Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE SÃO FRANCISCO DISCIPLINA PESQUISA OPERACIONAL Parte I Adalberto Nobiato Crespo 2018 Versão 6 2 3 SUMÁRIO 1 PESQUISA OPERACIONAL ................................................................................. 5 1.1 Introdução .............................................................................................. 5 2 SISTEMA DE INEQUAÇÕES LINEARES .......................................................... 8 2.1 Sistema de Inequações Lineares com Variáveis não Negativas ........... 9 2.2 Sistema de Equações Lineares na Forma Canônica ........................... 10 2.3 Conjuntos Convexos ............................................................................ 11 3 PROGRAMAÇÃO LINEAR .................................................................................. 13 3.1 Conceitos e Definições ........................................................................ 13 3.2 Áreas de Aplicação da Programação Linear ....................................... 13 3.3 Metodologia para Resolução de um Problema de PL .......................... 14 3.4 Exemplos de Problemas de Programação Linear ................................ 15 3.5 Primeira Lista de Exercícios – Modelagem Matemática ...................... 18 3.6 Resolução pelo Método Gráfico........................................................... 24 3.7 Segunda Lista de Exercícios – Resolução pelo Método Gráfico ......... 26 3.8 Problema Geral de Programação Linear ............................................. 28 3.9 Problema de Programação Linear na Forma Padrão .......................... 29 4 O MÉTODO SIMPLEX ......................................................................................... 30 4.1 Teoremas Fundamentais ..................................................................... 30 4.2 Soluções de um Problema de Programação Linear ............................ 30 4.3 Passos do Método Simplex ................................................................. 33 4.4 Análise Econômica do Problema de Programação Linear ................... 37 4.5 Casos Especiais .................................................................................. 40 4.6 Problemas de Minimização .................................................................. 41 4.7 Obtenção da Solução Inicial ................................................................ 44 4.8 Maximização com Restrições do Tipo Maior ou Igual ( ≥ ) .................. 45 4.9 Restrição do Tipo Igual ( = ) ................................................................ 52 4.10 O Problema da Variável Livre ou Variável Não Negativa .................... 53 4.11 Terceira Lista de Exercícios – Método Simplex ................................... 55 5 DUALIDADE .......................................................................................................... 59 5.1 Teorema Básico da Dualidade ............................................................ 63 5.2 Problemas PRIMAL e DUAL na Forma Canônica ............................... 64 5.3 Interpretação Econômica do DUAL ..................................................... 68 5.4 Quarta Lista de Exercícios – Dualidade ............................................... 74 4 6 MODELOS ESPECIAIS – O Problema do Transporte ................................... 77 6.1 Oferta Igual a Demanda ...................................................................... 78 6.2 Oferta Maior que a Demanda .............................................................. 80 6.3 Oferta Menor que a Demanda ............................................................. 82 6.4 Quinta Lista de Exercícios – Problema do Transporte ......................... 84 7 Trabalho.................................................................................................................. 85 5 1 PESQUISA OPERACIONAL 1.1 Introdução A pesquisa operacional surgiu durante a Segunda Guerra Mundial, resultado de estudos realizados por equipes interdisciplinares de cientistas contratados para resolver problemas militares de ordem estratégica e tática. A pesquisa operacional abrange um conjunto de técnicas com o objetivo de estudar e solucionar problemas envolvendo as seguintes áreas: Teoria dos Jogos; Teoria das Filas; Processos Estocásticos; Simulação; PERT/CPM; Teoria dos Grafos; Programação Dinâmica; Programação Não Linear; Programação Linear. Em linhas gerais, a pesquisa operacional consiste na descrição de um sistema organizado com o auxílio de um método e através da experimentação com o modelo, na descoberta da melhor maneira de operar o sistema. Pesquisa operacional é um método científico de tomada de decisões. Tomada de Decisão Pode-se entender a tomada de decisão como o processo de identificar um problema ou uma oportunidade e selecionar uma linha de ação para resolvê-lo. Um problema ocorre quando o estado atual de uma situação é diferente do estado desejado. Uma oportunidade ocorre quando as circunstâncias oferecem a chance de o indivíduo/organização ultrapassar seus objetivos e/ou metas. Vários fatores afetam a tomada de decisão, tais como: - Tempo disponível para a tomada de decisão; - A importância da decisão; - O ambiente; - Certeza/Incerteza e Risco; - Conflito de interesses. 6 Processo de Modelagem Quando os gerentes se veem diante de uma situação na qual uma decisão precisa ser tomada, entre uma série de alternativas conflitantes e concorrentes, duas opções básicas se apresentam: 1 – Usar a sua intuição gerencial para tomar a decisão; 2 – Realizar um processo de modelagem da situação e realizar simulações dos diversos cenários de maneira a estudar mais profundamente o problema para tomar a melhor solução. Até recentemente, a primeira opção se constituía na única alternativa viável, visto que não existiam nem dados sobre os problemas e nem poder computacional para resolvê-los. Acredita-se que as duas opções devem ser utilizadas conjuntamente, para melhorar ainda mais o processo de tomada de decisão. A Tomada de Decisão, o Processo de Modelagem e o Decisor Diversas são as vantagens que podem ser citadas quando o decisor utiliza um processo de modelagem para a tomada de decisão: Os modelos forçam os decisores a tornarem explícitos seus objetivos; Os modelos forçam a identificação e o armazenamento das diferentes decisões que influenciam os objetivos; Os modelos forçam a identificação e o armazenamento dos relacionamentos entre as decisões; Os modelos forçam a identificação das variáveis do problema e suas quantificações; Os modelos forçam o reconhecimento de limitações; Os modelos permitem a comunicação de suas ideias e seu entendimento para facilitar o trabalho de grupo. Dadas essas características, os modelos podem ser utilizados como ferramentas consistentes para a avaliação e a divulgação de diferentes políticas nas empresas. O Processo de Resolução de um Problema O processo de resolução de um problema apresenta algumas etapas consecutivas que podem, entretanto, serem repetidas dependendo da situação. Cada uma das etapas é essencial para o processo. Contudo, a identificação do problema, que pode parecer a mais simples é a mais importante das etapas. A Figura 1 representa as etapas do processo de resolução de um problema. 7 Identificação do Problema Formulação do ModeloAnálise dos Cenários Interpretação dos Resultados Implementação e Monitoramento Figura 1 – Processo de Resolução de um Problema 8 2 SISTEMA DE INEQUAÇÕES LINEARES Um sistema de inequações lineares é um sistema do tipo: 𝑎11𝑥1 + 𝑎12𝑥2 + 𝑎13𝑥3 +⋯+ 𝑎1𝑛𝑥𝑛 ≤ 𝑏1 𝑎21𝑥1 + 𝑎22𝑥2 + 𝑎23𝑥3 +⋯+ 𝑎2𝑛𝑥𝑛 ≤ 𝑏2 𝑎31𝑥1 + 𝑎32𝑥2 + 𝑎33𝑥3 +⋯+ 𝑎3𝑛𝑥𝑛 ≤ 𝑏3 .................................................................... 𝑎𝑚1𝑥1 + 𝑎𝑚2𝑥2 + 𝑎𝑚3𝑥3 +⋯+ 𝑎𝑚𝑛𝑥𝑛 ≤ 𝑏𝑚 Este sistema pode ser representado como: ∑𝑎𝑖𝑗𝑥𝑗 ≤ 𝑏𝑖 (𝑖 = 1, 2, 3, ……𝑚) 𝑛 𝑗=1 (𝑗 = 1, 2, 3, …… . 𝑛) Na forma matricial este sistema tem a seguinte forma: AX = B, onde: - a matriz A é a matriz dos coeficientes; - a matriz X é a matriz das variáveis do sistema; - a matriz B é a matriz dos termos independentes do sistema. Para uma linha i qualquer do sistema tem-se a equação: 𝑎𝑖1𝑥1 + 𝑎𝑖2𝑥2 + 𝑎𝑖3𝑥3 +⋯+ 𝑎𝑖𝑛𝑥𝑛 ≤ 𝑏𝑖 ou seja ∑𝑎𝑖𝑗𝑥𝑗 ≤ 𝑏𝑖 𝑛 𝑗=1 Cada uma das inequações do sistema pode ser transformada numa equação da seguinte forma: a) Se a desigualdade for do tipo ≤ ∑𝑎𝑖𝑗𝑥𝑗 ≤ 𝑏𝑖 é 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 𝑎 ∑𝑎𝑖𝑗𝑥𝑗 + 𝑥𝑛+𝑖 = 𝑏𝑖 𝑑𝑒𝑠𝑑𝑒 𝑞𝑢𝑒 𝑥𝑛+𝑖 ≥ 0 𝑛 𝑗=1 𝑛 𝑗=1 Nota: Neste caso a variável xn+i é conhecida como variável de folga da equação i. b) Se a desigualdade for do tipo ≥ ∑𝑎𝑖𝑗𝑥𝑗 ≤ 𝑏𝑖 é 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 𝑎 ∑𝑎𝑖𝑗𝑥𝑗 − 𝑥𝑛+𝑖 = 𝑏𝑖 𝑑𝑒𝑠𝑑𝑒 𝑞𝑢𝑒 𝑥𝑛+𝑖 ≥ 0 𝑛 𝑗=1 𝑛 𝑗=1 Nota: A variável xn+i é conhecida como variável de excesso da equação i. 9 Exemplo 2.1: Seja o sistema: 𝑥1 + 3𝑥2 − 𝑥3 ≤ 4 𝑥1 + 3𝑥2 − 𝑥3 + 𝑥4 = 4 2𝑥1 − 4𝑥2 + 𝑥3 ≤ 6 este sistema equivale a 2𝑥1 − 4𝑥2 + 𝑥3 + 𝑥5 = 6 3𝑥1 + 3𝑥2 + 𝑥3 ≥ 7 3𝑥1 + 3𝑥2 + 𝑥3 − 𝑥6 = 7 A variável 𝒙𝟒 é uma variável de folga da primeira equação do sistema; A variável 𝒙𝟓 é uma variável de folga da segunda equação do sistema; A variável 𝒙𝟔 é uma variável de folga da terceira equação do sistema. Desde que 𝑥4 ≥ 0; 𝑥5 ≥ 0; 𝑥6 ≥ 0, tem-se: As variáveis 𝒙𝟒; 𝒙𝟓; 𝒙𝟔 são variáveis básicas do sistema; As variáveis 𝒙𝟏; 𝒙𝟐; 𝒙𝟑 são variáveis não básicas do sistema. Observação: Não existem restrições de sinal nas variáveis 𝒙𝟏; 𝒙𝟐; 𝒙𝟑. 2.1 Sistema de Inequações Lineares com Variáveis não Negativas Um sistema de inequações lineares com variáveis não negativas são sistemas onde algumas variáveis, ou todas as variáveis, têm restrições de sinal. Exemplo 2.2: Seja o sistema de inequações lineares: 𝑥1 + 2𝑥2 + 𝑥3 + 𝑥4 ≤ 8 3𝑥1 + 𝑥2 − 𝑥3 − 𝑥4 ≥ 12 4𝑥1 + 3𝑥2 + 3𝑥3 + 𝑥4 ≤ 10 onde x1 ≥ 0; x2 é 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟; x3 ≥ 0; x4 ≥ 0 Deseja-se transformar o sistema de inequações lineares num sistema de equações lineares equivalente, que tenha todas as suas variáveis não negativas. Colocando as variáveis de folga em cada uma das equações, tem-se o seguinte sistema: 𝑥1 + 2𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 = 8 3𝑥1 + 𝑥2 − 𝑥3 − 𝑥4 − 𝑥6 = 12 4𝑥1 + 3𝑥2 + 3𝑥3 + 𝑥4 + 𝑥7 = 10 Onde x1 ≥ 0; x2 é 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟; x3 ≥ 0; x4 ≥ 0; x5 ≥ 0; x6 ≥ 0; x7 ≥ 0 Resta resolver o problema da variável 𝒙𝟐 que continua sendo sem restrição de sinal. Observação: Qualquer número real pode ser obtido pela diferença de dois números positivos. 10 Logo, pode-se fazer a variável 𝒙𝟐 = 𝒙𝟐 ′ − 𝒙𝟐 ′′ onde 𝒙𝟐 ′ ≥ 0 𝒆 𝒙𝟐 ′′ ≥ 0, isto é, fazendo a variável 𝒙𝟐 como a diferença entre dois números positivos. Desta forma, tem–se o seguinte sistema de equações lineares: 𝑥1 + 𝟐𝒙𝟐 ′ − 𝟐𝒙𝟐 ′′ + 𝑥3 + 𝑥4 + 𝑥5 = 8 3𝑥1 + 𝒙𝟐 ′ − 𝒙𝟐 ′′ − 𝑥3 − 𝑥4 − 𝑥6 = 12 4𝑥1 + 𝟑𝒙𝟐 ′ − 𝟑𝒙𝟐 ′′ + 3𝑥3 + 𝑥4 + 𝑥7 = 10 Onde x1 ≥ 0; 𝑥2 ′ ≥ 0; 𝑥2 ′′ ≥ 0; x3 ≥ 0; x4 ≥ 0; x5 ≥ 0; x6 ≥ 0; x7 ≥ 0 Observe que todas as variáveis estão com restrição de sinal. Observação: Com a utilização de variáveis de folga e fazendo 𝒙𝒋 = 𝒙𝒋 ′ − 𝒙𝒋 ′′ (𝑥𝑗 ′ ≥ 0; 𝑥𝑗 ′′ ≥ 0) para todas as variáveis sem restrição de sinal, sempre é possível transformar qualquer sistema de inequações lineares num sistema de equações lineares equivalente, com todas as variáveis não negativas. Exercício: Converta o seguinte sistema de inequações lineares num sistema de equações lineares com variáveis não negativas. 6𝑥1 + 4𝑥2 − 3𝑥3 + 𝑥4 ≥ 2 -7𝑥1 − 5𝑥2 + 3𝑥3 − 2𝑥4 ≤ 5 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 10 𝑥2 ≤ −1 onde x1 ≥ 0; e x3 ≥ 0; 2.2 Sistema de Equações Lineares na Forma Canônica Seja o sistema de inequações lineares: 𝑎11𝑥1 + 𝑎12𝑥2 + 𝑎13𝑥3 +⋯+ 𝑎1𝑛𝑥𝑛 ≤ 𝑏1 𝑎21𝑥1 + 𝑎22𝑥2 + 𝑎23𝑥3 +⋯+ 𝑎2𝑛𝑥𝑛 ≤ 𝑏2 𝑎31𝑥1 + 𝑎32𝑥2 + 𝑎33𝑥3 +⋯+ 𝑎3𝑛𝑥𝑛 ≤ 𝑏3 .................................................................... 𝑎𝑚1𝑥1 + 𝑎𝑚2𝑥2 + 𝑎𝑚3𝑥3 +⋯+ 𝑎𝑚𝑛𝑥𝑛 ≤ 𝑏𝑚 Com o emprego das variáveis de folga sempre é possível transformar o sistema de inequações lineares num sistema de equações lineares. Diz-se que um sistema de equações lineares está na forma canônica quando apresenta as seguintes características: 11 a) Todas as variáveis 𝒙𝒊 são não negativas; b) Todos os termos independentes 𝒃𝒊 são não negativos; c) Tem uma solução básica. Exemplo 2.3: 𝑥1 + 3𝑥2 − 𝑥3 ≤ 4 2𝑥1 − 4𝑥2 + 𝑥3 ≤ 6 3𝑥1 + 3𝑥2 + 𝑥3 ≤ 7 Com a colocação das variáveis de folga 𝒙𝟒; 𝒙𝟓; 𝒙𝟔 o sistema de inequações lineares pode ser transformado numa sistema equações lineares da seguinte forma: 𝑥1 + 3𝑥2 − 𝑥3 ≤ 4 𝑥1 + 3𝑥2 − 𝑥3 + 𝑥4 = 4 2𝑥1 − 4𝑥2 + 𝑥3 ≤ 6 este sistema equivale a 2𝑥1 − 4𝑥2 + 𝑥3 + 𝑥5 = 6 3𝑥1 + 3𝑥2 + 𝑥3 ≤ 7 3𝑥1 + 3𝑥2 + 𝑥3 + 𝑥6 = 7 Uma solução básica do sistema de equações pode ser obtida da seguinte forma: Variáveis não básicas { 𝑥1 = 0 𝑥2 = 0 𝑥3 = 0 Com isso as variáveis básicas do sistema têm como solução: Variáveis básicas { 𝑥4 = 4 𝑥5 = 6 𝑥6 = 7 Observe que todas as variáveis 𝒙𝒊 são não negativas; Exercício: Transforme o sistema de inequações lineares num sistema de equações lineares na forma canônica e ache uma solução básica para o sistema. 𝑥1 + 𝑥2 − 𝑥3 ≤ 4 3𝑥1 − 5𝑥2 + 2𝑥3 ≤ 6 3𝑥1 + 𝑥2 + 4𝑥3 ≥ −5 2.3 Conjuntos Convexos Um conjunto A é convexo se para quaisquer 2 pontos 𝑥1 𝑒 𝑥2 de A, todos os pontos da forma 𝜆𝑥1 + (1 − 𝜆)𝑥2 pertencem ao conjunto A, para 0 ≤ λ ≤ 1. Ou seja, quaisquer 2 pontos do conjunto A pode ser ligado por uma reta totalmente contida no conjunto A. Em resumo, um conjunto A éum conjunto convexo se para quaisquer dois pontos 𝑥1 e 𝑥2 do conjunto podem ser ligados por uma reta totalmente contida no conjunto. 12 Exemplo 2.4: Ponto Extremo de um Conjunto Convexo Seja C um conjunto convexo. Um ponto x é um ponto extremo do conjunto C se x estiver situado na borda do conjunto C. Convexo Não Convexo Não Convexo Convexo 13 3 PROGRAMAÇÃO LINEAR 3.1 Conceitos e Definições A programação Linear – PL é uma das técnicas da Pesquisa Operacional. A programação linear é uma técnica de planejamento que se originou no final da década de quarenta e, com o surgimento do computador, na década de cinquenta, encontrou o seu aliado natural, tendo então, um desenvolvimento acelerado e sendo também muito difundida e utilizada. Os problemas que a programação linear resolve referem-se a distribuição eficiente de recursos limitados entre atividades competitivas, com a finalidade de atender a um determinado objetivo, por exemplo maximizar lucros ou minimizar custos. O objetivo do problema será expresso por uma função linear a qual se dá o nome de Função Objetivo. O problema de programação linear deve dizer quais são as atividades que consomem cada recurso disponível e em que proporção é feita esse consumo. Essas informações serão fornecidas por equações ou inequações lineares, uma para cada recurso disponível. Ao conjunto dessas equações ou inequações lineares dá-se o nome de Restrições do Modelo. Geralmente existem inúmeras maneiras de distribuir os escassos recursos entre as diversas atividades, bastando para isso que essas distribuições sejam coerentes com as equações de consumo de cada recurso, ou seja, que elas satisfaçam as restrições do problema. Entretanto, deseja-se achar a distribuição de recursos que satisfaça as restrições do problema, e que alcance o objetivo desejado, isto é, que Maximize o Lucro ou Minimize o Custo. A essa solução dá-se o nome de Solução Ótima. Uma vez obtido o Modelo Linear, constituído pela Função Objetivo e pelas Restrições Lineares, a programação linear se incumbe de achar a sua Solução Ótima. Se o problema a ser resolvido tiver apenas duas atividades então a solução pode ser obtida pelo Método Gráfico. Se o problema tiver mais do que duas atividades, como acontece na maioria das vezes, só é possível achar a solução ótima com técnicas apropriadas. 3.2 Áreas de Aplicação da Programação Linear A programação linear é uma técnica de planejamento que tem sido aplicada nas mais diversas áreas, tais como: Alimentação – quais os alimentos que as pessoas (ou animais) devem utilizar, de modo que o custo seja mínimo e os mesmos possuam os nutrientes nas quantidades adequadas, e que também atendem a outros requisitos, tais como variedade entre refeições, aspecto, paladar, etc; Rotas de Transporte – qual deve ser o roteiro de transporte de veículos de carga de modo que entreguem toda a carga no menor tempo e no menor custo total; 14 Manufatura – qual deve ser a composição de produtos a serem fabricados por uma empresa de modo que se atinja o lucro máximo, sendo respeitadas as limitações ou exigências do mercado comprador e a capacidade de produção da fábrica; Siderurgia – quais minérios devem ser carregados no alto-forno de modo a se produzir, ao menor custo, uma liga de aço dentro de determinadas especializações de elementos químicos; Petróleo – qual deve a mistura de petróleo a ser enviada para uma torre de craqueamento para produzir seus derivados (gasolina, óleo) a um custo mínimo? Os petróleos são de diversas procedências e possuem composições diferentes; Agricultura – quais os alimentos que devem ser plantados de modo que o lucro seja máximo e sejam respeitadas as características do solo, do mercado comprador e dos equipamentos disponíveis; Carteira de Investimentos – quais são as ações que deve compor uma carteira de investimentos de modo que o lucro seja máximo e sejam respeitadas as previsões de lucratividade e as restrições governamentais; Mineração – em que sequencia deve-se lavrar blocos de minério abaixo do solo, dados a sua composição, o posicionamento e os custos de extração; Localização Industrial – onde devem ser localizadas as fábricas e os depósitos de um novo empreendimento industrial de modo que os custos de entrega do produto aos varejistas sejam minimizados. 3.3 Metodologia para Resolução de um Problema de PL Metodologia de Resolução Diante de um problema de programação linear, consideram-se as seguintes orientações para resolvê-lo: - Estabelece-se Função Objetivo do problema isto é, a função que se quer maximizar ou minimizar; - Transformam-se as restrições impostas pelo problema num sistemas de inequações lineares; - Se o problema tem apenas duas atividades, traça-se o gráfico da região correspondente às restrições, determinando as coordenadas dos vértices da região; - Calcula-se o valor da Função Objetivo em cada um dos vértices; - O maior desses valores é o Valor Máximo e o menor desses valores é o Valor Mínimo da função objetivo; - Volta-se ao problema e determina-se a sua Solução Ótima. 15 Nota: Se o problema tiver mais de duas atividades a ser produzida, utiliza-se a técnica apropriada para achar a Solução Ótima. 3.4 Exemplos de Problemas de Programação Linear Exemplo 3.1 - O Problema da Confecção de Calças e Camisas Uma fabrica que confecciona calças e camisas dispõe de 9 homens/hora de trabalho num dia. Para fazer uma calça utiliza-se 1 homem/hora e para fazer uma camisa utiliza-se 2 homens/hora. O fabricante sabe que vende no máximo 3 calças e 4 camisas num dia. O lucro numa calça é de R$50,00 e numa camisa de R$20,00. Quantas calças e quantas camisas devem ser fabricadas por dia, para se obter lucro Máximo? Modelagem do problema: Restrições do mercado: 3 calças por dia 4 camisetas por dia Disponibilidade de mão de obra: Calça: 1 homem/hora Camisa: 2 homens/hora Lucro nas vendas: Calça: R$ 50,00 Camisa: R$ 20,00 Variáveis do problema: 𝑥1 - número de calças a serem fabricadas 𝑥2 - número de camisas a serem fabricadas Modelo matemático: 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 ------------------> Função Lucro ou Função objetiva 𝑥1 ≤ 3 50𝑥1: Lucro na fabricação de calças 𝑥2 ≤ 4 Restrições do problema 20𝑥2: Lucro na fabricação de camisas 𝑥1 + 2 𝑥2 ≤ 9 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 Obtido o Modelo Linear constituído pela Função Objetivo e pelas Restrições do Problema, a Programação Linear se incumbe de achar a solução ótima do problema. 16 Exemplo 3.2 – O Problema do Sapateiro Um sapateiro faz 6 sapatos por dia, se fizer somente sapatos, e 5 cintos por dia, se fizer somente cintos. Ele gasta 2 unidades de couro para fabricar 1 unidade de sapato e 1 unidade de couro para fabricar uma unidade de cinto. Sabendo-se que o total disponível de couro é de 6 unidades e que o lucro unitário por sapato é de R$ 50,00 e o do cinto é de R$ 20,00. Modelagem do problema: Restrições de produção: 6 sapatos/dia 5 cintos/dia Disponibilidade de couro: 6 unidades Utilização do couro: Sapato: 2 unidades de couro Cinto: 1 unidade de couro Lucro nas vendas: Sapato: R$ 50,00 Cinto: R$ 20,00 Variáveis do problema: 𝑥1 - quantidade de sapatos/dia 𝑥2 - quantidade de cintos/dia Modelo Matemático: 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 -----------------> Função objetiva 𝑥1 ≤ 6 𝑥2 ≤ 5 Restriçõesdo problema 2𝑥1 + 𝑥2 ≤ 6 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 Obtido o Modelo Linear constituído pela Função Objetivo e pelas Restrições do Problema, a Programação Linear se incumbe de achar a solução ótima do problema. Exemplo 3.3 - O Problemas do Vendedor de Frutas Um vendedor de frutas pode transportar 800 caixas de frutas para sua região de vendas. O vendedor tem um pedido fixo de 200 caixas de laranjas a R$ 20,00 de lucro por caixa e pelo menos 100 caixas de pêssegos a R$10,00 de lucro por caixa. Alem disso, o vendedor vende no máximo 200 caixas de tangerinas a R$ 30,00 de lucro por caixa. De que forma deverá ele carregar o caminhão para obter o lucro máximo? Construa o modelo matemático. 17 Modelagem do problema: Restrições de consumo: 200 caixas de laranja (fixo) 100 caixas de pêssego (no mínimo) 200 caixas de tangerina (no máximo) Disponibilidade de transporte: 800 caixas Lucro por caixa: Laranja: R$ 20,00/caixa ----> R$ 4.000,00 Pêssego: R$ 10,00 Tangerina: R$ 30,00 Variáveis do problema 𝑥1 quantidade de caixas de pêssegos 𝑥2 quantidade de caixas de tangerinas Modelo Matemático: 𝑀𝑎𝑥 𝑍 = 10𝑥1 + 30𝑥2 + 4000 ----------------->Função objetiva 𝑥1 ≥ 100 𝑥2 ≤ 200 Restrições do problema 𝑥1 + 𝑥 2 ≤ 600 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 Obtido o Modelo Linear constituído pela Função Objetivo e pelas Restrições do Problema, a Programação Linear se incumbe de achar a solução ótima do problema. 18 3.5 Primeira Lista de Exercícios – Modelagem Matemática Construa o Modelo Matemático dos problemas seguintes. 1 - Um desenhista faz quadros artesanais para vender em uma feira que acontece todas as noites. O desenhista faz desenhos grandes e pequenos e vende os quadros por R$ 50,00 e R$ 20,00 respectivamente. O desenhista só consegue vender 4 desenhos grandes e 3 desenhos pequenos por noite. O desenho grande é feito em 1 hora (grosseiro) e o desenho pequeno é feito em 2 horas (detalhado). Além disso, o desenhista desenha durante 8 horas por dia antes de ir para a feira. Construa o modelo matemático com o objetivo de maximizar o lucro do desenhista. 2 - Uma empresa fabrica 2 produtos: P1 e P2. O lucro por unidade de P1 é de R$ 100,00 e o lucro por unidade de P2 é de R$ 150,00. A empresa necessita de 2 horas para fabricar uma unidade de P1 e de 3 horas para fabricar uma unidade de P2. O tempo mensal disponível para estas atividades é de 120 horas. As demandas esperadas indicam que a fabricação de P1 não deve ultrapassar 40 unidades e P2 não deve ultrapassar 30 unidades por mês. Construa o modelo de fabricação com o objetivo de maximizar o lucro da empresa. 3 – Um fabricante de móveis dispõe de 6 placas de madeira que poderá utilizar para fabricar biombos decorativos. O fabricante dispõe de 28 horas disponíveis para fabricar os biombos de modelos B1 e B2. O modelo B1 requer 2 placas de madeira e 7 horas de mão de obra, enquanto que o modelo B2 requer 1 placa de madeira e 8 horas de mão de obra. O modelo B1 está sendo vendido a R$ 120,00 e o modelo B2 está sendo vendido a R$ 80,00. Quantos biombos de cada modelo deverão ser fabricados para se obter uma receita máxima? 4 – Uma pequena firma de manufatura produz os produtos A, B C e D. Cada unidade de cada produto precisa passar pela linha de produção, pelo polimento e pela montagem. Na tabela 1 indicam-se os tempos (em horas) necessários à fabricação de uma unidade de cada um dos tipos de produtos. A firma dispõe semanalmente um máximo de 480 horas de funcionamento da linha de produção, 400 horas do setor de polimento e 400 horas do setor de montagem. Os lucros unitários associados aos quatro tipos de produtos estão indicados na tabela 2. A firma se comprometeu com um cliente de fornecer semanalmente 50 unidades do produto A e 100 unidades de qualquer combinação entre os produtos B e C. A firma pode vender semanalmente qualquer quantia dos produtos A; B e C, mas só pode vender no máximo 25 unidades do produto D. Quantas unidades de cada produto deverão ser produzidas semanalmente, de modo a garantir o cumprimento dos compromissos assumidos e a maximizar o lucro total? Tabela 1 Produtos Horas de Produção Horas de Polimento Horas de Montagem A B C D 3 2 2 4 1 1 2 3 2 1 2 1 19 Tabela 2 Produtos Lucro unitário em Reais A B C D 6 4 6 8 5 – Uma determinada empresa está interessada em maximizar o lucro mensal proveniente de quatro produtos P1, P2, P3 e P4. Para fabricar esses quatro produtos, a empresa utiliza dois tipos de máquinas M1 e M2 e dois tipos de mão de obra MO1 e MO2. A tabela 1 abaixo indica a disponibilidade das máquinas. A tabela 2 indica a disponibilidade de mão de obra. A tabela 3 indica o número de máquina-hora necessário para se produzir uma unidade de cada produto. A tabela 4 indica o número de homem-hora necessário para se produzir uma unidade de cada produto. A tabela 5 contém informações do setor comercial sobre o potencial de vendas dos produtos e o lucro unitário de cada produto. Tabela 1 Máquinas Tempo Disponível (máquina-hora / mês) M1 M2 80 20 Tabela 2 Mão de Obra Tempo Disponível (homem-hora / mês) MO1 MO2 120 160 Tabela 3 Máquinas P R O D U T O S P1 P2 P3 P4 M1 M2 5 2 4 6 8 - 9 8 Tabela 4 Mão de Obra P R O D U T O S P1 P2 P3 P4 MO1 MO2 2 7 4 3 2 - 8 7 Tabela 5 Produtos Potencial de Vendas (Unidade / mês) Lucro Unitário Em Reais P1 P2 P3 P4 70 60 40 20 10,00 8,00 9,00 7,00 20 6 - Uma metalúrgica deseja maximizar sua receita bruta. A tabela abaixo ilustra a proporção de cada material na mistura para a obtenção das ligas passíveis de fabricação. O preço está cotado em Reais por tonelada da liga fabricada. Também em toneladas estão expressas as restrições de disponibilidade de matéria-prima. Formular o modelo de Programação Matemática. Liga de Baixa Resistência Liga de Alta Resistência Disponibilidade de Matéria Prima - Toneladas Cobre Zinco Chumbo 0,50 0,25 0,25 0,20 0,30 0,50 16 11 15 Preço de Venda por Tonelada R$ 3.000,00 R$ 5.000,00 7 - Uma grande fábrica de móveis dispõe em estoque de 250 metros de tábuas, 600 metros de pranchas e 500 metros 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 certa quantidade de matéria prima, conforme a tabela abaixo. A escrivaninha é vendida por R$ 100,00; a mesa por R$ 80,00; o armário por R$ 120,00; e a prateleira por R$ 20,00. Construa um modelo de Programação Linear que maximize a receita com a venda dos móveis. Quantidade de Material Gasto por Produto Escrivaninha Mesa Armário Prateleira Disponibilidade de Recurso – metros Tábua Prancha Painéis 1 0 3 1 1 2 1 1 4 4 2 0 250 600 500 Valor de Venda em Reais 100 80 120 20 8 - Considere a situação de decidir sobre o número de unidades a serem produzidas por certo fabricante de dois diferentes tipos de produto. Os lucros por unidade do produto 1 e do produto 2 são, respectivamente, R$ 2,00 e R$ 5,00. Cada unidade do produto 1 requer 3 horas de máquina e 9 unidades de matéria-prima, enquanto o produto 2 requer 4 horas de máquina e 7 unidadesde matéria-prima. Os tempos máximos disponíveis de horas de máquina e de matéria- prima são 200 horas e 300 unidades, respectivamente. Formule o problema de forma a maximizar o lucro total. 9 - Uma fábrica produz bolas de couro e de plástico. A bola de couro necessita de 5 homens/hora para a confecção e tem um lucro unitário de $20. A bola de plástico necessita de 2 homens/hora e seu lucro unitário é de $15. Há disponibilidade de 100 homens/hora por dia nesta fábrica. Um problema com fornecedores limitou o estoque de couro e plástico, de modo que é possível confeccionar no máximo 15 bolas de couro e 30 bolas de plástico. Considerando que este é um problema de maximização de lucros com 2 variáveis de decisão, assinale a alternativa que melhor representa o modelo do problema de modo a encontrar a produção ótima do fabricante. 21 10 - Uma firma produz mesas e cadeiras. Os lucros unitários são respectivamente $20 e $24. Cada mesa requer 3 homens/hora na montagem e 4 homens/hora no acabamento. Cada cadeira precisa de 6 homens/ hora na montagem e 2 homens/hora no acabamento. O departamento de montagem tem capacidade de 60 homens/hora e o de acabamento 32 homens/hora por semana. Modele o problema visando o lucro máximo. Considerando que este é um problema de maximização de lucros com 2 variáveis de decisão, assinale a alternativa que melhor representa o modelo do problema de modo a encontrar a produção ótima do fabricante. 11 - Um fazendeiro dispõe de 400 alqueires cultiváveis com milho, trigo ou soja. Cada alqueire de milho necessita de $2000, para preparação do terreno, 20 homens/dia de trabalho e gera um lucro de $600. Cada alqueire de trigo envolve custos de $2400, 30 homens/dia e lucro de $800. Cada alqueire de soja exige $1400, 24 homens/dia e lucro $400. O fazendeiro dispõe de $900.000 para gastos com a preparação do terreno e de 100 homens/dia para o trabalho. Modele o problema de forma a encontrar a melhor alocação de terras para o fazendeiro. Considerando que este é um problema de maximização de lucros com 3 variáveis de decisão, assinale a alternativa que melhor representa o modelo do problema de modo a encontrar a produção ótima do fazendeiro. 22 Respostas dos Exercícios 1 – x1 : Quantidade de desenhos grande x2 : Quantidade de desenhos pequenos Max Lucro = 50x1 + 20x2 x1 ≤ 4 x2 ≤ 3 x1 + 2x2 ≤ 8 x1 0 x2 0 2 – x1 : Quantidade do produto P1 x2 : Quantidade do produto P2 Max Lucro = 100x1 + 150x2 x1 ≤ 40 x2 ≤ 30 2x1 + 3x2 ≤ 120 x1 0 x2 0 3 – x1 : Quantidade de Biombos do modelo B1 x2 : Quantidade de Biombos do modelo B2 Max Lucro = 120x1 + 80x2 2x1 + x2 ≤ 6 7x1 + 8x2 ≤ 28 x1 0 x2 0 4 – x1 : Quantidade do produto A x2 : Quantidade do produto B x3 : Quantidade do produto C x4 : Quantidade do produto D Max Z = 6x1 + 4x2 + 6x3 + 8x4 3x1 + 2x2 + 2x3 + 4x4 ≤ 480 x1 + x2 + 2x3 + 3x4 ≤ 400 2x1 + x2 + 2x3 + x4 ≤ 400 x1 50 x2 + x3 100 x4 ≤ 25 x1 0; x2 0; x3 0; x4 0 5 – x1 : Quantidade do produto P1 x2 : Quantidade do produto P2 x3 : Quantidade do produto P3 x4 : Quantidade do produto P4 Max Z = 10x1 + 8x2 + 9x3 + 7x4 5x1 + 4x2 + 8x3 + 9x4 ≤ 80 2x1 + 6x2 + 8x4 ≤ 20 2x1 + 4x2 + 2x3 + 8x4 ≤ 120 7x1 + 3x2 + 7x4 ≤ 160 x1 ≤ 70 x2 ≤ 60 x3 ≤ 40 x4 ≤ 20 x1 0 x2 0 x3 0 x4 0 6 - x1: Quantidade da liga de baixa resistência x2: Quantidade da liga de alta resistência Max Z = 3.000x1 + 5.000x2 0,5x1 + 0,2x2 ≤ 16 0,25x1 + 0,3x2 ≤ 11 0,25x1 + 0,5x2 ≤ 15 x1 0 x2 0 23 7 – x1 : Quantidade de Escrivaninha x2 : Quantidade de Mesa x3 : Quantidade de Armário x4 : Quantidade de Prateleira Max Z = 100x1 + 80x2 + 120x3 + 20x4 x1 + x2 + x3 + 4x4 ≤ 250 x2 + x3 + 2x4 ≤ 600 3x1 + 2x2 + 4x3 + ≤ 400 x1 0 x2 0 x3 0 x4 0 8 – x1 : Quantidade do produto 1 x2 : Quantidade do produto 2 Max Lucro Z = 2x1 + 5x2 3x1 + 4x2 ≤ 200 9x1 + 7x2 ≤ 300 x1 0 x2 0 9 - x1 = quantidade de bolas de couro x2 = quantidade de bolas de plástico Max Z = 20x1+15x2 5x1+ 2x2 100(mão de obra) x1 15 (mat. prima – couro) x2 30 (mat. prima – plástico) x1 0; x2 0 10 - x1 = quantidade de mesas x2 = quantidade de cadeiras Max Z = 20x1+ 24x2 3x1+ 6x2 60 (montagem) 4x1+ 2x2 32 (acabamento) x1 0; x2 0 11 - x1 = quantidade alqueires de milho x2 = quantidade alqueires de trigo x3 = quantidade alqueires de soja Max L = 600x1+ 800x2 + 400x3 (investimento) 2000x1+ 2400x2 + 1400x3 900000 (mão de obra) 20x1+ 30x2 + 24x3 100 (terra) x1+ x2 + x3 400) x1 0; x2 0; x3 0 24 3.6 Resolução pelo Método Gráfico Quando o problema de programação linear constar de apenas duas atividade, por exemplo a produção de dois produtos, então a solução ótima pode ser obtida pelo método gráfico. Passos para a Solução Gráfica: Passo 1 - Num sistema de coordenadas, desenhe a região variável num sistema de coordenadas que depende exclusivamente das inequações das restrições; Passo 2 - Descubra os pontos fronteiras da região variável; Passo 3 - Teste o valor da função objetiva em cada um dos pontos fronteiras da região viável; Passo 4 - O ponto que resultar no maior valor da função objetiva será o resultado do problema (caso de maximização); Passo 5 - O ponto que resultar no menor valor da função objetiva será o resultado do problema (caso de minimização). Exemplo 3.4: Seja o modelo matemático da confecção de calças e camisas. 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 ------------------> Função objetiva 𝑥1 ≤ 3 𝑥2 ≤ 4 Restrições do problema 𝑥1 + 2 𝑥2 ≤9 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 Passo 1 - Num sistema de coordenadas, desenhe a região variável num sistema de coordenadas que depende exclusivamente das inequações das restrições; F ( calças) E(0,4) D(1,4) C(3,3) B(3,0) A(0,0) x2 3 2 1 1 2 3 4 x1 Região Viável ( camisas) x1 = 3 x2 = 4 x1 + 2x2 = 9 x1 = 0 x2 = 0 25 𝑥1 + 2𝑥2 = 9 P/ 𝑥1 = 3 → 𝑥2 = 3 P/ 𝑥2 = 4 → 𝑥1 = 1 Para saber que lado da equação deve ser considerado, substituir 2 pontos quaisquer na inequação e ver se satisfaz a desigualdade da inequação: 𝑥1 = 0 ; 𝑥2 = 0 → 0 + 2.0 = 0 ≤ 9 → 𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑧 𝑎 𝑑𝑒𝑠𝑖𝑔𝑢𝑎𝑙𝑑𝑎𝑑𝑒 → 𝐿𝑎𝑑𝑜 𝑑𝑒 𝑏𝑎𝑖𝑥𝑜 Passo 2 - Descubra os pontos fronteiras da região variável; A (0,0) ; B (3,0) ; C (3,3) ; D (1,4) ; E(0,4) ; G(3,4) Passo 3 - Teste o valor da função objetiva em cada um dos pontos fronteiras da região viável; Ponto: A (0,0) ==> Z = 0 Ponto: B (3,0) ==> Z = 150 Ponto: C (3,3) ==> Z = 210 ===> Solução Ótima 𝑥1 = 3 𝑒 𝑥2 = 3 Ponto: D (1,4) ==> Z = 130 Ponto: E(0,4) ==> Z = 80 Ponto: G(3,4) ==> Z = 280 Mas o ponto G está fora da região viável Passo 4 - O ponto que resultar no maior valor da função objetiva será o resultado do problema. Solução Ótima ==> fabricar 3 calças e 3 camisas obtendo um lucro de Z=210. Exercício 1: Resolva pelo Método Gráfico o problema do sapateiro. 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 =======> Função objetiva 𝑥1 ≤ 6 𝑥2 ≤ 5 Restrições do problema 2𝑥1 + 𝑥2 ≤ 6 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 Exercício 2: Resolva pelo Método Gráfico o problema do vendedor de frutas. 𝑀𝑎𝑥 𝑍 = 10𝑥1 + 30𝑥2 + 4000 ========>Função objetiva 𝑥1 ≥ 100 𝑥2 ≤ 200 Restrições do problema 𝑥1 + 𝑥 2 ≤ 600 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 26 3.7 Segunda Lista de Exercícios – Resolução pelo Método Gráfico Resolva pelo Método Gráfico os seguintes problemas de programação linear: 1 - Um desenhista faz quadros artesanais para vender em uma feira que acontece todas as noites. O desenhista faz desenhos grandes e pequenos e vende os quadros por R$ 50,00 e R$ 20,00 respectivamente. O desenhista só consegue vender 4 desenhos grandes e 3 desenhos pequenos por noite. O desenho grande é feito em 1 hora (grosseiro) e o desenho pequeno é feito em 2 horas (detalhado). Além disso, o desenhista desenha durante 8 horas por dia antes de ir para a feira. Como o desenhista deve proceder para obter o maior lucro. a) Resolva graficamente o problema e encontre a solução ótima. b) Verifique se existe alguma sobra de recursos na solução ótima. c) Identifique uma solução não viável do problema e explique porque é não viável. 2 - Uma empresa fabrica 2 produtos: P1 e P2. O lucro por unidade de P1 é de R$ 100,00 e o lucro por unidade de P2 é de R$ 150,00. A empresa necessita de 2 horas para fabricar uma unidade de P1 e de 3 horas para fabricar uma unidade de P2. O tempo mensal disponível para estas atividades é de 120 horas. As demandas esperadas indicam que a fabricação de P1 não deve ultrapassar 40 unidades e P2 não deve ultrapassar 30 unidades por mês. a) Resolva graficamente o problema e encontre a solução ótima. b) Verifique se existe alguma sobra de recursos na solução ótima. c) Identifique uma solução não viável do problema e explique porque é não viável. 3 - Considerem o seguinte o problema de LP a) Resolva graficamente o problema e encontre a solução ótima. b) Se a função objetivo fosse alterada para 2x1+6x2, qual seria a solução ótima? c) Quantos pontos extremos existem? 4 - Encontre a solução ótima do seguinte o problema de programação linear. Existe sobra de recursos na solução ótima? 𝑀𝑎𝑥 𝑍 = 2𝑥1 + 3𝑥2 4𝑥1 + 6𝑥2 ≤ 60 𝑥1 + 𝑥2 ≥ 12 𝑥1 ≥ 0 𝑥2 ≥ 0 a) Resolva graficamente o problema e encontre a solução ótima. b) Verifique se existe alguma sobra de recursos na solução ótima. c) Identifique uma solução não viável do problema e explique porque é não viável. 0, 2446 1242 33 Z 21 21 21 21 xx xx xx xxMax Resposta: { 𝑥1 = 3 𝑥2 = 1,5 Z = 13,5 Resposta: { 𝑥1 = 15 𝑥2 = 0 Z = 30 27 5 – Encontre a solução ótima do seguinte problema de programação linear. Existe sobra de recursos na solução ótima? Max Z = 2x1 + 3x2 - x1 + 2x2 ≤ 4 x1 + 2x2 ≤ 6 x1 + 3x2 ≤ 9 x1 0 x2 0 a) Resolva graficamente o problema e encontre a solução ótima. b) Verifique se existe alguma sobra de recursos na solução ótima. c) Identifique uma solução não viável do problema e explique porque é não viável. 6 – Encontre a solução ótima do seguinte problema de programação linear. Existe sobra de recursos na solução ótima? Max Z = 2x1 + 3x2 x1 + 3x2 ≤ 9 - x1 + 2x2 ≤ 4 x1 + x2 ≤ 6 x1 0 x2 0 a) Resolva graficamente o problema e encontre a solução ótima. b) Verifique se existe alguma sobra de recursos na solução ótima. c) Identifique uma solução não viável do problema e explique porque é não viável. 7 – Encontre a solução ótima do seguinte problema de programação linear. Existe sobra de recursos na solução ótima? Min Z = 10x1 + 12x2 x1 + x2 ≤ 20 x1 + x2 10 5x1 + 6x2 54 x1 0 x2 0 a) Resolva graficamente o problema e encontre a solução ótima. b) Verifique se existe alguma sobra de recursos na solução ótima. c) Identifique uma solução não viável do problema e explique porque é não viável. 8 – Encontre a solução ótima do seguinte problema de programação linear. Existe sobra de recursos na solução ótima? Minimizar o Custo Z = 7x1 + 9x2 - x1 + x2 ≤ 2 x1 ≤ 5 x2 ≤ 6 3x1 + 5x2 15 5x1 + 4x2 20 x1 0 x2 0 a) Resolva graficamente o problema e encontre a solução ótima. b) Verifique se existe alguma sobra de recursos na solução ótima. c) Identifique uma solução não viável do problema e explique porque é não viável. Resposta: { 𝑥1 = 6 𝑥2 = 0 Z = 12 Resposta: { 𝑥1 = 4,5 𝑥2 = 1,5 Z = 13,5 Resposta: { 𝑥1 = 6 𝑥2 = 4 Z = 108 Resposta: { 𝑥1 = 5 𝑥2 = 6 Z = 89 28 3.8 Problema Geral de Programação Linear De uma maneira geral, um problema de programação linear – PPL consiste em achar os valores das variáveis 𝑥1; 𝑥2; 𝑥3; … ; 𝑥𝑛 que maximize a função objetivo 𝑍 = 𝑐1𝑥1 + 𝑐2𝑥2 +𝑐3𝑥3 + …+ 𝑐𝑛𝑥𝑛 sabendo-se que as variáveis 𝑥1; 𝑥2; 𝑥3; … ; 𝑥𝑛 devem satisfazer um sistema de inequações lineares da seguinte forma: 𝑀𝑎𝑥 𝑍 = 𝑐1𝑥1 + 𝑐2𝑥2 + 𝑐3𝑥3 + …+ 𝑐𝑛𝑥𝑛 𝑎11𝑥1 + 𝑎12𝑥2 + 𝑎13𝑥3 +⋯+ 𝑎1𝑛𝑥𝑛 ≤ 𝑏1 𝑎21𝑥1 + 𝑎22𝑥2 + 𝑎23𝑥3 +⋯+ 𝑎2𝑛𝑥𝑛 ≤ 𝑏2 Modelo A 𝑎31𝑥1 + 𝑎32𝑥2 + 𝑎33𝑥3 +⋯+ 𝑎3𝑛𝑥𝑛 ≤ 𝑏3 .................................................................... 𝑎𝑚1𝑥1 + 𝑎𝑚2𝑥2 + 𝑎𝑚3𝑥3 +⋯+ 𝑎𝑚𝑛𝑥𝑛 ≤ 𝑏𝑚 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0;…… . . ; 𝑥𝑛 ≥ 0 Na forma compacta tem-se: 𝑀𝑎𝑥 𝑍 = ∑ 𝑐𝑗𝑥𝑗 𝑛 𝑗=1 sujeito às restrições ∑ 𝑎𝑖𝑗𝑥𝑗 ≤ 𝑏𝑖 (𝑖 = 1, 2, 3, ……𝑚) 𝑛 𝑗=1 𝑥𝑗 ≥ 0 (𝑗 = 1, 2, 3, …… . 𝑛) O modelo acima está associado a uma empresa que tem m recursos disponíveis para a realização de n atividades (fabricação de produtos, por exemplo). Tem-se então, para j = 1, 2, 3, ....n e para i = 1, 2, 3, .... m: 𝒃𝒊: quantidade do recurso i disponível para as n atividades (bi ≥ 0). 𝒙𝒋: nível de produção da atividade j. São as variáveis do problema. 𝒄𝒋 :lucro unitário obtido na produção da atividade j. 𝒂𝒊𝒋: quantidade do recurso i consumida na produção de uma unidade da atividade j. As m restrições do Modelo A informam que o total do recurso i gasto nas n atividades tem que ser menor ou no máximo igual à quantidade bi disponível daquele recurso. As restrições 𝑥𝑗 ≥ 0 ( j = 1, 2, 3, ....n) eliminam a possibilidade de resultados negativos. Observa-se que a Função Lucro Z a ser maximizada representa o lucro total da empresa na produção das n atividades (produtos). 29 3.9 Problema de Programação Linear na Forma Padrão Um problema de programação linear está Forma Padrão quando apresenta as seguintes características: a) A função objetivo é de maximização; b) As restrições são todas com sinal de menor ou igual ( ≤ ); c) As constantes de todas as restrições são não negativas (𝑏𝑖 ≥ 0); d) As variáveis são todas não negativas (𝑥𝑗 ≥ 0). Problema na Forma Padrão: 𝑀𝑎𝑥 𝑍 = 𝑐1𝑥1 + 𝑐2𝑥2 + 𝑐3𝑥3 + …+ 𝑐𝑛𝑥𝑛 𝑎11𝑥1 + 𝑎12𝑥2 + 𝑎13𝑥3 +⋯+ 𝑎1𝑛𝑥𝑛 ≤ 𝑏1 𝑎21𝑥1 + 𝑎22𝑥2 + 𝑎23𝑥3 +⋯+ 𝑎2𝑛𝑥𝑛 ≤ 𝑏2 𝑎31𝑥1 + 𝑎32𝑥2 + 𝑎33𝑥3 +⋯+ 𝑎3𝑛𝑥𝑛 ≤ 𝑏3 .................................................................... 𝑎𝑚1𝑥1 + 𝑎𝑚2𝑥2 + 𝑎𝑚3𝑥3 +⋯+ 𝑎𝑚𝑛𝑥𝑛 ≤ 𝑏𝑚 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0;…… . . ; 𝑥𝑛 ≥ 0 Exemplo 3.5: 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 𝑥1 ≤ 6 𝑥2 ≤ 5 Problema na Forma Padrão 2𝑥1 + 𝑥2 ≤ 6 𝑥1 ≥ 0 𝑥2 ≥ 0 Qualquer problema de programação linear pode ser transformado num problema de programação linear na Forma Padrão. 30 4 O MÉTODO SIMPLEX 4.1 Teoremas Fundamentais Teorema 1: O conjunto de todas as soluções compatíveis do modelo de programação linear é um conjunto convexo. Teorema 2: Toda solução compatível básica do sistema de equações lineares AX = B, é um ponto extremo do conjunto das soluções compatíveis, isto é um ponto extremo do conjunto convexo tratado no teorema 1. Teorema 3: a) Se a função objetivo possui um valor máximo (ou valor mínimo) finito, então pelo menos uma solução ótima é um ponto extremo do conjunto convexo do teorema 1. b) Se a função objetivo assume o valor máximo (ou o valor mínimo) em dois pontos extremos do conjunto convexo, então ela assume o mesmo valor para qualquer ponto situado na reta formada por esses dois pontos. 4.2 Soluções de um Problema de Programação Linear A solução de um Problema de Programação Linear pode ser considerada como: - Solução Viável: é uma solução em que todas as restrições do problema são satisfeitas, é uma solução que encontra dentro da região viável; - Solução Inviável: é uma solução em que pelo menos uma das restrições do problema não é satisfeita, é uma solução que está fora da região viável. - Solução Ótima: é uma solução viável que maximiza a Função Objetivo, isto é, é uma solução que está na fronteira da região viável e que traz o maior valor para a função objetivo.. Exemplo 4.1: Seja o problema de programação linear referente à confecção de calças e camisas. Modelo Matemático: 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 =========> Função objetiva 𝑥1 ≤ 3 𝑥2 ≤ 4 Restrições do problema 𝑥1 + 2 𝑥2 ≤ 9 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 O problema está na Forma Padrão. 31 Graficamente tem-se a seguinte região viável x1 : representa o número de calças a serem fabricadas. x2 : representa o número de camisas a serem fabricadas. Colocando as variáveis de folga o problema passa para a Forma Canônica. 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 𝑥1 + 𝑥3 = 3 Forma Canônica 𝑥2 + 𝑥4 = 4 𝑥1 + 2𝑥2 + 𝑥5 = 9 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0; 𝑥4 ≥ 0; 𝑥5 ≥ 0 O Método Simplex compreende as seguintes etapas: i. Achar uma solução compatível básica inicial, ou seja, achar uma forma canônica inicial para o sistema de equações; ii. Verificar se a solução atual é ótima. Se a solução for ótima, pare. Caso contrário siga para o passo iii; iii. Determinar a variável não básica que deve entrar na base; iv. Determinar a variável básica que deve sair da base; v. Achar a nova solução compatível básica e voltar ao passo ii. Observação: O problema na Forma Canônica já fornece uma base óbvia e portanto é uma solução básica inicial, equivalente ao ponto A(0,0) na solução gráfica. Fazendo as variáveis não básicas 𝑥1 = 0 𝑒 𝑥2 = 0 obtém-se uma solução básica inicial 𝑥3 = 3; 𝑥4 = 4 𝑒 𝑥5 = 9. As variáveis não básicas sempre têm solução igual a zero. XB:Variáveis básicas XN:variáveis não básicas F ( calças) E(0,4) D(1,4) C(3,3) B(3,0) A(0,0) x2 3 2 1 1 2 3 4 x1 Região Viável ( camisas) x1 = 3 x2 =4 x1 + 2x2 = 9 x1 = 0 x2 = 0 32 Análise no ponto A(0,0): variáveis do problema: { 𝑥1 = 0 𝑥2 = 0 variáveis de folga: { 𝑥3 = 3 𝑥4 = 4 𝑥5 = 9 Lucro: Z = 0 Variáveis não básicas: 𝑥1; 𝑥2. Variáveis básicas: 𝑥3; 𝑥4; 𝑥5. Esta solução tem a seguinte interpretação: Se for fabricado zero calças e zero camisas, o lucro será zero e existirá folga em todos o recursos, porque não foram gastos. É uma solução básica viável. Análise no ponto B(3,0): variáveis do problema: { 𝑥1 = 3 𝑥2 = 0 variáveis de folga: { 𝑥3 = 0 𝑥4 = 4 𝑥5 = 6 Lucro: Z = 150 Variáveis não básicas: 𝑥2; 𝑥3. Variáveis básicas: 𝑥1;𝑥4; 𝑥5. Esta solução tem a seguinte interpretação: Se forem fabricadas três calças e zero camisa, o lucro será Z = 150 e não existirá folga no primeiro recurso. É uma solução básica viável. Análise no ponto C(3,3): variáveis do problema: { 𝑥1 = 3 𝑥2 = 3 variáveis de folga: { 𝑥3 = 0 𝑥4 = 1 𝑥5 = 0 Lucro: Z = 210 Variáveis não básicas: 𝑥3; 𝑥5. Variáveis básicas: 𝑥1; 𝑥2; 𝑥4. Esta solução tem a seguinte interpretação: Se forem fabricadas três calças e três camisas, o lucro será Z = 210 e existirá folga de uma unidade no segundo recurso. É uma solução básica viável. Análise no ponto D(1,4): variáveis do problema: { 𝑥1 = 1 𝑥2 = 4 variáveis de folga: { 𝑥3 = 2 𝑥4 = 0 𝑥5 = 0 Lucro: Z = 130 Variáveis não básicas: 𝑥4; 𝑥5. Variáveis básicas: 𝑥1; 𝑥2; 𝑥3. Esta solução tem a seguinte interpretação: Se forem fabricadas uma calça e quatro camisas, o lucro será Z = 120 e existirá folga de duas unidades no primeiro recurso. É uma solução básica viável. 33 Análise no ponto E(0,4): variáveis do problema: { 𝑥1 = 0 𝑥2 = 4 variáveis de folga: { 𝑥3 = 3 𝑥4 = 0 𝑥5 = 1 Lucro: Z = 80 Variáveis não básicas: 𝑥1; 𝑥4. Variáveis básicas: 𝑥2; 𝑥3; 𝑥5. Esta solução tem a seguinte interpretação: Se forem fabricadas zero calça e quatro camisas, o lucro será Z = 80 e existirá folga de três unidades no primeiro recurso e uma unidade no terceiro recurso. É uma solução básica viável. Análise no ponto F(3,4): variáveis do problema: { 𝑥1 = 3 𝑥2 = 4 variáveis de folga: { 𝑥3 = 0 𝑥4 = 0 𝑥5 = −2 Lucro: Z = 230 Variáveis não básicas: 𝑥3; 𝑥4. Variáveis básicas: 𝑥1; 𝑥2; 𝑥5. Esta solução tem a seguinte interpretação: Se forem fabricadas três calças e quatro camisas, o lucro será Z = 230 e haverá falta de duas unidades no terceiro recurso. É uma solução básica inviável. Esta solução é inviável porque se forem fabricadas 3 calças e 4 camisas são necessários 11 homens/hora por dia, o que ultrapassa a quantidade de recurso disponível. 4.3 Passos do Método Simplex O Método Simplex é uma técnica para se achar algebricamente a solução ótima de um problema de programação linear. Desde que exista uma solução ótima para um problema de programação linear, o método simplex sempre conseguirá obter esta solução. Sabe-se que a solução ótima de um problema de programação linear é uma solução compatível básica do sistema equações, ou seja, a solução está num dos pontos extremos da região viável. O método simplex para ser iniciado necessita conhecer uma solução compatível básica do sistema chamada solução inicial. O método simplex verifica se a presente solução é ótima. Se for, então o processo está encerrado. Conclusão: A Solução Ótima Viável está no ponto C(3,3), porque é a melhor combinação de produção. Fabricar três calças e três camisas obtém-se o Lucro Máximo Z = 210 e ainda existirá uma folga de uma unidade no segundo recurso. Esta sobra de recurso poderá ser vendida ou atribuída a uma outra linha de produção. 34 Se não for ótima, é porque um dos pontos extremos adjacentes da região viável fornece um valor maior para a função objetivo. O método simplex faz a mudança para o próximo ponto adjacente e verifica se a solução é ótima. E assim por diante. Passos do Método Simplex Passo 1: Introduza as variáveis de folga no problema de programação linear. Passo 2: Monte o quadro de coeficientes das equações, incluindo-se a função objetivo com os sinais trocados. Passo 3: Crie a solução básica inicial, geralmente atribuindo-se valor zero às variáveis originais do problema. Identifique as variáveis básicas e não básicas. Passo 4: Determine a variável que entra na base: a) A variável que tem o maior coeficiente negativo na linha da função objetivo transformada deve entrar na base. Esta variável identifica a coluna pivô. b) Quando não houver mais coeficiente negativo na linha da função objetivo, a solução encontrada é ótima. Passo 5: Determine a variável que sai da base: a) Divida os termos independentes pelos respectivos coeficientes positivos da variável que entra na base. b) O menor quociente positivo indica, pela equação em que ocorreu, a variável que deve sair da base. Esta variável identifica a linha pivô. Se não existir o menor quociente positivo então pare, o problema não tem solução ótima finita. Passo 6: No quadro dos coeficientes, o cruzamento da linha pivô com a coluna pivô defini o elemento pivô. Monte o novo quadro dos coeficientes, utilize transformações elementares nos coeficientes da linha pivô e faça o elemento pivô igual a 1. Passo 7: Substitua no novo quadro dos coeficientes a variável que entra na base e a variável que sai da base. Passo 8: Utilize transformações elementares nas outras linhas e faça os coeficientes da coluna pivô iguais a zero. Passo 9: Transforme a matriz dos coeficientes e encontre a nova solução básica. Passo 10: Identifique a nova solução básica identificando as variáveis básicas e as variáveis não básicas. Volte ao passo 4. 35 Exemplo 4.2: Seja o problema de programação linear referente à confecção de calças e camisas. Modelo Matemático: 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 =========> Função objetiva 𝑥1 ≤ 3 𝑥2 ≤ 4 Restrições do problema 𝑥1 + 2 𝑥2 ≤ 9 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 O problema está na Forma Padrão. Colocando-se as variáveis de folga o problema passa para a Forma Canônica. 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 𝑥1 + 𝑥3 = 3 Forma Canônica 𝑥2 + 𝑥4 = 4 𝑥1 + 2𝑥2 + 𝑥5 = 9 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0; 𝑥4 ≥ 0; 𝑥5 ≥ 0 Montagem dos quadros do Método Simplex x1 x2 x3 x4 x5 Z Base -50 -20 0 0 0 0 x3 1 0 1 0 0 3 x4 0 1 0 1 0 4 x5 1 2 0 0 1 9 O coeficiente na função objetivo mais negativo é -50, logo a variável x1 entra na base. O 𝑀𝑖𝑛 { 3 1 ; 9 1 } = 3. Logo a variável que sai da base é x3. XB: Variáveis Básicas XN: Variáveis não Básicas XN = { 𝑥1 = 0 𝑥2 = 0 XB = { 𝑥3 = 3 𝑥4 = 4 𝑥5 = 9 Z = 0 Esta solução equivale ao ponto A na região viável. Entra na Base Sai da Base 36 Montagem do novo quadro. x1 x2 x3 x4 x5 Z Base 0 -20 50 0 0 150 x1 1 0 1 0 0 3 x4 0 1 0 1 0 4 x5 0 2 -1 0 1 6 O coeficiente na função objetivo mais negativo é -20, logo a variável x2 entra na base. O 𝑀𝑖𝑛 { 4 1 ; 6 2 } = 3. Logo a variável que sai da base é x5. Montagem do novo quadro. x1 x2 x3 x4 x5 Z Base 0 0 40 0 10 210 x1 1 0 1 0 0 3 x4 0 0 1/2 1 -1/2 1 x2 0 1 -1/2 0 1/2 3 Como não existem mais coeficientes negativos na função objetivo então a solução é ótima. Exemplo 4.3: Seja o problema de programação linear referente ao problema do sapateiro. Modelo Matemático: 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 ==========> Função objetiva 𝑥1 ≤ 6 𝑥2 ≤ 5 Restrições do problema 2𝑥1 + 𝑥2 ≤ 6 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 O problema está na Forma Padrão. Colocando-se as variáveis de folga o problema passa para a Forma Canônica. Sai da Base XN = { 𝑥2 = 0 𝑥3 = 0 XB = { 𝑥1 = 3 𝑥4 = 4 𝑥5 = 6 Z = 150 Estasolução equivale ao ponto B na região viável. Entra na Base XN = { 𝑥3 = 0 𝑥5 = 0 XB = { 𝑥1 = 3 𝑥2 = 3 𝑥4 = 1 Z = 210 Esta solução equivale ao ponto C na região viável. 37 𝑀𝑎𝑥 𝑍 = 50𝑥1 + 20𝑥2 𝑥1 + 𝑥3 = 6 Forma Canônica 𝑥2 + 𝑥4 = 5 2𝑥1 + 𝑥2 + 𝑥5 = 6 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0; 𝑥4 ≥ 0; 𝑥5 ≥ 0 Montagem dos quadros do Método Simplex x1 x2 x3 x4 x5 Z Base -50 -20 0 0 0 0 x3 1 0 1 0 0 6 x4 0 1 0 1 0 5 x5 2 1 0 0 1 6 O coeficiente na função objetivo mais negativo é -50, logo a variável x1 entra na base. O 𝑀𝑖𝑛 { 6 1 ; 6 2 } = 3. Logo a variável que sai da base é x5. Montagem do novo quadro. x1 x2 x3 x4 x5 Z Base 0 5 0 0 25 150 x3 0 -1/2 1 0 -1/2 3 x4 0 1 0 1 0 5 x1 1 1/2 0 0 1/2 3 Como não existem mais coeficientes negativos na função objetivo então a solução é ótima. 4.4 Análise Econômica do Problema de Programação Linear A interpretação econômica baseia-se nos coeficientes das variáveis na função objetiva final. 1. O quadro final do Simplex num modelo de programação linear apresenta variáveis básicas e variáveis não básicas. 2. A função objetiva está escrita em termos das variáveis não básicas. XB: Variáveis Básicas XN: Variáveis não Básicas XN = { 𝑥1 = 0 𝑥2 = 0 XB = { 𝑥3 = 6 𝑥4 = 5 𝑥5 = 6 Z = 0 Entra na Base Sai da Base XN = { 𝑥2 = 0 𝑥5 = 0 XB = { 𝑥1 = 3 𝑥3 = 3 𝑥4 = 5 Z = 150 38 3. Os valores das variáveis básicas estão representados na coluna dos termos independentes. Os valores das variáveis não básicas são sempre iguais a zero. 4. O coeficiente da variável não básica na função objetiva mede a proporção da contribuição da variável na função objetiva (lucro no caso de maximização ou custo no caso de minimização). Indica a variação proporcional na função objetiva para o acréscimo ou diminuição de uma unidade na variável. 5. No quadro final do simplex, a solução é ótima. Um aumento de zero para 1 unidade na variável não básica prejudica a função objetivo (lucros diminuem, custos aumentam). 6. Alterações no lucro podem significar alterações em duas outras variáveis: receita e custo. 7. O acréscimo de uma unidade em um dos recursos pode gerar ou não em acréscimos na função lucro. 8. Acréscimo ou decréscimo em um dos coeficientes da função objetivo pode alterar a solução ótima do problema. Exemplo 4.4: Resolva pelo método simplex o seguinte problema de programação linear. Modelo Matemático: 𝑀𝑎𝑥 𝑍 = 30𝑥1 + 40𝑥2 ========> Função objetiva 𝑥1 ≤ 24 𝑥2 ≤ 16 Restrições do problema 𝑥1 + 2 𝑥2 ≤ 40 𝑥1 ≥ 0 Restrições naturais 𝑥2 ≥ 0 O problema está na Forma Padrão. Colocando-se as variáveis de folga o problema passa para a Forma Canônica. 𝑀𝑎𝑥 𝑍 = 30𝑥1 + 40𝑥2 𝑥1 + 𝑥3 = 24 Forma Canônica 𝑥2 + 𝑥4 = 16 𝑥1 + 2𝑥2 + 𝑥5 = 40 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0; 𝑥4 ≥ 0; 𝑥5 ≥ 0 XB: Variáveis Básicas XN: Variáveis não Básicas 39 Montagem dos quadros do Método Simplex x1 x2 x3 x4 x5 Z Base -30 -40 0 0 0 0 x3 1 0 1 0 0 24 x4 0 1 0 1 0 16 x5 1 2 0 0 1 40 O coeficiente na função objetivo mais negativo é -40, logo a variável x2 entra na base. O 𝑀𝑖𝑛 { 16 1 ; 40 2 } = 16. Logo a variável que sai da base é x4. Montagem do novo quadro. x1 x2 x3 x4 x5 Z Base -30 0 0 40 0 640 x3 1 0 1 0 0 24 x2 0 1 0 1 0 16 x5 1 0 0 -2 1 8 O coeficiente na função objetivo mais negativo é -30, logo a variável x1 entra na base. O 𝑀𝑖𝑛 { 24 1 ; 8 1 } = 8. Logo a variável que sai da base é x5. Montagem do novo quadro. x1 x2 x3 x4 x5 Z Base 0 0 0 -20 30 880 x3 0 0 1 2 -1 16 x2 0 1 0 1 0 16 x1 1 0 0 -2 1 8 O coeficiente na função objetivo mais negativo é -20, logo a variável x4 entra na base. O 𝑀𝑖𝑛 { 16 2 ; 16 1 } = 8. Logo a variável que sai da base é x3. XN = { 𝑥1 = 0 𝑥2 = 0 XB = { 𝑥3 = 24 𝑥4 = 16 𝑥5 = 40 Z = 0 Sai da Base Entra na Base XN = { 𝑥1 = 0 𝑥4 = 0 XB = { 𝑥2 = 16 𝑥3 = 24 𝑥5 = 8 Z = 640 Sai da Base Entra na Base XN = { 𝑥4 = 0 𝑥5 = 0 XB = { 𝑥1 = 8 𝑥2 = 16 𝑥3 = 16 Z = 880 Sai da Base Entra na Base 40 Montagem do novo quadro. x1 x2 x3 x4 x5 Z Base 0 0 10 0 20 1040 x4 0 0 1/2 1 -1/2 8 x2 0 1 -1/2 0 1/2 8 x1 1 0 1 0 0 24 Como não existem mais coeficientes negativos na função objetivo então a solução é ótima. 4.5 Casos Especiais A seguir serão apresentados alguns casos que podem ocorrer nos problemas de programação linear e que ainda não foram considerados Problema de Minimização Resolveu-se até agora modelos com funções objetivos a serem maximizadas. Quando a função objetivo tiver que ser minimizada deve-se transformar o problema de minimização num problema de maximização. Sabe-se que achar o mínimo de uma função é equivalente a achar o máximo do simétrico desta função. Graficamente tem-se a seguinte ilustração: Empate na Variável que Entra na Base Quando houver empate na escolha da variável que entra na base, deve-se tomar a decisão arbitrária. A única implicação envolvida é pode-se escolher um caminho mais longo ou mais curto para se chegar à solução ótima. No método gráfico, isto equivale a caminhar por um ponto ou por outro ponto na região viável. XN = { 𝑥3 = 0 𝑥5 = 0 XB = { 𝑥1 = 24 𝑥2 = 8 𝑥4 = 8 Z = 1040 Sai da Base z1 y1 x1 - f(x) f(x) x Mínimo de f(x): y1 Máximo de –f(x): z1 Observe que as distâncias: z1 = y1 Conclusão: Mínimo de f(x) = Máximo – f(x) 41 Empate na Variável que Sai na Base - Degeneração Quando houver empate na escolha da variável que sai da base, deve-se também tomar a decisão arbitrária. Quando isto acontece, uma das variáveis básicas terá o valor nulo. A saída de uma variável básica nula provoca o aparecimento de outra variável básica nula na solução seguinte, sem alteração do valor na função objetivo. Neste caso a solução é chamada degenerada. Se os coeficientes da função objetivo retornam não negativos em alguma iteração, o caso não apresenta dificuldade. O problema aparece quando eventualmente se entrar em circuitos sem caracterizar a solução ótima. Pode ser que o problema não tenha solução. Solução Infinita Isto ocorre quando a variável que entra na base não possui coeficiente positivo nas equações de restrições do problema. Graficamente tem-se uma das seguintes situações: 4.6 Problemas de Minimização Quando a função objetivo tiver que ser minimizada deve-se transformar o problema de minimização num problema de maximização. Sabe-se que achar o mínimo de uma função é equivalente a achar o máximo do simétrico desta função. Minimizar Z equivale a Maximizar –Z. Exemplo 4.5: Resolva pelo método simplex o seguinte problema de programação linear. Modelo Matemático: 𝑀𝑖𝑛 𝑍 = −𝑥1 − 𝑥2 − 𝑥3 + 11 =====> Função objetiva - 𝑥1 + 𝑥2 − 2𝑥3 ≥ −2 𝑥1 − 2𝑥2 + 𝑥3 ≥ −1 Restrições do problema 𝑥1≥ 0 𝑥2 ≥ 0 Restrições naturais 𝑥3 ≥ 0 O problema não está na Forma Padrão. x2 Região viável infinita x1 x2 Região viável infinita x1 42 Altera-se a função objetiva de Minimização para Maximização e as restrições de ≥ para ≤. 𝑀𝑎𝑥 − 𝑍 = 𝑥1 + 𝑥2 + 𝑥3 − 11 =======> Função objetiva 𝑥1 − 𝑥2 + 2𝑥3 ≤ 2 - 𝑥1 + 2𝑥2 − 𝑥3 ≤ 1 Restrições do problema 𝑥1 ≥ 0 𝑥2 ≥ 0 Restrições naturais 𝑥3 ≥ 0 O problema está na Forma Padrão. Colocando-se as variáveis de folga o problema passa para a Forma Canônica. 𝑀𝑎𝑥 − 𝑍 = 𝑥1 + 𝑥2 + 𝑥3 − 11 𝑥1 − 𝑥2 + 2𝑥3 + 𝑥4 = 2 Forma Canônica −𝑥1 + 2𝑥2 − 𝑥3 +𝑥5 = 1 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0; 𝑥4 ≥ 0; 𝑥5 ≥ 0; Montagem dos quadros do Método Simplex x1 x2 x3 x4 x5 - Z Base -1 -1 -1 0 0 -11 x4 1 -1 2 1 0 2 x5 -1 2 -1 0 1 1 Observe que somente os coeficientes das variáveis na função objetivo é que trocam de sinal. O coeficiente na função objetivo mais negativo é -1, qualquer das variáveis pode entrar da base. O 𝑀𝑖𝑛 { 2 1 } = 2. Logo a variável que sai da base é x4. Montagem do novo quadro. x1 x2 x3 x4 x5 - Z Base 0 -2 1 1 0 -9 x1 1 -1 2 1 0 2 x5 0 1 1 1 1 3 O coeficiente na função objetivo mais negativo é -2, logo a variável x2 entra da base. XB: Variáveis Básicas XN: Variáveis não Básicas XN = { 𝑥1 = 0 𝑥2 = 0 𝑥3 = 0 XB = { 𝑥4 = 2 𝑥5 = 1 -Z = -11 Sai da Base Entra na Base XN = { 𝑥2 = 0 𝑥4 = 0 𝑥5 = 0 XB = { 𝑥1 = 2 𝑥5 = 3 -Z = -9 Sai da Base Entra na Base 43 O 𝑀𝑖𝑛 { 3 1 } = 3. Logo a variável que sai da base é x5. Montagem do novo quadro. x1 x2 x3 x4 x5 - Z Base 0 0 3 3 2 -3 x1 1 0 3 2 1 5 x2 0 1 1 1 1 3 Como não existem mais coeficientes negativos na função objetivo então a solução é ótima. Observe que Max –Z = -3, isto implica que Min Z = 3. Observação: No primeiro quadro, se outra variável fosse inserida na base poderia gerar mais quadros até se chegar à mesma solução ótima. Exemplo 4.6: Resolva pelo método simplex o seguinte problema de programação linear. Modelo Matemático: 𝑀𝑖𝑛 𝑍 = 3𝑥1 − 4𝑥2 + 𝑥3 =======> Função objetiva 𝑥1 + 𝑥2 + 𝑥3 ≤ 10 2𝑥1 + 𝑥2 − 𝑥3 ≤ 20 Restrições do problema 𝑥1 ≥ 0 𝑥2 ≥ 0 Restrições naturais 𝑥3 ≥ 0 O problema não está na Forma Padrão. Altera-se a função objetiva de Minimização para Maximização. 𝑀𝑎𝑥 − 𝑍 = −3𝑥1 + 4𝑥2 − 𝑥3 𝑥1 + 𝑥2 + 𝑥3 ≤ 10 2 𝑥1 + 𝑥2 − 𝑥3 ≤ 20 𝑥1 ≥ 0 𝑥2 ≥ 0 𝑥3 ≥ 0 O problema está na Forma Padrão. XN = { 𝑥3 = 0 𝑥4 = 0 𝑥5 = 0 XB = { 𝑥1 = 5 𝑥2 = 3 -Z = -3 Z = 3 44 Colocando-se as variáveis de folga o problema passa para a Forma Canônica. 𝑀𝑎𝑥 − 𝑍 = −3𝑥1 + 4𝑥2 − 𝑥3 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 10 Forma Canônica 2𝑥1 + 2𝑥2 − 𝑥3 +𝑥5 = 20 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0; 𝑥4 ≥ 0; 𝑥5 ≥ 0; Montagem dos quadros do Método Simplex x1 x2 x3 x4 x5 - Z Base 3 -4 1 0 0 0 x4 1 1 1 1 0 10 x5 2 1 -1 0 1 20 O coeficiente na função objetivo mais negativo é -4, logo a variável x2 entra na base. O 𝑀𝑖𝑛 { 10 1 ; 20 1 } = 10. Logo a variável que sai da base é x4. Montagem do novo quadro. x1 x2 x3 x4 x5 - Z Base 7 0 5 4 0 40 x2 1 1 1 1 0 10 x5 1 0 -2 -1 1 10 Como não existem mais coeficientes negativos na função objetivo então a solução é ótima. 4.7 Obtenção da Solução Inicial Sempre é possível transformar um modelo de programação linear num sistema equações lineares na forma padrão. Acontece que para se iniciar o método simplex é necessário tem o modelo de programação linear na forma canônica, ou seja, apresentando uma solução básica compatível. Os modelos desenvolvidos até agora têm todas as restrições do tipo menor ou igual ( ≤ ) e todos os termos independentes bi maiores ou iguais a zero ( ≥ ). Assim, sempre é tem-se uma base inicial óbvia compatível, formada pelas variáveis de folga. A seguir será os vários casos de dificuldades e como é possível achar uma solução compatível básica inicial quando o modelo de programação linear não estiver na forma canônica. XB: Variáveis Básicas XN: Variáveis não Básicas XN = { 𝑥1 = 0 𝑥2 = 0 𝑥3 = 0 XB = { 𝑥4 = 10 𝑥5 = 20 -Z = 0 Sai da Base Entra na Base XN = { 𝑥1 = 0 𝑥3 = 0 𝑥4 = 0 XB = { 𝑥2 = 10 𝑥5 = 10 - Z = 40 Z = - 40 45 4.8 Maximização com Restrições do Tipo Maior ou Igual ( ≥ ) Supõem-se um modelo de programação linear em que todos os termos independentes bi sejam ≥ 0. Se algum dos bi for negativo pode-se multiplicar toda a equação por -1 para transformá-lo em positivo. A dificuldade surge quando o modelo de programação linear apresenta uma restrição do tipo maior ou igual ( ≥ ) ou do tipo igual ( = ) com o termo bi positivo. Exemplo 4.7: Seja o problema de programação linear: 𝑀𝑎𝑥 𝑍 = 5𝑥1 + 2𝑥2 ========> Função objetiva 𝑥1 ≤ 3 𝑥2 ≤ 4 Restrições do problema 𝑥1 + 2 𝑥2 ≥ 9 𝑥1 ≥ 0 𝑥2 ≥ 0 Restrições naturais Graficamente corresponde à seguinte região viável: Observe que o modelo não está na forma padrão porque a 3ª. Restrição é do tipo ≥. Colocando as variáveis de folga tem-se o seguinte modelo: 𝑀𝑎𝑥 𝑍 = 5𝑥1 + 2𝑥2 𝑥1 + 𝑥3 = 3 𝑥2 + 𝑥4 = 4 𝑥1 + 2 𝑥2 − 𝑥5 = 9 𝑥1 ≥ 0; 𝑥2 ≥ 0; 𝑥3 ≥ 0; 𝑥4 ≥ 0; 𝑥5 ≥ 0 Sistema A Xn = { 𝑥1 = 0 𝑥2 = 0 XB = { 𝑥3 = 3 𝑥4 = 4 𝑥5 = −9 Z = 0 F ( Região Viável ( x1 = 3 x2 = 4 x1 + 2x2 = 9 x1 = 0 x2 = 0 E(0,4) D(1,4) C(3,3) B(3,0) A(0,0) x2 3 2 1 1 2 3 4 x1 46 Nota: Este modelo não está na forma canônica porque o sistema equações lineares não apresenta uma solução básica compatível. Observe que 𝑥5 = −9 é uma solução negativa o que é incompatível, pois todas as variáveis devem ser positivas. Logo, esta solução é incompatível. Solução: Para se obter uma forma canônica para o modelo, isto é, uma solução básica compatível, pode-se acrescentar uma variável artificial x6 na equação em questão. Esta variável tomará o lugar de 𝒙𝟓 na solução básica inicial, e assim o problema fica resolvido. Se a 3ª. equação inicialmente fosse uma igualdade deveria também ser colocada uma variável artificial.
Compartilhar