de programação linear consistem em maximizar ou minimizar uma função objetivo. Um problema de minimizar pode ser transformado em maximizar fazendo-se: [ ] ∑∑∑ −−=−−= jjjjjj xcMáximoxcMáximoxcMínimo )( Então, se o problema é minimizar e deseja-se trabalhar como maximizar, multiplica-se os coeficien- tes da função objetivo por (-1), resolve-se o problema de maximizar e toma-se o negativo do valor encontrado. Esse valor é o mínimo do problema original. 2) Variáveis de Folga Considere a inequação linear do tipo "≤": k n j jkj bxa ≤∑ =1 Utiliza-se uma variável xk, chamada variável de folga, em que xk = bk – ∑j akj xj, de forma que kk n j jkj bxxa =+∑ =1 Para cada restrição do tipo "≤" deve-se utilizar uma variável de folga diferente que representa a “folga” do recurso disponível que não foi utilizado. 29 3) Variáveis de Excesso Considere a inequação linear do tipo "≥": s n j jsj bxa ≥∑ =1 Utiliza-se uma variável xs, chamada variável de excesso, em que xs = ∑j asj xj, – bs, de forma que ss n j jsj bxxa =−∑ =1 Para cada restrição do tipo "≥" deve-se utilizar uma variável de excesso diferente que representa o “excesso”do recurso utilizado. 4) Variáveis livres ou irrestritas em sinal Quando uma variável representa uma grandeza que pode assumir na prática valores positivos, nulos ou negativos, ou seja, a variável deve ser irrestrita em sinal, então na forma padrão essa variável é substituída pela diferença de duas outras não negativas, e, posteriormente, quando o problema for resolvido, seu valor real é resgatado. Assim, se xl é irrestrita em sinal, faz-se: xl = xl' - xl'', onde xl' ≥ 0 e xl'' ≥ 0. Resolve-se o problema com xl' e xl'', e após a solução obtém-se xl. 5) Variáveis com valores não positivos Quando uma variável xq representa uma grandeza que não deve assumir valores positivos no pro- blema original, então, para construir a forma padrão do modelo de PL, substitui-se essa variável, fa- zendo-se xq = - xq', onde xq' ≥ 0. Resolve-se o PPL com xq' e, posteriormente, recupera-se xq. 6) Termos independentes com valores negativos Se algum bi tiver sinal negativo, basta multiplicar a linha toda por –1: 4x1 – 3x2 ≤ –2 ⇔ – 4x1 + 3x2 ≥ 2 Exemplo: min. 2x1 + 1,2x2 s.a. 2x1 + 50x2 ≥ 11 50x1 + 10x2 ≥ 70 Forma padrão: max. – 2x1 – 1,2x2 s.a. 2x1 + 50x2 – x3 = 11 50x1 + 10x2 – x4 = 70 30 Definições básicas Considere o problema de programação linear na forma matricial e padrão: Maximizar Z = cx (1) Sujeito a: Ax = b (2) x ≥ 0 (3) Define-se como solução de um PPL, um vetor x que satisfaz as restrições (2); solução viável de um PPL é um vetor x que satisfaz as restrições (2) e (3); e região viável ou conjunto de soluções viá- veis de um PPL é o conjunto de vetores x que satisfazem (2) e (3). Considere o sistema Ax = b no problema acima e suponha que posto [A | b] = posto [A] = m, o que significa que o sistema Ax = b é compatível, ou seja, tem solução. Uma permutação das colu- nas de A pode ser feita de forma a obter A = [B,N], onde B é uma matriz quadrada de dimensões m × m, e N é de dimensões m × (n-m). Se o posto (B) = m, então B é uma matriz inversível, e uma solução do sistema pode ser dado por: bBxB 1− = 0Nx = O vetor x = (xB | xN) é chamado uma solução básica do sistema de equações Ax = b. Se x ≥ 0, então x é chamado uma solução básica viável do sistema. A matriz B é chamada matriz básica, ou sim- plesmente base do sistema e a matriz N é chamada matriz não básica. No vetor x = (xB | xN), as componentes de xB são chamadas variáveis básicas e as componentes de xN são chamadas variá- veis não básicas. Se todas as componentes de xB forem maiores que zero, então x é chamado solu- ção básica viável não degenerada, e se pelo menos uma de suas componentes for nula, então x é chamado solução básica degenerada. Exemplo para ilustrar as definições básicas Seja o problema de programação linear com duas variáveis e duas restrições: Maximizar z = x1 + 3 x2 (1) sujeito a: x1 + x2 ≤ 6 (2) x2 ≤ 3 (3) xj ≥ 0 A representação gráfica é a seguinte: 31 Obtendo-se a forma padrão do PPL pela introdução das variáveis de folga x3 e x4 nas restrições (2) e (3), respectivamente, tem-se o seguinte sistema de equações lineares: x1 + x2 + x3 = 6 x2 + x4 = 3 xj ≥ 0 A matriz de coeficientes tecnológicos A e os vetores colunas correspondentes são os seguintes: [ ]43211 0 0 1 1 1 0 1 aaaaA = = Para se obter uma matriz básica B (2 × 2) a partir da matriz A, deve-se selecionar 2 vetores, ai e aj, linearmente independentes. Para uma matriz A (m × n), o número máximo possível de matrizes quadradas de dimensões m × m é dado por: )!(! ! mnm n − No caso, n = 4 e m = 2, assim esse número máximo é 6. No entanto, como os vetores a1 e a3 são i- guais, ou seja, não são linearmente independentes, o número de matrizes básicas fica reduzido a 5. A seguir são mostradas todas as matrizes básicas obtidas a partir do sistema dado, com as respecti- vas soluções básicas xB e as não básicas xN. 1) [ ] = = = − == = == − 0 0 3 3 3 6 10 11 10 11 4 3 1 2 1 21 x x x bB x x x aaB N B 32 2) [ ] = = = == = == − 0 0 3 6 3 6 10 01 10 01 3 2 1 4 1 41 x x x bB x x x aaB N B 3) [ ] = = = − == = == − 0 0 3 3 3 6 11 10 01 11 4 1 1 3 2 32 x x x bB x x x aaB N B 4) [ ] = = − = − == = == − 0 0 3 6 3 6 11 01 11 01 3 1 1 4 2 42 x x x bB x x x aaB N B 5) [ ] = = = == = == − 0 0 3 6 3 6 10 01 10 01 2 1 1 4 3 43 x x x bB x x x aaB N B Das soluções básica obtidas, apenas a solução número 4 não é viável, visto que o componente x4 é negativo. Então são 4 soluções básicas viáveis para o PPL, a saber: = 0 0 3 3 1 x , = 3 0 0 6 2 x , = 0 3 3 0 3 x , = 3 6 0 0 4 x Estes pontos pertencem a R4 . Uma projeção em R2, ou seja, no plano gerado por x1 e x2, tem como resultante os seguintes pontos: 33 = 3 31 x , = 0 62 x , = 3 03 x , = 0 04 x Estes pontos são identificados na solução gráfica do problema, mostrando que eles correspondem aos pontos extremos do polígono de restrições (figura seguinte). Solução básica degenerada Uma solução básica viável é dita degenerada se existir uma ou mais variáveis básicas nulas. A exis- tência de uma solução degenerada afeta o comportamento do algoritmo Simplex, e daí a importân- cia sobre desse tipo de solução. Um exemplo mostrando a ocorrência de uma solução degenerada é dado a seguir. Seja o seguinte conjunto de restrições de um PPL com duas variáveis e três restrições (assumiremos sempre todos os xj ≥ 0, a menos que se diga o contrário): x1 + x2 ≤ 6 x2 ≤ 3 x1 + 2 x2 ≤ 9 Sua representação gráfica é a seguinte: x1 x2 x3 x4 34 Usando variáveis de folga o sistema é transformado em igualdades, na forma: x1 + x2 + x3 = 6 x2 + x4 = 3 x1 + 2 x2 + x5 = 9 A matriz de coeficientes do sistema expandido é: [ ] == 1 0 0 0 1 0 0 0 1 2 1 1 1 0 1 4321 aaaaA Considere a matriz básica formada pelas três primeiras colunas de A, ou seja, B = [a1 a2 a3]. A so- lução correspondente é dadapor: Variáveis básicas: = − = == = − − 0 3 3 9 3 6 111 010 120 9 3 6 021 010 111 1 1 3 2 1 bB x x x xB Variáveis não básicas: = = 0 0 5 4 x x xN Tendo em vista que a variável básica x3 = 0, então a solução é degenerada. Veremos as implicações disso mais tarde. 35 Teoremas fundamentais Considere o problema de programação linear na forma padrão: Maximizar Z = cx Sujeito a: Ax = b x ≥ 0 Relembraremos agora algumas definições básicas, ilustrando-as de forma um pouco diferente: Definição 1: Uma base de uma matriz A (m × n) é uma matriz quadrada de m vetores coluna line- armente independentes em —m. As variáveis associadas a essas colunas são chamadas variáveis básicas. Ax = b x = (xB, xR), onde: xB representa o vetor das variáveis básicas de m componentes, e xR representa o vetor das restantes n – m variáveis não básicas. O sistema pode então ser reescrito assim: BxB + RxR = b Como podemos solucionar o conjunto de equações somente em função das variáveis básicas, temos: xR = 0 e BxB = b Definição 2: Seja B uma base associada a uma matriz A. O vetor composto de bBxB 1−= e xR = 0 é chamado de solução básica. Definição 3: Uma solução básica sem componentes negativas é denominada solução básica viá- vel. Definição 4: O conjunto C = {x | Ax = b, x ≥ 0} denomina-se conjunto de soluções viáveis. xB B R m x: n – m m A: 36 Teorema 1 O conjunto C das soluções viáveis de um modelo de programação linear é um conjunto convexo. Demonstração: bbbAxAxxxAAx Cxxx Cxx =−+=−+=−+= ≤≤ ∈−+= ⇒∈ )1()1(])1([ 10 )1(},{ 2121 21 21 αααααα α αα Teorema 2 Toda solução básica viável do sistema Ax = b é um ponto extremo do conjunto de soluções viáveis, ou seja, um ponto extremo do conjunto C Teorema 3 Todo ponto extremo x de um conjunto de soluções viáveis de um sistema Ax = b é uma solução bá- sica viável. Corolário 1: O conjunto de pontos extremos de um conjunto de soluções viáveis é finito e limitado em mnC . Corolário 2: Se existe uma solução viável, então existe uma solução básica viável. Teorema 4 1. Se o PPL tem solução ótima (máximo ou mínimo de Z) finita, então pelo menos uma solução ó- tima ocorre em um ponto extremo (vértice) do conjunto C; 2. Se a solução ótima ocorre simultaneamente em mais de um ponto extremo, então qualquer com- binação convexa desses pontos extremos também é solução ótima. 37 O Algoritmo Simplex O algoritmo Simplex é um procedimento computacional desenvolvido para resolver problemas de programação linear. Podemos dividi-lo em duas fases distintas: Fase 1 - consiste em determinar uma solução básica viável do PPL ou, então, mostrar que tal solu- ção não existe. Neste último caso, não havendo solução básica viável, não existe solução para o problema, ou seja, o conjunto de restrições é inconsistente. Quando uma solução básica viável pu- der ser identificada facilmente, a Fase 1 não precisa ser usada; Fase 2 - consiste em determinar a solução ótima para o PPL ou, então, mostrar que a solução é ili- mitada, ou seja, que o valor de Z pode crescer ou decrescer infinitamente. A Fase 2 inicia a partir de uma solução básica viável do PPL, que pode ser obtida usando-se a Fase 1. Ilustração Caso típico de problema em que é necessário o uso da Fase 1: Maximizar 1 x1 + 2 x2 sujeito a: -1 x1 + 3 x2 ≤ 9 1 x1 - 2 x2 ≤ 0 2 x1 + 1 x2 ≤ 10 2 x1 + 1 x2 ≥ 5 Solução gráfica Colocando o problema na forma padrão tem-se: Maximizar 1 x1 + 2 x2 sujeito a: -1 x1 + 3 x2 + x3 = 9 1 x1 - 2 x2 + x4 = 0 2 x2 + 1 x2 + x5 = 10 2 x1 + 1 x2 - x6 = 5 38 Tomando-se x1 e x2 como variáveis não básicas, tem-se x1 = 0 e x2 = 0. Os valores das variáveis bá- sicas são obtidas de forma trivial, ou seja: x3 = 9, x4 = 0, x5 = 10 e x6 = -5. A solução básica corres- pondente é x = (0, 0, 9, 0, 10, -5), que não é viável, pois existe uma componente negativa (x6 = -5). Neste caso, para se obter uma solução básica inicial é necessário usar a Fase 1 do Simplex. Vere- mos como isso pode ser feito mais adiante. Caso de problema em que não é necessário usar a Fase 1: Maximizar 5 x1 + 2 x2 sujeito a: 1 x1 ≤ 3 1 x2 ≤ 4 1 x1 + 2 x2 ≤ 9 Solução gráfica Colocando o problema na forma padrão tem-se: Maximizar 5 x1 + 2 x2 sujeito a: 1 x1 + x3 = 3 1 x2 + x4 = 4 1 x2 + 2 x2 + x5 = 9 Tomando-se x1 e x2 como variáveis não básicas, tem-se x1 = 0 e x2 = 0. Os valores das variáveis bá- sicas são obtidas de forma trivial, ou seja: x3 = 3, x4 = 4 e x5 = 9. A solução básica correspondente é x = (0, 0, 3, 4, 9), que é viável, pois todas componentes são não negativas. Neste caso, para se obter uma solução básica inicial não é necessário usar a Fase 1 do Simplex. 39 O Algoritmo Simplex – Detalhamento Passo 1 Determine uma solução básica viável (SBV) inicial. Se necessário usar a Fase 1; Passo 2 Testar se a SBV corrente é ótima. Se sim, pare, o problema está resolvido; se não, vá ao pas- so seguinte; Passo 3 Fazer a mudança de base, ou seja: (i) Determinar a variável não básica que deve entrar na base – a variável não básica a entrar na base deve ser aquela que mais aumenta o valor da função objetivo no mo- mento corrente, ou seja, aquela que tem o maior coeficiente; (ii) Determinar a variável básica que deve sair da base – a variável a sair da base deve ser aquela que primeiro assumirá valores negativos como conseqüência do aumento do valor da variável escolhida para entrar na base. O propósito é não permitir que al- guma variável assuma valores negativos, tornando o problema inviável; (iii) Processar a mudança de base fazendo-se a operação de pivoteamento e retornar ao Passo 2. Podemos também descrever o algoritmo em forma de fluxograma, como mostra a figura seguinte: 40 41 Exemplo 1 Uma grande fábrica de móveis dispõe em estoque de 250m de tábuas, 600m de pranchas e 500m de painéis de conglomerado. A fábrica normalmente oferece uma linha de móveis composta por um modelo de escrivaninha, uma mesa de reunião, um armário e uma prateleira. Cada tipo de móvel consome uma certa quantidade de matéria prima, conforme a tabela abaixo. A escrivaninha é vendi- da por R$100, a mesa por R$80, o armário por R$120 e a prateleira por R$20. Modele e resolva o problema pelo simplex, de forma a maximizar a receita com a venda dos móveis. Quantidade de material em metros consumidos por unidade de produto Disponibilidade do Recurso (m) Escrivaninha Mesa Armário Prateleira Tábua 1 1 1 4 250 Prancha 0 1 1 2 600 Painéis 3 2 4 0 500 Valor de Revenda (R$) 100 80 120 20 Considerando as seguintes variáveis de decisão: xE = Nº de escrivaninhas a ser produzido; xM = Nº de mesas a ser produzido; xA = Nº de armários a ser produzido; xP = Nº de prateleiras a ser produzido. Podemos então escrever o modelo de PL: Max. Z = 100xE + 80xM + 120xA + 20xP s.a. xE + xM + xA + 4xP ≤ 250 xM + xA + 4xP ≤ 600 3xE + 2xM + 4xA ≤ 500 Passando para a formapadrão, temos: Max. Z = 100xE + 80xM + 120xA + 20xP s.a. xE + xM + xA + 4xP + x1 = 250 xM + xA + 4xP + x2 = 600 3xE + 2xM + 4xA + x3 = 500 A nossa solução básica viável inicial pode ser obtida, neste caso, de forma trivial: x1 = 250; x2 = 600; x3 = 500; xE = xM = xA = xP = 0. Podemos agora montar o quadro simplex. Para isso, trataremos a equação da F.O. como se fosse apenas mais uma equação do nosso sistema linear: – Z + 100xE + 80xM + 120xA + 20xP = 0 xE + xM + xA + 4xP + x1 = 250 xM + xA + 4xP + x2 = 600 3xE + 2xM + 4xA + x3 = 500 42 Essa linha será destacada no quadro, e sua importância será vista no decorrer do algoritmo. Além disso, usaremos a 1ª coluna para fazer a numeração das linhas, somente para facilitar as explicações a seguir. A 2ª coluna serve para relacionarmos as variáveis básicas (V.B.): V.B. xE xM xA xP x1 x2 x3 b L0 – Z 100 80 120 20 0 0 0 0 L1 x1 1 1 1 4 1 0 0 250 L2 x2 0 1 1 2 0 1 0 600 L3 x3 3 2 4 0 0 0 1 500 Para entrar na base, devemos escolher a variável que possui o maior coeficiente na linha L0. Esses coeficientes indicam a contribuição que cada variável dá à Função Objetivo. para cada unidade de aumento de seus respectivos valores. No quadro acima, vemos que cada unidade de aumento da variável xA resulta em um aumento de 120 unidade no valor da F.O. Essa é a variável que mais contribui localmente para o processo de maximização da F.O., e é portan- to a escolhida para entrar na base. Esse processo de escolha é representado no fluxograma da seguinte maneira: cj* = max(cj) onde j* representa a coluna correspondente à variável que deve entrar na base. Para que a variável xA entre na base, é preciso que uma variável básica saia da base (por que?). Para determinar isso, é só fazer com que o valor de xA cresça o máximo possível. Po- demos ver pelos valores do quadro acima que, se xA for maior que 125 (ou 4xA > 500), então teremos para a ultima restrição o seguinte: 4xA + x3 = 500 x3 = 500 – 4xA e o valor de x3 seria negativo, o que seria inviável. Com isso, o maior valor que xA pode as- sumir sem violar nenhuma das restrições é xA = 125. Nesse caso, o valor de x3 seria igual a zero, e ele então sai da base. Todo esse processo de escolha é representado no fluxograma da seguinte maneira: Escolher i* | min(bi / aij*), aij* > 0 onde i* representa a linha correspondente à variável que deve sair da base. O significado desse “procedimento” é bem simples: divida todos os bi pelos valores de aij* que forem maiores que zero, e pegue o menor valor dessa divisão, que corresponderá à linha i*. No caso acima, teríamos: L1: 250 / 1 = 250 L2: 600 / 1 = 600 L3: 500 / 4 = 125 → i* Agora podemos representar a mudança de base usando setas no quadro: 43 V.B. xE xM xA xP x1 x2 x3 b L0 – Z 100 80 120 20 0 0 0 0 L1 x1 1 1 1 4 1 0 0 250 L2 x2 0 1 1 2 0 1 0 600 L3 x3 3 2 4 0 0 0 1 500 O elemento destacado representa o nosso pivot. Observe que os vetores-coluna das variáveis básicas na matriz A formam uma matriz identidade, e seus coeficientes da linha L0 são nulos. Esse padrão será mantido durante todo o decorrer do algoritmo. Dessa forma, os valores das V.B. são obtidos diretamente na última coluna (b), e o valor de – Z é obtido na posição b0. O pivoteamento consiste então em transformar a coluna correspondente à variável que está entrando na base em um vetor canônico, substituindo o vetor canônico da variável que está saindo da base. Fazemos isso por meio das operações básicas de linha. Primeiro, fazemos 3L′ ← L3 ÷ 4: V.B. xE xM xA xP x1 x2 x3 b L0 – Z 100 80 120 20 0 0 0 0 L1 x1 1 1 1 4 1 0 0 250 L2 x2 0 1 1 2 0 1 0 600 3L′ xA ¾ ½ 1 0 0 0 ¼ 125 Depois, fazemos: 0L′ ← -120 × 3L′ + L0 1L′ ← -1 × 3L′ + L1 2L′ ← -1 × 3L′ + L2 e obtemos o segundo quadro simplex: V.B. xE xM xA xP x1 x2 x3 b 0L′ – Z 10 20 0 20 0 0 -30 -15.000 1L′ x1 ¼ ½ 0 4 1 0 -¼ 125 2L′ x2 -¾ ½ 0 2 0 1 -¼ 475 3L′ xA ¾ ½ 1 0 0 0 ¼ 125 Temos agora a solução básica x1 = 125; x2 = 475; xA = 125; xE = xM = x3 = xP = 0. Passamos de um lucro igual a zero para um lucro de R$15.000, correspondente à produção de 125 ar- mários. Observe que ainda existem variáveis que podem contribuir para o crescimento da F.O. Co- mo existe um empate no maior valor, entre xM e xP, escolheremos xM para entrar na base. Nesse caso, haverá também um empate entre x1 e xA para sair da base. Escolheremos xA para sair da base (depois discutiremos as implicações desses empates). 44 Executamos então o 2º pivoteamento: 1L ′′ ← 1L′ ÷ ½ 0L ′′ ← -20 × 1L ′′ + 0L′ 2L ′′ ← -½ × 1L ′′ + 2L′ 3L ′′ ← -½ × 1L ′′ + 3L′ e obtemos o terceiro quadro simplex: V.B. xE xM xA xP x1 x2 x3 b 0L ′′ – Z 0 0 0 -140 -40 0 -20 -20.000 1L ′′ xM ½ 1 0 8 2 0 -½ 250 2L ′′ x2 -1 0 0 -1 1 1 0 350 3L ′′ xA ½ 0 1 -4 -1 0 ½ 0 Temos agora a solução básica xM = 250; x2 = 350; xA = 0 (VB); xE = xP = x1 = x3 = 0 (VNB). O lucro agora aumentou para R$20.000, correspondente à produção de 250 mesas. Essa so- lução é ótima, já que não existe VNB que possa contribuir para o crescimento da F.O. Todas elas possuem coeficiente nulo ou negativo na linha da F.O. A solução ótima pode ser repre- sentada assim: x* = (0; 250; 0; 0; 0; 350; 0) Z* = 20.000 A variável de folga x2 representa a folga do recurso “Pranchas”. A solução ótima para esse problema, consiste em fabricar somente 250 mesas, tendo uma sobra de 350m de pranchas, e obtendo um lucro máximo de R$20.000,00. Veja que, apesar da variável xA estar na base, seu valor é nulo, indicando que essa solução é degenerada. Degeneração (ou degenerescência) e Ciclagem Em casos esporádicos (alguns autores dizem que esses casos são raros ou muito difíceis de ocorrer na prática), o algoritmo simplex pode entrar “em loop”, ou em processo de “ciclagem”. Nesses ca- sos, ocorrem mudanças de base, mas a cada pivoteamento, o algoritmo retorna ao mesmo ponto do espaço de soluções, representado por vetores diferentes, mas linearmente dependentes. Isso ocorre quando há empate nos critérios de entrada e de saída da base, normalmente devido a alguma VB possuir valor nulo. Para evitar o processo de ciclagem, normalmente recorre-se a uma das duas regras mais conhecidas: – Regra Lexicográfica. Veja detalhes em (Bazaraa, 1990). – Regra de Bland • Entre todas as candidatas a entrar na base, selecione a variável xk que possui o menor índice. • Entre todas as candidatas a sair na base, selecione a variável xr que possui o menor índice. 45 Exemplo 2 Uma sorveteria produz dois tipos de sorvete: no palito e no copinho. Na sorveteria, o único ponto crítico é a mão-de-obra disponível. O sorvete no copinho consome 50% a mais de mão-de-obra do que no palito. Sabe-se que se todo sorvete produzido fosse no palito a companhia poderia produzir 400 toneladas por dia. No entanto, o mercado tem condições de absorver, diariamente, apenas 300 toneladas de sorvete no palito e 150 toneladas de sorvete no copinho. 1. Modele o problema de modo a maximizar a produção de sorvete. Considerando Xp igual à quantidade de sorvete em palito, e Xc igual à quantidade de sorve- te em copinho produzido (em toneladas), temos: max. Xp + Xc s.a. Xp ≤ 300 Xc ≤ 150 Xp + 1,5Xc ≤ 400 2. Resolva-o graficamente. Xp0 Xc 100 100 200 200 300 300 400 Solução ótima: (Xp=300; Xc=66,67; Z=366,67) 400 Pela inclinação e sentido de crescimento da F.O. (linha pontilhada), vemos que a solução ó- tima é a interseção das retas Xp = 300 e Xp + 1,5Xc = 400. Isso nos dá as seguintescoorde- nadas: Xp* = 300; Xc* = (400 – Xp) / 1,5 = 100 / 1,5 = 66,67; Z* = 366,67. 46 3. Resolva-o pelo método simplex. Marcando os pivôs em negrito, temos os seguintes quadros do simplex (alguns valores apa- recem arredondados no quadro): ==================================================== | Xp Xc X3 X4 X5| b ---------------------------------------------------- -Z| 1.0 1.0 0.0 0.0 0.0| 0.0 ---------------------------------------------------- X3| 1.0 0.0 1.0 0.0 0.0| 300.0 X4| 0.0 1.0 0.0 1.0 0.0| 150.0 X5| 1.0 1.5 0.0 0.0 1.0| 400.0 ==================================================== -Z| 0.0 1.0 -1.0 0.0 0.0| -300.0 ---------------------------------------------------- Xp| 1.0 0.0 1.0 0.0 0.0| 300.0 X4| 0.0 1.0 0.0 1.0 0.0| 150.0 X5| 0.0 1.5 -1.0 0.0 1.0| 100.0 ==================================================== -Z| 0.0 0.0 -0.3 0.0 -0.7| -366.7 ---------------------------------------------------- Xp| 1.0 0.0 1.0 0.0 0.0| 300.0 X4| 0.0 0.0 0.7 1.0 -0.7| 83.3 Xc| 0.0 1.0 -0.7 0.0 0.7| 66.7 ==================================================== Solucao otima: Z* = 366.67 x * = (300; 66,67; 0; 83.33; 0; 0) Observe que a variável X4 representa a folga em termos de mercado para o sorvete em copi- nho (ou seja, é o tanto que estamos produzindo abaixo do valor máximo permitido). 4. Agora observe de novo a solução gráfica e observe o que acontece, graficamente, a cada itera- ção do Simplex. 47 Algoritmo Simplex – Método das Duas Fases Primeiro Exemplo (extraído de Goldbarg&Luna,2000): Considere o seguinte modelo de P.L.: Minimizar Z = -3x1 - 5x2 sujeito a: x1 ≤ 4 x2 ≤ 6 3x1 + 2x2 ≥ 18 x1 ≥ 0 e x2 ≥ 0 Passando para a forma padrão, temos: Maximizar Z’ = 3x1 + 5x2 s.a.: x1 + x3 = 4 x2 + x4 = 6 3x1 + 2x2 - x5 = 18 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0 x10 x2 6 4 3 2 A B C Observe que, neste caso, não podemos considerar a solução inicial contendo somente as variáveis de folga, o que resultaria em uma solução inviável. Isso pode ser visto na representação gráfica do problema, mostrado acima. A solução trivial x1 = 0 e x2 = 0 não pertence ao espaço de soluções. Nessas situações, normalmente opta-se por usar um dos seguintes métodos para solucionar o mode- lo de P.L.: • Método do grande M • Método das duas fases Veremos aqui o método das duas fases (o outro será discutido em sala de aula). 48 Na FASE 1, utilizamos o simplex sobre o problema modificado, e tentamos encontrar uma solução básica viável inicial do problema original. Na FASE 2, de posse da base encontrada na 1a Fase, aplicamos o método simplex tradicional em busca da solução ótima do problema. FASE 1 1. Introduzimos uma variável artificial ajx para cada restrição do problema, ou somente para as restrições que tiverem variável de folga com coeficiente negativo. 2. Resolvemos o problema para a seguinte F.O. modificada: Min. q = ∑ ajx 3. Se q* = 0, então existe uma solução básica viável para o problema original. Neste caso, elimi- namos as variáveis artificiais, substituímos a F.O. modificada pela original e prosseguimos com o simplex. Introduzindo uma variável artificial ax6 , e mudando a função objetivo de forma a conter somente as variáveis artificiais, temos: Minimizar q = ax6 s.a.: x1 + x3 = 4 x2 + x4 = 6 3x1 + 2x2 - x5 + ax6 = 18 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, ax6 ≥ 0 V.B. x1 x2 x3 x4 x5 ax6 q 0 0 0 0 0 -1 x3 1 0 1 0 0 0 4 x4 0 1 0 1 0 0 6 ax6 3 2 0 0 -1 1 18 Reduzindo a coluna 6 à forma canônica, temos: V.B. x1 x2 x3 x4 x5 ax6 q 3 2 0 0 -1 0 18 x3 1 0 1 0 0 0 4 x4 0 1 0 1 0 0 6 ax6 3 2 0 0 -1 1 18 Iteração 1: V.B. x1 x2 x3 x4 x5 ax6 q 3 2 0 0 -1 0 18 x3 1 0 1 0 0 0 4 x4 0 1 0 1 0 0 6 ax6 3 2 0 0 -1 1 18 49 Iteração 2: V.B. x1 x2 x3 x4 x5 ax6 q 0 2 -3 0 -1 0 6 x1 1 0 1 0 0 0 4 x4 0 1 0 1 0 0 6 ax6 0 2 -3 0 -1 1 6 V.B. x1 x2 x3 x4 x5 ax6 q 0 0 0 0 0 -1 0 x1 1 0 1 0 0 0 4 x4 0 0 3/2 1 1/2 -1/2 3 x2 0 1 -3/2 0 -1/2 1/2 3 Fim da Fase 1. Retirando as partes sombreadas acima, e re-introduzindo a função objetivo original, temos: FASE 2 V.B. x1 x2 x3 x4 x5 -Z’ 3 5 0 0 0 0 x1 1 0 1 0 0 4 x4 0 0 3/2 1 1/2 3 x2 0 1 -3/2 0 -1/2 3 Reduzindo as colunas 1 e 2 à forma canônica, temos: V.B. x1 x2 x3 x4 x5 -Z’ 0 0 9/2 0 5/2 -27 x1 1 0 1 0 0 4 x4 0 0 3/2 1 1/2 3 x2 0 1 -3/2 0 -1/2 3 Iteração 3: V.B. x1 x2 x3 x4 x5 -Z’ 0 0 9/2 0 5/2 -27 x1 1 0 1 0 0 4 x4 0 0 3/2 1 1/2 3 x2 0 1 -3/2 0 -1/2 3 Iteração 4: V.B. x1 x2 x3 x4 x5 -Z’ 0 0 0 -3 1 -36 x1 1 0 0 -2/3 -1/3 2 x3 0 0 1 2/3 1/3 2 x2 0 1 0 1 0 6 50 Quadro final (ótimo): V.B. x1 x2 x3 x4 x5 -Z’ 0 0 -3 -5 0 -42 x1 1 0 1 0 0 4 x5 0 0 3 2 1 6 x2 0 1 0 1 0 6 x10 x2 6 4 3 2 A B C q = 18 q = 6 q = 0 Z = -27 Z = -36 Z = -42 Segundo Exemplo: Escolha da Mistura para Rações Grão 1 Grão 2 Necessidades mínimas Nutriente A 2 3 650 Nutriente C 5 3 1050 $/kg 32 35 Seja: x1 = qtde. (kg) do Grão 1 usada na ração x2 = qtde. (kg) do Grão 2 usada na ração Minimizar 32x1 + 35x2 Sujeito a: 2x1 + 3x2 ≥ 650 5x1 + 3x2 ≥ 1050 x1 ≥ 0, x2 ≥ 0 51 FASE 1 Introduzindo as variáveis de folga e as variáveis artificiais, temos o seguinte modelo artificial, já na forma padrão: Maximizar q = 5 6 a ax x− − s.a.: 2x1 + 3x2 – x3 + 5 ax = 650 5x1 + 3x2 – x4 + ax6 = 1050 V.B. x1 x2 x3 x4 5 ax ax6 q 0 0 0 0 -1 -1 5 ax 2 3 -1 0 1 0 650 ax6 5 3 0 -1 0 1 1050 Reduzindo as colunas 5 e 6 à forma canônica, temos: V.B. x1 x2 x3 x4 5 ax ax6 q 7 6 -1 -1 0 0 1700 5 ax 2 3 -1 0 1 0 650 ax6 5 3 0 -1 0 1 1050 Iteração 1: V.B. x1 x2 x3 x4 5 ax ax6 q 7 6 -1 -1 0 0 1700 5 ax 2 3 -1 0 1 0 650 ax6 5 3 0 -1 0 1 1050 Iteração 2: V.B. x1 x2 x3 x4 5 ax ax6 q 0 1,8 -1 0,4 0 -1,4 230 5 ax 0 1,8 -1 0,4 1 -0,4 230 x1 1 0,6 0 -0,2 0 0,2 210 V.B. x1 x2 x3 x4 5 ax ax6 q 0 0 0 0 -1 -1 0 x2 0 1 -0,56 0,22 0,56 -0,22 127,78 x1 1 0 0,33 0,13 -0,33 -0,13 133,33 Fim da Fase 1. Retirando as partes sombreadas acima, e re-introduzindo a função objetivo original, temos: 52 FASE 2 V.B. x1 x2 x3 x4 -Z’ 32 35 0 0 0 x2 0 1 -0,56 0,22 127,78 x1 1 0 0,33 0,13 133,33 Reduzindo as colunas 1 e 2 à forma canônica, temos: V.B. x1 x2 x3 x4 -Z’ 0 0 -8,78 -12,04 -8.738.89 x2 0 1 -0,56 0,22 127,78 x1 1 0 0,33 0,13 133,33 O quadro acima já contém a solução ótima: x1 = 133,33 kg x2 = 127,78 kg Custo mínimo = $ 8.738.89 As iterações do algoritmo são representadas na figura abaixo: 0 40 80 120 160 200 240 280 320 360 400 0 40 80 120 160 200 240 280 320 360 400 F.O. Nutr.A Nutr.C Mistura de Ração x1 x2 53 Elementos de Pós-Otimização Seja o PPL dado pela Forma Padrão: Max. Z = cx s.a. Ax = b, x ≥ 0 e suponha que a aplicação do método Simplex encontrou uma solução ótima associada a uma matriz básica B.Podemos ter então as seguintes situações: 1. Mudança no vetor c 2. Mudança no vetor b 3. Mudança na matriz A 4. Adição de nova atividade 5. Adição de uma nova restrição. Se a análise não permite mudança na base B, tem-se uma Análise de Sensibilidade. Caso contrário, uma Análise Paramétrica. Neste módulo, será feita uma abordagem da primeira situação. � Em que faixa podem variar os custos e os meus recursos de modo que a minha solução não mude? Max. Z = cx s.a. Ax = b, x ≥ 0 é equivalente a: Max. Z = B B R Rc x c x+ s.a. B RBx Rx b+ = , 0, 0B Rx x≥ ≥ Como já foi visto anteriormente, o método Simplex procura, a partir de uma determinada partição da matriz A, resolver o sistema de equações Ax = b, sendo que a solução, para 0Rx = , é de- nominada solução básica. Se esta solução atende a restrição x ≥ 0, ela é denominada de solução bá- sica viável. Se ela minimiza a F.O. Z, ela é chamada de solução ótima do PPL. O Quadro Simplex na Forma Canônica: Bx Rx -Z 0 cj – zj 1Bc B b− x B I 1B R− 1B b− onde zj = 1B jc B a− 54 Condição de Otimalidade (maximização): (cj – zj) ≤ 0 para toda variável não básica. Um exemplo: Considere o modelo do PPL visto na página 45 (com Xp e Xc sendo substituídos por x1 e x2, respec- tivamente): max. x1 + x2 s.a. x1 + x3 = 300 x2 + x4 = 150 x1 + 1,5x2 + x5 = 400 xj ≥ 0 sendo [ ] 1 2 3 4 5 1 0 1 0 0 300 0 1 0 1 0 150 1 1 0 0 0 1 1,5 0 0 1 400 x x A b c x x x x = = = = Vimos que a solução ótima para este PPL é: Z* = 366.67 x * = (300; 66,67; 0; 83.33; 0; 0) Temos, portanto, que x1, x2 e x4 são atividades básicas, e x3, x5 são atividades não básicas. Expres- sando isso em termos das equações matriciais vistas anteriormente, temos... 1 1 0 0 1 0 1 0 0 0 1 1 0 0 0,67 0 0,67 1 1,5 0 0 1 0,67 1 0,67 B R B− = = = − − [ ] [ ] 1 3 2 5 4 1 1 0 0 0 B R B R x x c c x x x x x = = = = [ ]1 0,333 0,667R Bc c B R−− = − − [ ]1 300 66,67 83,33Bx B b−= = 366,67B Bc x = ...que é precisamente o resultado que obtivemos na resolução do PPL através do Simplex: 55 ==================================================== -Z| 0.0 0.0 -0.3 0.0 -0.7| -366.7 ---------------------------------------------------- Xp| 1.0 0.0 1.0 0.0 0.0| 300.0 X4| 0.0 0.0 0.7 1.0 -0.7| 83.3 Xc| 0.0 1.0 -0.7 0.0 0.7| 66.7 ==================================================== Mudança no vetor c A análise é feita considerando-se a variação no coeficiente de cada variável na função objetivo, exi- gindo-se que as condições de otimalidade: (cj – zj) ≤ 0 sejam atendidas para toda VNB. Neste caso, se a variável em questão for não básica resolve-se uma desigualdade linear, enquanto que se ela for variável básica resolve-se um sistema de desigualdades lineares. Exemplo: Considere a VNB x3 no quadro SIMPLEX ótimo visto anteriormente. O coeficiente de x3 na F.O. é c3 = 0. Deve-se ter: [ ] 1 3 3 3 3( ) 0 ( ) 0 1 0 0 1 (0 ) 1 1 0 0,67 0 0,67 0 0 0,67 1 0,67 0 0,333 0 0,333 Bc z c c B aλ λ λ λ λ −+ − ≤ ⇒ + − ≤ ⇒ + − − ≤ − ⇒ − ≤ ⇒ ≤ Isso permite uma variação para c3 de –∞ até 0,333. Neste intervalo, x3 continuará sendo VNB. Mais ainda, os conjuntos de VB e de VNB não mudam. Para fazer a mesma análise considerando uma VB (e.g. x1), poderíamos fazer assim: [ ] [ ] 1 0 1 0 0 1 0 0 0 (1 ) 1 0 0,67 0 0,67 0 0 0 0,67 1 0,67 0 1 0,333 R Bc c B R λ λ − − ≤ ⇒ − + − ≤ − ⇒ ≥ − 56 Mudança no vetor b Qualquer mudança no vetor b deve ser feita de modo que as VB continuem não negativas, ou seja: B-1b ≥ 0 Exemplo: Considere o elemento b1=300. Temos então que: 1 1 2 3 1 0 0 300 0 0,67 0 0,67 150 0 0,67 1 0,67 400 300 0 66,67 0.67 0 83,33 0.67 0 125 100 b B b b λ λ λ λ λ λ − + + ≥ ⇒ − ≥ − + ≥ ⇒ − ≥ + ≥ ⇒ − ≤ ≤ o que permite uma variação para o elemento b1 de 175 a 400. 57 Dualidade L LC C R Re t( ) i t( ) i e Circuito 1 Circuito 2 Relacionamentos entre a corrente i e a tensão e: Circuito 1: )(1 teidt C Ri dt diL =++ ∫ Circuito 2: )(1 tiedt L Gi dt deC =++ ∫ onde RG 1= Forma geral: )(tyxdtcbx dt dx a =++ ∫ Dizemos que os Circuitos 1 e 2 são duais. Circuito 1: primal Circuito 2: dual (ou vice-versa) Seja o modelo de PL: Max. ∑ = n j jj xc 1 (1) s.a. i n j jij bxa ≤∑ =1 , para i = 1, 2, ..., m (2) xj ≥ 0 para j = 1, 2, ..., n (3) Chamamos esse modelo de primal. O modelo dual relacionado a ele é: Min. ∑ = m i iiub 1 (4) s.a. j m i iij cua ≥∑ =1 , para j = 1, 2, ..., n (5) ui ≥ 0 para i = 1, 2, ..., m (6) Usando a notação matricial, temos: 58 Primal (P) Dual (D) Max. cx Min. ub s.a. Ax ≤ b s.a. uA ≥ c x ≥ 0 x: (1× n) u ≥ 0 u: (m × 1) Exemplo: Primal (P) Dual (D) Max. 3x1 + 1x2 + 2x3 s.a. 2x1 + 4x2 + 3x3 ≤ 6 3x1 + 3x2 + 1x3 ≤ 8 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0 Min. 6u1 + 8u2 s.a. 2u1 + 3u2 ≥ 3 4u1 + 3u2 ≥ 1 3u1 + 1u2 ≥ 2 u1 ≥ 0, u2 ≥ 0 Teorema 1: Se x e u são soluções viáveis dos problemas (P) e (D), respectivamente, então buxc ≤ Teorema 2: Se x e u são soluções viáveis dos problemas (P) e (D), respectivamente, e buxc = , então essas so- luções são ótimas, ou seja, bucx ** = Teorema da Existência Para um par de problemas duais, uma e somente uma das alternativas abaixo é verdadeira: • Nenhum dos problemas tem solução. • Um deles não tem solução viável e o outro tem solução ótima ilimitada. • Ambos possuem solução ótima finita. Ex: (P) Max. –3x1 + 2x2 s.a. x1 ≤ 3 x1 – x2 ≤ 0 x1 ≥ 0, x2 ≥ 0 (D) Min. –3u1 + 0u2 s.a. u1 + u2 ≥ –3 3u2 ≤ –2 u1 ≥ 0, u2 ≥ 0 Teorema das Folgas Complementares Dado um par de problemas duais, uma condição necessária e suficiente para que as soluções x e u sejam ótimas é que se verifiquem as seguintes relações de complementaridade de folga: u(Ax – b) = 0 (c – uA)x = 0 Prova: 59 ≥−∴≥−∴≤ ≥−∴≥−∴≥ 0)(0 0)(0 xAucAuccAu bxAubxAbxA Fazendo −= −= xAuc bxAu )( )( β α Teremos: 0)()( ≥−=−+−=+ buxcxAucbxAuβα Se x e u forem soluções ótimas, teremos: buxc = Logo, 0== βα Relacionamentos entre o Problema Primal e seu Dual Na prática, muitos modelos de PL contêm restrições do tipo “≤”, bem como outras restrições do tipo “≥” e outras ainda do tipo “=”. Podemos ainda ter variáveis irrestritas ou até mesmo negativas no modelo original (não padrão), como vimos anteriormente. A tabela abaixo mostra como podemos converter imediatamente esses modelos “mistos” em seus respectivos duais, sem que seja necessá- rio passar fazer o modelo passar por transformações intermediárias. Problema de Maximização Problema de Minimização
Compartilhar