Programação Linear

Mauricio Pereira dos Santos

Departamento de Matemática Aplicada
Instituto de Matemática e Estatística

UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO

ii

c
Copyright 2.000 por Mauricio Pereira dos Santos

Editoração: O autor, criando arquivo texto no format LaTex.

Fluxos e figuras: Visio e Corel Paint, incluídos no texto como EPS (Encapsulated
Postscript File).
Conteúdo

1 Introdução 1
1.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Solução gráfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Respostas (parciais) dos exercícios da seção 1.3 . . . . . . . . . . . . . . . . . . . . . 12
1.5 O modelo geral da Programação Linear . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Variações do Modelo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 O que está implícito em qualquer modelo de P.Linear . . . . . . . . . . . . . . . . . 16
1.8 Exemplos de formulação de modelos de Programação Linear . . . . . . . . . . . . . . 18
1.9 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.10 Respostas dos exercícios da seção 1.9 . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2 O Método Simplex 33
2.1 Definições básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Um método não muito eficiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Situações que podem acontecer no Método Simplex . . . . . . . . . . . . . . . . . . . 43
2.3.1 Empate na escolha da variável entrante . . . . . . . . . . . . . . . . . . . . . 43
2.3.2 Empate na escolha da variável sainte . . . . . . . . . . . . . . . . . . . . . . 44
2.3.3 Não existência de variável sainte . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.4 Múltiplas (infinitas) soluções ótimas . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.5 Modelos de Minimização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.6 Modelos com variáveis irrestritas em sinal . . . . . . . . . . . . . . . . . . . 51
2.4 Outras formas de modelos - O Simplex de 2 fases . . . . . . . . . . . . . . . . . . . . 52
2.5 Novos algorítimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.7 Respostas dos exercícios da seção 2.6 . . . . . . . . . . . . . . . . . . . . . . . . . . 61

3 Análise depois do Ótimo 63

3.1 Análise de Sensibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2 Análise de Sensibilidade dos Coeficientes da Função Objetivo . . . . . . . . . . . . . 66
3.2.1 De variáveis não básicas na solução ótima . . . . . . . . . . . . . . . . . . . . 66
3.2.2 De variáveis básicas na solução ótima . . . . . . . . . . . . . . . . . . . . . . 67
3.3 Análise de Sensibilidade das constantes do lado direito . . . . . . . . . . . . . . . . 69
3.4 Dualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.1 Modelos Primal e Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.2 Teorema Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.3 Relação entre o Primal e o Dual . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5 Valor ótimo das variáveis do Modelo Dual . . . . . . . . . . . . . . . . . . . . . . . . 74
3.6 Significado econômico dos valores ótimos das variáveis do Modelo Dual . . . . . . . . 76
3.7 Análise de Sensibilidade usando o Modelo Dual . . . . . . . . . . . . . . . . . . . . 77
3.7.1 Inclusão de uma nova variável . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.8 Análise de Sensibilidade dos coeficientes das restrições . . . . . . . . . . . . . . . . 79
3.8.1 De variável não básica na solução ótima . . . . . . . . . . . . . . . . . . . . . 79
3.8.2 De variável básica na solução ótima . . . . . . . . . . . . . . . . . . . . . . . 80
iv CONTEÚDO

3.9 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.10 Respostas dos exercícios da seção 3.9 . . . . . . . . . . . . . . . . . . . . . . . . . . 91

4 Algorítimo dos Transportes 95

4.1 Um exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.2 Formulação como um modelo clássico de P.Linear . . . . . . . . . . . . . . . . . . . 96
4.3 Quadro (tableau) usado no algorítimo dos transportes . . . . . . . . . . . . . . . . . 96
4.4 Fonte ou destino artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.5 Impossibilidade de transporte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.6 Etapas do algorítimo dos transportes . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.7 Número de variáveis básicas nas soluções básicas . . . . . . . . . . . . . . . . . . . 98
4.8 Métodos para achar a solução básica inicial . . . . . . . . . . . . . . . . . . . . . . . 98
4.9 Esgotamento simultâneo de linha e coluna . . . . . . . . . . . . . . . . . . . . . . . 105
4.10 Teste para saber se uma solução básica é ótima . . . . . . . . . . . . . . . . . . . . . 107
4.11 Soluções básicas degeneradas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.12 O Modelo da Baldeação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.13 Diferença entre Transporte e Baldeação . . . . . . . . . . . . . . . . . . . . . . . . 117
4.14 Adaptação do modelo da baldeação ao algorítimo do transporte . . . . . . . . . . . . 118
4.15 O Modelo da Atribuição ou da Designação . . . . . . . . . . . . . . . . . . . . . . . 120
4.16 Passos do Algorítimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.17 Impossibilidade de atribuição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.18 Fontes ou destinos artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.19 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.20 Respostas dos exercícios da seção 4.19 . . . . . . . . . . . . . . . . . . . . . . . . . 134

5 Bibliografia de Pesquisa Operacional 139

Capítulo 1
Introdução

Muitos colocam o desenvolvimento da Programação Linear (PL) como um dos avan-

ços científicos mais importantes do século XX. Seu impacto desde 1950 tem sido ex-
traordinário. Hoje em dia é uma ferramenta padrão que tem possibilitado grandes
ganhos para a maioria das companhias nos países industrializados, sendo que seu
uso em outros setores da sociedade vem crescendo rapidamente. Qual a natureza
desta ferramenta e que tipo de problemas ela resolve ? Neste capítulo aprende-
remos as respostas para estas 2 perguntas. Resumidamente, o tipo mais comum
de aplicação envolve o problema de distribuir recursos limitados entre atividades
que estão competindo por aquele recursos, da melhor maneira possível (isto é, da
maneira ótima). Programação Linear usa um modelo matemático para descrever
o problema . O termo linear significa que todas as funções matemáticas do mo-
delo são, obrigatoriamente, funções lineares. A palavra programação não se refere
a programação de computadores e deve ser vista como um sinônimo de planeja-
mento. Assim, podemos definir a programação linear como sendo o planejamento
de atividades para obter um resultado ótimo, isto é, um resultado que atenda, da
melhor forma possível, a um determinado objetivo. Embora alocação de recursos
para atividades seja o tipo mais comum, programação linear tem numerosos outros
tipos de aplicação. De fato, qualquer problema cujo modelo matemático se enqua-
dre na forma geral de um modelo de PL, é um problema de programação linear.
Um procedimento extremamente eficiente, chamado método simplex, está disponí-
vel para resolver problemas de PL, mesmo aqueles com milhares de variáveis.

1.1 Exemplo
Para entender melhor os conceitos da Programação Linear, vamos trabalhar com
um exemplo que servirá de base para apresentarmos alguns dos aspectos relacio-
nados com os modelos de Programação Linear.
Uma empresa produz 2 produtos em uma de suas fábricas. Na fabricação dos 2
produtos, 3 insumos são críticos em termos de restringir o número de unidades dos
2 produtos que podem ser produzidas: as quantidades de matéria prima (tipos A e
B) disponíveis e a mão de obra disponível para a produção dos 2 produtos.
Assim, o Departamento de Produção já sabe que, para o próximo mês, a fábrica
terá disponível, para a fabricação dos 2 produtos, 4900 kilos da matéria prima A e
2 Introdução

4500 kilos da matéria prima B.

Cada unidade do produto tipo I, para ser produzida consome 70 kilos da matéria
prima A e 90 kilos da matéria prima B. Por sua vez, cada unidade do produto tipo
II para ser produzida, utiliza 70 kilos da matéria prima tipo A e 50 kilos da matéria
prima tipo B.
Como a produção dos 2 produtos utiliza processos diferentes, a mão de obra é espe-
cializada e diferente para cada tipo de produto, ou seja não se pode utilizar a mão
de obra disponível para a fabricação de um dos produtos para produzir o outro. As-
sim, para a produção do produto tipo I a empresa terá disponível, no próximo mês,
80 homens-hora. Já para o produto tipo II terá 180 homens-hora. Cada unidade
do produto tipo I, para ser produzida, utiliza 2 homens-hora enquanto que cada
unidade do produto tipo II utiliza 3 homens-hora.
Reduzindo do preço unitário de venda todos os custos, chega-se a conclusão de que
cada unidade do produto tipo I dá um lucro de $20 e cada unidade do produto tipo
II dá um lucro de $60.
Dada a grande procura, estima-se que todas as unidades a serem produzidas, dos
2 produtos, poderão ser vendidas.
O objetivo da empresa é obter o maior lucro possível com a produção e a venda das
unidades dos produtos tipo I e II.
Queremos resolver este problema com um modelo de Programação Linear.
Mas antes de fazer isto temos que conhecer o problema. Qual é o problema desta
empresa ?
O problema é que eles não sabem quantas unidades de cada tipo de produto (I e II)
devem ser produzidas, de maneira que o lucro seja o maior possível.
Para construir um modelo de P.Linear temos que começar identificando o que se
deseja saber ou conhecer no problema. A isto dá-se o nome de variável de deci-
são. No nosso problema temos 2 variáveis de decisão que são:

x1 ⇒ no de unidades do produto tipo I a serem produzidas no próximo mês.

x2 ⇒ no de unidades do produto tipo II a serem produzidas no próximo mês 1 .

Temos que identificar o objetivo que se deseja alcançar e traduzí-lo por uma função
matemática linear contendo as variáveis de decisão. Assim, no nosso exemplo, o
objetivo é maximizar o lucro total obtido com a produção dos 2 produtos. Cada uni-
dade, a ser produzida, do produto tipo I dá um lucro de $20. Como vamos produzir
x1 unidades, teremos um lucro de 20x1 . Da mesma forma, cada unidade do produto
tipo II dá um lucro de $60, ou seja, pelo produto tipo II teremos um lucro de 60x 2 .
Desta forma a função de lucro total, que queremos maximizar, será uma função da
forma: 20x1 + 60x2 .
Esta função é chamada de função objetivo e é representada, pela maioria dos au-
tores, como uma função de uma variável Z representando o sentido da otimização
que, no nosso caso, é de maximização. Assim, podemos escrever:
(MAX)Z = 20x1 + 60x2 ⇒ função objetivo.
1
Chamamos de x1 e x2 mas poderíamos usar qualquer nome para rotular as variáveis de decisão
1.1 Exemplo 3

Evidentemente que o nosso modelo não se restringe a função objetivo pois se assim
fosse, a solução seria simplesmente x1 = x2 = ∞ , o que, sem muita análise, per-
cebemos que é impossível bastando observar a quantidade disponível de qualquer
uma das matérias primas. Desta forma os valores que x1 e x2 podem assumir estão
condicionados pelas restrições do modelo que, no nosso exemplo, são as as quanti-
dades das 2 matérias primas e a quantidade de mão de obra disponível. Temos que
representar cada restrição física por uma função matemática linear contendo as
variáveis de decisão do modelo. A 1a restrição que temos diz que a quantidade dis-
ponível de matéria prima tipo A, no próximo mês é de 4900 kilos. Cada unidade a
ser produzida do produto I vai consumir 70 kilos desta matéria prima. Por sua vez,
cada unidade a ser produzida do produto II também vai consumir 70 kilos desta
mesma matéria prima. Logo 70x1 + 70x2 vai nos dar toda a matéria prima tipo
A a ser utilizada. Esta quantidade não pode ser maior do que a empresa vai ter
disponível, ou seja 4900 kilos. Podemos escrever então: 70x 1 + 70x2 ≤ 4900
Fazendo-se o mesmo tipo de raciocínio para a matéria prima tipo B, podemos escre-
ver: 90x1 + 50x2 ≤ 4500.
Temos ainda que representar a restrição relativa a mão de obra. Para a produ-
ção do produto tipo I, temos 80 homens-hora disponíveis. Cada unidade, para ser
produzida, utiliza 2 homens-hora. Logo, 2x1 indica todo o consumo de mão de
obra, apta para produzir o produto I, no próximo mês. Como temos disponíveis 80
homens-hora, a restrição fica: 2x1 ≤ 80.
Podemos escrever uma restrição semelhante para o produto tipo II, ou seja: 3x 2 ≤
180.
A primeira vista poderá parecer que formulamos todas as restrições. No entanto,
há um tipo de restrição não tão evidente. Como visto anteriormente, x 1 e x2 repre-
sentam as unidades dos 2 tipos de produto a serem fabricadas. Ora não podemos
produzir, por exemplo, –10 unidades do produto tipo I ou do produto tipo II, ou seja,
x1 e x2 não podem ser negativos. Matematicamente temos: x1 ,x2 ≥ 0
Podemos agora escrever todo o modelo de programação linear para o nosso exem-
plo:
(MAX) Z = 20x1 + 60x2 ⇒ Função Objetivo
s.a 
70x1 + 70x2 ≤ 4900  
90x1 + 50x2 ≤ 4500

Restrições do modelo
2x1 ≤ 80 

3x2 ≤ 180

x1 ,x2 ≥ 0 Restrição de não negatividade

4 Introdução

1.2 Solução gráfica

Modelos de P.Linear de até 3 variáveis podem ser resolvidos graficamente. Este
tipo de solução não tem aplicação prática pois os problemas do mundo real tem
sempre muito mais variáveis (dezenas, centenas e até milhares). No entanto a
solução gráfica nos ajudará a entender os princípios básicos do método analítico,
chamado de método Simplex, usado para resolver os modelos de P.Linear.
Vamos resolver o nosso exemplo graficamente:
Como x1 e x2 tem que ser >= 0, o ponto ótimo, ou seja o ponto que maximiza o
valor de Z, obedecidas todas as restrições, só pode estar no 1 o quadrante. Assim
podemos traçar:

x2

(0,0) x1

Vamos considerar a 1a restrição na igualdade, ou seja 70x1 + 70x2 = 4900. Ela

é uma equação de uma reta passando pelos pontos (70,0) e (0,70). Podemos então
traçá-la em nosso gráfico:
1.2 Solução gráfica 5

x2

70

(0,0)
70
x1
R1

Como o ponto (0,0) está abaixo da reta e como (0,0) satisfaz a restrição, todos os
pontos da reta para “baixo” são pontos que satisfazem a restrição.
Vamos fazer o mesmo com a 2a restrição que na igualdade, 90x1 + 50x2 = 4500 é
uma reta que passa pelos pontos (50,0) e (0,90). Traçando-a temos:

x2

R2

90

70

50
(0,0)
70
x1
R1

Como o ponto (0,0) está abaixo da reta e como (0,0) satisfaz a restrição, todos os
pontos da reta para “baixo” são pontos que satisfazem a restrição.
A 3a restrição, na igualdade (2x1 = 80), é uma reta paralela ao eixo x2 passando
pelo ponto 40 em x1 . Temos então:
6 Introdução

x2
R3

R2

90

70

50
(0,0) 40
70
x1
R1

Como o ponto (0,0) está a esquerda da reta e obedece a restrição, todos os pontos
da reta para a esquerda são pontos que satisfazem a 3a restrição.
A 4a restrição na igualdade, 3x2 = 180, é uma reta paralela ao eixo x1 , passando
pelo ponto 60 no eixo x2 . Traçando-a, temos:

x2
R3

R2

90

70
R4
60

50
(0,0) 40
70
x1
R1

Como o ponto (0,0) está abaixo da reta e obedece a restrição, todos os pontos da reta
para baixo são pontos que satisfazem a 4a restrição.
Como todas as restrições foram traçadas temos o chamado Espaço Solução que
é o conjunto de todos os pontos candidatos a serem o ponto ótimo, ou seja, todos
os pontos que “obedecem” a todas as restrições do modelo. No gráfico o Espaço
Solução é o polígono hachurado, como podemos ver a seguir:
1.2 Solução gráfica 7

x2
R3

R2

R4

x1
R1

O ponto ótimo é um ponto do espaço solução, ou seja pertencente ao polígono ha-

churado. Como encontrá-lo graficamente ?
Vamos observar a função objetivo: Z = 20x1 + 60x2 . Graficamente esta equação
representa uma família de retas paralelas, ou seja, para cada valor de Z temos
uma reta que será paralela a qualquer outra para outro valor de Z, inclusive para
aquela com o valor ótimo de Z . Vamos, arbritariamente, escolher um valor para
Z, por exemplo Z = 1200. Temos então uma reta passando pelos pontos (60,0) e
(0,20). No gráfico temos:
8 Introdução

x2
R3

R2

R4

x1
Z=1200
R1

Como queremos maximizar o valor de Z, vamos escolher agora um valor maior, por
exemplo Z = 2400, ou seja uma reta passando pelos pontos (120,0) e (0,40). Vamos
ver como fica graficamente:

x2
R3

R2

R4

x1
Z=2400
R1 Z=1200
1.2 Solução gráfica 9

Como esperado, a nova reta Z = 2400 é uma reta paralela a reta anterior Z =
1200. Descobrimos também que traçando-se paralelas a Z = 1200, acima dela,
obtemos valores maiores para Z. Como obter o ponto ótimo ? Simplesmente tra-
çando a paralela, mais “alta” possível, que toque, pelo menos, um ponto do espaço
solução. Graficamente temos:

x2
R3

R2

Ponto Ótimo
R4
x 2*

Z*

x 1*
x1
Z=2400
R1 Z=1200

O “*” indica, em programação matemática o valor ótimo. Assim, x∗1 quer dizer o
valor ótimo de x1 .
O ponto ótimo ter sido um dos vértices do espaço solução não é uma mera coinci-
dência. Na verdade o ponto ótimo é sempre um dos vértices do espaço solução a não
ser quando temos múltiplas (infinitas) soluções ótimas, pois neste caso, os pontos
ótimos são todos os pertencentes a um dos lados do espaço solução. Para ilustrar
este último caso, mude a função objetivo para (MAX) Z = 90x1 + 50x2 . Resolva
graficamente e observe que todos os pontos de um dos lados do espaço solução são
pontos ótimos! Isto acontece porque a função objetivo é a uma função paralela a 2 a
restrição.
10 Introdução

1.3 Exercícios
A) Resolva graficamente o modelo abaixo:
(MAX) Z = 3x1 + 5x2
s.a
(1) x1 ≤ 4
(2) 2x2 ≤ 12
(3) 3x1 + 2x2 ≤ 18
(4) x1 ≥ 0
(5) x2 ≥ 0
Indique o espaço solução (hachurando), o ponto ótimo (apontando) e as restri-
ções redundantes (pelo número).

B) Resolva graficamente o modelo abaixo:

(MAX) Z = 2x1 + x2
s.a
(1) x2 ≤ 10
(2) 2x1 + 5x2 ≤ 60
(3) x1 + x2 ≤ 18
(4) 3x1 + x2 ≤ 44
(5) x1 ≥ 0
(6) x2 ≥ 0
Indique o espaço solução (hachurando), o ponto ótimo (apontando) e as restri-
ções redundantes (pelo número).

C) Resolva graficamente o modelo abaixo:

(MAX) Z = −2x1 − 2x2
s.a
(1) 3x1 − 4x2 ≤ 18
(2) 8x1 − 3x2 ≤ −24
(3) 6x1 + 8x2 ≤ 24
(4) 3x1 + 5x2 ≤ 21
(5) x1 ≤ 3
(6) x2 ≥ 0
Indique o espaço solução (hachurando), o ponto ótimo (apontando) e as restri-
ções redundantes (pelo número).
1.3 Exercícios 11

D) Resolva graficamente o modelo abaixo:

(MAX) Z = −2x1 − 8x2
s.a
(1) 4x1 + 2x2 ≥ −8
(2) −3x1 + 6x2 ≥ −6
(3) −6x1 + 6x2 ≤ 18
(4) x2 ≥ −2
(5) x1 ≤ 2
(6) 5x1 + 3x2 ≥ 15
(7) x1 ≥ 0
Indique o espaço solução (hachurando), o ponto ótimo (apontando) e as restri-
ções redundantes (pelo número).

E) Resolva graficamente o modelo abaixo:

(MAX) Z = −4x1 − 2x2
s.a
(1) x 1 + x2 ≤ 8
(2) 8x1 + 3x2 ≥ −24
(3) −6x1 + 8x2 ≤ 48
(4) 3x1 + 5x2 ≥ 15
(5) x1 ≤ 4
(6) x2 ≥ 0
Indique o espaço solução (hachurando), o ponto ótimo (apontando) e as restri-
ções redundantes (pelo número).

F) Resolva graficamente o modelo abaixo:

(MAX) Z = −2x1 − 5x2
s.a
(1) 2x1 − 2x2 ≤ 10
(2) 7x1 + 3x2 ≥ −21
(3) −2x1 + 3x2 ≥ −6
(4) 3x1 + 9x2 ≤ 27
(5) x1 ≥ −1
(6) x2 ≥ −4
Indique o espaço solução (hachurando), o ponto ótimo (apontando) e as restri-
ções redundantes (pelo número).
12 Introdução

G) Resolva graficamente o modelo abaixo:

(MIN) Z = −4x1 − 2x2
s.a
(1) x 1 + x2 ≤ 8
(2) 8x1 + 3x2 ≥ −24
(3) −6x1 + 8x2 ≤ 48
(4) 3x1 + 5x2 ≤ 15
(5) x1 ≤ 3
(6) x2 ≥ 0
Indique o espaço solução (hachurando), o ponto ótimo (apontando) e as restri-
ções redundantes (pelo número).

1.4 Respostas (parciais) dos exercícios da seção 1.3

Nas respostas a seguir está mostrado apenas o espaço solução. Além disso, 2 retas
“Z” são mostradas cortando o espaço solução. O ponto ótimo não está apontado. Os
eixos são sempre x1 (horizontal) e x2 (vertical).

Exercício A

14

12

10

-2 0 2 4 6 8 10 12 14

-2
1.4 Respostas (parciais) dos exercícios da seção 1.3 13

Exercício B

50

40

30

20

10

0 5 10 15 20 25 30 35

Exercício C

15

10

-20 -15 -10 -5 0 5 10

-5

-10

Redundantes: (1) e (5)

14 Introdução

Exercício D

10

-10 -5 0 5 10

-5

-10

Redundantes: (1),(2),(4) e (7)

Exercício E

20

15

10

-10 -5 0 5 10

-5

-10

Redundantes: (2), (6)

1.4 Respostas (parciais) dos exercícios da seção 1.3 15

Exercício F

-6 -4 -2 2 4 6 8 10 12
0

-2

-4

-6

-8

Redundantes: (1),(2) e (6)

Exercício G

10

-10 -5 0 5 10

-5

-10

Redundante: (1)
16 Introdução

1.5 O modelo geral da Programação Linear

O modelo geral da programação linear pode ser escrito como:
(MAX) Z = c1 x1 + c2 x2 + . . . +cn xn
sujeito a
a11 x1 + a12 x2 + . . . +a1n xn ≤ b1
a21 x1 + a22 x2 +. . . +a2n xn ≤ b2
..
.
am1 x1 + am2 x2 + . . . +amn xn ≤ bm
xi ≥ 0
aij , bi e cj são chamados de parâmetros do modelo e particularmente são chamados
de:
cj ⇒ coeficientes da função objetivo
bi ⇒constantes do lado direito
aij ⇒ coeficientes das restrições ou coeficientes tecnológicos

1.6 Variações do Modelo Geral

a) A função objetivo pode ser de minimização:
(MIN) Z = c1 x1 + c2 x2 + . . . +cn xn

b) Algumas restrições podem ser do tipo ≥:

ai1 x1 + ai2 x2 + . . . +ain xn ≥ bi

c) Algumas restrições podem ter sinal =:

ai1 x1 + ai2 x2 +. . . +ain xn = bi

d) Algumas variáveis de decisão podem assumir qualquer valor, entre −∞ e +∞,

e são chamadas de irrestritas em sinal.

1.7 O que está implícito em qualquer modelo de P.Linear

a) Proporcionalidade
Esta consideração implica em que o nível da contribuição de uma variável qual-
quer é sempre proporcional ao seu valor. Para exemplificar vejamos no nosso
exemplo o caso da variável x1 . O seu lucro unitário é igual a 20. Esta proprie-
dade diz que a contribuição de x1 para o lucro total é 20x1 independentemente
se x1 é igual a 10 ou igual a 100.000.000. Em um esquema produtivo este fato
nem sempre é verdade pois existe, quase sempre, um fator de economia de es-
cala.
Os modelos de programação linear não levam isto em conta e ou se usa, se for
o caso, uma aproximação ou se tem que usar programação não linear. Normal-
mente, a solução de modelos de programação não linear é muito mais complexa.
1.7 O que está implícito em qualquer modelo de P.Linear 17

b) Aditividade
Esta consideração implica em que não há interação entre as diversas variáveis
do modelo, ou seja, a contribuição do total de variáveis é a soma das contribui-
ções individuais de cada uma das variáveis. Para exemplificar vamos considerar
o nosso exemplo protótipo. A contribuição para o lucro total da variável x 1 é
20x1 independentemente se x2 é igual a 1 ou 10.000. Por sua vez a contribuição
de x2 para o lucro total é 60x2 seja qual for o valor assumido por x1 . No mundo
real isto, normalmente, também não acontece assim, ou seja, a quantidade de
um produto pode influir na produção de outro independentemente das restrições
tecnológicas.
Se em um modelo a consideração da aditividade modifica a essência do pro-
blema, deve-se usar programação não linear.

c) Divisibilidade
A partir da construção de um modelo de P.Linear nós transformamos um pro-
blema do mundo real para o “mundo matemático”. Para encontrarmos a solução
que procuramos, temos que resolver o problema matematicamente. A solução
gráfica, por exemplo, é um procedimento matemático. Assim sendo, é perfeita-
mente normal que a solução de um modelo de P.Linear dê, como solução ótima,
valores fracionários. Assim sendo poderia ter acontecido que a resposta para o
nosso exemplo fosse x∗1 = 17, 96 e x∗2 = 14, 88. Mas x1 e x2 representam unida-
des de produtos. Como fabricar “pedaços” de produtos ? Será que a solução seria
cortar a parte fracionária ? Isto poderia nos tirar do ótimo pois nem sempre o
ótimo inteiro é o ótimo fracionário com a parte fracionária cortada.
Como se resolve na prática este tipo de problema ? Se as variáveis de decisão
representam bens cujo valor de mercado é reduzido (uma mesa, por exemplo)
trabalhamos com programação linear e simplesmente cortamos a parte fracio-
nária dos valores ótimos. Se no entanto as variáveis representam bens de alto
valor (um avião, por exemplo), temos que trabalhar com Programação Linear
Inteira acrescentando as restrições de que as variáveis tem de ser inteiras. Por-
que, para este tipo de modelo, não trabalhar sempre com P.Linear inteira ? Por-
que o processo de obtenção da solução ótima é muito mais lento que a P.Linear
simples.

d) Certeza
Esta consideração implica em que todos parâmetros do sistema são constantes
conhecidas não se aceitando nenhuma incerteza de qualquer tipo. Se alguns dos
parâmetros tem qualquer nível de incerteza a formulação como um modelo de
P.Linear poderá levar a resultados incorretos.
18 Introdução

1.8 Exemplos de formulação de modelos de Programação Li-

near
A) Em uma fazenda deseja-se fazer 10.000 Kilos de ração com o menor custo pos-
sível. De acordo com as recomendações do veterinário dos animais da fazenda,
a mesma deve conter:
# 15% de proteína.
# Um mínimo de 8% de fibra.
# No mínimo 1100 calorias por kilo de ração e no máximo 2250 calorias por kilo.
Para se fazer a ração, estão disponíveis 4 ingredientes cujas características
técnico-econômicas estão mostradas abaixo: (Dados em %, exceto calorias e
custo)
Proteína Fibra Calorias/kg Custo/kg
Cevada 6,9 6 1.760 30
Aveia 8,5 11 1.700 48
Soja 9 11 1.056 44
Milho 27,1 14 1.400 56
A ração deve ser feita contendo no mínimo 20% de milho e no máximo 12% de
soja.
Formule um modelo de P.Linear para o problema.

Solução
Variáveis de decisão
xi ⇒ Kilos do ingrediente i a serem usados na ração (i=1 (Cevada), i=2 (Aveia),
i=3 (Soja), i=4 (Milho)).

(Min) Z = 30x1 + 48x2 + 44x3 + 56x4

s.a.
x1 + x2 + x3 + x4 = 10000 (Quantidade de ração)
0, 069x1 + 0, 085x2 + 0, 09x3 + 0, 271x4 = 0, 15 × 10000 (Proteína)
0, 06x1 + 0, 11x2 + 0, 11x3 + 0, 14x4 ≥ 0, 08 × 10000 (Fibra)
1760x1 + 1700x2 + 1056x3 + 1400x4 ≥ 1100 × 10000 (calorias)
1760x1 + 1700x2 + 1056x3 + 1400x4 ≤ 2250 × 10000 (calorias)
x4 ≥ 0, 20 × 10000 (Milho)
x3 ≤ 0, 12 × 10000 (Soja)
xi ≥ 0

B) Uma fábrica de papel recebeu 3 pedidos de rolos de papel com as larguras e

comprimentos mostrados abaixo:
Pedido Largura (cms) Comprimento (cms)
1 50 10.000
2 70 30000
3 90 20.000
1.8 Exemplos de formulação de modelos de Programação Linear 19

A fábrica tem que produzir os pedidos a partir de 2 rolos de tamanho padrão

que tem 100 e 200 centímetros de largura e comprimento muito grande (para
efeitos práticos pode-se considerar infinito). Os rolos dos pedidos não podem ser
emendados na largura embora possam ser emendados no comprimento.
Deseja-se determinar como devem ser cortados os 2 rolos de tamanho padrão
para atender os pedidos, com o objetivo de que a perda de papel seja a mínima
possível.
Formule um modelo de P.Linear para o problema.

Solução
Para um melhor entendimento do problema, vamos mostrar uma solução possí-
vel para o problema:

50 50 70 90 40

5000
20000

30000

Esta solução consistiria em cortar o 1o rolo padrão (largura 100) em 2 tiras de

5.000 cms. Emendados no comprimento, atenderiam ao 1o pedido. Para atender
o 2o e o 3o pedidos, o 2o rolo seria cortado conforme mostra o desenho.
Dois ítens importantes devem ser observados neste exemplo: A perda (a parte
hachurada: 40×30000+90×10000 = 2100000 cm2 ) e que é possível ter perda
com largura de pedido, ou seja, os 10000 cms cortados com largura 90 cms.
Podemos construir uma tabela com os possíveis padrões de corte, lembrando
que podemos desprezar os padrões de corte em que a perda na largura será
igual ou maior que a menor largura de pedido (50 cms).

Rolo de 100 cms Rolo de 200 cms

Largura 1 2 3 4 5 6 7 8 9
50 2 – – 4 2 2 1 – –
70 – 1 – – 1 – 2 1 –
90 – – 1 – – 1 – 1 2
Perda na largura 0 30 10 0 30 10 10 40 20
Podemos agora definir as variáveis de decisão:
xi ⇒ cms, cortados no comprimento, no padrão i (i=1,2,. . . ,9)
Si ⇒ Sobra em cms, no comprimento, com largura de pedido (i=1 (50),i=2 (70),
20 Introdução

i=3 (90))
O modelo fica como:
(MIN) Z = 30x2 +10x3 +30x5 +10x6 +10x7 +40x8 +20x9 +50S1 +70S2 +90S3
s.a.
2x1 + 4x4 + 2x5 + 2x6 + x7 = 10000 + S1 (largura 50cms)
x2 + x5 + 2x7 + x8 = 30000 + S2 (largura 70cms)
x3 + x6 + x8 + 2x9 = 20000 + S3 (largura 90cms)
Si , x i ≥ 0

C) O gerente de um restaurante que está encarregado de servir o almoço, em uma

convenção, nos próximos 5 dias tem que decidir como resolver o problema do
suprimento de guardanapos. As necessidades para os 5 dias são 110, 210, 190,
120 e 100 unidades respectivamente. Como o guardanapo é de um tipo especial,
o gerente não tem nenhum em estoque e suas alternativas durante os 5 dias são:

• Comprar guardanapos novos ao preço de $10 cada um.

• Mandar guardanapos já usados para a lavanderia onde eles podem receber
2 tratamentos:
(a) Devolução em 48 horas ao preço de $3 a peça.
(b) Devolução em 24 horas ao preço de $5 a peça.

Considerando que o objetivo do gerente é minimizar o custo total com os guar-

danapos formule um modelo de P.Linear para o problema.
As seguintes observações devem ser levadas em conta:

• O tempo da lavanderia é considerado ser exato, ou seja, o guardanapo en-

viado as 15 horas de um dia volta as 15 horas do dia seguinte (serviço de
24 horas) ou seja após o almoço. Idem para o serviço de 48 horas.
• Após a convenção os guardanapos serão jogados no lixo.

Solução
Variáveis de decisão
xi ⇒ no de guardanapos a serem comprados no iésimo dia
yi ⇒ no de guardanapos usados enviados, no iésimo dia, para a lavanderia –
serviço de 24 horas
ti ⇒ no de guardanapos usados enviados, no iésimo dia, para a lavanderia –
serviço de 48 horas
Visando auxiliar a formulação do modelo vamos construir uma tabela mos-
trando as várias fontes para se obter, a cada dia, guardanapos limpos :
1.8 Exemplos de formulação de modelos de Programação Linear 21

DIA
Origem 1 2 3 4 5
Novo x1 x2 x3 x4 x5
Lav. – 24 horas y1 y2 y3
Lav. – 48 horas t1 t2
Total Necessário 110 210 190 120 100
As restrições para a necessidade de guardanapos limpos são:
x1 = 110 ⇒ não precisa entrar no modelo
x2 = 210 ⇒ não precisa entrar no modelo
x3 + y1 = 190
x4 + y2 + t1 = 120
x5 + y3 + t2 = 100
Para se definir as restrições correspondentes as quantidades de guardanapos
usados temos que definir uma outra variável decisão:
vi ⇒ no de guardanapos usados que, no iésimo dia, não são enviados para a
lavanderia.
Devemos nos lembrar que o ótimo não implica, necessáriamente, em que todos
os guardanapos usados sejam lavados.
As restrições ficam :
v1 + y1 + t1 = 110
y2 + t2 + v2 = 210 + v1
y3 + v3 = 190 + v2
v4 = 120 + v3
v5 = 100 + v4
O modelo fica como:
(MIN) Z = 10(x3 + x4 + x5 ) + 5(y1 + y2 + y3 ) + 3(t1 + t2 )
s.a.
x3 + y1 = 190
x4 + y2 + t1 = 120
x5 + y3 + t2 = 100
v1 + y1 + t1 = 110
y2 + t2 + v2 = 210 + v1
y3 + v3 = 190 + v2
v4 = 120 + v3
v5 = 100 + v4
xi ,yi ,ti ,vi ≥ 0
22 Introdução

D) A Motorauto S/A fabrica 3 modelos de automóveis nas suas fábricas: Modelo

de 1.100 cilindradas (c.c.), modelo de 1.400 c.c. e modelo de 1.800 c.c. Um
conflito trabalhista faz prever uma greve prolongada na fábrica 1 num futuro
muito próximo. Para fazer face a esta situação, a direção da empresa decidiu
preparar um plano excepcional de produção e vendas para o próximo período,
pressupondo que não haverá produção na fábrica 1 durante este período. Neste
mesmo período, a capacidade de produção da fábrica 2 será de 4.000 unidades
de 1.100 c.c., ou 3.000 unidades de 1.400 c.c. ou 2.000 unidades de 1.800 c.c. ou
qualquer combinação apropriada destes 3 modelos. Uma combinação apropri-
ada pode ser, por exemplo, 2.000 unidades de 1.100 c.c. (50% da capacidade),
900 unidades de 1.400 c.c. (30% da capacidade) e 400 modelos de 1.800 c.c. (20%
da capacidade). Analogamente a fábrica 3 tem capacidade para 3.000 modelos
de 1.100 c.c. ou 8.000 modelos de 1.400 c.c. ou qualquer combinação apropri-
ada destes 2 modelos, não sendo o modelo de 1.800 c.c. produzido nesta fábrica.
Cada automóvel de 1.100 c.c. é vendido por $1.150, cada modelo de 1.400 c.c. é
vendido por $1.450 e cada modelo de 1.800 c.c. é vendido por $1.800. O custo
de produção na fábrica 2 é de $875, $1.200 e $1.450 para cada unidade produ-
zida dos modelos de 1.100 c.c., 1.400 c.c. e 1.800 c.c. respectivamente. Por sua
vez o custo de produção na fábrica 3 é de $900 para cada unidade produzida
do modelo de 1.100 c.c. e de $1.100 para cada unidade do modelo de 1.400 c.c.
A empresa assumiu compromissos que a obrigam a fornecer 1.000 unidades do
modelo de 1.800 c.c. para exportação. Por outro lado, dada a queda na procura
pelos modelos de 1.100 c.c. e 1.800 c.c., o departamento comercial estima em
1.000 e 2.500 unidades as vendas máximas destes 2 modelos, respectivamente.
Como o modelo de 1.400 c.c. é atualmente um grande sucesso comercial, não
existe limitação para suas vendas. No início do período, os estoques dos 3 mo-
delos são de 200 unidades do modelo de 1.100 c.c., 600 unidades do modelo de
1.400 c.c. e 200 unidades do modelo de 1.800 c.c. É possível, dados os últimos
acordos assinados, importar da Argentina até 500 unidades do modelo de 1.100
c.c. Cada modelo importado custará $1.000.
Considerando que o objetivo da Motorauto é maximizar seus lucros, formule um
modelo de P.Linear para o problema.
Solução
Variáveis de decisão
x1 ⇒ no de unidades do modelo de 1.100 c.c. a serem produzidas na fábrica 2.
x2 ⇒ no de unidades do modelo de 1.400 c.c. a serem produzidas na fábrica 2.
x3 ⇒ no de unidades do modelo de 1.800 c.c. a serem produzidas na fábrica 2.
x4 ⇒ no de unidades do modelo de 1.100 c.c. a serem produzidas na fábrica 3.
x5 ⇒ no de unidades do modelo de 1.400 c.c. a serem produzidas na fábrica 3.
x6 ⇒ no de unidades do modelo de 1.100 c.c. a serem importadas da Argentina.
A função objetivo é uma função de lucro sendo cada lucro individual calculado
como a diferença entre o preço de venda e o custo de produção.
1.8 Exemplos de formulação de modelos de Programação Linear 23

O modelo do problema fica como:

(MAX) Z = 275x1 + 250x2 + 350x3 + 250x4 + 350x5 + 150x6
s.a.
x1 + x4 + x6 ≤ (1000 − 200) (modelo de 1.100 c.c.)
x6 ≤ 500 (modelo de 1.100 c.c.)
x3 ≥ (1000 − 200) (modelo de 1.800 c.c.)
x3 ≤ (2500 − 200) (modelo de 1.800 c.c.)
x1 x2 x3
+ + ≤ 1 (capacidade de produção–Fábrica 2)
4000 3000 2000
x4 x5
+ ≤ 1 (capacidade de produção–Fábrica 3)
3000 8000
xi ≥ 0

E) Uma empresa responsável pelo abastecimento semanal de um certo produto ao

Rio de Janeiro e a São Paulo, pretende estabelecer um plano de distribuição do
produto a partir dos centros produtores situados em Belo Horizonte, Ribeirão
Preto e Campos. As quantidades semanalmente disponíveis em B.Horizonte,
R.Preto e Campos são 70, 130 e 120 toneladas respectivamente. O consumo
semanal previsto deste produto é de 180 toneladas no Rio e 140 toneladas em
S.Paulo. Os custos de transporte, em $/ton, de cada centro produtor para cada
centro consumidor está dado abaixo:

Rio São Paulo

B.Horizonte 13 25
R.Preto 25 16
Campos 15 40
Considerando que o objetivo da empresa é minimizar seu custo total de trans-
porte, formule um modelo de P.Linear para o problema.
Solução
Variáveis de decisão
xij ⇒ Toneladas a serem transportadas da origem i (i=1 (B.Horizonte), i=2
(R.Preto), i=3 (Campos)) para o destino j (j=1 (Rio), j=2 (São Paulo)).
O modelo fica como:
(MIN) Z = 13x11 + 25x12 + 25x21 + 16x22 + 15x31 + 40x32
s.a.
x11 + x12 = 70 (B.Horizonte)
x21 + x22 = 130 (R.Preto)
x31 + x32 = 120 (Campos)
x11 + x21 + x31 = 180 (Rio)
x12 + x22 + x32 = 140 (S.Paulo)
xij ≥ 0
24 Introdução

1.9 Exercícios
A) Na produção de unidades de 4 tipos de produtos, são utilizadas 2 máquinas.
O tempo utilizado na fabricação de cada unidade, de cada tipo de produto, em
cada uma das 4 máquinas está dado na tabela abaixo:
Tempo por unidade produzida (horas)
Máquina Produto 1 Produto 2 Produto 3 Produto 4
1 2 3 4 2
2 3 2 1 2
O custo total de produção de uma unidade de cada produto é diretamente pro-
porcional ao tempo de uso da máquina. Considere que o custo por hora para
as máquinas 1 e 2 são $10 e $15 respectivamente. O total de horas disponíveis
para todos os produtos nas máquinas 1 e 2 são 500 e 380 respectivamente.
Se o preço de venda, por unidade, dos produtos 1, 2, 3 e 4 é de $65, $70, $55 e
$45, formule o problema como um modelo de P.Linear com o objetivo de maxi-
mizar o lucro líquido total.

B) Uma companhia de aviação está considerando a compra de aviões de passagei-

ros de 3 tipos: de pequeno curso, de curso médio e de longo curso. O preço de
compra seria de $6,7M para cada avião de longo curso, $5M para aviões de mé-
dio curso e $3,5M para aviões de pequeno curso. A diretoria autorizou um gasto
máximo de $150M para estas compras, independentemente de quais aviões se-
rão comprados. As viagens aéreas em todos os tipos de aviões, fazem prever que
os aviões andarão sempre lotados. Estima-se que o lucro anual líquido seria de
$0,42M para cada avião de longo curso, $0,30M para avião de médio curso e
$0,23M para avião de pequeno curso. A companhia terá pilotos treinados para
pilotar 30 novos aviões. Se somente aviões de pequeno curso forem comprados,
a divisão de manutenção estaria apta a manter 40 novos aviões. Cada avião de
médio curso gasta 1/3 a mais de manutenção do que o dispendido por um avião
de pequeno curso e o de longo curso 2/3 a mais. As informações acima foram
obtidas por uma análise preliminar do problema. Uma análise mais detalhada
será feita posteriormente. No entanto, usando os dados acima como uma pri-
meira aproximação, a diretoria da empresa deseja conhecer quantos aviões de
cada tipo deveriam ser comprados se o objetivo é maximizar o lucro.
Formule um modelo de P.Linear para este problema. (M = 1.000.000)

C) Uma empresa tem 3 fábricas com ociosidade na produção. Todas as 3 fábricas

tem capacidade de produzir um certo produto e a gerência decidiu usar uma
parte da ociosidade na produção deste produto. O produto pode ser feito em 3
tamanhos: grande, médio e pequeno, que dão um lucro líquido de $12, $10 e
$9 respectivamente. As fábricas 1, 2 e 3 tem capacidade de fabricar 500, 600
e 300 unidades do produto respectivamente, independentemente do tamanho a
ser produzido. Há, no entanto, limitação do espaço para estocagem. As fábricas
1, 2 e 3 tem 9000, 8000 e 3500 m2 de área para estocagem respectivamente.
Cada unidade de tamanho grande, médio e pequeno necessita de 20, 15 e 12
1.9 Exercícios 25

m2 respectivamente. O Departamento de Vendas indicou que 600, 800 e 500

unidades dos tamanhos grande, médio e pequeno, respectivamente, podem ser
vendidas por dia. De maneira a manter uma certa uniformidade, a gerencia
decidiu que a percentagem do uso das capacidades ociosas das 3 fábricas devem
ser iguais. A gerência deseja saber quanto de cada tamanho deve ser produzido
em cada fábrica de maneira que o lucro seja máximo.
Formule um modelo de P.Linear para este problema.

D) Um investidor pode investir dinheiro em duas atividades A e B disponíveis no

início dos próximos 5 anos. Cada $1 investido em A no começo de um ano re-
torna $1,40 (um lucro de $0,40) dois anos mais tarde (a tempo de imediato
reinvestimento). Cada $1 investido em B no início de um ano retorna $1,70,
três anos mais tarde. Existem ainda 2 atividades C e D que estarão disponíveis
no futuro. Cada $1 investido em C no início do segundo ano retorna $2,00, qua-
tro anos mais tarde. Cada $1 investido em D no começo do quinto ano, retorna
$1,30 um ano mais tarde. O investidor tem $10.000. Ele deseja conhecer como
investir de maneira a maximizar a quantidade de dinheiro acumulado no início
do sexto ano.
Formule um modelo de P.Linear para este problema. Considere que não há
inflação.

E) Com seus conhecimentos do curso, um aluno calcula que poderia se preparar

com perfeição para o exame de uma certa disciplina D1 em 20 horas de estudo
intensivo. Para uma outra disciplina D2 ele precisa de 25 horas. Para passar,
ele precisa obter no mínimo 50 pontos (num máximo de 100) em cada uma de-
las. Além disso, ele deseja alcançar a maior média ponderada possível, sendo 3
e 5 os pesos de D1 e D2 respectivamente. Ele dispõe de apenas 30 horas para
estudar.
Formule o problema como um modelo de P.Linear, a fim de obter a distribuição
das horas de estudo, considerando proporcionalidade entre o esforço e o rendi-
mento de seus estudos.

F) O Governo decidiu instalar em uma certa área 3 indústrias: U1 , U2 e U3 . Três

localidades diferentes L1 , L2 e L3 foram selecionadas. As condições geoeconô-
micas (energia, comunicações, etc...) variam de local para local. As indústrias
também possuem características técnicas distintas (custos operacionais, capa-
cidade, tipo de produção, etc...). Um estudo preliminar levou a conclusão que as
eficiências relativas das diversas indústrias nas diferentes localidades são:
L1 L2 L3
U1 1,5 1 2
U2 0,8 0,6 2,5
U3 2 0,7 1
Assim em L3 , por exemplo, U1 funcionaria 2 vezes mais eficientemente, do
ponto de vista econômico, do que em L2 . O problema é distribuir as 3 indús-
trias pelas 3 localidades (no máximo 1 indústria em cada localidade) da ma-
26 Introdução

neira mais eficiente.

Formule o problema como um modelo de P.Linear.

G) Uma companhia deseja obter uma nova liga metálica com 30% de chumbo, 20%
de zinco e 50% de estanho a partir de alguns minérios tendo as seguintes pro-
priedades:
MINÉRIOS
Propriedades 1 2 3 4 5
% – Chumbo 30 10 50 10 50
% – Zinco 60 20 20 10 10
% – Estanho 10 70 30 80 40
Custo ($/kg) 8,5 6 8,9 5,7 8,8
O objetivo é determinar as proporções destes minérios que deveriam ser mistu-
rados para produzir a nova liga com o menor custo possível.
Formule este problema como um modelo de P.Linear.

H) Uma família de fazendeiros possui 100 acres de terra e tem $30.000 em fun-
dos disponíveis para investimento. Seus membros podem produzir um total de
3.500 homens-hora de trabalho durante os meses de inverno e 4.000 homens-
horas durante o verão. Se todos estes homens-horas não são necessários, os
membros mais jovens da família podem ir trabalhar em uma fazenda da vizi-
nhança por $4,00 por hora durante o inverno e $4,50 por hora durante o verão.
A família obtém renda com 3 colheitas e 2 tipos de criação de animais: vacas
leiteiras e galinhas (para obter ovos). Nenhum investimento é necessário para
as colheitas mas no entanto cada vaca necessita de um investimento de $900 e
cada galinha de $7. Cada vaca necessita de 1,5 acre de terra, 100 homens-hora
de trabalho no inverno e outros 50 homens-hora no verão. Cada vaca produzirá
uma renda líquida anual de $800 para a família. Por sua vez cada galinha não
necessita de área, requer 0,6 homens-hora durante o inverno e 0,3 homens-hora
no verão. Cada galinha produzirá uma renda líquida de $5 (anual). O galinheiro
pode acomodar um máximo de 3.000 galinhas e o tamanho dos currais limita
o rebanho para um máximo de 32 vacas. As necessidades em homens-hora e
a renda líquida anual, por acre plantado, em cada uma das 3 colheitas estão
mostradas abaixo:
Soja Milho Feijão
Homens–hora no inverno 20 35 10
Homens–hora no verão 50 75 40
Renda anual líquida ($) 375 550 250
A família deseja maximizar sua renda anual.
Formule este problema como um modelo de P.Linear.
1.9 Exercícios 27

I) Um avião de carga tem 3 compartimentos para armazenar carga: frente, centro

e traseira. Estes compartimentos tem limite de capacidade em termos de peso
e espaço, como mostrado abaixo:

Compartimento Capacidade peso (ton) Capacidade espaço (m3 )

Frente 8 140
Centro 12 200
Traseira 7 85
Além disto, os pesos das cargas em cada compartimento devem manter a mesma
proporção em relação a capacidade de cada compartimento, a fim de manter o
equilíbrio do avião.
As 4 cargas abaixo estão disponíveis para carregar um determinado vôo:

Carga Peso (ton) Volume (m3 /ton) Lucro ($/ton)

1 14 14 100
2 11 20 130
3 18 17 115
4 9 11 90
As cargas podem ser divididas em “pedaços” de qualquer peso e tamanho. O
objetivo é determinar quanto de cada carga deveria ser aceita e como distribuí-
la entre os compartimentos do avião de maneira a maximizar o lucro total do
vôo. Formule este problema como um modelo de P.Linear.

J) Para um bar que funciona 24 horas por dia, a seguinte quantidade de emprega-
dos é necessária:

Hora do dia No mínimo de empregados

2–6 4
6 – 10 8
10 – 14 10
14 – 18 7
18 – 22 12
22 – 2 4
Cada empregado trabalha 8 horas consecutivas por dia. O objetivo é achar o
menor número necessário de empregados de modo que a necessidade mínima
acima seja obedecida.
Formule o problema como um modelo de P.Linear.
28 Introdução

K) Uma fábrica descontinuou a produção de um produto que não estava dando lu-
cro. Isto criou uma considerável capacidade de produção ociosa. A gerência está
considerando em usar esta capacidade ociosa em um ou mais, de 3 produtos, os
quais chamaremos de produtos 1, 2 e 3. A capacidade disponível das máquinas
que poderiam limitar a saída está dada na tabela abaixo:

Tempo disponível
Tipo de Máquina (em máquinas–hora por semana)
A 500
B 350
C 150
O número de máquinas-hora necessárias para cada produto é:

Tipo de Máquina Produto 1 Produto 2 Produto 3

A 9 3 5
B 5 4 0
C 3 0 2
O Departamento de Vendas indicou que o potencial de vendas para os produtos
1 e 2 excedem a taxa máxima de produção e que o potencial de vendas para
o produto 3 é de 20 unidades por semana. O lucro unitário seria de $30, $12
e $15 respectivamente para os produtos 1, 2 e 3. Quanto se deve fabricar dos
produtos 1, 2 e 3 de maneira que o lucro seja máximo.
Formule o problema como um modelo de P.Linear.
1.10 Respostas dos exercícios da seção 1.9 29

1.10 Respostas dos exercícios da seção 1.9

Exercício A
xi ⇒ Unidades do produto i a serem produzidas
(MAX) Z = 10x2 − 5x4
s.a
2x1 + 3x2 + 4x3 + 2x4 ≤ 500
3x1 + 2x2 + x3 + 2x4 ≤ 380
xi ≥ 0
Exercício B
x1 ⇒ no de aviões de longo curso a serem comprados
x2 ⇒ no de aviões de médio curso a serem comprados
x3 ⇒ no de aviões de pequeno curso a serem comprados
(MAX) Z = 0, 42x1 + 0, 30x2 + 0, 23x3
s.a
6, 7x1 + 5x2 + 3, 5x3 ≤ 150
x1 + x2 + x3 ≤ 30
5
x + 34 x2 + x3 ≤ 40
3 1
xi ≥ 0
Exercício C
xij ⇒ quantidade a ser produzida do tamanho j (j=g,m,p) na fábrica i (i=1,2,3)
(MAX) Z = 12x1g + 10x1m + 9x1p + 12x2g + 10x2m + 9x2p + 12x3g + 10x3m + 9x3g
s.a.
x1g + x1m + x1p ≤ 500
x2g + x2m + x2p ≤ 600
x3g + x3m + x3p ≤ 300
20x1g + 15x1m + 12x1p ≤ 9000
20x2g + 15x2m + 12x2p ≤ 8000
20x3g + 15x3m + 12x3p ≤ 3500
x1g + x2g + x3g ≤ 600
x1m + x2m + x3m ≤ 800
x1p + x2p + x3p ≤ 500
x1g +x1m +x1p
500
= x2g +x600
2m +x2p
= x3g +x300
3m +x3p

xij ≥ 0
Exercício D
Xt ⇒ $ investido na atividade X(X=A,B,C e D) no período t(t=1,2,3,4,5)
Rt ⇒ $ não investido no período t(t=1,2,3,4,5)
(MAX) Z = 2C2 + 1, 7B3 + 1, 4A4 + 1, 3D5 + R5
s.a.
A1 + B1 + R1 = 10000
−R1 + A2 + B2 + C2 + R2 = 0
−1, 4A1 − R2 + A3 + B3 + R3 = 0
−1, 7B1 − 1, 4A2 − R3 + A4 + R4 = 0
−1, 7B2 − 1, 4A3 − R4 + D5 + R5 = 0
Xt , R t ≥ 0
30 Introdução

Exercício E
Cada hora de estudo na disciplina D1 garante ao aluno 5 pontos.
Para a disciplina D2 o rendimento é de 4 pontos por hora.
X ⇒ no de horas que o aluno estudará D1 .
Y ⇒ no de horas que o aluno estudará D2 .
3X + 5Y
(MAX) Z =
8
s.a.
X + Y = 30
5X ≥ 50
4Y ≥ 50
X, Y ≥ 0
Exercício F
xij ⇒ indústria Ui instalada na cidade Lj .
(MAX) Z = 1, 5x11 + x12 + 2x13 + 0, 8x21 + 0, 6x22 + 2, 5x23 + 2x31 + 0, 7x32 + x33
s.a.
x11 + x12 + x13 = 1
x21 + x22 + x23 = 1
x31 + x32 + x33 = 1
x11 + x21 + x31 = 1
x12 + x22 + x32 = 1
x13 + x23 + x33 = 1
Xij = 0 ou 1
Exercício G
xi ⇒ fração de 1 kilo do minério i usada na produção de 1 kilo da nova liga.
(MIN) Z = 8, 5x1 + 6x2 + 8, 9x3 + 5, 7x4 + 8, 8x5
s.a.
x1 + x 2 + x 3 + x 4 + x 5 = 1
0, 3x1 + 0, 1x2 + 0, 5x3 + 0, 1x4 + 0, 5x5 = 0, 3
0, 6x1 + 0, 2x2 + 0, 2x3 + 0, 1x4 + 0, 1x5 = 0, 2
0, 1x1 + 0, 7x2 + 0, 3x3 + 0, 8x4 + 0, 4x5 = 0, 5
xi ≥ 0
a
Observe que a 1 restrição é redundante pois é a soma das outras 3.
Exercício H
xi (i = 1, 2, 3) ⇒ acres plantados com soja, milho e feijão, respectivamente.
xi (i = 4, 5) ⇒ no de vacas e galinhas, respectivamente.
xi (i = 6, 7) ⇒ excesso de homens-hora no inverno e verão, respectivamente.
(MAX) Z = 375x1 + 550x2 + 250x3 + 800x4 + 5x5 + 4x6 + 4, 5x7
s.a.
x1 + x2 + x3 + 1, 5x4 ≤ 100
900x4 + 7x5 ≤ 30000
20x1 + 35x2 + 10x3 + 100x4 + 0, 6x5 + x6 = 3500
50x1 + 75x2 + 40x3 + 50x4 + 0, 3x5 + x7 = 4000
x4 ≤ 32
x5 ≤ 3000
xi ≥ 0
1.10 Respostas dos exercícios da seção 1.9 31

Exercício I
xij ⇒ toneladas de carga i (i = 1, 2, 3, 4) armazenadas no compartimento j (j =
1, 2, 3) onde 1(frente), 2(centro) e 3(traseira).
(MAX) Z = 100(x11 + x12 + x13 ) + 130(x21 + x22 + x23 ) + 115(x31 + x32 + x33 ) +
90(x41 + x42 + x43 )
s.a.
x11 + x12 + x13 ≤ 14
x21 + x22 + x23 ≤ 11
x31 + x32 + x33 ≤ 18
x41 + x42 + x43 ≤ 9
x11 + x21 + x31 + x41 ≤ 8
x12 + x22 + x32 + x42 ≤ 12
x13 + x23 + x33 + x43 ≤ 3
14x11 + 20x21 + 17x31 + 11x41 ≤ 140
14x12 + 20x22 + 17x32 + 11x42 ≤ 200
14x13 + 20x23 + 17x33 + 11x43 ≤ 85
x11 + x21 + x31 + x41 x12 + x22 + x32 + x42 x13 + x23 + x33 + x43
= =
8 12 7
xij ≥ 0
Exercício J
xj ⇒ no de empregados começando no início do período j (j = 1, 2, ..., 6).
(MIN) Z = x1 + x2 + x3 + x4 + x5 + x6
s.a.
x1 + x 6 ≥ 4
x1 + x 2 ≥ 8
x2 + x3 ≥ 10
x3 + x 4 ≥ 7
x4 + x5 ≥ 12
x5 + x 6 ≥ 4
xj ≥ 0
Exercício K
(MAX) Z = 30x1 + 12x2 + 15x3
s.a
9x1 + 3x2 + 5x3 ≤ 500
5x1 + 4x2 ≤ 350
3x1 + 2x3 ≤ 150
x3 ≤ 20
xi ≥ 0
32 Introdução
Capítulo 2
O Método Simplex

O chamado Método Simplex foi apresentado por George B. Dantzig, um matemático

americano, em 1947. Nos anos seguintes o próprio Dantzig e outros matemáticos
foram aperfeiçoando-o, principalmente visando torná-lo mais eficiente do ponto de
vista computacional. Estas “melhorias” no entanto não mudaram a sua essência
e, embora novos métodos tenham surgido no final da década de 80, o Simplex é
ainda o algorítimo mais usado para resolver modelos de P.Linear e, provavelmente,
o mais usado de todos os algorítimos matemáticos.

2.1 Definições básicas

Solução É qualquer atribuição de valores para as variáveis de decisão do modelo.

Solução Praticável É qualquer solução em que nenhuma das restrições do mo-

delo é violada.

Solução Impraticável É qualquer solução em que pelo menos uma das restrições
do modelo é violada.

Solução Básica Dado um conjunto de m equações linearmente independentes

e n incógnitas, onde n > m, se define como solução básica a solução para o
conjunto de equações em que (n − m) variáveis são feitas iguais a 0 e as
restantes são obtidas da resolução do sistema de equações.

Exemplo: Seja o sistema abaixo:

x1 + x2 + 3x3 − x4 + x5 = 6
x1 + 2x2 + 2x3 − x4 + 2x5 = 2
temos m = 2 e n = 5.
Cada solução básica terá (5−2) = 3 variáveis iguais a 0, por exemplo x 3 ,x4 e x5 e (5−
3) = 2 obtidas da resolução do sistema, ou seja, x1 = 10 e x2 = −4. É óbvio que
variando-se as variáveis feitas iguais a zero teremos novas soluções básicas. O nú-
mero de soluções básicas que podem ser obtidas vem da fórmula :
n n!
 
=
m m!(n − m)!
34 O Método Simplex

As variáveis diferentes de 0 são chamadas de variáveis básicas e as iguais a 0

são chamadas de variáveis não básicas.
Solução básica degenerada: É uma solução básica em que pelo menos uma das
variáveis básicas é igual a 0. Esta variável é chamada de variável básica degene-
rada.
Variáveis de Folga: São variáveis que são acrescentadas as inequações para
transformá-las em equações. Denominaremos as variáveis de folga de F i , onde i
é o índice da variável.
Exemplo: 2x1 ≤ 80 ⇒ 2x1 + F1 = 80

2.2 Um método não muito eficiente

Vamos voltar ao nosso exemplo:

(MAX) Z = 20x1 + 60x2

s.a.
70x1 + 70x2 ≤ 4900
90x1 + 50x2 ≤ 4500
2x1 ≤ 80
3x2 ≤ 180
x1 ,x2 ≥ 0
Vamos acrescentar variáveis de folga as 4 restrições do modelo:
(1) 70x1 + 70x2 + F1 = 4900
(2) 90x1 + 50x2 + F2 = 4500
(3) 2x1 + F3 = 80
(4) 3x2 + F4 = 180
Temos um sistema de equações lineares com 4 (m) equações e 6 (n) variáveis. Deste
sistema podemos obter:
6!
= 15 soluções básicas.
4!2!
É importante observar que as variáveis de folga, incluídas no exemplo, tem um
significado físico relacionado com o modelo apresentado. Assim F1, por exemplo,
representa o número de kilos da matéria prima tipo A que não serão utilizadas na
fabricação dos produtos tipos I e II.
Em resumo, embora tenham sido usadas para transformar inequações em equa-
ções, as variáveis de folga tem um significado físico relacionado com o problema
sendo modelado.
Outro ponto a ser mencionado é que, como x1 e x2 são >= 0, as variáveis de folga
também só podem ser >= 0. Logo todas as variáveis são >= 0.
Voltando ao exemplo protótipo podemos encontrar as 15 soluções básicas do sis-
tema de equações lineares formado pelas restrições, acrescidas das suas respecti-
vas variáveis de folga. Cada solução básica será obtida escolhendo-se 2 variáveis e
fazendo-as iguais a 0 e resolvendo-se o sistema para as 4 variáveis restantes.
Aplicando-se esta regra, obtemos as 15 soluções básicas:
2.2 Um método não muito eficiente 35

no Não básicas Básicas Condição Z

1 x1 = 0 x 2 = 0 F1 = 4900 F2 = 4500 F3 = 80 F4 = 180 Praticável 0
2 x1 = 0F1 = 0 x2 = 70 F2 = 1000 F3 = 80 F4 = −30 Impraticável –
3 x1 = 0 F 2 = 0 x2 = 90 F3 = 80 F4 = −90 F1 = −1400 Impraticável –
4 x1 = 0 F 3 = 0 0 = 80 Impossível –
5 x1 = 0 F 4 = 0 F3 = 80 x2 = 60 F1 = 700 F2 = 1500 Praticável 3600
6 x2 = 0 F1 = 0 F3 = −60 F2 = −1800 F4 = 180 x1 = 70 Impraticável –
7 x2 = 0 F 2 = 0 F3 = −20 F1 = 1400 x1 = 50 F4 = 180 Impraticável –
8 x2 = 0 F 3 = 0 F1 = 2100 F2 = 900 x1 = 40 F4 = 180 Praticável 800
9 x2 = 0 F 4 = 0 0 = 180 Impossível –
10 F1 = 0 F2 = 0 x1 = 25 x2 = 45 F3 = 30 F4 = 45 Praticável 3200
11 F1 = 0 F3 = 0 x1 = 40 x2 = 30 F2 = −600 F4 = 90 Impraticável –
12 F1 = 0 F4 = 0 x1 = 10 x2 = 60 F3 = 60 F2 = 600 Praticável 3800
13 F2 = 0 F3 = 0 x1 = 40 x2 = 18 F1 = 840 F4 = 126 Praticável 1880
14 F2 = 0 F4 = 0 x1 = 16.7 x2 = 60 F3 = 46.7 F1 = −466.6 Impraticável –
15 F3 = 0 F4 = 0 x1 = 40 x2 = 60 F1 = −2100 F2 = −2100 Impraticável –
Podemos observar na solução gráfica cada uma das 15 soluções básicas. Como o mo-
delo é de 2 variáveis de decisão (x1 , x2 ), cada solução básica é a intersecção de 2
restrições. Podemos inclusive observar que 2 das soluções (4 e 9) são a intersecção
de 2 paralelas que se interceptam no infinito.

x2
inf
R3
4
R2

2 14 15 R4
5 12
10
11 9 inf
13
7
1 8 x1
R1

Como podemos observar, a solução básica no 12 é a solução ótima (como vimos na

solução gráfica). Terá sido simples coincidência o fato da solução ótima ser uma
36 O Método Simplex

das soluções básicas ? Não é simples coincidência pois pode-se provar que:
Se um modelo de Programação linear possui uma única solução
ótima, então ela é uma solução básica do sistema de equações
lineares formado pelas restrições do modelo acrescidas das suas
respectivas variáveis de folga.
No gráfico podemos observar que a solução ótima só pode ser um dos vértices (pon-
tos extremos) do espaço solução pois eles são justamente as soluções básicas prati-
cáveis. Isto vem do fato de que o espaço solução é sempre um conjunto convexo onde
cada solução básica é a intersecção de tantas restrições quantas forem as variáveis
de decisão do modelo (duas, x1 e x2 no nosso caso).
No caso de termos mais de uma solução ótima, teremos sempre
um no infinito de soluções ótimas pois serão ótimos todos os pon-
tos que unem 2 vértices (pontos extremos) adjacentes, ou seja,
todos os pontos de um dos lados do espaço solução.
Os 2 postulados acima nos levam a conclusão de que um modelo de programação
linear só pode ter 2 tipos de soluções ótimas: ou ela é única, ou seja, um único
ponto, ou tem um número infinito de pontos ótimos. Assim, é impossível existir um
modelo de programação linear que tenha, por exemplo, 5 soluções ótimas.
Com o que já vimos, parece que para achar a solução ótima de um modelo de Progra-
mação Linear basta encontrar as soluções básicas do sistema de equações lineares
formado pelas suas restrições, e escolher a melhor, em função do objetivo, dentre
as praticáveis.
Um exemplo, no entanto, nos mostra que este método é totalmente impraticável.
Vamos supor que temos um modelo com 50 restrições e 100 variáveis. É importante
ressaltar que um modelo deste tamanho é apenas um modelo de programação li-
near de tamanho de pequeno para médio. Quantas soluções básicas teríamos que
encontrar ?
100!
= 1029 , levaria-se anos mesmo usando-se os computadores mais velozes.
50!50!
Veremos a seguir que o método simplex examina apenas um no muito pequeno des-
tas soluções básicas para encontrar a solução ótima.
Vamos ver mais uma definição:
Solução básica praticável adjacente: Duas soluções básicas praticáveis são ad-
jacentes se elas diferem por apenas uma variável não básica (óbviamente, como
o total de varáveis é a soma das não básicas com as básicas, elas diferem também
por uma variável básica).
Assim,
 as soluções básicas a seguir, são adjacentes:
 

 F 1 = 4900 
   
 F 1 = 2100 
  
F2 = 4500 x1 = 0 F2 = 900 F3 = 0
   
VB VNB e VNB

 F3 = 80 
 x2 = 0 
 x1 = 40 
 x2 = 0
F4 = 180 F4 = 180
   
O no de soluções básicas praticáveis adjacentes à cada solução básica é igual ao
número de variáveis de decisão do modelo (duas, x1 e x2 no nosso caso). Assim,
como pode ser visto no gráfico onde são mostradas as soluções básicas, a solução n o
2.2 Um método não muito eficiente 37

1 tem duas adjacentes: a no 5 e a no 8.

O Simplex está baseado na seguinte propriedade, cuja prova não mostraremos aqui
mas que pode ser encontrada em diversos textos:
Se uma solução básica é melhor que as suas adjacentes, então
ela é a solução ótima.
Com base nesta propriedade podemos definir as etapas básicas do método Simplex:
1. Obter uma solução básica praticável inicial. Esta solução é obtida fazendo-se
as variáveis de decisão como variáveis não básicas, ou seja, iguais a 0. As
variáveis básicas serão as variáveis de folga.

2. Dada uma solução básica testar se ela é melhor que suas adjacentes. Se for, é
a solução ótima.

3. Se não for ir para a melhor solução básica adjacente e voltar a etapa 2.

Vamos aplicar então o simplex ao nosso exemplo:
(MAX) Z = 20x1 + 60x2
s.a.
70x1 + 70x2 ≤ 4900
90x1 + 50x2 ≤ 4500
2x1 ≤ 80
3x2 ≤ 180
x1 ,x2 ≥ 0
Vamos introduzir as variáveis de folga e numerar as equações:
(0) Z − 20x1 − 60x2 = 0
(1) 70x1 + 70x2 + F1 = 4900
(2) 90x1 + 50x2 + F2 = 4500
(3) 2x1 + F3 = 80
(4) 3x2 + F4 = 180
Esta forma de um modelo de P.Linear (na verdade um sistema de equações linea-
res) é chamada de forma padrão (standard). Todas as equações são de igualdade e
todas as constantes do lado direito são ≥ 0.
Como vemos temos um sistema de equações lineares com 5 equações e 7 variáveis.
Cada solução básica terá 7 − 5 = 2 variáveis não básicas iguais a 0. O valor das 5
restantes é obtido da resolução do sistema de equações lineares depois de se zerar
as variáveis não básicas. No simplex a solução básica inicial é obtida fazendo-se
como variáveis não básicas (iguais a 0) as variáveis de decisão (x 1 e x2 no nosso
caso).
 Assim, a solução
 básica inicial é:

 F1 = 4900   
F2 = 4500 x1 = 0
 
VB VNB

 F3 = 80 
 x2 = 0
F4 = 180
 
Z=0
Embora Z seja uma variável básica, ela é colocada fora do “colchete” de variáveis
básicas. Veremos mais adiante porque.
38 O Método Simplex

Olhando agora com mais atenção podemos reparar em mais uma característica da
forma padrão: variável básica só aparece uma única vez, ou seja, em uma única
equação com coeficiente igual a 1. Qual a vantagem disto ? A vantagem é que ao se
eliminar as variáveis não básicas (porque são iguais a zero), obtemos, diretamente,
o valor numérico das variáveis básicas.
Durante o simplex, nas sucessivas soluções básicas que serão obtidas, trabalhare-
mos sempre usando esta forma padrão para aproveitar esta propriedade.
Como temos uma solução básica, temos que testar se ela é a solução ótima. Para
ser a ótima ela tem que ser melhor que as suas adjacentes.
Estudando a solução básica em questão, vemos que ela tem 2 adjacentes: uma em
que x1 sairia do “time” de não básicas (óbviamente uma básica teria que sair do
time de básicas) e outra em que x2 sairia do time de não básicas.
É importante entender que, por exemplo, x1 sair do time de não básicas, ou seja das
iguais a zero, implica em ela se tornar básica, ou seja, maior que 0 (vamos ignorar
aqui o fato de que, excepcionalmente, ela pode ser degenerada).
Vamos escrever a função objetivo em função das variáveis de decisão:
(0) Z = 20x1 + 60x2
O que observamos é que se x1 se tornar básica o valor de Z vai aumentar (20 uni-
dades por unidade de x1 ), ou seja vai melhorar a função objetivo. Isto mostra que
a adjacente à atual solução básica, ou seja aquela em que x1 é básica é melhor que
a solução atual. Podemos afirmar então, que a atual solução não é ótima pois pelo
menos uma adjacente é melhor.
Vamos examinar se a outra adjacente, ou seja aquela em x2 vai se tornar básica
também melhora o valor da função objetivo. Como podemos ver acima, para cada
unidade que x2 assuma, a função objetivo aumenta de 60 unidades. Esta adjacente
também é melhor que a solução atual!
A etapa 2 do método simplex diz que se a atual solução básica não é ótima, deve-se
ir para a melhor adjacente. Matemáticamente é impossível saber, a não ser em
problemas pequenos, qual a melhor adjacente. O que na verdade nós fazemos, é
ir para aquela adjacente que aparenta dar o maior ganho para o valor de Z. No
nosso caso a melhor adjacente aparente é aquela em que x2 passaria a ser básica
pois para cada unidade de x2 , temos um aumento de 60 em Z contra um aumento
de 20 no caso de x1 .
É importante deixar claro que o método simplex funciona, ou seja vai levar-nos a
solução ótima, independente da escolha a ser feita. A razão de termos escolhido a
que aparenta dar maior ganho prende-se unicamente ao desejo de se fazer, princi-
palmente quando se trabalha manualmente, o mínimo de iterações. Via de regra,
embora não obrigatoriamente, quando se escolhe a que dá maior ganho este desejo
é atendido.
Escolhemos então x2 como a variável que vai se tornar básica ou, em outras pa-
lavras, a variável que vai entrar na base. Ela é chamada de variável entrante.
Resumindo temos:
Candidatas à variável entrante (são sempre as não básicas): x1 e x2 .
Variável entrante: x2
Como x2 vai entrar na base, ou seja se tornar básica, uma das atuais variáveis
2.2 Um método não muito eficiente 39

básicas vai ter que deixar de ser básica ou em outras palavras, sair da base. Esta
variável é chamada de variável sainte.
As candidatas à variável sainte (sempre as variáveis básicas) são: F 1 , F2 , F3 e F4 .
Neste ponto fica claro porque não colocamos Z no “colchete” das variáveis básicas.
Mesmo sendo uma variável básica, Z nunca é levada em conta como candidata à va-
riável sainte pois ela é o objetivo. Não teria sentido tirá-la da base, transformando-
a em variável não básica igual a 0.
Como escolher a variável sainte ? Vamos escrever as restrições em função das can-
didatas a variável sainte:
(1) F1 = 4900 − 70x1 − 70x2
(2) F2 = 4500 − 90x1 − 50x2
(3) F3 = 80 − 2x1
(4) F4 = 180 − 3x2
Na análise que vamos fazer podemos eliminar x1 . Porque ? porque x1 é variável
não básica e não é a “entrante”, ou seja vai permanecer como não básica, igual a 0.
Temos então:
(1) F1 = 4900 − 70x2
(2) F2 = 4500 − 50x2
(3) F3 = 80
(4) F4 = 180 − 3x2
Neste momento, temos que ter atenção em 2 pontos: o 1o é que estamos trabalhando
em um sistema de equações lineares e, obviamente, o valor de cada variável está
relacionado ao valor das demais variáveis. O 2o é que, como vimos anteriormente,
todas as variáveis (exceto Z) só podem ser ≥ 0. Em outras palavras a única variá-
vel que pode assumir valores negativos é Z.
Como x2 é a variável entrante e cada unidade que ela assumir vai aumentar o
Z em 60, queremos que x2 assuma o maior valor possível. No entanto este valor
está condicionado a que nenhuma outra variável se torne negativa. Na equação (1)
acima, vemos que x2 pode ir até 70 antes que F1 se torne negativa. Já na equação
(2), x2 só pode ir até 90 pois, acima disto, F2 se tornaria negativa. Pela equação (3)
poderíamos levar x2 até o ∞. Finalmente na (4) observamos que x2 poderia ir até
60.
A equação (4) é que limita o valor máximo de x2 , ou seja x2 não pode passar de 60
pois quando ela atinge este valor, F4 chega a zero.
Como F4 foi a variável que chegou a zero primeiro quando tentávamos atribuir o
maior valor possível para x2 (a entrante), ela será a variável sainte.
Já temos então o time de variáveis básicas e não básicas da solução básica adja-
centemelhor do que a que acabamos de testar. Teremos:

 F 1 
  
F2 x1 = 0
 
VB VNB

 F3  F4 = 0
x2
 
Em um modelo pequeno como o que estamos aplicando o simplex, poderá ser ten-
tador se obter o valor numérico das variáveis básicas por simples substituição. Em
modelos maiores este procedimento tornaria inviável a obtenção da solução ótima.
40 O Método Simplex

Por esta razão o simplex passa de uma solução básica para outra mantendo a es-
trutura padrão que vimos anteriormente ou seja, variável básica aparecendo uma
única vez, no sistema de equações lineares, com coeficiente igual a 1.
Como x2 , a entrante, vai substituir F4 , a sainte, como variável básica, temos que
construir um sistema linear equivalente em que x2 apareça em uma única equa-
ção com coeficiente igual a 1 e não apareça nas demais equações, ou seja tenha
coeficiente igual a zero.
Em que equação x2 vai aparecer com coeficiente igual 1 ? Naquela em que F4 , a
sainte, aparecia com coeficiente igual a 1, ou seja a equação (4). Como fazer com
que o coeficiente de x2 seja igual a 1 ? Basta dividir ambos os lados da equação por
3, obtendo:
1
(4) x2 + F4 = 60
3
Como eliminar x2 , ou seja fazer seu coeficiente igual a 0, da equação (0) ? Podemos
usar 2 procedimentos: o 1o é tirar o valor de x2 da nova equação (4) e substituir na
equação (0); o 2o, mais “elegante”, é aplicar a propriedade dos sistemas de equações
lineares que diz que um sistema não se altera quando somamos (ou subtraímos) à
uma equação uma outra multiplicada por uma constante.
Podemos então multiplicar a nova equação (4) por 60 e somar a equação (0), ob-
tendo:

Z − 20x1 − 60x2 = 0
60x2 + 20F4 = 3600 +

Z − 20x1 + 20F4 = 3600

Para eliminar x2 da equação (1) usamos o mesmo procedimento, ou seja multipli-

camos a nova equação (4) por −70 e somamos a equação (1), obtendo:

70x1 + 70x2 + F1 = 4900

70
−70x2 − F4 = −4200 +
3

70
70x1 + F1 − F4 = 700
3
Processo semelhante para eliminarmos x2 da equação (2). Multiplicamos a nova
(4) por −50 e somamos a equação (2), obtendo:

90x1 + 50x2 + F2 = 4500

50
−50x2 − F4 = −3000 +
3

50
90x1 + F2 − F4 = 1500
3
2.2 Um método não muito eficiente 41

Como na equação (3) o coeficiente de x2 já é zero, não precisamos fazer qualquer

transformação.
A nova solução básica é:

(0) Z − 20x1 + 20F4 = 3600

70
(1) 70x1 + F1 − F4 = 700
3
50
(2) 90x1 + F2 − F4 = 1500
3

(3) 2x1 + F3 = 80
1
(4) x2 + F4 = 60
 3 

 F 1 = 700 
 ( )
 
F2 = 1500 x1 = 0
 
VB VNB


 F 3 = 80 

 F4 = 0
 
x2 = 60
Z = 3600
Mais uma vez podemos observar que, eliminadas as variáveis não básicas (= 0),
obtemos, diretamente, o valor numérico das variáveis básicas.
Temos que testar se esta nova solução básica é melhor que as suas adjacentes, ou
seja se ela é a ótima.
Como antes, temos 2 soluções adjacentes a esta: uma em que x1 passaria a variável
básica e outra em que F4 voltaria ao time das básicas. Vamos analisar a equação
de Z:
Z = 3600 + 20x1 − 20F4
Se x1 passar a básica, o valor de Z, para cada unidade de x1 , aumentará de 20.
Logo a atual solução não é ótima: já descobrimos uma adjacente melhor.
Vamos examinar a outra adjacente possível, ou seja aquela em que F 4 passaria a
ser variável básica. Como todas as variáveis, exceto Z, tem que ser ≥ 0, qualquer
valor atribuído a F4 iria diminuir o valor de Z, logo esta alternativa é pior que a
atual solução. Assim x1 é a variável entrante.
Para escolher a sainte, vamos escrever as restrições em função das candidatas a
variável sainte, ou seja as atuais variáveis básicas:
70
(1) F1 = 700 − 70x1 + F4
3
50
(2) F2 = 1500 − 90x1 + F4
3

(3) F3 = 80 − 2x1
1
(4) x2 = 60 − F4
3
42 O Método Simplex

F4 não precisa ser levada em consideração pois é não básica, não é a entrante e,
portanto, vai continuar sendo igual a 0.
Na equação (1) x1 pode ir até 10 antes de F1 se tornar negativa. Pela equação (2),
x1 pode ir até 16,67. Na (3), x1 pode ser levado até 40 e pela equação (4), x1 poderia
ir até o ∞.
O limite para o valor de x1 está na equação (1), logo F1 é a que chega a zero pri-
meiro e será a variável sainte.
Temos que construir a nova solução básica em que x1 vai substituir F1 como variá-
vel básica. Assim, na equação (1), que era onde aparecia a sainte (F 1 ), vamos fazer
com que x1 apareça com coeficiente igual a 1, eliminando x1 das demais equações.
Para fazer com que x1 fique com coeficiente 1, vamos dividir, ambos os lados, a
equação (1) por 70, obtendo:
(1) x1 + 70
1
F1 − 13 F4 = 10
Para eliminar x1 da equação (0) podemos tirar o valor de x1 da nova equação (1) e
substituir na equação (0) ou podemos multiplicar a nova equação (1) por 20 e somar
à equação (0), obtendo:

Z − 20x1 + 20F4 = 3600

20 20
20x1 + F1 − F4 = 200 +
70 3

20 40
Z+ F1 + F4 = 3800
70 3
Para eliminar x1 da equação (2), podemos multiplicar a nova equação (1) por −90
e somar a eq.(2), obtendo:
50
90x1 + F2 − F4 = 1500
3
90
−90x1 − F1 + 30F4 = −900 +
70

90 40
− F1 + F 2 + F4 = 600
70 3
Para eliminar x1 da equação (3), multiplicamos a nova equação (1) por −2 e soma-
mos a equação (3), obtendo:

2x1 + F3 = 80
2 2
−2x1 − F1 + F4 = −20 +
70 3

2 2
− F1 + F 3 + F4 = 60
70 3
2.3 Situações que podem acontecer no Método Simplex 43

A nova solução básica fica então como:

20 40
(0) Z+ F1 + F4 = 3800
70 3
1 1
(1) x1 + F1 − F4 = 10
70 3
90 40
(2) − F1 + F 2 +
F4 = 600
70 3
2 2
(3) − F1 + F3 + F4 = 60
70 3
1
(4) x2 + F4 = 60
 3 

 x 1 = 10 
 ( )
 
F2 = 600 F1 = 0
 
VB VNB


 F 3 = 60 

 F4 = 0
 
x2 = 60
Z = 3800
Temos que testar se esta solução é a ótima. Como antes, ela tem 2 adjacentes: uma
em que F1 passaria a ser variável básica e outra em que F4 é que seria a nova
básica. Vamos examinar a equação de Z:
20 40
Z = 3800 − F1 − F4
70 3
Como F1 e F4 só podem assumir valores ≥ 0, tanto uma opção quanto outra iriam
diminuir o valor de Z se virassem variáveis básicas. Logo, a última solução é a
solução
 ótima e pode ser representada como:

 x1 = 10 
∗
 ( )
 
F2 = 600 F1 = 0
 ∗  ∗
VB VNB
 F = 60 
∗  F4∗ = 0
 ∗3

 

x2 = 60
Z ∗ = 3800
O “*” representa o valor ótimo da variável.

2.3 Situações que podem acontecer no Método Simplex

2.3.1 Empate na escolha da variável entrante

Suponha que em um modelo cujo objetivo seja maximizar Z, tenhamos, em deter-
minada iteração, a seguinte equação (0):
(0) Z − 60x1 − 60x2 = 0
As variáveis x1 e x2 são as candidatas a variável entrante e para escolher uma
delas escrevemos a equação como: Z = 60x1 + 60x2 .
Tanto x1 quanto x2 dão, por unidade, o mesmo ganho (60) para Z. Em resumo
44 O Método Simplex

há um empate na escolha da variável entrante e a escolha deve ser arbritá-

ria. Não há como prever a escolha que minimizaria o número de iterações a serem
realizadas até se chegar a solução ótima.

2.3.2 Empate na escolha da variável sainte

Seja a seguinte solução básica (em um modelo de maximização):

(0) Z − 20x1 + 20F4 = 3600

70
(1) 70x1 + F1 − F4 = 700
3
50
(2) 90x1 + F2 − F4 = 900
3

(3) 2x1 + F3 = 80
1
(4) x2 + F4 = 60
 3 

 F 1 = 700 
 ( )
 
F2 = 1500 x1 = 0
 
VB VNB


 F 3 = 80 

 F4 = 0
 
x2 = 60
Z = 3600
Reescrevendo a equação (0), Z = 3600 + 20x1 − 20F4 , podemos ver que x1 é a
variável entrante. Para escolher a sainte, vamos explicitar as equações em função
das candidatas, que são as variáveis básicas:
70
(1) F1 = 700 − 70x1 + F4
3
50
(2) F2 = 900 − 90x1 + F4
3

(3) F3 = 80 − 2x1
1
(4) x2 = 60 − F4
3
F4 pode ser desconsiderada por ser não básica (= 0) e não é a entrante. Na 1 a
podemos levar x1 até 10, na 2a também podemos levá-lo até 10. Na 3a até 40 e na
4a até ∞.
Temos então um empate na escolha da variável sainte: tanto F1 quanto F2 chegam
a zero quando x1 chega a 10. Aqui também a escolha é arbritária, mas vamos
ver o que acontece na próxima solução básica. Escolhendo, arbritariamente, F 1
como a sainte a próxima solução fica como:
2.3 Situações que podem acontecer no Método Simplex 45

20 40
(0) Z+ F1 + F4 = 3800
70 3
1 1
(1) x1 + F1 − F4 = 10
70 3
90 40
(2) − F1 + F 2 +
F4 = 0
70 3
2 2
(3) − F1 + F3 + F4 = 60
70 3
1
(4) x2 + F4 = 60
 3 

 x 1 = 10 
 ( )
 
F2 = 0 F1 = 0
 
VB VNB


 F3 = 60 
 F4 = 0
 
x2 = 60
Z = 3800
Observando o conjunto de variáveis básicas notamos que uma delas, F 2 ou seja a
não escolhida no empate, é uma variável básica degenerada, ou seja, igual a zero.
Sempre que houver empate entre n candidatas à variável sainte, aparecerão, na
próxima solução básica, n − 1 variáveis básicas degeneradas.
Este fato não afeta o método e, caso a solução não seja a ótima, o simplex
deve ser continuado normalmente, devendo as variáveis degeneradas se-
rem tratadas como variáveis básicas normais.

Está provado (existem vários modelos publicados) que o empate na esco-

lha da variável sainte, pode levar o simplex a entrar em “loop”, ou seja
voltar a uma solução por onde ele tenha passado. Como este fato é ra-
ríssimo, os pacotes de computador que implementam o simplex, em seu
processo “default”, simplesmente ignoram a possibilidade de que a so-
lução do modelo pode levar a um “loop” infinito. A inclusão de rotinas
(existem várias) para contornar este problema onera muito, em termos
de tempo, a obtenção da solução ótima.
46 O Método Simplex

2.3.3 Não existência de variável sainte

Suponha que na escolha da variável sainte temos a seguinte situação: x 1 é a va-
riável entrante e F1 , F2 e F3 são as candidatas a variável sainte. As restrições, em
função das candidatas a sainte são:
(1) F1 = 5 + x1 + 3x2
(2) F2 = 29 − 2x2
(3) F3 = 12 + 2x1 .
Até onde podemos levar x1 sem tornar negativa qualquer outra variável ?
Observe que x2 é variável não básica, não é entrante ou seja vai continuar como
não básica (= 0).
Na 1a equação o valor de x1 , que só pode ser ≥ 0, pode ir até o ∞ que F1 não che-
gará a zero. Na equação (2) não aparece x1 . Logo qualquer valor que ele assumir
(até o ∞) não vai influenciar o valor de F2 . Pela 3a equação, também x1 pode ir até
o ∞ que F3 não chegará a zero.
Como vimos, o valor de x1 poderá ir até o ∞ que nenhuma das candidatas a variá-
vel sainte chegará a zero. Em outras palavras, não existe variável sainte. Quando
temos este caso, temos um modelo com solução ilimitada ou seja Z ∗ = ∞ se o
problema é de maximização ou Z ∗ = −∞ se o modelo é de minimização.
No mundo real quando isto acontece é porque o modelo tem algum erro na sua
formulação pois não existe objetivo igual a ±∞ na vida real.

2.3.4 Múltiplas (infinitas) soluções ótimas

Seja o seguinte modelo de Programação Linear:
(MAX) Z = 8x1 + 8x2
s.a.
2x1 + 2x2 ≤ 12
2x1 + x2 ≤ 9
x1 + 3x2 ≤ 16
x1 ,x2 ≥ 0
Resolvendo graficamente, temos:
2.3 Situações que podem acontecer no Método Simplex 47

X2

B
30
Z=

A
14
Z=

X1

Como as retas “Z” são paralelas a um dos lados do espaço solução, a reta de Z ótima
se confunde com o próprio lado do espaço solução e todos os pontos do segmento de
reta (A – B) são pontos ótimos. Como em um segmento de reta temos um n o infinito
de pontos temos um no infinito de soluções ótimas.
Como o simplex vai nos mostrar que temos infinitas soluções ótimas ? Aplicando-se
o simplex ao modelo temos:
(0) Z − 8x1 − 8x2 = 0
(1) 2x1 + 2x2 + F1 = 12
(2) 2x1 + x2 + F2 = 9
(3) x1 + 3x2 + F3 = 16
 
 F1 = 12 
 ( )
x1 = 0

VB F2 = 9 VNB
  x2 = 0
F3 = 16
 
Z=0
Variável entrante: x1 Variável sainte: F2
Nova solução básica:
(0) Z − 4x2 + 4F2 = 36
(1) x2 + F1 − F2 = 3
1 1 9
(2) x1 + x2 + F2 =
2 2 2
5 1 23
(3) x2 − F2 + F 3 =
2 2 2
48 O Método Simplex

 

 F1 = 3  
9 
 ( )
x2 = 0
 
VB x1 = VNB
2 F2 = 0
 F3 = 23 

 

 
2
Z = 36
Variável entrante: x2 Variável sainte: F1
Nova solução básica:

(0) Z + 4F1 = 48

(1) x 2 + F 1 − F2 = 3
1
(2) x1 − F1 + F 2 = 3
2
5
(3) − F1 + 2F2 + F3 = 4
 2 

 2 x ∗
= 3  ( )
F ∗
= 0

VB x∗1 = 3 VNB 1
  F2∗ = 0
F3 = 4
 ∗ 
Z = 48
A solução é ótima e é o ponto A do gráfico, ou seja um dos extremos do segmento de
reta ótimo.
Como o simplex nos indica que o modelo tem infinitas soluções ótimas ? Se obser-
varmos a equação de Z ótima, Z + 4F1 = 48, podemos observar que ela tem uma
característica incomum: uma variável não básica, F2 , não aparece, ou seja tem
coeficiente igual a 0, na equação. O fato de uma, ou mais, variáveis não básicas
não aparecerem (coeficiente igual a 0) na equação (0) da solução ótima, indica que
o modelo tem infinita soluções ótimas. Como obtê-las ?
Podemos fazer com que F2 , a variável não básica que não aparece na equação de
Z, seja variável entrante. Como o seu coeficiente é igual a 0, ela não vai alterar o
valor ótimo de Z.
Escolhemos a variável sainte pelo processo normal e obtemos:
Variável entrante: F2 Variável sainte: F3
Nova solução básica:

(0) Z + 4F1 = 48
1 1
(1) x2 − F1 + F3 = 5
4 2
3 1
(2) x1 + F1 − F3 = 1
4 2
5 1
(3) − F1 + F 2 + F3 = 2
4 2
2.3 Situações que podem acontecer no Método Simplex 49
 

 2x ∗
= 5  ( )
F ∗
= 0

VB x∗1 = 1 VNB 1
  F3∗ = 0
F2 = 2
 ∗ 
Z = 48
A nova solução, que também é ótima, é o ponto B do gráfico, ou seja o outro extremo
do segmento de reta.
Como o nosso modelo é um modelo de 2 variáveis de decisão (x 1 e x2 ), o “lado” do
espaço solução é um segmento de reta. Para se definir qualquer ponto de um seg-
mento de reta precisamos de 2 pontos do segmento. O simplex nos deu os 2 pontos:
A:(3,3) e B:(1,5). Como definir genericamente um ponto (a,b) do segmento de reta
limitado pelos pontos (3,3) e (1,5) ?
Cada
 ponto ótimo (a, b)∗ deve obedecer a:
 (a, b) = α1 (3, 3) + α2 (1, 5)
 ∗

α1 + α 2 = 1

α1 , α 2 ≥ 0

Generalizando,
 se temos n pontos ótimos (p1 , p2 , . . . , pn ), devemos ter:
 (a, b, . . . , n) = α1 p1 + α2 p2 + . . . + αn pn

∗

α1 + α 2 + . . . + α n = 1

αi ≥ 0

Resumindo, em um modelo de P.Linear com n variáveis de decisão e múltiplas
(infinitas) soluções ótimas temos que encontrar pelo Simplex n pontos ótimos.
Qualquer combinação linear destes n pontos será também um ponto ótimo pois
será um dos pontos do lado “ótimo” do espaço solução.

2.3.5 Modelos de Minimização

Seja o seguinte modelo de programação linear:
(MIN) Z = 3x1 + 6x2 − 2x3 + 4x4
s.a.
x1 + 7x2 + 3x3 + 7x4 ≤ 46
3x1 − x2 + x3 + 2x4 ≤ 8
2x1 + 3x2 − x3 + x4 ≤ 10
x1 , x2 , x3 , x4 ≥ 0
Este é um modelo de minimização. O que muda no simplex quando o modelo é de
minimização ?
Muda o critério de escolha da variável entrante: Será aquela que causar, por uni-
dade, a maior diminuição no valor da função objetivo (Z).
Muda o critério de parada: A solução será ótima quando nenhuma das candidatas
à variável entrante diminuir o valor da função objetivo (Z) se ela passar a ser bá-
sica (entrante).
Não muda o critério da escolha da variável sainte: Continua sendo o mesmo.
Se for desejável, é possível trabalhar somente com maximização no Simplex. Para
50 O Método Simplex

tanto, basta observar o gráfico a seguir:

F(x)

f(x)

Min[f(x)]

x
x0
Max[-f(x)]

-f(x)

O que podemos inferir deste gráfico, considerando que f (x) e −f (x) são recípro-
cas ? O valor do mínimo de f (x) é igual, em valor absoluto, ao valor do máximo
de −f (x). Também podemos observar que o valor, x0 , que minimiza f (x) e que
maximiza −f (x) é o mesmo. Assim sendo, se quisermos achar o mínimo de f (x),
podemos multiplicar por −1 e achar o máximo de −f (x).
No simplex podemos fazer a mesma coisa, qual seja multiplicar a função objetivo
por −1 e resolver por maximização. Quando tivermos a solução ótima do problema
de maximização basta multiplicar o valor ótimo de Z por −1 para ter a solução do
modelo de minimização. Os valores das variáveis é o mesmo para os 2 problemas.

Exercício: Resolver o modelo acima por minimização e por maximização.

Resposta: Z ∗ = −16
2.3 Situações que podem acontecer no Método Simplex 51

2.3.6 Modelos com variáveis irrestritas em sinal

Como definido anteriormente, variáveis irrestritas em sinal são variáveis que po-
dem assumir qualquer valor entre −∞ e +∞.
Seja o modelo a seguir:
(MIN) Z = 3x1 + 6x2 − 2x3 + 4x4
s.a.
x1 + 7x2 + 3x3 + 7x4 ≤ 46
3x1 − x2 + x3 + 2x4 ≤ 8
2x1 + 3x2 − x3 + x4 ≤ 10
x1 , x3 , x4 ≥ 0
x2 ⇒ irrestrita em sinal
O Método Simplex não admite variáveis negativas, por esta razão é impossível tra-
balhar com o modelo acima sem transformá-lo. Como resolver o problema ? Sim-
plesmente lembrando que qualquer quantidade negativa pode ser representada
como a diferença de 2 quantidades positivas. Assim, por exemplo, −4 pode ser a
diferença entre +6 e +10. Aplicando esta dedução ao nosso modelo, substituímos
x2 pela diferença de 2 variáveis ≥ 0 em todo lugar onde x2 apareça.
Vamos fazer x2 = x5 − x6 . Nosso modelo fica então como:
(MIN) Z = 3x1 + 6x5 − 6x6 − 2x3 + 4x4
s.a.
x1 + 7x5 − 7x6 + 3x3 + 7x4 ≤ 46
3x1 − x5 + x6 + x3 + 2x4 ≤ 8
2x1 + 3x5 − 3x6 − x3 + x4 ≤ 10
x1 , x3 , x4 , x5 , x6 ≥ 0
Na solução ótima para se obter o valor ótimo de x2 fazemos:
x∗2 = x∗5 − x∗6
Exercício:Resolver o modelo acima.
Resposta: Z ∗ = −48 x∗2 = −8

Não devemos confundir uma variável irrestrita em sinal com uma variável, por
exemplo x3 , para a qual exista uma restrição do tipo x3 ≥ −4. Como esta va-
riável pode assumir alguns valores negativos, o que não é permitido no simplex,
temos que fazer uma substituição. Para isto criamos uma variável não existente
no modelo, por exemplo x5 , e fazemos com que x5 seja igual a x3 + 4. Temos então
x3 = x5 − 4. Substituímos, no modelo, cada x3 por x5 − 4, considerando x5 ≥ 0.
Resolvemos o simplex e o valor ótimo de x∗3 será igual x∗5 − 4
52 O Método Simplex

2.4 Outras formas de modelos - O Simplex de 2 fases

Seja o seguinte modelo de programação linear:
(MAX) Z = 4x1 + 3x2
s.a.
x1 + 2x2 = 10
6x1 + 6x2 ≤ 40
x1 ≥ 2
x2 ≥ 0
Vamos resolver este modelo pelo simplex. Podemos escrever a equação de Z como:
(0) Z − 4x1 − 3x2 = 0
A 1a restrição tem uma particularidade: ela é uma igualdade ! Sendo uma igual-
dade, ela não tem folga. Do ponto de vista do problema físico, este fato é lógico pois
a restrição tem que ser satisfeita na igualdade. No entanto, para fazer o simplex,
este fato causa um problema pois as variáveis de folga são as variáveis básicas da
solução básica inicial do simplex.
Como precisamos de uma variável para ser a básica inicial, vamos criar uma variá-
vel. Estas variáveis, por não terem qualquer significado com o problema em si, são
na verdade um artifício matemático, recebem o nome de Variáveis Artificiais.
Vamos rotular as variáveis artificiais como Ai onde, por exemplo, A3 vai represen-
tar a variável artificial colocada na restrição 3.
Podemos então introduzir a variável artificial na nossa restrição, obtendo:
(1) x1 + 2x2 + A1 = 10
Na 2a restrição, que tem o sinal ≤, podemos colocar a variável de folga:
(2) 6x1 + 6x2 + F2 = 40
Na 3a restrição o sinal é do tipo ≥. Aqui não temos folga e sim uma eventual sobra
se a restrição não for atendida na igualdade. Como todas as variáveis, exceto Z
tem que ser ≥ 0, temos que colocar uma variável de folga com sinal − para trans-
formar a inequação em equação. Temos então:
(3) x1 − F3 = 2
Aqui temos outro problema para o simplex: F3 não pode ser usada como variável
básica inicial pois o seu valor seria igual a −2, o que o simplex não permite. Assim,
para ser uma variável básica inicial, vamos introduzir também uma outra variável
artificial, obtendo:
(3) x1 − F3 + A3 = 2
O nosso sistema de equações lineares tem então a seguinte aparência:
(0) Z − 4x1 − 3x2 = 0
(1) x1 + 2x2 + A1 = 10
(2) 6x1 + 6x2 + F2 = 40
(3) x1 − F3 + A3 = 2
Temos no sistema 2 variáveis artificiais: A1 e A3 . Como são artificiais, qual o valor
que se espera que estas variáveis tenham na solução ótima ? ZERO !
Se aplicarmos diretamente o simplex sobre o sistema acima, não teremos nenhuma
garantia de que as variáveis artificiais serão iguais a 0 na solução ótima. Na ver-
2.4 Outras formas de modelos - O Simplex de 2 fases 53

dade um valor diferente de zero para qualquer destas variáveis indicaria que o
modelo não tem solução praticável pois qualquer valor (6= 0) para uma variável
artificial indicaria uma solução impraticável.
Para resolver isto vamos dividir o simplex em 2 fases: Na primeira vamos abando-
nar, provisoriamente, a função objetivo original e criar uma outra função objetivo,
que chamaremos de W , visando minimizar o somatório das variáveis artificiais. Se
a função objetivo ótima desta primeira fase for igual a zero, o modelo tem solução
pois as variáveis artificiais foram zeradas e podemos então partir para a 2 a fase
que objetivará otimizar a função objetivo original.
Voltando ao nosso exemplo, podemos criar a função objetivo da fase I que será:
(MIN) W = A1 + A3 que, como já vimos, é equivalente a (MAX) W = −A1 − A3 .
Esta transformação de minimização em maximização não é obrigatória e, obvia-
mente, poderíamos trabalhar com minimização.
O sistema de equações lineares fica como:
(0) W + A1 + A3 = 0
(1) x1 + 2x2 + A1 = 10
(2) 6x1 + 6x2 + F2 = 40
(3) x1 − F3 + A3 = 2
Neste ponto devemos observar que as variáveis A1 e A2 foram criadas para serem
as variáveis básicas iniciais. Pela estrutura utilizada no simplex, variáveis básicas
só devem aparecer uma única vez com coeficiente igual a 1. Como podemos ver
acima, A1 e A3 estão aparecendo, indevidamente, na equação (0). Assim, antes de
começar o simplex temos que eliminá-las de lá. Mais uma vez, temos 2 formas de
fazer isto: obter os valores de A1 e A3 das equações (1) e (3) e substituir na equação
(0) ou multiplicar as equações (1) e (3) por −1 e somá-las à equação (0), obtendo:
W + A1 + A3 = 0
−x1 − 2x2 − A1 = −10 +
−x1 + F3 − A3 = −2

W − 2x1 − 2x2 + F3 = −12

A solução básica inicial fica então como:
(0) W − 2x1 − 2x2 + F3 = −12
(1) x1 + 2x2 + A1 = 10
(2) 6x1 + 6x2 + F2 = 40
(3) x1 − F3 + A3 = 2
   
 1
 A = 10 
  1
 x = 0 

VB F2 = 40 VNB x2 = 0
   
A3 = 2 F3 = 0
   
W = −12
Lembrando que o objetivo é maximizar o valor de W , encontramos:
Variável entrante: x1 Variável sainte: A3
Nova solução básica:
54 O Método Simplex

(0) W − 2x2 − F3 + 2A3 = −8

(1) 2x2 + F3 + A1 − A3 = 8
(2) 6x2 + F2 + 6F3 − 6A3 = 28
(3) x − F3 + A3 = 2
 1   
 A1 = 8 
   A3 = 0 
 
VB F2 = 28 VNB x2 = 0
   
x1 = 2 F3 = 0
   
W = −8
Variável entrante: x2 Variável sainte: A1
Nova solução básica:

(0) W + A 1 + A3 = 0
1 1 1
(1) x2 + F3 + A1 − A3 = 4
2 2 2

(2) F2 + 3F3 − 3A1 − 3A3 = 4

(3) x − F3 + A3 = 2
 1   
 2
 x = 4 
  3
 A = 0 

VB F2 = 4 VNB A1 = 0
   
x1 = 2 F3 = 0
   
W =0
Chegamos ao ótimo da fase I e o valor de W é zero ou seja conseguimos levar a zero
as variáveis artificiais.
Se no ótimo da fase I o valor ótimo de W é diferente de zero, ou seja o valor ótimo
de uma ou mais variáveis artificiais é diferente de 0, significa que o modelo não
tem solução praticável. Quando isto acontece é porque não existe nenhum ponto
que satisfaça a todas as restrições ou, em outras palavras, o espaço solução é o
conjunto vazio.
Como este não foi o caso do nosso exemplo, podemos passar para a fase II. Para
fazer isto, eliminamos a equação de W e todas as variáveis artificiais. Trazemos
de volta a função objetivo original, ficando nosso sistema como:

(0) Z − 4x1 − 3x2 = 0

1
(1) x2 + F3 = 4
2

(2) F2 + 3F3 = 4

(3) x1 − F3 = 2
Como x1 e x2 são variáveis básicas, elas tem que ser eliminadas da equação de Z.
Podemos tirar o valor de x1 da equação (3) e de x2 da equação (1) e substituir na
equação (0). Podemos também multiplicar as equações (1) e (3) por 3 e 4 e somar a
2.4 Outras formas de modelos - O Simplex de 2 fases 55

equação de Z. Temos então:

Z − 4x1 − 3x2 = 0
3
3x2 + F3 = 12 +
2
4x1 − 4F3 = 8

5
Z− F3 = 20
2
A solução básica inicial da fase II fica como:
5
(0) Z− F3 = 20
2
1
(1) x 2 + F3 = 4
2

(2) F2 + 3F3 = 4

(3) x − F3 = 2
 1 

 x 2 = 4 
 n o
VB F2 = 4 VNB F3 = 0
 
x1 = 2
 
Z = 20
Lembrando que o objetivo é maximizar o valor de Z, temos:
Variável entrante: F3 Variável sainte: F2
A nova solução básica fica como:
5 70
(0) Z+ F2 =
6 3
1 10
(1) x2 − F2 =
6 3
1 4
(2) F2 + F 3 =
3 3
1 10
(3) x1 + F2 =
 3  3

 10 

x ∗
=

 

2
3

 


 

  n o
VB 4 VNB F2 = 0
∗
F3∗ =



 3 



10

 

 
 x1 =
 ∗ 

3
70
Z∗ = A solução é ótima !
3
56 O Método Simplex

2.5 Novos algorítimos

O método Simplex foi desde 1947 (ano em que Dantzig o apresentou) até o final da
década de 1970 o único algorítimo prático para a resolução de modelos de P.Linear.
Todos os programas-pacotes, profissionais, para a resolução de modelos de P.Linear
o utilizam apenas incorporando rotinas e artifícios visando diminuir o tempo de
processamento e reduzir os erros de arredondamento inerentes aos cálculos efetu-
ados em computador.
Em 1979, no entanto, o matemático russo L.G. Khachian publicou um artigo (Kha-
chian, L. G. 1979. “A Polynomial Algorithm in Linear Programming.” Soviet
Mathematics Doklady, Vol. 20: 191-194) apresentando um algorítimo alternativo
para o Simplex. Embora tenha tido grande repercussão (a notícia, na época, saiu
nos principais jornais do mundo, inclusive no Brasil) o algorítimo, de grande sig-
nificado teórico, não teve nenhuma repercussão prática pois as soluções ótimas
demoram muito mais tempo para serem encontradas do que usando-se o Simplex.
O Trabalho de Khachian levou, no entanto, a que numerosos pesquisadores tentas-
sem caminhos alternativos ao método daquele matemático.
Em 1984 Karmarkar, um pesquisador da AT&T Bell Laboratories, publicou um
artigo (Karmakar, N. 1984. “A New Polynomial-Time Algorithm for Linear Pro-
gramming.” Combinatorica, Vol. 4: 45-68) apresentando um novo algorítimo que,
para determinados tipos de modelos (milhares de variáveis e matrizes esparsas),
tem apresentado resultados superiores (mais rápidos) que o Simplex. Já existem
vários programas comerciais utilizando o algorítimo de Karmakar.
Este algorítimo, diferentemente do Simplex que pula de um ponto extremo para
outro (vértices do espaço solução), é um algorítimo de “ponto-interior”, ou seja, ele
caminha por pontos dentro do espaço solução até chegar ao vértice ótimo. Um dos
problemas desta nova abordagem é encontrar o ponto inicial do algorítimo. Este
ponto tem que ser um ponto do interior do espaço solução e em modelos com milha-
res de variáveis e restrições, não é tarefa simples encontrá-lo.
Como não poderia deixar de ser, existe muita pesquisa em relação ao assunto (há
muito dinheiro envolvido) e é certo que esta nova variante de resolução de modelos
de P.Linear será aperfeiçoada.
2.6 Exercícios 57

2.6 Exercícios
A) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = 3x1 + 2x2

s.a.

2x1 + 4x2 ≤ 22

−x1 + 4x2 ≤ 10

2x1 − x2 ≤ 7

x1 − 3x2 ≤ 1

x1 , x2 ≥ 0

B) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = 4x1 + 3x2 + 6x3

s.a.

3x1 + x2 + 3x3 ≤ 30

2x1 + 2x2 + 3x3 ≤ 40

xi ≥ 0

C) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = 2x1 − x2 + x3

s.a.

3x1 + x2 + x3 ≤ 60

x1 − x2 + 2x3 ≤ 10

x1 + x2 − x3 ≤ 20

xi ≥ 0
58 O Método Simplex

D) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = 6x1 + 2x2 + 10x3 + 8x4

s.a.

3x1 − 3x2 + 2x3 + 8x4 ≥ 25

5x1 + 6x2 − 4x3 − 4x4 ≤ 20

4x1 − 2x2 + x3 + 3x4 = 10

xi ≥ 0

E) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = x1 + x2 + x3 + x4

s.a.

x1 + x 2 ≤ 2

x3 + x 4 ≤ 5

xi ≥ 0

F) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = 2x1 + 3x2

s.a.

x1 + 2x2 ≤ 4

x1 + x 2 = 3

xi ≥ 0
2.6 Exercícios 59

G) Resolva o modelo a seguir pelo Simplex:

(MIN) Z = 4x1 + 3x2

s.a.

2x1 + x2 ≥ 10

−3x1 + 2x2 ≤ 6

x1 + x 2 ≥ 6

xi ≥ 0

H) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = −x1 + 4x2

s.a.

−3x1 + x2 ≤ 6

x1 + 2x2 ≤ 10

x2 ≥ −3

x1 ⇒ Irrestrita em sinal

I) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = x1 + 2x2 − x3

s.a.

−2x1 − x2 + 3x3 ≥ −5

−4x1 − x2 + x3 ≤ 4

x1 + 3x2 ≤ 6

x1 , x2 ⇒ Irrestritas em sinal

x3 ≥ 0
60 O Método Simplex

J) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = 5x1 + 3x2 + 2x3 + 4x4

s.a.

5x1 + x2 + x3 + 8x4 = 10

2x1 + 4x2 + 3x3 + 2x4 = 10

xi ≥ 0

K) Resolva o modelo a seguir pelo Simplex:

(MIN) Z = 2x1 + 3x2 + x3

s.a.

−x1 − 4x2 − 2x3 ≤ −8

3x1 + 2x2 ≥ 6

xi ≥ 0

L) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = 10x1 + 15x2 + 12x3

s.a.

5x1 + 3x2 + x3 ≤ 9

−5x1 + 6x2 + 15x3 ≤ 15

2x1 + x2 + x3 ≥ 5

xi ≥ 0
2.7 Respostas dos exercícios da seção 2.6 61

M) Resolva o modelo a seguir pelo Simplex:

(MAX) Z = −2x1 − 2x2 + 2x3

s.a.

x1 + 2x2 + 4x3 = 20

−2x1 − x2 + 12x3 ≥ −60

xi ≥ 0

2.7 Respostas dos exercícios da seção 2.6

A) x∗1 = 5 x∗2 = 3 Z ∗ = 21
20
B) x∗1 = 0 x∗2 = 10 x∗3 = Z ∗ = 70
3
C) x∗1 = 15 x∗2 =5 x∗3 = 0 Z ∗ = 25
D) Solução Ilimitada (Z ∗ = ∞)
E) Pontos ótimos obtidos pelo simplex: (2,0,5,0) (0,2,5,0) (0,2,0,5) (2,0,0,5) Z ∗ = 7
(a, b, c, d)∗ = α1 (2, 0, 5, 0) + α2 (0, 2, 5, 0) + α3 (0, 2, 0, 5) + α4 (2, 0, 0, 5)
α
Pi ≥ 0
αi = 1
F) x∗1 = 2 x∗2 = 1 Z ∗ = 7
G) x∗1 = 4 x∗2 = 2 Z ∗ = 22
H) Substitua x1 por (x3 − x4 ).
Substitua x2 por (x5 − 3).
2 36 146
Aplique o simplex e substitua de volta. x∗1 = − x∗2 = Z∗ =
7 7 7
I) Substitua x1 e x2 pela diferença de 2 variáveis ≥ 0.
Aplique o simplex e substitua de volta.
9 ∗ 7 ∗ 23
x∗1 = x2 = x3 = 0 Z ∗ =
5 5 5
5 ∗ 5 ∗ 40
J) x∗1 = x2 = x3 = 0 x∗4 = 0 Z ∗ =
3 3 3
4 ∗ 9 ∗
K) x∗1 = x2 = x3 = 0 Z ∗ = 7 (Infinitas soluções)
5 5
L) Sem solução praticável
M) x∗1 = 0 x∗2 = 0 x∗3 = 5 Z ∗ = 10
62 O Método Simplex
Capítulo 3
Análise depois do Ótimo

Vimos nos capítulos anteriores como obter uma solução ótima para um modelo
de P.Linear. Normalmente, em aplicações reais, somente a solução ótima não é
suficiente para se ter todo tipo de informações que queremos. Assim, é comum se
desejar saber o que aconteceria com a solução do modelo se um dos parâmetros
sofresse algum tipo de variação. Uma alternativa óbvia seria resolver o modelo
modificado e obter a nova solução ótima. Este processo no entanto é demorado e
caro pois implicaria no uso, repetida vezes, do computador.
Veremos neste capítulo que, sem resolver o modelo novamente, é possível obter
quase todas as informações necessárias em conseqüência de variações nos parâme-
tros do modelo.
Para uma melhor compreensão das técnicas usadas vamos trabalhar com o se-
guinte exemplo:
Uma empresa produz 3 produtos em uma de suas fábricas. Na fabricação dos 3
produtos, 3 insumos são críticos em termos de restringir a capacidade de produção
possível: a mão de obra disponível, a quantidade de matéria prima e o espaço para
a armazenagem das unidades produzidas. Assim, o Depto de Produção já sabe que,
para o próximo mês, a fábrica terá disponível 100 kilos de matéria prima, 360 m 2
de área para estocar as unidades produzidas e 400 homens–hora de mão de obra.
Cada unidade produzida do produto 1 consome 1 kilo de matéria prima, precisa de
6 m2 para ser armazenada e necessita de 8 homens–hora em termos de mão de
obra. Já cada unidade do produto 2 consome 2 kilos de matéria prima, necessita
também de 6 m2 para ser armazenada e envolve o uso de 4 homens–hora de mão
de obra. Por sua vez, cada unidade produzida do produto 3 precisa de 2 kilos de
matéria prima, 4 m2 para ser armazenada e o trabalho equivalente a 4 homens–
hora.
Reduzindo do preço de venda todos os custos diretos e indiretos, foi determinado
que o lucro unitário é igual a $4 para o produto 1, $5 para o produto 2 e $3 para
cada unidade produzida do produto 3.
Levando em conta que o objetivo da empresa é maximizar o lucro com a produção
e a venda dos 3 produtos foi formulado o seguinte modelo de P.Linear visando de-
terminar as quantidades que deveriam ser fabricadas de cada produto no próximo
mês.
Variáveis de decisão:
64 Análise depois do Ótimo

xi ⇒ no de unidades a serem produzidas, no próximo mês, do produto i(i =

1, 2, 3).
O modelo fica como:

(MAX) Z = 4x1 + 5x2 + 3x3

s.a

x1 + 2x2 + 2x3 ≤ 100 (matéria prima – kilos)

6x1 + 6x2 + 4x3 ≤ 360 (espaço – m2 )

8x1 + 4x2 + 4x3 ≤ 400 (mão de obra – HH)

xi ≥ 0
Submetido ao Simplex, a solução apresentou as seguintes soluções básicas onde (I)
é a solução inicial e (F) é a solução final ou seja, a ótima:
Solução (I)

(0) Z − 4x1 − 5x2 − 3x3 = 0

(1) x1 + 2x2 + 2x3 + F1 = 100

(2) 6x1 + 6x2 + 4x3 + F2 = 360

(3)  8x1 + 4x2 

+ 4x3 + F
3 = 400 

 
 
 

F = 100 x = 0
   
1 1

 
 
 


 
 
 

VB VNB

 F2 = 360  
 x2 = 0 

 
 
 


 
 
 

F3 = 400 x3 = 0
   
Z=0
Variável entrante: x2 Variável Sainte: F1
Nova solução básica:
3 5
(0) Z− x1 + 2x3 +F1 = 250
2 2
1 1
(1) x1 + x2 + x3 + F1 = 50
2 2

(2) 3x1 − 2x3 − 3F1 + F2 = 60

(3) 6x1 − F1 + F3 = 200

3.1 Análise de Sensibilidade 65
   
 x
 2 = 50 
  1
 x = 0 

VB F2 = 60 VNB F1 = 0
   
F3 = 200 x3 = 0
   
Z = 250
Variável entrante: x1 Variável Sainte: F2
Solução (F)
1
(0) Z + x 3 + F1 + F2 = 280
2
4 1
(1) x2 + x3 + F 1 − F2 = 40
3 6
2 1
(2) x1 − x3 − F 1 + F2 = 20
3 3

(3) 4x3 + 4F1 − 2F2 + F3 = 80

   
 x2 = 40   F1 = 0
 ∗  ∗ 
 
VB x∗1 = 20 VNB F2∗ = 0
   
F3 = 80 x3 = 0
 ∗   ∗ 
Z = 280
∗

3.1 Análise de Sensibilidade

Na prática, é muito raro que se consiga determinar os parâmetros (cj , aij e bi ) de
determinado modelo com certeza absoluta. Na realidade normalmente os parâ-
metros do modelo são simples estimativas sujeitas a certo grau de incerteza. Em
consequência deste fato é normal que se queira avaliar os efeitos de mudanças na
solução ótima encontrada, se alteramos um ou mais parâmetros do modelo, logica-
mente sem precisar resolver o modelo novamente.
Assim a Análise de Sensibilidade, também chamada de Análise de Pós-Optima-
lidade, é o estudo do efeito na solução ótima de alterações efetuadas nos
parâmetros de determinado modelo. Por ser demorada e cara, a análise feita
resolvendo-se novamente o modelo só é adotada em último caso. As diferentes ca-
tegorias de alterações que podemos analisar são:

a) Alterações nos coeficientes da função objetivo (cj ).

b) Alterações nas constantes do lado direito (bi ).

c) Alterações nos coeficientes das restrições (aij ).

d) Inclusão de uma nova variável.

66 Análise depois do Ótimo

3.2 Análise de Sensibilidade dos Coeficientes da Função Ob-

jetivo

3.2.1 De variáveis não básicas na solução ótima

Vamos examinar, por exemplo, a variável x3 que representa o no de unidades a se-
rem produzidas do produto 3.
Vamos responder a seguinte questão: Se o coeficiente de x3 na função objetivo (lu-
cro unitário) for menor que 3, a solução (F) continua sendo a ótima ?
Por intuição, podemos ver que a resposta para esta pergunta é sim, pois se um lu-
cro igual a 3 não foi suficiente para tirar x3 de zero, um lucro menor, menos ainda.
Mas se o coeficiente de x3 for maior que 3, a solução (F) continua sendo a ótima ?
Para responder a esta pergunta podemos imaginar um coeficiente, para x 3 , maior
que 3 na solução inicial e, baseando-nos nas propriedades dos sistemas de equações
lineares, calcular como ficaria a equação de Z (equação 0) no sistema ótimo (F).
Lembre-se que para saber se uma solução é ótima ou não, temos que examinar a
equação de Z (equação 0).
Seja então 3 + ∆ o coeficiente de x3 , onde ∆ ≥ 0.
Temos então:
(0)I Z − 4x1 − 5x2 − (3 + ∆)x3 = 0
Podemos escrever:
(0)I Z − 4x1 − 5x2 − 3x3 − ∆x3 = 0
Se chamarmos −∆x3 de k, podemos escrever:
(0)I Z − 4x1 − 5x2 − 3x3 + k = 0
Se com esta equação (0) no sistema inicial (I) aplicássemos o Simplex, como ela
chegaria no sistema (F) ?
Considerando que a “variável” k só aparece na equação (0) e como durante o sim-
plex somamos e subtraímos à equação (0) múltiplos das outras equações (restrições)
nas quais k não aparece, teríamos:
1
(0)F Z + x3 + k + F1 + F2 = 280
2
Substituindo pelo valor de k, temos:
1
(0)F Z + x3 − ∆x3 + F1 + F2 = 280
2
1
(0)F Z + (1 − ∆)x3 + F1 + F2 = 280
2
A equação acima seria a equação (0) da solução (F) se o coeficiente original de x 3
fosse 3 + ∆. Para esta solução continuar sendo a ótima, lembrando-nos que o mo-
delo é de maximização, temos que garantir que:
1−∆≥0
Logo temos que ter:
∆≤1
Se ∆ > 1 a solução (F) deixa de ser ótima pois x3 será variável entrante porque
seu coeficiente seria menor que zero.
Antes de prosseguirmos com a análise, vamos definir 2 valores que balizam os re-
sultados que são obtidos na Análise de Sensibilidade:
3.2 Análise de Sensibilidade dos Coeficientes da Função Objetivo 67

Upper Limit (limite superior)

É o maior valor que um coeficiente pode assumir sem alterar a solução ótima.
Lower Limit (limite inferior)
É o menor valor que um coeficiente pode assumir sem alterar a solução ótima.
O Upper e o Lower limit são representados como [LL; U L], ou seja entre colchetes
e separados por ponto e vígula.

É importante observar uma premissa básica na determinação do

Lower e do Upper Limit para os parâmetros de um modelo de
P.Linear. Quando se diz na definição de ambos os valores “sem
alterar a solução ótima”, queremos dizer sem alterar o time de
variáveis básicas e conseqüentemente o de variáveis não bási-
cas. Em outras palavras se o [LL; U L] é, por exemplo, [2; 12], isto
significa que neste intervalo fechado, o time de variáveis bási-
cas (e não básicas) não se altera podendo, no entanto, se alterar
o valor numérico delas.

Assim, o lower e o upper limit para o coeficiente de x3 na função objetivo é: [0; 3 +

∆] ou seja [0; 4].
É importante observar a diferença entre o lower limit matemático e o lower limit
prático. Matemáticamente, o lower limit é −∞, mas como o coeficiente de x 3 re-
presenta lucro unitário, o lower limit é 0 pois o lucro unitário não deve ser menor
que zero.
Outro ponto a ser observado é que o valor de ∆ é igual ao coeficiente de x 3 na
equação (0) do sistema ótimo (F). Na verdade, para variáveis não básicas, ∆ será
sempre igual àquele valor.

3.2.2 De variáveis básicas na solução ótima

Conhecendo agora o que significam o lower e o upper limit podemos fazer a seguinte
pergunta: Qual o lower e o upper limit do coeficiente de x1 na função objetivo ?
Vamos supor que o coeficiente de x1 original seja 4 + ∆.
Logo a equação (0) seria:
(0)I Z − (4 + ∆)x1 − 5x2 − 3x3 = 0
Separando, temos:
(0)I Z − 4x1 − ∆x1 − 5x2 − 3x3 = 0
Chamando −∆x1 de k, temos:
(0)I Z − 4x1 + k − 5x2 − 3x3 = 0
Como a “variável” k só aparece na equação (0) original, na solução (F) teríamos:
1
(0)F Z + k + x3 + F1 + F2 = 280
2
Substituindo k por −∆x1 temos:
1
(0)F Z − ∆x1 + x3 + F1 + F2 = 280
2
68 Análise depois do Ótimo

Como x1 é variável básica, temos que eliminá-la da equação (0). Para isto multi-
plicamos a equação (2), que é onde x1 aparece como básica na solução (F), por ∆ e
somamos à equação (0),
 obtendo:
2 1 1
 
(0)F Z + 1 − ∆ x3 + [1 − ∆] F1 + + ∆ F2 = 280 + 20∆
3 2 3
Para garantir que a solução (F) continua sendo a ótima, temos que ter todos os
coeficientes ≥ 0, ou seja:
2 3
1− ∆≥0⇒∆≤
3 2
1−∆≥0⇒∆≤1
1 1 3
+ ∆≥0⇒∆≥−
2 3 2
Como há superposição temos:

-3/2 0 1 3/2

Assim, os valores válidos para ∆ são:

3
− ≤∆≤1
2
Logo para o coeficiente de x1 na função objetivo temos:
3
 
4 − ; 4 + 1 ou [2, 5; 5]
2
Se o lucro unitário do produto 1 estiver neste intervalo a solução (F) continua sendo
a ótima.
Exercício: Achar o lower e o upper limit para o coeficiente de x2 na função objetivo.
17
 
Resp: ;8
4
3.3 Análise de Sensibilidade das constantes do lado direito 69

3.3 Análise de Sensibilidade das constantes do lado direito

Neste tipo de análise queremos a responder a perguntas do tipo: Qual o lower e
o upper limit da constante do lado direito da 3a restrição, ou seja qual a faixa de
variação da mão de obra (homens–hora) que mantém a solução (F) como sendo a
solução ótima ?
Vamos supor que a constante do lado direito, original, da 3a restrição seja 400 + ∆;
onde ∆ é um valor qualquer.
Temos então:
(3)I 8x1 + 4x2 + 4x3 + F3 = 400 + ∆
Podemos observar que ∆ e a variável F3 possuem, no sistema (I), as mesmas condi-
ções, ou seja, ambas só aparecem uma única vez, com coeficiente 1, na 3 a restrição.
Em resumo tudo que acontecer, durante o simplex, com F3 , acontecerá com ∆.
Como no sistema (F) a variável F3 aparece exatamente da mesma forma, ou seja,
somente na 3a restrição, teremos:
(3)F 4x3 + 4F1 − 2F2 + F 3 = 80 + ∆
Para uma solução ser ótima ela antes tem que ser praticável. Logo como os valores
do lado direito representam os valores das variáveis básicas, eles tem que ser ≥ 0
pois, exceto Z, todas as variáveis tem que ser ≥ 0 para (F) continuar sendo prati-
cável e conseqüentemente ótima. Assim, para que a solução (F) continue sendo a
ótima, basta que:
80 + ∆ ≥ 0 ⇒ ∆ ≥ −80
Então para ∆ temos que ter: −80 ≤ ∆ ≤ ∞
Logo para a constante do lado direito da 3a restrição temos:
[400 − 80; 400 + ∞] ou [320; ∞]
Na verdade já sabíamos que o Upper Limit era ∞ pois na solução ótima o valor
ótimo de F3 era 80. Como F3 representa a folga na mão de obra, o seu valor ótimo
maior que zero indica que na solução ótima já não se está usando toda a mão de
obra disponível. Desta forma o aumento da mão de obra disponível, de qualquer
quantidade, não vai provocar qualquer alteração na solução ótima.
Vamos responder agora a mesma pergunta anterior para a constante do lado di-
reito da 1a restrição. Temos então:
(1)I x1 + 2x2 + 2x3 + F1 = 100 + ∆
Usando o raciocínio anterior, tudo que acontecer com F1 acontecerá com ∆. Assim
no sistema
 (F), teremos:

 1
(0) Z + x3 + F1 + F2 = 280 + ∆


2





4
 (1) x2 + x3 + F1 − 1 F2 = 40 + ∆



(F) 3 6
2 1




 (2) x1 − x3 − F1 + F2 = 20 − ∆
3 3







(3) 4x3 + 4F1 − 2F2 + F3 = 80 + 4∆

Para a solução (F) continuar sendo a ótima, todas as constantes do lado direito,
70 Análise depois do Ótimo

exceto a da equação 0 (valor de Z), devem ser ≥ 0. Logo deveremos ter:

40 + ∆ ≥ 0 ⇒ ∆ ≥ −40
20 − ∆ ≥ 0 ⇒ ∆ ≤ 20
80 + 4∆ ≥ 0 ⇒ ∆ ≥ −20
Como há superposição temos:

-40 -20 0 20

Logo o valor de ∆ deve ser: −20 ≤ ∆ ≤ 20

Para a constante do lado direito da 1a restrição podemos escrever então:
[100 − 20; 100 + 20] ou [80; 120]
Assim, se quantidade de matéria prima estiver entre 80 e 120 kilos o time de variá-
veis básicas ótimas e conseqüentemente o de variáveis não básicas, será o mesmo
do encontrado na solução (F).
Mas se, por exemplo, o valor de ∆ for igual a 10, ou seja se tivermos 110 kilos de
matéria prima o valor numérico ótimo das variáveis básicas vai ser diferente pois
teremos:
Z ∗ = 290
x∗2 = 50
x∗1 = 10
F3∗ = 120
Aqui fica evidente o conceito de upper e lower limit. Como o time de variáveis bá-
sicas (e não básicas) não se alterou, dizemos que a solução ótima permaneceu
a mesma, mesmo tendo mudado o seu valor numérico.
Exercício: Achar o lower e o upper limit para a constante do lado direito da 2 a
restrição.
Resp: [300; 400]
3.4 Dualidade 71

3.4 Dualidade
O termo dualidade refere-se ao fato de que cada modelo de P.Linear consiste de 2
formas. A primeira, ou original, é chamada de primal e a segunda forma do mo-
delo é chamada de dual. Como seria esperado, as propriedades de uma das formas
do modelo estão relacionadas com as propriedades da outra. Como resultado disto
é possível, dada a solução ótima de uma das formas do modelo, encontrar a solução
ótima da outra forma do modelo.
A solução do chamado modelo dual fornece informações significativas sobre as
questões econômicas existentes em qualquer modelo de P.Linear.

3.4.1 Modelos Primal e Dual

Consideremos o seguinte par de modelos de P.Linear:
(MAX) Z = 4x1 + 5x2 + 9x3 (MIN) Y = 16y1 + 25y2
s.a s.a
x1 + x2 + 2x3 ≤ 16 y1 + 7y2 ≥ 4
e
7x1 + 5x2 + 3x3 ≤ 25 y1 + 5y2 ≥ 5
x1 , x2 , x3 ≥ 0 2y1 + 3y2 ≥ 9
y1 , y 2 ≥ 0
Chamaremos o 1 modelo de modelo Primal e o 2o modelo de modelo Dual. Podería-
o

mos ter chamado o 2o de primal e aí o 1o, seria o dual.

Observando os 2 modelos, reparamos que eles são relacionados. Assim as constan-
tes do lado direito do 1o modelo são os coeficientes da função objetivo do 2o. Os
coeficientes da função objetivo do 1o modelo são as constantes do lado direito do 2o.
Os coeficientes da 1a linha do primeiro (1, 1 e 2) são os coeficientes da 1a coluna do
2o e assim por diante.
Em resumo, fica claro que, dado um dos modelos, podemos construir o outro. Vere-
mos mais adiante em detalhes como fazer isto, ou seja, dado um dos modelos como
construir o outro.

3.4.2 Teorema Dual

Suponha que no exemplo acima x1 , x2 e x3 sejam valores praticáveis para o modelo
primal e y1 e y2 sejam valores praticáveis para o modelo dual.
Se multiplicamos a 1a restrição do primal por y1 e a 2a por y2 e somamos as duas,
vamos ter:
y1 x1 + y1 x2 + 2y1 x3 + 7y2 x1 + 5y2 x2 + 3y2 x3 ≤ 16y1 + 25y2
Se, da mesma forma, multiplicarmos a iésima restrição do dual por xi e somarmos
as 3, teremos:
x1 y1 + 7y2 x1 + y1 x2 + 5y2 x2 + 2y1 x3 + 3y2 x3 ≥ 4x1 + 5x2 + 9x3
Como podemos observar, os lados esquerdos das 2 inequações são iguais e pode-se
72 Análise depois do Ótimo

escrever então:
16y1 + 25y2 ≥ 4x1 + 5x2 + 9x3
ou
Y ≥Z
Este resultado implica em que o valor da função objetivo de uma solução praticável
de um dos modelos é um limite para qualquer outra solução praticável do outro
modelo.
Assim, por exemplo, se considerarmos a solução praticável, para o modelo primal,
em que x1 = 1, x2 = 2 e x3 = 2, dando um valor igual a 32 para Z e a solução
praticável y1 = 0 e y2 = 3 para o dual, dando um valor igual a 75 para Y , que
conclusão podemos tirar ?
Qualquer solução praticável, inclusive a ótima, para o primal será menor ou igual
a 75 e qualquer solução praticável, inclusive a ótima, para o dual será maior ou
igual a 32. A conclusão óbvia é que a solução ótima será aquela em que Z = Y .
Podemos então formular o enunciado do chamado Teorema Dual:
No evento em que tanto o modelo dual quanto o primal possuam
soluções praticáveis, temos que: Z ∗ = Y ∗ , ou seja, o valor ótimo
dos 2 modelos é o mesmo.
Um corolário deste teorema é que se um dos modelos tem solução ilimitada, então
o outro modelo não tem solução praticável pois caso tivesse, seria uma contradição
ao exposto anteriormente.
Logo podemos enunciar o corolário como:
Se um dos modelos tem solução ótima ilimitada (Z ∗ ou Y ∗ = ±∞),
então o outro modelo não tem solução praticável.
3.4 Dualidade 73

3.4.3 Relação entre o Primal e o Dual

Como vimos anteriormente, dado um modelo de P.Linear pode-se, através de regras
conhecidas, construir o outro modelo. A tabela abaixo dá as relações existentes en-
tre os 2 modelos:

Modelo Primal Modelo Dual

(MAX) com todas as restrições ≤ ou = (MIN) com todas as restrições ≥ ou =
(MIN) com todas as restrições ≥ ou = (MAX) com todas as restrições ≤ ou =
restrição variável
variável restrição
Coeficientes da função objetivo Constantes do lado direito
Constantes do lado direito Coeficientes da função objetivo
j-ésima coluna de coeficientes j-ésima linha de coeficientes
j-ésima linha de coeficientes j-ésima coluna de coeficientes
j-ésima variável ≥ 0 j-ésima restrição ≥ (MIN) ou ≤ (MAX)
j-ésima variável irrestrita em sinal j-ésima restrição com sinal de =
j-ésima restrição com sinal ≥ ou ≤ j-ésima variável ≥ 0
j-ésima restrição com sinal de = j-ésima variável irrestrita em sinal
Exemplo: Construir o Dual do modelo a seguir:
(MIN) Z = 3x1 − 4x2 + x3 − 2x4
s.a
2x1 + x2 + 2x3 + x4 = 10
x3 + 2x4 ≤ 10
−x1 + x2 − x4 ≤ 5
2x1 + 3x2 + x3 + x4 ≥ 5
2x1 + 3x2 + x3 + x4 ≤ 20
x1 , x2 , x3 ≥ 0
x4 ⇒ Irrestrita em sinal
Antes de se aplicar a tabela devemos colocar o modelo primal dentro das regras que
permitem o uso da tabela.
Assim, como o primal é um modelo de minimização, devemos fazer com que todas
as restrições sejam do tipo ≥ ou =.
É necessário então que todas as restrições do tipo ≤ sejam multiplicadas (ambos
os lados) por −1, invertendo seu sinal.
Devemos lembrar também que à cada restrição do primal teremos uma variável
correspondente no Dual.
Transformando o Primal temos:
74 Análise depois do Ótimo

(MIN) Z = 3x1 − 4x2 + x3 − 2x4

s.a
2x1 + x2 + 2x3 + x4 = 10 ⇒ y1
−x3 − 2x4 ≥ −10 ⇒ y2
x1 − x2 + x4 ≥ −5 ⇒ y3
2x1 + 3x2 + x3 + x4 ≥ 5 ⇒ y4
−2x1 − 3x2 − x3 − x4 ≥ −20 ⇒ y5
x1 , x2 , x3 ≥ 0
x4 ⇒ Irrestrita em sinal
Podemos agora aplicar a tabela e construir o modelo Dual:
(MAX) Y = 10y1 − 10y2 − 5y3 + 5y4 − 20y5
s.a
2y1 + y3 + 2y4 − 2y5 ≤ 3 ⇒ x1
y1 − y3 + 3y4 − 3y5 ≤ −4 ⇒ x2
2y1 − y2 + y4 − y5 ≤ 1 ⇒ x3
y1 − 2y2 + y3 + y4 − y5 = −2 ⇒ x4
y2 , y 3 , y 4 , y 5 ≥ 0
y1 ⇒ Irrestrita em sinal

3.5 Valor ótimo das variáveis do Modelo Dual

Assumindo que o primal foi resolvido por maximização temos:
a) Y ∗ = Z ∗ (teorema dual)
b) O valor ótimo da variável yj∗ é igual ao coeficiente da variável de folga da j-ésima
restrição na equação (0) do sistema ótimo primal.
Propriedade Adicional
O coeficiente da variável xj na equação (0) do sistema ótimo primal é igual a dife-
rença entre os lados esquerdo e direito da j-ésima restrição dual associada.

Vamos voltar ao modelo que vimos no início da Análise de Sensibilidade:

(MAX) Z = 4x1 + 5x2 + 3x3 (Lucro total)
s.a
x1 + 2x2 + 2x3 ≤ 100 (matéria prima – kilos)
6x1 + 6x2 + 4x3 ≤ 360 (espaço – m2 )
8x1 + 4x2 + 4x3 ≤ 400 (mão de obra – HH)
xi ≥ 0
O modelo dual fica como:
3.5 Valor ótimo das variáveis do Modelo Dual 75

(MIN) Y = 100y1 + 360y2 + 400y3

s.a
y1 + 6y2 + 8y3 ≥ 4
2y1 + 6y2 + 4y3 ≥ 5
2y1 + 4y2 + 4y3 ≥ 3
yi ≥ 0
Da solução (F), ótima, podemos tirar os valores ótimos do Dual:
Y ∗ = Z ∗ = 280
y1∗ = coeficiente de F1 em (0)F = 1
1
y2∗ = coeficiente de F2 em (0)F =
2
y3∗ = coeficiente de F3 em (0)F = 0
Vamos usar estes resultados para verificar a propriedade adicional enunciada an-
teriormente.
O coeficiente de x1 na equação (0)F é 0. Se a propriedade é válida, a diferença
entre os lados esquerdo e direito da 1a restrição do modelo dual tem que ser igual
a 0.
Restrição Dual ⇒ y1 + 6y2 + 8y3 ≥ 4
Lado Esquerdo ⇒ y1 + 6y2 + 8y3
Lado Direito ⇒ 4
Pela propriedade: Lesq − Ldir = 0
Temos, usando os valores ótimos dos yi0 s :
1
Lesq = 1 + 6 × + 8 × 0 = 4
2
Lesq − Ldir = 4 − 4 = 0
Exercício: Verificar a propriedade para os coeficientes de x2 e x3 .
76 Análise depois do Ótimo

3.6 Significado econômico dos valores ótimos das variáveis

do Modelo Dual
Vamos, mais uma vez, voltar ao nosso exemplo:
(MAX) Z = 4x1 + 5x2 + 3x3 (Lucro total)
s.a
x1 + 2x2 + 2x3 ≤ 100 (matéria prima – kilos)
6x1 + 6x2 + 4x3 ≤ 360 (espaço – m2 )
8x1 + 4x2 + 4x3 ≤ 400 (mão de obra – HH)
xi ≥ 0
Z ∗ = 280 x∗1 = 20 x∗2 = 40 x∗3 = 0
Modelo Dual:
(MIN) Y = 100y1 + 360y2 + 400y3
s.a
y1 + 6y2 + 8y3 ≥ 4
2y1 + 6y2 + 4y3 ≥ 5
2y1 + 4y2 + 4y3 ≥ 3
yi ≥ 0
1
Y ∗ = 280 y1∗ = 1 y2∗ = y3∗ = 0
2
Devemos recordar que a equação de Y representa:
X 3 X3
∗
Y = Z = ∗
yi × constantes do lado direito =
∗
yi∗ × disponibilidade de in-
i=1 i=1
sumos
ou seja é o somatório do produto dos insumos (matéria prima, área para estocagem
e mão de obra) pelo valor das variáveis do modelo dual.
No ótimo temos então:
Y ∗ = 100y1∗ + 360y2∗ + 400y3∗ = 280
Vamos supor que está sendo oferecida 1 unidade adicional de matéria prima (1
Kilo). Devo ou não adquirí-la ?
Em vez de 100 kilos passaríamos a ter 101 kilos, ou seja, na equação de Y ∗ tería-
mos:
Y ∗ = 101y1∗ + 360y2∗ + 400y3∗
Como y1∗ é igual a 1 o lucro, em tese, aumentaria de $1 o que poderia justificar a
compra de mais 1 kilo de matéria prima.
Mas se o custo de compra deste kilo adicional fosse, por exemplo, de $3. Estaríamos
na verdade tendo prejuízo (de $2) ao invés de aumentar o lucro.
Logo a resposta a pergunta é sim, desde que o preço de compra deste kilo adicional
seja menor que 1.
Qual então o significado do valor ótimo de uma variável do modelo dual ?
É o limite que devo pagar por uma unidade adicional do recurso associ-
ado à variável.
Obs: Por terem este significado, os valores ótimos das variáveis do modelo dual são
3.7 Análise de Sensibilidade usando o Modelo Dual 77

chamadas de valores implícitos (shadow prices, em inglês). O valor implícito de

aquisição de 1 m2 de área para estocagem é $0,50; que é o valor ótimo de y2 (variá-
vel dual associada à restrição do espaço para estocagem, ou seja na 2 a restrição).
Já o valor implícito para a mão de obra (homens-hora) é zero (valor ótimo de y 3 ).
Este valor bate com a análise que já tínhamos feito anteriormente pois como existe
folga nesta restrição, ou seja, não estamos utilizando toda a mão de obra disponí-
vel, não teremos nenhum ganho em adquirir mais mão de obra, mesmo sem custo,
pois iria apenas sobrar mais.

3.7 Análise de Sensibilidade usando o Modelo Dual

Do que vimos anteriormente, a análise dos coeficientes da função objetivo, para
variáveis não básicas na solução ótima, pode ser feita, até de forma mais simples,
utilizando-se o dual.
Para exemplificar e comparar com o que já fizemos, vamos responder a seguinte
pergunta: Qual o intervalo para o coeficiente de x3 na função objetivo que mantém
a solução (F) como a solução ótima ?
O coeficiente de x3 é 3. Vamos supor que seja 3 + ∆.
Anteriormente analisamos e concluímos que ∆ deveria ser ≤ 1. Vamos analisar
usando o dual:
A mudança no coeficiente de x3 implica que, no dual, a 3a restrição fique como:
2y1 + 4y2 + 4y3 ≥ 3 + ∆
Substituindo pelos valores ótimos do dual temos:
1
2×1+4× +4×0≥3+∆
2
∆≤1
Se ∆ > 1, a 3a restrição do dual é violada, ou seja, deixa de ser praticável. Como
uma solução antes de ser ótima tem que ser praticável, o ótimo dual deixa de ser
ótimo e conseqüentemente o ótimo primal também deixa de ser ótimo pois, como
vimos, as 2 soluções ótimas são iguais.
O uso do modelo dual permite que outras análises sejam realizadas e é o que vere-
mos a seguir.
78 Análise depois do Ótimo

3.7.1 Inclusão de uma nova variável

Vamos supor que no nosso exemplo seja adicionada uma nova variável (x n ) cujos
coeficientes são 3 na 1a restrição, 6 na 2a e 4 na 3a restrição. O lucro unitário deste
novo produto é de 8, ou seja, o coeficiente de xn na função objetivo. A solução (F)
continuaria sendo a ótima ?
O modelo passaria a ser :
(MAX) Z = 4x1 + 5x2 + 3x3 + 8xn
s.a
x1 + 2x2 + 2x3 + 3xn ≤ 100
6x1 + 6x2 + 4x3 + 6xn ≤ 360
8x1 + 4x2 + 4x3 + 4xn ≤ 400
xi ≥ 0
No modelo dual teríamos uma nova restrição:
3y1 + 6y2 + 4y3 ≥ 8
A solução (F) continuará ótima se a nova restrição dual continuar praticável.
Substituindo pelos valores ótimos do modelo dual temos:
1
3×1+6× +4×0≥8
2
6 ≥ 8 (não verdadeiro)
Como a restrição dual é violada, o ótimo dual deixa de ser ótimo pois deixa de ser
praticável. Como conseqüência o ótimo primal (F) também deixa de ser ótimo.
Como encontrar a nova solução ótima ? Podemos continuar o simplex a partir da
solução (F), ou seja, sem precisar recomeçar do início (Todos os programas pacotes
de computador, profissionais, permitem isto).
Para isto é necessário calcular os coeficientes de xn nas equações da solução (F).
Inicialmente temos que calcular o coeficiente de xn na equação (0)F . Ele será igual
a diferença entre os lados esquerdo e direito da restrição dual associada, ou seja
usando-se os antigos valores ótimos do dual:
1
Lesq = 3y1 + 6y2 + 4y3 = 3 × 1 + 6 × + 4 × 0 = 6
2
Ldir = 8
Coeficiente de xn em (0)F = Lesq − Ldir = 6 − 8 = −2
Para encontrar os coeficientes de xn nas restrições do sistema (F) vamos usar um
artifício, baseado nas propriedades dos sistemas de equações lineares, que é cons-
truir uma função que resolvida, dê os coeficientes de xn tanto no sistema inicial
como em qualquer outro. Observando que os coeficientes das variáveis de folga for-
mam uma matriz identidade no sistema inicial, podemos escrever:
Coef. de xn na restrição j = 3 × coef. de F1 na rest. j + 6 × coef. de F2 na
rest. j + 4 × coef. de F3 na rest. j
Vamos verificar se a função funciona no sistema (I):
Coef. de xn em (1)I = 3 × 1 + 6 × 0 + 4 × 0 = 3
Coef. de xn em (2)I = 3 × 0 + 6 × 1 + 4 × 0 = 6
Coef. de xn em (3)I = 3 × 0 + 6 × 0 + 4 × 1 = 4
Para achar os coeficientes de xn no sistema (F) basta aplicar a mesma função:
3.8 Análise de Sensibilidade dos coeficientes das restrições 79

1
Coef. de xn em (1)F = 3 × 1 + 6 × − +4×0=2
6
1
Coef. de xn em (2)F = 3 × −1 + 6 × + 4 × 0 = −1
3
Coef. de xn em (3)F = 3 × 4 + 6 × −2 + 4 × 1 = 4
Podemos
 então escrever o novo sistema (F):

 1
(0) Z + x3 + F1 + F2 − 2xn = 280


2





 (1) x2 + 4 x3 + F1 − 1 F2 + 2xn = 40



(F) 3 6
2 1




 (2) x 1 − x 3 − F 1 + F2 − xn = 20
3 3







(3) 4x3 + 4F1 − 2F2 + F3 + 4xn = 80

 
   F 1 = 0 
 x2 = 40 
 
 

F2 = 0
  
VB x1 = 20 VNB
 x3 = 0 
   
F3 = 80
   
 
xn = 0
Z = 280
Exercício: Prosseguir com o simplex e achar a nova solução ótima.
Resp: Z ∗ = 320 x∗1 = 40 x∗n = 20

3.8 Análise de Sensibilidade dos coeficientes das restrições

3.8.1 De variável não básica na solução ótima

Vamos supor que o coeficiente da variável x3 na 1a restrição seja 2 + ∆ em vez de
2.
Para que valores de ∆ a solução (F) continua sendo a ótima?
No dual, a 3a restrição passa a ser: (2 + ∆)y1 + 4y2 + 4y3 ≥ 3
A solução (F) continuará sendo a ótima se a restrição dual continuar praticável.
Substituindo pelos valores ótimos, temos:
1
(2 + ∆) × 1 + 4 × + 4 × 0 ≥ 3
2
∆ ≥ −1
Logo se ∆ < −1, ou seja se o coeficiente de x3 na 1a restrição for menor que 1, a
restrição dual é violada. Logo a solução dual deixa de ser ótima pois deixa de ser
praticável. Pelo teorema dual o ótimo primal também deixa de ser ótimo.
80 Análise depois do Ótimo

3.8.2 De variável básica na solução ótima

Para se analisar as conseqüências de uma alteração em um dos coeficientes de uma
das restrições do modelo, de uma variável básica na solução ótima, é necessário
muito trabalho com razoável complexidade. Assim é preferível executar o simplex
novamente e verificar as conseqüências da alteração proposta.
3.9 Exercícios 81

3.9 Exercícios
A) Seja o seguinte modelo de P.Linear:
(MAX) Z = 4x1 + 5x2 + 9x3 + 11x4
s.a.
x1 + x2 + x3 + x4 ≤ 15
7x1 + 5x2 + 3x3 + 2x4 ≤ 120
3x1 + 5x2 + 10x3 + 15x4 ≤ 100
xi ≥ 0
Aplicando-se o Simplex, temos as seguintes soluções básicas onde (I) é a solução
inicial
 e (F) é a solução final (ótima):

 (0) Z − 4x1 − 5x2 − 9x3 − 11x4 = 0

(1) x1 + x2 + x3 + x4 + F1 = 15

(I)


 (2) 7x1 + 5x2 + 3x3 + 2x4 + F2 = 120

(3) 3x1 + 5x2 + 10x3 + 15x4 + F3 = 100
 
   x1 = 0 
 F1 = 15 
 
 

x2 = 0
  
VB F2 = 120 VNB
   x3 = 0 
F3 = 100
  
 

 
x4 = 0
Z=0
Variável
 entrante: x4 Variável Sainte: F3
 9 4 5 11 220
(0) Z − x1 − x2 − x3 + F3 =



5 3 3 15 3




4 2 1 1 25



 (1)
 x1 + x2 + x3 + F 1 − F3 =
(1) 5 3 3 15 3

 33 13 5 2 320
(2) x + x + x + F − F =

1 2 3 2 3

5 3 3 15 3





 (3) 1 x1 + 1 x2 + 2 x3 + x4 + 1 F3 = 20



5 3 3 15
 3
   
25
 
x = 0
   
1
   
F =
   
1
   
3

 
 
 


 
 
 

x = 0
   
VB 320 VNB 2
F2 =

 3 
 
 

x = 0
   
3
   
20

 
 
 

   
 x4 =
 
 
 

3
 
F3 = 0
 
220
Z=
3
Variável entrante: x1 Variável Sainte: F1
82 Análise depois do Ótimo


 1 11 9 7 1105
(0) Z + x2 − x3 + F1 + F3 =



6 12 4 12 12




5 5 5 1 125



 (1) x1 + x2 +
 x3 + F1 − F3 =
(2) 6 12 4 12 12

 7 13 33 5 455
(2) − x2 − x3 − F1 + F 2 + F3 =


6 12 4 12 12





 (3) 1 x2 + 7 x3 + x4 − 1 F1 + 1 F3 = 55



6 12  4 12 12
   
125
 
x = 0
   
2
   
x =
   
1
   
12

 
 
 


 
 
 

x = 0
   
VB 455 VNB 3
F =
 2
 12 
 
 

F = 0
   
1
   
55

 
 
 

   
 x4 =
 
 
 

12
 
F3 = 0
 
1105
Z=
12
Variável
 entrante: x3 Variável Sainte: x4
 3 11 13 5 695
(0) Z + x2 + x4 + F1 + F3 =



7 7 7 7 7




5 5 10 1 50



 (1) x1 + x3 − x4 +
 F1 − F3 =
(F) 7 7 7 7 7

 7 13 61 4 325
(2) − x2 + x4 − F1 + F 2 + F3 =


6 7 7 7 7





 (3) 2 x2 + x3 + 12 x4 − 3 F1 + 1 F3 = 55



7 7  7 7 7
   
50
 
x ∗
= 0

 
 
 

x ∗
= 2

 
 
 

1
7

 
 
 


 
 
 

x = 0
   ∗ 
VB 325 VNB 4
F2∗ =

 7 
 
 

F = 0

 
  ∗
 

1
55

 
 
 

   
 x3 =
 ∗ 
 
 

7
 
F3 = 0
∗
 
695
Z∗ =
7
Responda as seguintes perguntas relativas ao modelo acima:

1. Considere que o coeficiente original de x2 na função objetivo é 34/7 em vez

de 5. Calcule os coeficientes de x2 na equação (0) em cada uma das iterações
do Simplex.
2. Responda ao exercício anterior para um coeficiente de 37/7 em vez de 5.
3.9 Exercícios 83

3. Considere que o coeficiente de x4 na função objetivo original é 10, em vez de

11. Qual o coeficiente de x4 na equação (0) do sistema (F) ?
4. Responda ao exercício anterior para um coeficiente igual a 12 em vez de 11.
5. Considere que a constante do lado direito (CLD) na eq. (2) de (I) é 100
em vez de 120. Calcule a CLD em todas as equações em cada iteração do
Simplex.
6. Considere que a CLD na eq.(1) de (I) é 11 em vez de 15. Calcule as CLD em
todas as equações da solução (F). Ela continua ótima ?
7. Em cada um dos itens abaixo, modifique o modelo como indicado, e escreva o
modelo dual:
a) A função objetivo é (MAX) Z = 7x1 + 8x2 + 7x3 + 13x4
b) AS CLD nas eq. (1), (2) e (3) são 30, 80 e 115 respectivamente.
c) Os coeficientes de x3 nas eq. (1), (2) e (3) são 1, 4 e 9 respectivamente.
d) Os coeficientes de x2 nas eq. (0), (1), (2) e (3) são –3, 1, 6 e –9 respectiva-
mente.
e) Há uma variável adicional, x5 , tendo coeficientes iguais a 13, 1, 1 e 18
nas eq. (0), (1), (2) e (3) respectivamente.
8. Ache o valor ótimo da função objetivo se as CLD nas eq. (1), (2) e (3) são
respectivamente:
a) 16,120 e 100
b) 15,120 e 101
9. Suponha que o coeficiente de x2 na eq.(3) é (5 + ∆). Qual o menor valor que
∆ pode assumir de modo que a solução (F) permaneça ótima ?
10. Suponha que o coeficiente de x2 na eq.(1) é (1 + ∆). Qual o menor valor que
∆ pode assumir de modo que a solução (F) permaneça ótima ?
11. Suponha que adicionamos a variável x5 tendo coeficientes 1, 2 e 3 nas equa-
ções (1), (2) e (3) respectivamente. Qual o maior valor possível para o coeficiente
de x5 na função objetivo de maneira que a solução (F) permaneça ótima ?
12. Responda ao exercício anterior considerando que o coeficiente da variável x 5
na eq.(3) é 16 em vez de 3.

B) Considere o seguinte modelo:

(0) (MAX) Z = −2x1 − x2 + 3x3 − 2x4
s.a
(1) x1 + 3x2 − x3 + 2x4 ≤ 7
(2) −x1 − 2x2 + 4x3 ≤ 12
(3) −x1 − 4x2 + 3x3 + 8x4 ≤ 10
xi ≥ 0
Se acrescentarmos F1 , F2 e F3 como variáveis de folga obtemos, após aplicar o
Simplex, o seguinte sistema (F) final:
84 Análise depois do Ótimo

7 12 1 4
(0) Z+ x1 + x4 +F2 = 11F1 +
5 5 5 5
3 4 2 1
(1) x1 + x 2 + x4 + F1 + F2 = 4
10 5 5 10
1 2 1 3
(2) − x1 + x 3 + x4 + F1 + F2 = 5
10 5 5 10
1 1
(3) x1 + 10x4 + F1 − F2 + F3 = 11
2 2

1. Qual a solução ótima ? é única ?

2. Qual o Lower e o Upper Limit para o coeficiente de x1 na função objetivo ?
3. Idem para x4 .
4. Idem para cada CLD.
5. Escreva o modelo DUAL.
6. Qual a solução ótima dual ? Responda os ítens 2 e 3 usando o modelo dual.
7. Suponha que novas variáveis, x5 e x6 são adicionadas ao modelo. Os coeficientes
de x5 são –2, 5, –3 e 1 nas eq. (0), (1), (2) e (3) respectivamente, e os de x 6
são –4, –2, 10 e 12. A solução (F) continua ótima?
8. Suponha que o coeficiente de x1 na eq. (1) é (1 + ∆). Qual o menor valor
para ∆ que mantém a solução (F) ótima ? Qual o maior ?
9. Suponha que o coeficiente de x1 na eq. (2) é (−1 + ∆). Qual o menor valor
para ∆ que mantém a solução (F) ótima ? Qual o maior ?

C) Considere o seguinte modelo:

XT
(MIN) Z = Yi
t=1
s.a
Y1 + Y T ≥ R 1
Yt−1 + Yt ≥ Rt t = 2, . . . , T
Yt ≥ 0

1. Monte o modelo para T = 5, onde R1 = 8, R2 = 7, R3 = 10, R4 = 10 e

R5 = 2
2. Chamando o modelo acima de dual, monte o primal
3. Resolva o primal pelo Simplex e dê a solução ótima dual
4. Ache os valores ótimos primal e dual quando R1 = 9 em vez de 8
3.9 Exercícios 85

D) A Companhia Móveis Finos S/A fabrica vários tipos de móveis, inclusive móveis
rústicos para casas de campo. Atualmente eles fabricam 3 produtos na linha
de produção de móveis rústicos: uma cadeira de balanço, um banco de jardim e
uma mesa de jantar.
Estes produtos são fabricados em 2 etapas envolvendo a seção de corte de ma-
deira e a seção de montagem dos móveis.
O tempo, em horas, necessário para cada item em cada seção é mostrado abaixo:

Produto
Cadeira Banco Mesa Capacidade (horas)
Seção de Corte 1,2 1,7 1,2 1.000
Seção de Montagem 0,8 0 2,3 1.200
O lucro que a Móveis Finos S/A recebe pela fabricação e venda de cada uni-
dade é $3 para a cadeira, $3 para o banco e $5 para a mesa.
A Companhia está tentando planejar a sua produção para o próximo mês. Como
a procura é muito grande por este tipo de móveis, qualquer quantidade que ve-
nha a ser produzida será vendida.
A produção está limitada, no entanto, pelas horas disponíveis nas seções de
corte e montagem, além da quantidade de madeira disponível para este tipo de
móveis.
No próximo mês a Companhia disporá de somente 2.000 m3 de madeira para
fazer os móveis da linha rústica, sendo que cada cadeira gasta 2 m3 , cada banco
3 m3 e cada mesa 4,5 m3 .
De maneira a determinar a produção ótima do próximo mês foi formulado o se-
guinte modelo de P.linear:
(MAX) Z = 3x1 + 3x2 + 5x3
s.a
1, 2x1 + 1, 7x2 + 1, 2x3 ≤ 1000
0, 8x1 + 2, 3x3 ≤ 1200
2x1 + 3x2 + 4, 5x3 ≤ 2000
xi ≥ 0
onde:
x1 ⇒ No de cadeiras a serem fabricadas no próximo mês
x2 ⇒ Idem, bancos
x3 ⇒ Idem, mesas
O modelo foi submetido ao Simplex, obtendo-se o seguinte sistema final:
86 Análise depois do Ótimo

83 7 4 8300
(0) Z+ x2 + F1 + F3 =
60 6 5 3
27 3 2
(1) x1 + x2 + F1 − F3 = 700
20 2 5
37 1 3 1000
(2) − x2 + F1 + F 2 − F3 =
30 3 5 3
1 2 2 400
(3) x2 + x 3 − F1 + F3 =
15 3 5 3
Responda as seguintes questões:

1. Qual a produção ótima para o próximo mês ?

2. Um distribuidor local está oferecendo a Móveis Finos S/A, madeira adicional
a 0,60 o m3 . Deve a Companhia comprar ? (justifique)
3. O Departamento de Vendas sugeriu que um novo modelo de banco fosse pro-
duzido. Cada unidade deste novo modelo de banco necessita de 1,8 horas da
seção de corte e 0,5 horas na seção de montagem, além de consumir 1,3 m 3 .
Que lucro deveria ter este novo produto para que seja atrativo produzí-lo ?
4. Se o lucro da cadeira diminuísse para $2,50 qual deveria ser o plano de pro-
dução e o lucro para o próximo mês ?

E) Uma fábrica de aparelhos de TV produz 4 modelos: Um modelo preto e branco,

portátil, chamado “Sport”; um modelo preto e branco, não portátil, chamado
“Standard”; um modelo a cores, portátil, chamado “Viajante” e um modelo a co-
res, não portátil, chamado “Super”.
Cada modelo consome tempo para a sua montagem e testes. As necessidades de
tempo para montagens e testes, assim como o tempo disponível são mostrados
abaixo:
Modelo Modelo Modelo Modelo Total–hrs
Sport Standard Viajante Super Disponível
Tempo de Montagem (hr) 6 10 12 15 2.000
Tempo de Testes (hr) 2 2 4 5 500
Lucro unitário ($) 40 60 80 100
Devido a uma greve há falta de tubos de imagem. O fornecedor de tubos de
imagem disse que sua produção está desorganizada e que não poderá fornecer
mais do que 180 tubos de imagem no próximo mês, sendo que destes 180, no
mínimo 100 terão que ser a cores. Fazendo:
x1 ⇒ No de televisores modelo “Sport” a serem fabricados no próximo mês
x2 ⇒ Idem, para modelos “Standard”
x3 ⇒ Idem, para modelos “Viajante‘”
x4 ⇒ Idem,para modelos “Super”
Podemos construir um modelo de P.Linear para resolver o problema:
3.9 Exercícios 87

(MAX) Z = 40x1 + 60x2 + 80x3 + 100x4

s.a
6x1 + 10x2 + 12x3 + 15x4 ≤ 2000
2x1 + 2x2 + 4x3 + 5x4 ≤ 500
x1 + x2 + x3 + x4 ≤ 180
x3 + x4 ≥ 100
xi ≥ 0
Introduzindo as variáveis de folga e aplicando o Simplex de 2 fases chegamos
ao seguinte sistema:

(0) Z + 20x1 + 10x4 + 30F2 + 40F4 = 11000

(1) −4x1 − 2x4 + F1 − 5F2 − 8F4 = 300

1 1
(2) x 1 + x2 + x4 + F2 + 2F4 = 50
2 2
1 1
(3) − x4 − F2 + F3 − F4 = 30
2 2

(4) x3 + x4 − F4 = 100

1. Que modelos de televisores devem ser fabricados no próximo mês ? Em que

quantidade ?
2. Se por qualquer problema só for possível ter 1.800 horas para montagem, a
resposta do item 1 continua válida ?
3. Suponha que 80 horas adicionais de teste possam ser obtidas externamente
por $4/hora. Isto deve ser feito ? Porque ?
4. Suponha que o lucro do modelo “Sport” seja alterado de $40 para $45. Qual
deveria ser o novo esquema de produção ?
5. A gerência está considerando a introdução de um novo modelo colorido cha-
mado “Matador”. Cada unidade deste novo modelo necessita de 10 horas de
montagem e 3 horas de teste. O lucro unitário deste novo modelo será de
$70. Deve-se ou não produzir o novo modelo ? Porque ?

Obs: Como a procura é muito grande, qualquer modelo produzido, preto e

branco ou colorido, será vendido.
88 Análise depois do Ótimo

F) Uma marcenaria produz 4 modelos de armários embutidos. Para fazer cada

armário, 3 operações básicas são realizadas: Corte da Madeira, Montagem do
Armário e Acabamento.
A capacidade de produção da marcenaria está limitada em 900 horas para corte,
800 horas para montagem e 480 horas para acabamento.
O objetivo da firma é maximizar seu lucro. Fazendo-se xi ser o número de ar-
mários a serem produzidos do modelo i, temos:
(MAX) Z = 90x1 + 160x2 + 40x3 + 100x4
s.a
2x1 + 8x2 + 4x3 + 2x4 ≤ 480 (acabamento)
5x1 + 4x2 + 8x3 + 5x4 ≤ 800 (montagem)
7x1 + 8x2 + 3x3 + 5x4 ≤ 900 (corte)
xi ≥ 0
Usando o Simplex chegamos ao seguinte sistema ótimo:
25
(0) Z + 10x1 + 130x3 + F1 + 15F2 = 18000
2
1 5 1
(1) x2 + x3 + F1 −
F2 = 25
8 32
16
3 1 1
(2) x1 + x3 + x4 − F1 + F2 = 140
2 8 4
11 5 3
(3) 2x1 − x3 − F1 − F2 + F 3 = 0
2 8 4
1. Qual o modelo dual e a solução ótima dual ?
2. Qual deveria ser o lucro de x3 para que ele deixasse de ser igual a zero na
solução ótima ?
3. Para que intervalo na capacidade da seção de montagem, a solução ótima
permanece ótima ?
4. Deve ser fabricado ou não, um novo modelo de armário que necessita de
20 horas de corte, 3 horas de montagem e 2 horas de acabamento por cada
unidade produzida, dando um lucro unitário de $120 ? (justifique)
G) Formular o Dual para o modelo abaixo:
(MIN) Z = 3x1 − 5x2 + 4x3 − 5x4
s.a
−x1 + x2 − x4 ≤ 11
3x1 − x3 + x4 ≥ 12
x1 + x2 + x3 + x4 = 18
4x1 − 5x2 − x3 ≤ 19
x1 , x2 , x4 ≥ 0
x3 ⇒ Irrestrita em sinal
3.9 Exercícios 89

H) Considere o seguinte modelo de P.Linear:

(MAX) Z = 10x1 + 15x2 + 5x3
s.a
2x1 + x2 ≤ 6000
3x1 + 3x2 + x3 ≤ 9000
x1 + 2x2 + 2x3 ≤ 4000
x1 , x2 , x3 ≥ 0
Submetido ao Simplex foi encontrada a seguinte solução final:
20 5
(0) Z+ x3 + F2 + 5F3 = 35000
3 3

(1) x3 + F1 − F2 + F3 = 1000
4 2
(2) x1 − x3 +
F2 − F 3 = 2000
33
15
(3) x2 + x3 − F2 + F3 = 1000
3 3

1. Qual o Lower e o Upper Limit para os coeficientes de x1 , x2 e x3 na função

objetivo ?
2. Idem para as CLD das 3 restrições.

I) Considere o seguinte modelo de P.Linear:

(MAX) Z = 2x1 − 3x2 + 6x3
s.a
3x1 − 4x2 − 6x3 ≤ 2
2x1 + x2 + 2x3 ≤ 11
x1 + 3x2 − 2x3 ≤ 5
xi ≥ 0
Submetido ao Simplex foi encontrado o seguinte sistema final:

(0) Z + 4x1 + 6x2 + 3F2 = 33

(1) 9x1 − x2 + F1 + 3F2 = 35

1 1 11
(2) x1 + x2 + x 3 + F2 =
2 2 2

(3) 3x1 + 4x2 + F2 + F3 = 16

onde Fi é a variável de folga da restrição i.
Responda as perguntas abaixo:

1. Qual o valor mínimo para o coeficiente de x1 na função objetivo que altera a

solução ótima ?
90 Análise depois do Ótimo

2. Qual o intervalo de variação para a constante do lado direito da 3a restrição

que mantém a atual solução ótima como ótima ?
3. Suponha que uma nova variável x4 seja adicionada ao modelo original com
coeficientes 4, 2, –3 e 1 respectivamente na função objetivo e restrições. A
solução ótima continua a mesma ? (justifique)
4. Como ficaria o sistema final acima se esta variável x4 estivesse no modelo ?
3.10 Respostas dos exercícios da seção 3.9 91

3.10 Respostas dos exercícios da seção 3.9

Exercício A
1) –25/21; 3/42; 4/7
2) –34/21; –5/42; 1/7
3) 18/7
4) 4/7
5) Somente a CLD da equação (2) é alterada.
260/3; 215/12; 185/7
6) 643/7; 10/7; 569/7; 67/7; sim
7) O Dual do problema original é:
(MIN) Y = 15y1 + 120y2 + 100y3
s.a
y1 + 7y2 + 3y3 ≥ 4
y1 + 5y2 + 5y3 ≥ 5
y1 + 3y2 + 10y3 ≥ 9
y1 + 2y2 + 15y3 ≥ 11
yi ≥ 0

(a) Troque as CLD para 7,8,7 e 13.

(b) Troque a função objetivo para:
(MIN) Y = 30y1 + 80y2 + 155y3
(c) Troque a equação (3) para:
y1 + 4y2 + 9y3 ≥ 9
(d) Troque a equação (2) para:
y1 + 6y2 − 9y3 ≥ −3
(e) Adicione:
y1 + y2 + 18y3 ≥ 13
8) (a) 708/7 (b) 100
9) ∆ ≥ − 35
10) ∆ ≥ − 13 3

11) 4
12) 93/7
Exercício B
1) Z = 11 x2 = 4 x3 = 5 F3 = 11 única.
3
2) [−∞, −
5
3) [−∞, 25 ]
4) (a) [−3; ∞]
(b) [− 14
3
; 34]
(c) [−1; ∞]
92 Análise depois do Ótimo

5)
(MIN) Y = 7y1 + 12y2 + 10y3
s.a
y1 − y2 − y3 ≥ −2
3y1 − 2y2 − 4y3 ≥ −1
−y1 + 4y2 + 3y3 ≥ 3
2y1 + 8y3 ≥ −2
yi ≥ 0
6) y1 = 5 y2 = 54 y3 = 0 Y = 11
1

7) Sim
8) –7
9) –7/14;
Exercício C
1)
(MIN) Y = y1 + y2 + y3 + y4 + y5
s.a
y1 + y 5 ≥ 8
y1 + y 2 ≥ 7
y1 + y3 ≥ 10
y3 + y4 ≥ 10
y4 + y 5 ≥ 2
yi ≥ 0
2)
(MAX) Z = 8x1 + 7x2 + 10x3 + 10x4 + 2x5
s.a
x1 + x 2 ≤ 1
x2 + x 3 ≤ 1
x3 + x 4 ≤ 1
x4 + x 5 ≤ 1
x1 + x 5 ≤ 1
3) Z = 37/2 x2 = 1/2 x3 = 1/2 x1 = 1/2 x4 = 1/2 x5 = 1/2
Y = 37/2 y1 = 13/2 y2 = 1/2 y3 = 19/2 y4 = 1/2 y5 = 3/2
4) Y = 19 y1 = 7 y2 = 0 y3 = 10 y4 = 0 y5 = 2
Exercício D
1)
x1 = cadeiras = 700
x2 = bancos = 0
400
x3 = mesas =
3
8300
Z=
3
3.10 Respostas dos exercícios da seção 3.9 93

2) Sim
3) Isto equivale a ter uma nova restrição no Dual:
1, 8y1 + 0, 5y2 + 13y3 ≥ L
4
1, 8 × 1, 166 + 0, 5 × 0 + 13 × ≥ L
5
L > 3, 14
20
4) [ ; 5] Com 2,5 a solução ótima não se altera.
9
8300
Logo a solução atual continua ótima e o lucro passa a ser: Z = − (3 −
3
7250
2.5) × 700 =
3
Exercício E
1)
x2 = Standard = 50
x3 = Viajante = 100
Z = 11000
2) [1700; ∞], Sim
3) Sim, pois o valor implícito é $30.
4) O mesmo pois a restrição dual não é violada.
5) Sim, pois a nova restrição dual é violada.
Exercício F
1)
(MIN) Y = 480y1 + 800y2 + 900y3
s.a
2y1 + 5y2 + 7y3 ≥ 90
8y1 + 4y2 + 8y3 ≥ 160
4y1 + 8y2 + 3y3 ≥ 40
2y1 + 5y2 + 5y3 ≥ 100
y1 = 12, 5 y2 = 15 y3 = 0

2) [40; 170] 170,01

3) [240; 800]
4) Sim, a restrição dual é violada.
Exercício G
(MAX) Y = −11y1 + 12y2 + 18y3 − 19y4
s.a
y1 + 3y2 + y3 − 4y4 ≤ 3
−y1 + y3 + 5y4 ≤ −5
−y2 + y3 + y4 = 4
y1 + y2 + y3 ≤ −5
y1 , y 2 , y 4 ≥ 0
y3 ⇒ Irrestrita em sinal
94 Análise depois do Ótimo

Exercício H
1)
x1 [7, 5; 15]
x2 [11; 20]
x3 [−∞; 11, 667]
2)
(a) [5000; ∞]
(b) [6000; 10000]
(c) [3000; 6000]
Exercício I
1) [2; 6] 6,01
2) [−11; ∞]
3)Não, a restrição dual é violada.
4)
(0) . . . − 13x4 = 33
(1) . . . − 7x4 = 35
3
(2) . . . − x4 = 5, 5
2
(3) . . . − 2x4 = 16
Capítulo 4
Algorítimo dos Transportes

Veremos neste capítulo o chamado Algorítimo dos Transportes. Este algorítimo re-
solve, de maneira muito mais rápida, modelos de programação linear cuja formu-
lação apresenta certas características que permitem o uso do algorítimo. Veremos
também que o Algorítimo dos Transportes nada mais é do que uma forma diferente
de se fazer o simplex.

4.1 Um exemplo
Uma empresa tem 3 fábricas que produzem um determinado produto. A capaci-
dade de produção mensal das 3 fábricas é de 6, 1 e 10 unidades respectivamente. A
empresa tem 4 armazéns de vendas que vendem mensalmente 7, 5, 3 e 2 unidades
do produto respectivamente. O custo de transportar 1 unidade de cada fábrica para
cada armazém está dado na tabela abaixo:

Armazém
Fábrica 1 2 3 4
1 2 3 11 7
2 1 0 6 1
3 5 8 15 9

O objetivo da Empresa é atender as necessidades dos armazéns com a produção

das fábricas, com o menor custo total.
96 Algorítimo dos Transportes

4.2 Formulação como um modelo clássico de P.Linear

Podemos construir o seguinte modelo para o exemplo:
xij ⇒ unidades a serem transportadas da fábrica i para o armazém j.
(MIN) Z = 2x11 + 3x12 + 11x13 + 7x14 + x21 + 6x23 + x24 + 5x31 +
+8x32 + 15x33 + 9x34
s.a
x11 + x12 + x13 + x14 = 6 (fábrica 1)
x21 + x22 + x23 + x24 = 1 (fábrica 2)
x31 + x32 + x33 + x34 = 10 (fábrica 3)
x11 + x21 + x31 = 7 (armazém 1)
x12 + x22 + x32 = 5 (armazém 2)
x13 + x23 + x33 = 3 (armazém 3)
x14 + x24 + x34 = 2 (armazém 4)
xij ≥ 0
O sinal de igual das restrições deve-se ao fato de que o somatório da produção
das fábricas é igual ao somatório das necessidades dos armazéns.
Para problemas com esta estrutura particular, qual seja, coeficientes das restrições
iguais a 0 ou 1, é que podemos utilizar o chamado Algorítimo dos Transportes.
Ele tem este nome porque os exemplos são, como acima, normalmente de modelos
de transporte mas na verdade, qualquer modelo de P.Linear que tenha este tipo de
estrutura, pode ser resolvido pelo algorítimo.

4.3 Quadro (tableau) usado no algorítimo dos transportes

Fontes Destinos (Armazéns)

(Fábricas) 1 2 3 4 Disp.
2 3 11 7
1 x11 x12 x13 x14 6
1 0 6 1
2 x21 x22 x23 x24 1
5 8 15 9
3 x31 x32 x33 x34 10
Nec. 7 5 3 2

Podemos observar que todo o modelo, ou seja a função objetivo e as restrições estão
“escritas” no quadro.
4.4 Fonte ou destino artificial 97

4.4 Fonte ou destino artificial

O algorítimo dos transportes obriga que o somatório das disponibilidades seja igual
ao somatório das necessidades, o que nem sempre ocorre na prática.
Para exemplificar, vamos supor que a capacidade de produção da fábrica 3 seja de
20 unidades, em vez de 10.

1 2 3 4 Disp.
2 3 11 7
1 6
1 0 6 1
2 1
5 8 15 9
3 20
Nec. 7 5 3 2

Será necessário criar então um destino ARTIFICIAL (destino 5), com custos de
transporte iguais a ZERO (o destino não existe fisicamente):

1 2 3 4 5 Disp.
2 3 11 7 0
1 6
1 0 6 1 0
2 1
5 8 15 9 0
3 20
Nec. 7 5 3 2 10

Se o somatório das necessidades for maior que o somatório das disponibilidades,

temos que criar uma fonte artificial.

4.5 Impossibilidade de transporte

Vamos supor que no nosso exemplo exista uma impossibilidade de transporte entre
a fábrica 2 e o armazém 4.
Se esta condição está presente no modelo, precisamos garantir que na solução final
teremos x∗24 = 0, ou seja, que o valor ótimo de x24 seja igual a 0.
O objetivo do modelo de transportes é minimizar o custo total. Assim, se atribuir-
mos um custo unitário muito alto para a cela (2,4) estaremos criando uma penali-
dade ou multa para o valor de Z se a variável x24 for diferente de zero, lembrando
que ela não pode ser negativa. Este fato fará com que, naturalmente, o valor de x 24
seja levado para zero na solução ótima.
98 Algorítimo dos Transportes

Em programação matemática, esta “multa” é chamada de “Big M” e é representada

por um M maiscúlo. Quando resolvemos modelos a mão, podemos trabalhar com o
próprio M mas nos computadores, o M é substituído por um número muito grande
(100.000.000, por exemplo).

4.6 Etapas do algorítimo dos transportes

As etapas básicas do Algorítimo dos Transportes são:

1. Obter uma solução básica inicial.

2. Dada uma solução básica testar se ela é a ótima.

3. Se não for a ótima, obter a melhor sol. básica adjacente e voltar a etapa 2.

Como dissemos anteriormente, o Algorítimo dos Transportes nada mais é do que

um simplex feito de uma maneira diferente. Logo, nada mais natural que os seus
passos sejam exatamente os do Simplex.

4.7 Número de variáveis básicas nas soluções básicas

O número de variáveis básicas em uma solução básica é igual ao número de equa-
ções linearmente independentes.
Em nosso exemplo, a primeira vista, cada solução básica teria 7 variáveis básicas ,
ou seja, o número de equações (restrições) do problema.
Ocorre no entanto que, como o somatório das disponibilidades é igual ao somatório
das necessidades, dadas 6 das equações, a sétima não é mais independente. Logo
temos na verdade 6 equações independentes.
Genericamente se temos m fontes e n destinos, cada solução básica terá (m+n−1)
variáveis básicas e (m × n) − (m + n − 1) variáveis não básicas.

4.8 Métodos para achar a solução básica inicial

Existem vários métodos para se achar a solução básica inicial no método dos trans-
portes. Usaremos o chamado Método de Aproximação de Vogel que é reconhe-
cidamente o melhor deles, ou seja, aquele cuja solução básica inicial, geralmente,
está mais próxima da solução ótima.

Etapas do Método

1. Calcule para cada linha e cada coluna a diferença entre os 2 menores custos. No
caso dos 2 menores custos serem iguais a diferença é zero.

2. Identifique a linha ou coluna com a maior diferença. No caso de empate a esco-

lha é arbitrária.
4.8 Métodos para achar a solução básica inicial 99

3. Coloque a maior quantidade possível na cela de menor custo da linha ou coluna

identificada na etapa 2.

4. Elimine a linha ou coluna esgotada. No caso em que uma linha e uma coluna
são esgotadas ao mesmo tempo, só podemos esgotar uma delas ficando a outra
com zero, mas não esgotada.

5. Voltar a etapa 1.

Exemplo: Achar a solução básica inicial do nosso exemplo

Começamos achando a diferença entre os 2 menores custos de cada linha e de cada
coluna, obtendo:

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
2 3 11 7
1 6 1
1 0 6 1
2 1 1
5 8 15 9
3 10 3
Nec. 7 5 3 2

Diferenças 1 3 5 6

Na 4a coluna temos a maior diferença (6). Nesta coluna, escolhemos a cela com o
menor custo. É a cela correspondente a x24 que tem custo igual a 1.
Agora temos que atribuir a maior quantidade possível para x24 , lembrando que a
soma da linha 2 tem que dar 1 e a soma da coluna 4 tem que dar 2. Assim, o maior
valor que pode ser atribuído a x24 é o MIN(1,2), ou seja 1.
Ao se atribuir 1 a x24 , a linha 2 fica esgotada, ou seja nada pode ser atribuído as
outras variáveis da linha (serão variáveis não básicas = 0) pois a soma já deu 1.
Por sua vez, na coluna 4, cuja soma tem que dar 2, fica faltando 1 pois 2 − 1 = 1.
Temos que recalcular as diferenças entre os 2 menores custos de cada linha e co-
luna, sem considerar a linha 2 que está eliminada. Como a última eliminação foi
de uma linha, a diferença nas linhas, obviamente, não se alteraram. Basta então
calcular as diferenças das colunas, obtendo-se:
100 Algorítimo dos Transportes

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
2 3 11 7
1 6 1

2 1 1
5 8 15 9
3 10 3
Nec. 7 5 3 1

Diferenças 3 5 4 2

A maior diferença está agora na 2a coluna (5). A cela de menor custo (=3) nesta
coluna é a correspondente a variável x12 . Como a soma da linha tem que dar 6 e a
soma da coluna tem que dar 5, a maior quantidade que pode ser atribuída a x12 é
o MIN(5,6), ou seja 5.
Com 5 em x12 , a coluna fica esgotada e na linha ainda fica faltando 1 (6 − 5).
Temos quer voltar a calcular a diferença entre os 2 menores custos, sem conside-
rar a coluna 2 que está eliminada. Como acabamos de eliminar uma coluna, as
diferenças só podem ter se alterado nas linhas. Temos então:

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
2 11 7
1 5 1 5

2 1 1
5 15 9
3 10 4
Nec. 7 5 3 1
.

Diferenças 3 4 2

A maior diferença está agora na 1a linha (5). A cela de menor custo desta linha é a
correspondente a x11 que tem custo igual a 2. O máximo que conseguimos atribuir
a x11 é o MIN(1,7) ou seja 1. Ao fazer isto, a linha 1 fica esgotada e na coluna 1
ficam ainda faltando 6 (7 − 1). Eliminando-se a linha 1, temos a seguinte matriz:
4.8 Métodos para achar a solução básica inicial 101

Armazém
Fábrica 1 2 3 4 Disp.

1 1 5 6

2 1 1
5 15 9
3 10
Nec. 6 5 3 1

Neste ponto não é mais necessário seguir com o algorítimo pois como na coluna 1
só resta, com possibilidade de receber valor, a cela correspondente a variável x 31 e
restam 6 para serem atribuídos, fazemos x31 = 6.
Aplicando-se o mesmo raciocínio, temos x33 = 3 e x34 = 1.
Temos então a solução básica inicial:

Armazém
Fábrica 1 2 3 4 Disp.
2 3 11 7
1 1 5 6
1 0 6 1
2 1 1
5 8 15 9
3 6 3 1 10
Nec. 7 5 3 2
   

 x 11 = 1 
 
 x 13 = 0 

   
x = 5 x = 0

 
 
 


 12 
 
 14 

   
x24 = 1 x21 = 0
   
VB VNB


 x31 = 6 



 x22 = 0 

   



 x 33 = 3 






 x 23 = 0 



x34 = 1 x32 = 0
   
Z = 1 × 2 + 5 × 3 + 1 × 1 + 6 × 5 + 3 × 15 + 1 × 9 = 102
102 Algorítimo dos Transportes

Exercício: Achar a solução básica inicial, pelo método de Vogel, para o modelo
abaixo:

Armazém
Fábrica 1 2 3 4 Disp.
5 8 3 6
1 30
4 5 7 M
2 50
6 2 4 5
3 40
Nec. 30 20 40 30

Calculando as diferenças entre os menores custos, temos:

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
5 8 3 6
1 30 2
4 5 7 M
2 50 1
6 2 4 5
3 40 2
Nec. 30 20 40 30

Diferenças 1 3 1 1

A maior diferença está na 2a coluna. A cela de menor custo desta coluna é a cor-
respondente a x32 . O máximo possível de atribuir a x32 é igual ao MIN(40,20),
ou seja 20. Esgota-se a 2a coluna e ficam faltando 20 (= 40 − 20) na 3a linha.
Recalculando-se as diferenças (só das linhas) temos:
4.8 Métodos para achar a solução básica inicial 103

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
5 3 6
1 30 2
4 7 M
2 50 3
6 4 5
3 20 20 1
Nec. 30 20 40 30
.

Diferenças 1 1 1

A maior diferença está na 2a linha. A cela de menor custo é a de x21 . O máximo

possível de se colocar é o MIN(50,30), ou seja 30. Com isto esgota-se a 1 a coluna e
ficam restando 20 na 2a linha.
Recalculando-se as diferenças (só das linhas), temos:

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
3 6
1 30 3
7 M
2 30 20 M−7
4 5
3 20 20 1
Nec. 30 20 40 30
. .

Diferenças 1 1

A maior diferença está na 2a linha (M − 7). A cela de menor custo é a que corres-
ponde a x23 . Pode-se colocar nela o MIN(20,40), ou seja 20. Esgota-se a 2 a linha e
na 3a coluna ainda restam 20.
Recalculando-se as diferenças (só das colunas), temos:
104 Algorítimo dos Transportes

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
3 6
1 30 3

2 30 20 50
4 5
3 20 20 1
Nec. 30 20 20 30
. .

Diferenças 1 1

A maior diferença está na 1a linha. A cela de menor custo corresponde a x13 e

podemos colocar o MIN(30,20), ou seja 20. Esgota-se a 3a coluna e na 1a linha
restam 10 (= 30 − 20).
Temos então:
Armazém
Fábrica 1 2 3 4 Disp.
6
1 20 10

2 30 20 50
5
3 20 20
Nec. 30 20 40 30
Como na 4a coluna só restam as celas (1,4) e (3,4) temos x14 = 10 e x34 = 20.
A solução básica inicial é:

Armazém
Fábrica 1 2 3 4 Disp.
5 8 3 6
1 20 10 30
4 5 7 M
2 30 20 50
6 2 4 5
3 20 20 40
Nec. 30 20 40 30
4.9 Esgotamento simultâneo de linha e coluna 105
 

 x 13 = 20 

 
x = 10

 


 14 

 
x21 = 30
  n o
VB VNB as demais = 0


 x 23 = 20 


 



 x 32 = 20 



x34 = 20
 
Z = 3 × 20 + 6 × 10 + 4 × 30 + 7 × 20 + 2 × 20 + 5 × 20 = 520

4.9 Esgotamento simultâneo de linha e coluna

Vamos supor que em determinado ponto do método de Vogel temos o seguinte:

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
5 8 3 6
1 30 2
4 5 7 M
2 50 1
9 2 4 8
3 30 2
Nec. 30 30 40 10

Diferenças 1 3 1 2

A maior diferença está na 2a coluna. A cela de menor custo é a que corresponde a

x32 . O máximo que podemos atribuir a variável é igual ao MIN(30,30), ou seja 30.
Tanto a linha como a coluna são esgotadas mas só podemos esgotar uma delas.
A escolha é arbritária. Escolhendo-se a coluna para esgotar, na linha vai ficar
faltando 0 (= 30 − 30). Temos então, recalculando-se a diferença entre os menores
custos:
106 Algorítimo dos Transportes

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
5 3 6
1 30 2
4 7 M
2 50 3
9 4 8
3 30 0 4
Nec. 30 30 40 10
.

Diferenças 1 1 2

A maior diferença está agora na 3a linha. A cela de menor custo é (3,3) e o maior
valor que podemos atribuir a x33 é igual ao MIN(0,40), ou seja 0. Logo x33 vai
ser uma variável básica degenerada na solução básica inicial. Recalculando-se a
diferença entre os 2 menores custos temos:

Armazém
Fábrica 1 2 3 4 Disp. Diferenças
5 3 6
1 30 2
4 7 M
2 50 3

3 30 0 30
Nec. 30 30 40 10
.

Diferenças 1 4 M–6

Pode-se prosseguir normalmente com o algorítimo.

4.10 Teste para saber se uma solução básica é ótima 107

4.10 Teste para saber se uma solução básica é ótima

Vamos voltar a formulação do nosso exemplo do início do capítulo:
(MIN) Z = 2x11 + 3x12 + 11x13 + 7x14 + x21 + 6x23 + x24 + 5x31 +
+8x32 + 15x33 + 9x34
s.a
x11 + x12 + x13 + x14 = 6 ⇒ v1
x21 + x22 + x23 + x24 = 1 ⇒ v2
x31 + x32 + x33 + x34 = 10 ⇒ v3
x11 + x21 + x31 = 7 ⇒ w1
x12 + x22 + x32 = 5 ⇒ w2
x13 + x23 + x33 = 3 ⇒ w3
x14 + x24 + x34 = 2 ⇒ w4
xij ≥ 0
Vamos construir o modelo Dual:

(MAX) Y = 6v1 + v2 + 10v3 + 7w1 + 5w2 + 3w3 + 2w4

s.a
v1 + w1 ≤ 2 ⇒ x11
v1 + w2 ≤ 3 ⇒ x12
v1 + w3 ≤ 11 ⇒ x13
..
.
vi + wj ≤ cij ⇒ xij
vi , wj ⇒ Irrestritas em sinal
Vamos supor que temos a seguinte solução básica:

1 2 3 4 Disp.
2 3 11 7
1 6 6
1 0 6 1
2 1 1
5 8 15 9
3 1 4 3 2 10
Nec. 7 5 3 2
108 Algorítimo dos Transportes

 

 x 11 = 6 

 
x = 1

 


 22 

 
x31 = 1
  n o
VB VNB as demais = 0


 x 32 = 4 


 



 x 33 = 3 



x34 = 2
 
Z = 112
Vamos escrever as restrições do modelo dual associadas às variáveis básicas:
x11 → v1 + w1 ≤ 2
x22 → v2 + w2 ≤ 0
x31 → v3 + w1 ≤ 5
x32 → v3 + w2 ≤ 8
x33 → v3 + w3 ≤ 15
x34 → v3 + w4 ≤ 9
Como o coeficiente de variável básica na equação (0) é igual a zero temos:
vi + wj − cij = 0
pois o Lesq − Ldir da restrição dual associada é igual ao coeficiente da variável na
eq.(0), ou seja igual a zero no caso de variáveis básicas.
Assim, por causa desta propriedade podemos escrever:
v1 + w1 − 2 = 0
v2 + w2 − 0 = 0
v3 + w1 − 5 = 0
v3 + w2 − 8 = 0
v3 + w3 − 15 = 0
v3 + w4 − 9 = 0
Como temos 6 equações e 7 incógnitas, escolhemos uma das variáveis (preferenci-
almente a que aparece mais) e atribuímos um valor qualquer (normalmente zero).
Assim fazendo v3 = 0 temos como solução do sistema:
w4 = 9, w3 = 15, w2 = 8, w1 = 5, v2 = −8, v1 = −3
Para saber se uma solução básica é ótima temos que “olhar” a equação de Z (eq.
0), ou seja, os coeficientes das variáveis não básicas que são os que aparecem na
equação (0).
Para obter estes coeficientes basta aplicar a propriedade que diz que o L esq − Ldir
da restrição dual associada é igual ao coeficiente da variável na eq. (0).
Assim temos:
x12 → v1 + w2 − c12 = 2
x13 → v1 + w3 − c13 = 1
x14 → v1 + w4 − c14 = −1
x21 → v2 + w1 − c21 = −4
x23 → v2 + w3 − c23 = 1
x24 → v2 + w4 − c24 = 0
Logo a equação (0) é:
(0) Z + 2x12 + x13 − x14 − 4x21 + x23 = 112
Como o problema é de minimização, a solução não é ótima e as candidatas à variá-
4.10 Teste para saber se uma solução básica é ótima 109

vel entrante são x12 , x13 e x23 .

Como x12 tem o maior coeficiente ela é a variável “entrante”.

Escolha da variável sainte:

1 2 3 4 Disp.
1 6 + 6
2 1 1
3 1 4 3 2 10
Nec. 7 5 3 2

O + na cela (1,2) indica que a variável x12 (entrante) vai sair de não básica (=0)
para básica onde ela vai ser maior que zero (vamos esquecer, por ora, que ela pode
ser básica degenerada, ou seja também igual a zero). Considerando então que ela
vai ser maior que zero, para que a soma da 1a linha continue dando 6, temos que
diminuir em uma das 3 outras celas da linha. No entanto, é impossível se diminuir
qualquer valor das celas (1,3) e (1,4) pois isto faria com que as variáveis x 13 e x14 se
tornassem negativas. Logo a única variável que pode ser diminuída é x 11 . Temos
então:

1 2 3 4 Disp.
1 6− + 6
2 1 1
3 1 4 3 2 10
Nec. 7 5 3 2

No entanto se x11 vai diminuir de valor, para a soma da 1a coluna continuar dando
7 temos que aumentar x21 ou x31 . Não podemos aumentar x21 pois teríamos uma
2a variável entrante. Logo teremos que aumentar x31 . Temos então:

1 2 3 4 Disp.
1 6− + 6
2 1 1
3 1+ 4 3 2 10
Nec. 7 5 3 2

Como vamos aumentar x31 , para a 3a linha continuar somando 10, teremos que
diminuir uma das outras celas da 3a linha. Se diminuirmos x34 , teríamos que au-
mentar uma das celas da 4a coluna e isto faria com que tivéssemos uma 2a variável
entrante. O mesmo raciocínio se aplica para x33 . Logo a diminuição só pode acon-
tecer em x32 . Temos então:
110 Algorítimo dos Transportes

1 2 3 4 Disp.
1 6− + 6
2 1 1
3 1+ 4− 3 2 10
Nec. 7 5 3 2
Pode-se observar que se formou um laço fechado de + e −. Sempre se forma um
laço fechado e se não é possível fechá-lo, é porque a resolução contém algum erro.
Neste ponto o objetivo é atribuir o maior valor possível para a variável entrante
sem que, obviamente, nenhuma outra variável se torne negativa. Assim, as candi-
datas a variável sainte são x11 e x32 pois elas estão sendo diminuídas quando se
aumenta a entrante. Quando a entrante (x12 ) chega a 4, x32 chega a zero, logo ela
é a variável sainte.
A nova solução básica passa a ser (4 é somado e subtraído no laço):

1 2 3 4 Disp.
1 2 4 6
2 1 1
3 5 3 2 10
Nec. 7 5 3 2
 

 x11 = 2 
 
x = 4

 


 12 

 
x22 = 1
  n o
VB VNB as demais = 0


 x31 = 5 

 



 x 33 = 3 



x34 = 2
 
Z = 104
Para saber se esta solução é ótima não precisamos escrever todas as equações do
modelo dual pois podemos usar o próprio quadro para fazer o teste.

1 2 3 4 vi
2 3 11 7
1 • •
1 0 6 1
2 •
5 8 15 9
3 • • •
wj
4.10 Teste para saber se uma solução básica é ótima 111

Atribuímos um valor (zero de preferência) a um dos vi ou wj . Para facilitar pode-

mos escolher a linha com mais variáveis básicas (marcadas com •).
Como a 3a linha é que tem mais variáveis básicas, vamos fazer v3 igual a zero. As-
sim para a variável básica x31 temos v3 + w1 − C31 = 0. Como C31 = 5, temos
W1 = 5. Para a variável básica x33 temos v3 + w3 − C33 = 0. Como C33 = 15,
temos que W3 = 15. Para x34 , onde v3 + w4 − C34 = 0, e C34 = 9, temos W4 = 9.
Temos até aqui:

1 2 3 4 vi
2 3 11 7
1 • •
1 0 6 1
2 •
5 8 15 9
3 • • • 0
wj 5 15 9

Para a variável básica x11 temos v1 + w1 − C11 = 0. Como w1 = 5 e C11 = 2,

temos v1 = −3. Para a variável x12 temos v1 + w2 − C12 = 0. Como v1 = −3 e
C12 = 3, temos w2 = 6. Finalmente para x22 temos v2 + w2 − C22 = 0. Como
w2 = 6 e C22 = 0, temos v2 = −6.
Temos então:

1 2 3 4 vi
2 3 11 7
1 • • -3
1 0 6 1
2 • -6
5 8 15 9
3 • • • 0
wj 5 6 15 9

Tendo encontrado os valores dos vi e wj podemos usar a relação vi + wj − cij para

achar os coeficientes das variáveis não básicas (as não marcadas com •) na equação
de Z.
Assim, por exemplo, para x13 temos v1 + w3 − C13 ou −3 + 15 − 11 = 1. Fazendo
de forma semelhante para as demais variáveis não básicas, temos:
112 Algorítimo dos Transportes

1 2 3 4 vi
2 3 11 7
1 • • 1 -1 -3
1 0 6 1
2 -2 • 3 2 -6
5 8 15 9
3 • -2 • • 0
wj 5 6 15 9

As candidatas a variável entrante (coeficientes > 0) são x13 , x23 e x24 .

Como x23 tem o maior coeficiente ela é a escolhida.

Escolha da variável sainte:

1 2 3 4 Disp.
1 2 4 6
2 1 + 1
3 5 3 2 10
Nec. 7 5 3 2

Formando-se o laço fechado, chegamos a:

1 2 3 4 Disp.
1 2− 4+ 6
2 1− + 1
3 5+ 3− 2 10
Nec. 7 5 3 2

As candidatas a variável sainte são x33 , x11 e x22 .

Como x22 chega a zero primeiro (quando a entrante chega a 1) ela é a variável
sainte.
A nova solução básica (somando-se e subtraindo-se 1 no laço) fica:

1 2 3 4 Disp.
1 1 5 6
2 1 1
3 6 2 2 10
Nec. 7 5 3 2
4.10 Teste para saber se uma solução básica é ótima 113
 

 x 11 = 1 

 
x = 5

 


 12 

 
x23 = 1
  n o
VB VNB as demais = 0


 x 31 = 6 


 



 x 33 = 2 



x34 = 2
 
Z = 101
No teste para saber se esta solução é a ótima, vamos fazer v3 = 0. Usando-se
vi + wj − Cij = 0 para as variáveis básicas, chegamos a:

1 2 3 4 vi
2 3 11 7
1 • • -3
1 0 6 1
2 • -9
5 8 15 9
3 • • • 0
wj 5 6 15 9
Calculando-se vi + wj − Cij para as variáveis não básicas, temos:

1 2 3 4 vi
2 3 11 7
1 • • 1 -1 -3
1 0 6 1
2 -5 -3 • -1 -9
5 8 15 9
3 • -2 • • 0
wj 5 6 15 9
Como é a única que tem coeficiente maior que zero, x13 é a variável entrante.
Escolha da variável sainte:

1 2 3 4 Disp.
1 1− 5 + 6
2 1 1
3 6+ 2− 2 10
Nec. 7 5 3 2
114 Algorítimo dos Transportes

Como x11 chega a zero quando a entrante chega a 1, ela é a variável sainte.
A nova solução básica (somando-se e subtraindo-se 1 no laço) é:

1 2 3 4 Disp.
1 5 1 6
2 1 1
3 7 1 2 10
Nec. 7 5 3 2
 

 x12 = 5 

 
x13 = 1

 


 

 
x23 = 1
  n o
VB VNB as demais = 0


 x31 = 7 


 



 x33 = 1 



x34 = 2
 
Z = 100

No teste para saber se a solução básica é ótima, vamos fazer v3 = 0. Usando-se

vi + wj − Cij = 0 para as variáveis básicas, calculamos os demais vi e wj :

1 2 3 4 vi
2 3 11 7
1 • • -4
1 0 6 1
2 • -9
5 8 15 9
3 • • • 0
wj 5 7 15 9

Calculando os coeficientes das variáveis não básicas na equação de Z (usando v i +

wj − Cij ) chegamos a:
4.11 Soluções básicas degeneradas 115

1 2 3 4 vi
2 3 11 7
1 -1 • • -2 -4
1 0 6 1
2 -5 -2 • -1 -9
5 8 15 9
3 • -1 • • 0
wj 5 7 15 9

Como nenhum dos coeficientes é maior que zero, a solução atual é ótima. Logo:
 x12 = 5 

∗

 
x ∗
= 1

 



 13 


x23 = 1
 ∗  n o
VB VNB as demais ∗
= 0


 x∗31 = 7 


 
 x33 = 1 


∗ 

 
x34 = 2
 ∗ 
Z ∗ = 100
Caso algum dos coeficientes fosse igual a zero teríamos soluções ótimas alternati-
vas (como obtê-las ?).

4.11 Soluções básicas degeneradas

Sendo na solução abaixo x24 a variável entrante, vamos escolher a variável sainte:

1 2 3 4 Disp.
1 5 1 6
2 1− + 1
3 7 1+ 1− 9
Nec. 7 5 3 2

As candidatas a variável sainte são x23 e x34 . Há no entanto um empate, ou seja,

as duas chegam a zero no momento que a entrante chega a 1.
Neste caso a escolha é arbitrária e a não escolhida como sainte será uma variável
básica degenerada.
Escolhendo x34 como a sainte temos a seguinte solução básica:
116 Algorítimo dos Transportes

1 2 3 4 Disp.
1 5 1 6
2 0 1 1
3 7 2 9
Nec. 7 5 3 1

Como regra geral se temos um empate entre n candidatas a variável sainte, tere-
mos n − 1 variáveis básicas degeneradas.
Vamos supor agora que nesta solução básica, x22 seja a variável entrante. Temos o
seguinte laço:

1 2 3 4 Disp.
1 5− 1+ 6
2 + 0− 1 1
3 7 2 9
Nec. 7 5 3 1

Como x23 é uma variável básica degenerada e já igual a zero, ela não pode ser
diminuída pois ficaria negativa. Assim, ela será a variável sainte e a entrante será
uma básica degenerada. A nova solução será:

1 2 3 4 Disp.
1 5 1 6
2 0 1 1
3 7 2 9
Nec. 7 5 3 1

O algorítimo deve prosseguir normalmente sendo a variável básica degenerada tra-

tada como uma variável básica qualquer.
4.12 O Modelo da Baldeação 117

4.12 O Modelo da Baldeação

Exemplo:
Um determinado produto é produzido em 2 fábricas e é remetido para 3 armazéns.
A capacidade de produção mensal das fábricas é de 100 e 200 unidades do produto
respectivamente. Cada um dos armazéns necessita 100 unidades do produto por
mês. O produto pode ser transportado de uma fábrica para um armazém passando
por qualquer outra fábrica ou armazém intermediário. O custo de transportar cada
unidade entre armazéns e fábricas está dado na tabela abaixo:

Fábricas Armazéns
1 2 I II III
Fábricas 1 – 80 10 20 30
2 10 – 20 50 40
I 20 80 – 40 10
Armazéns II 40 20 10 – 20
III 60 70 80 20 –

O objetivo é atender as necessidades dos armazéns com a produção das fábricas

com o menor custo total de transporte.

4.13 Diferença entre Transporte e Baldeação

No modelo de transporte qualquer quantidade sai diretamente de uma fonte para
um destino não podendo passar por nenhum ponto intermediário. No modelo de
baldeação o transporte de uma determinada quantidade pode, eventualmente, pas-
sar por vários pontos intermediários no caminho entre uma fonte e um destino.
Estes pontos intermediários podem ser outras fontes ou mesmo outros destinos. É
óbvio que o objetivo continua sendo minimizar o custo total de transporte. Sendo
assim, só vai ocorrer baldeação se isto for mais barato do que transportar direta-
mente.
118 Algorítimo dos Transportes

4.14 Adaptação do modelo da baldeação ao algorítimo do trans-

porte

1 2 I II III Disp.
0 80 10 20 30
1 100+300
10 0 20 50 40
2 200+300
20 30 0 40 10
I +300
40 20 10 0 20
II +300
60 70 80 20 0
III +300
Nec. +300 +300 100+300 100+300 100+300

Como a solução ótima implica em que uma quantidade não passe 2 vezes pelo
mesmo ponto, se somarmos a quantidade total envolvida (300 no exemplo) a cada
fonte e a cada destino estaremos garantindo a praticabilidade da quantidade que
sofre baldeação.
Antes de somar esta quantidade se a produção das fábricas for maior que a ne-
cessidadePdos armazéns, temos Pque criar um armazém artificial com a diferença
entre o ( disponibilidades − necessidades). Se for o inverso, criamos uma
fábrica artificial.
Aplicando o algorítimo dos transportes no problema modificado chegaremos a se-
guinte solução ótima:

1 2 I II III
1 300 0 100
2 300 200
I 200 100
II 300
III 300

Eliminando os termos da diagonal pois não tem sentido físico, obtemos a solução
ótima para o problema de baldeação:
4.14 Adaptação do modelo da baldeação ao algorítimo do transporte 119

I
1 100

II 100
200
2

III

Z ∗ = 100 × 20 + 200 × 20 + 100 × 10 = 7.000

120 Algorítimo dos Transportes

4.15 O Modelo da Atribuição ou da Designação

O chamado modelo da atribuição consiste na formulação e solução de problemas
do tipo: Atribuir m tarefas à m máquinas de maneira que cada tarefa seja feita
por apenas 1 máquina e uma máquina faça apenas uma tarefa, com o menor custo
total.
Exemplo:
Quatro tarefas tem que ser atribuídas à 4 máquinas. O custo de atribuir cada ta-
refa à cada máquina está dado na tabela abaixo:

Máquinas
Tarefas I II III IV
1 10 9 8 7
2 3 4 5 6
3 2 1 1 2
4 4 3 5 6
Deseja-se escolher que máquina deve fazer que tarefa de maneira que o custo total
seja mínimo.
Este problema pode ser resolvido como um modelo de transportes em que todas as
disponibilidades e todas as necessidades são iguais a 1.

Máquinas
Tarefas I II III IV Disp.
1 10 9 8 7 1
2 3 4 5 6 1
3 2 1 1 2 1
4 4 3 5 6 1
Nec. 1 1 1 1
Cada solução básica terá 7 variáveis básicas e como qualquer variável x ij (tarefa
i atribuída à máquina j) só pode ser 0 ou 1, teremos sempre 3 variáveis básicas
degeneradas.
Para resolver este tipo de problema foi desenvolvido um algorítimo bem mais rápido
que o de transportes. Este algorítimo é conhecido como “Algorítimo Húngaro”.

4.16 Passos do Algorítimo

a) Subtraia o menor custo de cada linha de cada um dos custos da linha, obtendo
uma nova matriz de custos.
b) Tente fazer a atribuição nos custos iguais a zero.
4.16 Passos do Algorítimo 121

c) Se não foi possível fazer todas as atribuições, subtraia o menor custo de cada
coluna de cada custo da coluna, obtendo uma nova matriz de custos.

d) Tente fazer a atribuição nos custos iguais a zero.

e) Se não foi possível fazer todas as atribuições, risque todos os zeros com o menor
número possível de linhas verticais e horizontais. O número de linhas deve ser
igual ao número máximo de atribuições que se conseguiu fazer no passo anterior.

f) Subtraia de cada custo não riscado pelas linhas, o menor dos custos não riscados.

g) Some este menor custo dos não riscados às intersecções das linhas traçadas no
passo e.

h) Voltar ao passo d.

Vejamos então a aplicação do algorítimo ao nosso problema:

Máquinas
Tarefas I II III IV
1 10 9 8 7
2 3 4 5 6
3 2 1 1 2
4 4 3 5 6

Passo a: Subtrair, em cada linha, o menor custo da linha de todos os outros custos
da linha.
Temos então:

I II III IV
1 3 2 1 0
2 0 1 2 3
3 1 0 0 1
4 1 0 2 3

Passo b: Tentar fazer a atribuição nos custos iguais a 0.

I II III IV
1 3 2 1 0
2 0 1 2 3
3 1 0 0 1
4 1 0 2 3
122 Algorítimo dos Transportes

Como foi possível fazer a atribuição (um para um) nos custos iguais a zero, encon-
tramos a solução ótima:
Tarefa Máquina Custo
1 IV 7
2 I 3
3 III 1
4 II 3
Z = 14
∗

Exemplo 2:
Quatro tarefas tem que ser atribuídas a 4 máquinas. O custo de atribuir cada
tarefa a cada máquina está dado abaixo:

Máquinas
Tarefas I II III IV
1 10 9 7 8
2 5 8 7 7
3 5 4 6 5
4 2 3 4 5

Vamos aplicar o algorítimo:

Passo a: Subtrair, em cada linha, o menor custo da linha de todos os outros custos
da linha.
Temos então:
I II III IV
1 3 2 0 1
2 0 3 2 2
3 1 0 2 1
4 0 1 2 3

Passo b: Tentar fazer a atribuição nos custos iguais a 0.

Temos então:
I II III IV
1 3 2 0 1
2 0 3 2 2
3 1 0 2 1
4 0 1 2 3

Como não conseguimos fazer as 4 atribuições, vamos para o passo seguinte.

Passo c: Subtrair, em cada coluna, de cada custo da coluna o menor custo da
4.16 Passos do Algorítimo 123

coluna.
Temos então:

I II III IV
1 3 2 0 0
2 0 3 2 1
3 1 0 2 0
4 0 1 2 2

Passo d: Tentar fazer a atribuição nos custos iguais a zero. Temos:

I II III IV
1 3 2 0 0
2 0 3 2 1
3 1 0 2 0
4 0 1 2 2

No máximo, só conseguimos fazer 3 atribuições.

Passo e: Riscar todos os zeros, com linhas verticais e horizontais. O número de
linhas tem que ser igual ao número máximo de atribuições que se fez no passo d (3
no nosso caso). Temos então:

I II III IV
1 3 2 0 0

2 0 3 2 1

3 1 0 2 0

4 0 1 2 2

A matriz possui agora 2 tipos de custos: riscados pelas linhas e não riscados.
Passos f e g: Subtrair o menor dos custos não riscados de todos os não riscados e
somar este menor não riscado as intersecções das linhas traçadas.
Obs. Os custos riscados que não estão nas intersecções, se mantém inalterados.
Temos então:
124 Algorítimo dos Transportes

I II III IV
1 4 2 0 0
2 0 2 1 0
3 2 0 2 0
4 0 0 1 1

Voltamos ao Passo d: Tentar fazer a atribuição nos custos iguais a zero. Temos
então:

I II III IV
1 4 2 0 0
2 0 2 1 0
3 2 0 2 0
4 0 0 1 1

Achamos uma Solução ótima:

Tarefa Máquina Custo
1 III 7
2 IV 7
3 II 4
4 I 2
Z = 20
∗

Temos outra solução ótima:

I II III IV
1 4 2 0 0
2 0 2 1 0
3 2 0 2 0
4 0 0 1 1

Tarefa Máquina Custo

1 III 7
2 I 5
3 IV 5
4 II 3
Z = 20
∗
4.17 Impossibilidade de atribuição 125

4.17 Impossibilidade de atribuição

Temos 4 máquinas para serem atribuídas para 4 tarefas. O custo de atribuir cada
tarefa a cada máquina está dado na tabela a seguir:

Máquinas
Tarefas I II III IV
1 10 9 − 8
2 5 8 7 7
3 5 4 6 5
4 − 3 4 5

Por razões técnicas, a tarefa 1 não pode ser feita pela máquina III e a máquina I
não pode fazer a tarefa 4.
Este é o caso em que temos que garantir que, na solução ótima, tanto x1,III quanto
x4,I sejam iguais a zero. Para forçar esta situação vamos atribuir, da mesma forma
que fizemos no algorítimo dos transportes, um custo muito alto a estas variáveis.
Este custo, que chamamos de M, representa um valor tão grande quanto se queira
imaginar. Assim teríamos:

Máquinas
Tarefas I II III IV
1 10 9 M 8
2 5 8 7 7
3 5 4 6 5
4 M 3 4 5

Na resolução manual do algorítimo, o M tem que ser considerado como um número

muito grande.

4.18 Fontes ou destinos artificiais

A aplicação do algorítimo húngaro deve ser feita sempre em uma matriz qua-
drada. Assim se o no de tarefas é maior que o no de máquinas devemos criar tantas
máquinas artificiais quantas sejam necessárias para tornar a matriz quadrada. O
custo de atribuir uma tarefa à uma máquina artificial é zero.
Se o número de máquinas é que for maior, criamos tarefas artificiais.
Como exemplo, vamos supor que temos 4 tarefas para serem atribuídas a 6 máqui-
nas. O custo de atribuir cada tarefa a cada máquina está dado na tabela a seguir:
126 Algorítimo dos Transportes

Máquinas
Tarefas I II III IV V VI
1 10 9 6 8 9 10
2 5 8 7 7 4 8
3 5 4 6 5 11 8
4 10 3 4 5 7 9

Para aplicarmos o algorítimo, temos que criar 2 tarefas artificiais, com custos
iguais a zero:

Máquinas
Tarefas I II III IV V VI
1 10 9 6 8 9 10
2 5 8 7 7 4 8
3 5 4 6 5 11 8
4 10 3 4 5 7 9
5 0 0 0 0 0 0
6 0 0 0 0 0 0

Aplica-se então normalmente o algorítimo húngaro (deixado como exercício).

Na solução ótima, as tarefas 5 e 6 (artificiais) são atribuídas às máquinas IV e VI.
Logo estas 2 máquinas ficarão sem tarefa para fazer.
No exemplo acima, se tivéssemos mais tarefas do que máquinas, criaríamos má-
quinas artificiais.
4.19 Exercícios 127

4.19 Exercícios
A) Uma empresa tem 3 fábricas produzindo um certo produto que deve ser reme-
tido para 4 centros de distribuição. As fábricas 1, 2 e 3 produzem 12, 17 e 11
unidades do produto, por mês, respectivamente. Cada centro de distribuição
necessita receber 10 unidades por mês. A distancia de cada fábrica para cada
um dos centros de distribuição é mostrado abaixo (em kms) :

Centro de Distribuição
Fábricas 1 2 3 4
1 800 1300 400 700
2 1100 1400 600 1000
3 600 1200 800 900

O custo de transporte é igual a $0.50/km por unidade transportada.

Quanto deveria ser enviado de cada fábrica para cada armazém de maneira que
o custo total seja mínimo ?
Formule e resolva este problema como um modelo de Transportes.

B) Uma empresa decidiu produzir 3 novos produtos em 5 de suas fábricas. O custo

unitário de produção do produto 1 é $31, $29, $32, $28 e $29 nas fábricas 1, 2, 3,
4 e 5 respectivamente. Para o produto 2 é $45, $41, $46, $42 e $43 nas fábricas
1, 2, 3, 4 e 5 respectivamente. Para o produto 3 é $38, $35, $40 nas fábricas
1, 2 e 3 respectivamente, enquanto que as fábricas 4 e 5 não tem capacidade
de produzir este produto. As previsões de vendas indicam que 1500, 2500 e
2000 unidades dos produtos 1, 2 e 3 respectivamente devem ser produzidas. As
fábricas 1,2,3,4 e 5 tem capacidade de produzir 2000, 1000, 2000, 1500 e 2500
unidades diárias respectivamente, sejam quais forem os produtos ou combina-
ções deles envolvidos.
A empresa deseja minimizar o custo total de produção.
Resolva este problema como um modelo de Transportes.

C) Suponha que a Inglaterra, França e Espanha produzam todo o trigo, cevada

e aveia do mundo. A demanda mundial de trigo requer 125 milhões de acres
plantados com trigo. Da mesma forma 60 milhões de acres são necessários
para a cevada e 75 milhões de acres para a aveia. A quantidade total de terra
disponível para este propósito na Inglaterra, França e Espanha são 70 milhões,
110 milhões e 80 milhões de acres, respectivamente.
O número de horas de trabalho necessárias na Inglaterra, França e Espanha
para plantar 1 acre de trigo são 18, 13 e 16 horas respectivamente.
O número de horas de trabalho necessárias na Inglaterra, França e Espanha
para plantar 1 acre de cevada são 15, 12 e 12 horas respectivamente.
Para a aveia o número de horas necessárias são 12, 10 e 16 respectivamente.
O custo do trabalho por hora para cada tipo de cultura é mostrado a seguir:
128 Algorítimo dos Transportes

Inglaterra França Espanha

Trigo 3 2 3
Cevada 3 3 3
Aveia 2 3 2

Qual deve ser o uso da terra em cada país de maneira que a demanda mundial
por estes 3 alimentos seja satisfeita e que o custo seja mínimo ?
Resolva este problema como um modelo de Transportes.

D) Uma firma que produz um único produto tem 3 fábricas e 4 fregueses. As 3

fábricas produzirão 3000, 5000 e 4000 unidades, respectivamente, durante o
próximo mês. A firma tem uma obrigação contratual de vender 4000 unidades
ao freguês 1, 3000 unidades ao freguês 2 e no mínimo 1000 unidades ao freguês
3. Os fregueses 3 e 4 estão dispostos a comprarem o máximo que puderem.
O lucro líquido associado com a venda de 1 unidade da fábrica i para o freguês
j é mostrado abaixo:

Freguês
Fábrica 1 2 3 4
1 65 63 62 64
2 68 67 65 62
3 63 60 59 60

A diretoria deseja saber quantas unidades deve vender aos fregueses 3 e 4 e

quantas unidades devem ir de cada fábrica para cada freguês de maneira a
maximizar o lucro.
Resolva este problema como um modelo de Transportes.

E) Considere o problema de transportes tendo a seguinte matriz de custos:

Destinos
Fontes 1 2 3 4 Disponibilidades
1 3 7 6 4 5
2 2 4 3 2 2
3 4 3 8 5 3
Necessidades 3 3 2 2

Qual a solução ótima ?

4.19 Exercícios 129

F) Considere o problema de transportes tendo a seguinte matriz de custos:

Destinos
Fontes 1 2 3 4 5 Disponibilidades
1 8 6 3 7 5 20
2 5 M 8 4 7 30
3 6 3 9 6 8 30
4 0 0 0 0 0 20
Necessidades 25 25 20 10 20

Qual a solução ótima ?

G) Considere o problema de transportes tendo a seguinte matriz de custos:

Destinos
Fontes 1 2 3 4 5 6 Disponibilidades
1 10 18 29 13 22 0 100
2 13 M 21 14 16 0 120
3 0 6 11 3 M 0 140
4 9 11 23 18 19 0 80
5 24 28 36 30 34 0 60
Necessidades 100 120 100 60 80 40

Qual a solução ótima ?

H) O custo ($) de carga aérea, por tonelada, entre 7 cidades é dado pela tabela
abaixo (“–” significa que não existe serviço direto de carga aérea):

1 2 3 4 5 6 7
1 0 21 50 62 93 77 –
2 21 0 17 54 67 – 48
3 50 17 0 60 98 67 25
4 62 54 60 0 27 – 38
5 93 67 98 27 0 47 42
6 77 – 67 – 47 0 35
7 – 48 25 38 42 35 0
130 Algorítimo dos Transportes

Uma empresa deseja enviar carga das cidades 1, 2 e 3 para as cidades 4, 5, 6 e

7. Das cidades 1, 2 e 3 sairão 70, 80 e 50 toneladas respectivamente.
As cidades 4, 5, 6 e 7 deverão receber 30, 60, 50 e 60 toneladas respectivamente.
O transporte pode passar por qualquer cidade intermediária a um custo igual a
soma dos custos de cada trecho percorrido.
O objetivo é minimizar o custo de transporte da carga.
Resolva este problema como um modelo de Baldeação

I) Uma estudante tendo entrado para a universidade, resolveu comprar um carro

para usá-lo nos próximos 4 anos. Como o dinheiro disponível é bastante limi-
tado, ela deseja minimizar os seus gastos com o carro. Levando em conta o preço
inicial de compra e o custo de manutenção, não está claro para ela se deve com-
prar um carro muito velho ou semi-novo. Também não está claro se ela deve
trocar de carro pelo menos uma vez nos próximos 4 anos, antes que os custos de
manutenção se tornem demasiados caros.

Preço de Custo de Manutenção/ano Preço de venda no final do ano

Compra 1 2 3 4 1 2 3 4
Carro
muito velho 250 475 550 625 700 150 100 50 0
Carro
semi-novo 950 250 325 425 575 550 400 300 250

Se a estudante trocar de carro nos próximos 4 anos, ela poderá fazê-lo no fim de
um dos anos por outro carro idêntico a um dos 2 tipos acima.
É certo que no fim dos 4 anos ela comprará um carro novo.
A estudante deseja minimizar os seus gastos nos próximos 4 anos.
Resolva este problema como um modelo de baldeação.

J) Considere o problema de transporte onde 2 fábricas fornecem um determinado

produto para 3 armazéns. O número de unidades disponíveis em cada fábrica
são 200 e 300 unidades respectivamente. As necessidades de cada armazém são
100, 200 e 50 unidades respectivamente.
Em vez de se enviar o produto diretamente está se estudando a possibilidade
de fazer baldeação.
Os custos de transporte são:
4.19 Exercícios 131

Fábrica Armazém
1 2 I II III
Fábrica 1 0 6 7 8 9
2 6 0 5 4 3
I 7 2 0 5 1
Armazém II 1 5 1 0 4
III 8 9 7 6 0

Qual a solução ótima ?

K) Resolva o seguinte problema de atribuição:

1 2 3 4 5
I 3 8 2 10 3
II 8 7 2 9 7
III 6 4 2 7 5
IV 8 4 2 3 5
V 9 10 6 9 10

L) Resolva o seguinte problema de atribuição:

1 2 3 4 5
I 3 9 2 3 7
II 6 1 5 6 6
III 9 4 7 10 3
IV 2 5 4 2 1
V 9 6 2 4 6

M) Considere o problema de atribuir 4 operadores para 4 máquinas. Os custos de

atribuição estão dados abaixo:

Máquina
Operador 1 2 3 4
1 5 5 – 2
2 7 4 2 3
3 9 3 5 –
4 7 2 6 7
132 Algorítimo dos Transportes

O operador 1 não pode operar a máquina 3 e o 3 não pode operar a máquina 4.

Qual a atribuição ótima ?

N) Suponha que no exemplo anterior uma 5a máquina está disponível. Seus cus-
tos de atribuição para os 4 operadores são 2, 1, 2 e 8 respectivamente. A nova
máquina substituirá uma das existentes se isto puder ser justificado economi-
camente.
Reformule o problema e resolva.

O) Um treinador de uma equipe de natação tem que formar um time para nadar
no revezamento 4x100 (4 estilos) na próxima etapa do campeonato.
Os 5 melhores nadadores da equipe e os seus respectivos tempos (em segundos)
em cada um dos estilos é mostrado abaixo:

Nadador
Estilo Carlos Celso Artur Antonio Flávio
I 37.7 32.9 33.8 37.0 35.4
II 43.4 33.1 42.2 34.7 41.8
III 33.3 28.5 38.9 30.4 33.6
IV 29.2 26.4 29.6 28.5 31.1

Como deve ser formado o time ?

P) Um certo produto é transportado de 3 fábricas para 4 armazéns. A matriz de

custos assim como a disponibilidade de cada fábrica e a necessidade de cada
armazém estão mostrados abaixo:

Armazém
Fábrica 1 2 3 4 Disp.
I 1.0 7.5 8.5 11.0 40000
II 7.5 4.5 3.0 7.5 50000
III 10.0 6.5 1.0 6.0 35000
Necessidades 35000 20000 25000 45000

Qual a solução ótima ?

4.19 Exercícios 133

Q) Temos 5 máquinas para serem atribuídas a 6 operadores. Os custos de atribuir

cada máquina à cada operador estão dados abaixo:

Operadores
Máquinas 1 2 3 4 5 6
I 12 14 9 13 10 16
II 11 13 15 17 13 11
III 9 15 9 14 12 13
IV 10 12 11 13 14 14
V 13 10 15 10 16 15

Qual deve ser a atribuição de maneira que o custo seja mínimo ?

134 Algorítimo dos Transportes

4.20 Respostas dos exercícios da seção 4.19

Exercício A
Fáb. 1 para Centro 3 = 2
Fáb. 1 para Centro 4 = 10
Fáb. 2 para Centro 2 = 9 Z = 16.200
Fáb. 2 para Centro 3 = 8
Fáb. 3 para Centro 1 = 10
Fáb. 3 para Centro 2 = 1
Exercício B
Fáb. 1 → 1.000 do Prod.3
Fáb. 2 → 1.000 do Prod.3 Z = 222.500
Fáb. 4 → 1.500 do Prod.1
Fáb. 5 → 2.500 do Prod.2
Exercício C
Inglaterra → 70 de aveia
França → 110 de trigo
Espanha → 15 de trigo, 60 de cevada e 5 de aveia
Z = 7480
Exercício D
Introduza o freguês 3# que receberá as unidades extras enviadas para o freguês 3,
além do nível mínimo de 1.000.
Introduza a fábrica D, que “venderá” as unidades extras para os fregueses 3 e 4.

Freguês
Fábrica 1 2 3 4 3#
1 -65 -63 -62 -64 -62 3000
2 -68 -67 -65 -62 -65 5000
3 -63 -60 -59 -60 -59 4000
D M M 0 0 0 4000
4000 3000 1000 4000 4000

Solução ótima:
Fábrica Freguês
1 4 3.000
2 1 1.000
2 2 3.000 Z = 775000
2 3 1.000
3 4 1.000
3 1 3.000
4.20 Respostas dos exercícios da seção 4.19 135

Exercício E
Fonte Destino
1 4 2
1 1 3 Z = 32
2 3 2
3 2 3
Exercício F
Fonte Destino
1 3 20
2 1 20
2 4 10 Z = 305
3 1 5
3 2 25
4 5 20
Exercício G
Fonte Destino
1 1 100 7
2 3 40
2 5 80
3 2 20 Z = 5520
3 3 60
3 4 60
4 2 80
5 2 20
5 6 40
Exercício H
Fonte Destino
1 4 20
1 6 50
2 4 10
2 5 60
2 3 10
3 7 60
Exercício I
Façamos Cijk
ser o custo de comprar um carro velho (k = 1) ou um carro semi-novo
(k = 2) no inicio do ano i revendendo no final do ano j.
Cij = Preço de Compra + Custos de Operação e manutenção para os anos 1, 2, . . . , j−
i + 1− Valor de Revenda após j − i + 1 anos.
Cij = MIN (Cij 1
+ Cij2
)
136 Algorítimo dos Transportes

Façamos o ano 1 ser a fonte com disponibilidade de 1.

Façamos o ano 5 ser o destino com necessidade de 1.
Façamos os anos 2, 3 e 4 serem os pontos de baldeação.

1 2 3 4 5 Disp.
1 0 575 1125 1650 2275 1
2 M 0 55 1125 1650 0
3 M M 0 575 1125 0
4 M M M 0 575 0
5 M M M M 0 0
Necessidade 0 0 0 0 1

Resolvendo-se verifica-se que o ótimo é comprar um carro velho inicialmente. Após

1 ano de uso, comprar um carro semi-novo e usá-lo durante os 3 anos seguintes.
Exercício J
1 → 1 ⇒ 50
2 → 1 ⇒ 50
2 → 2 ⇒ 200
2 → 3 ⇒ 50
Z = 1550
Exercício K
1→5
2→3
3→2
4→4
5→1
Z = 21
Exercício L
1→1
2→2
3→5
4→4
5→3
Z = 11
Exercício M
1→4
2→3
3→2
4→1
Z = 14
Exercício N
A máquina 5 substitui a máquina 1.
Z=8
4.20 Respostas dos exercícios da seção 4.19 137

Exercício O
Estilo 1: Artur
Estilo 2: Antonio
Estilo 3: Celso
Estilo 4: Carlos
Exercício P
Fábrica Armazém
I 1 35.000
III 3 25.000
I 2 5.000 Z = 487500
II 2 15.000
II 4 35.000
III 4 10.000
Exercício Q
I→5
III → 3
V→2
II → 6
IV → 1
138 Algorítimo dos Transportes
 5
Bibliografia de Pesquisa Operacional

A bibliografia a seguir apresentada, é uma relação de livros de P.Operacional e/ou

de tópicos específicos de P.Operacional, existentes no mercado nacional e interna-
cional.
As seguintes observações devem ser levadas em conta:

a) Muitos dos livros estrangeiros desta relação não são encontrados nas livrarias
do Brasil e, se desejados, tem que ser encomendados. Alguns são encontrados
em bibliotecas.

b) Como o mercado internacional é bastante ativo, é possível que um livro seja

encontrado no Brasil na sua 3a edição, por exemplo, e ele já tenha uma ou mais
edições no exterior. Normalmente uma nova edição é maior e melhor que a
anterior.

c) Alguns livros, tanto estrangeiros como nacionais, constantes da relação estão

esgotados e só são encontrados em bibliotecas.

d) Os livros em português que são tradução de livros estrangeiros estão, quase

sempre, defasados em relação a última edição da obra. Assim, por exemplo, o
livro do Hillier/Lieberman (1o da lista abaixo), que é, provavelmente, o livro de
P.Operacional mais vendido no mundo, tem uma tradução em português, ven-
dida nas livrarias. Esta versão, no entanto, é da 3a edição americana mas, nos
E.Unidos, este livro já se encontra na 6a edição, sendo o conteúdo esta 6a edição
bem maior e muito diferente do conteúdo da 3a edição.

1. Introdução à Pesquisa Operacional

• Hillier & Lieberman
– Campus

2. Pesquisa Operacional
• Wagner, Harvey M.
– Prentice – Hall do Brasil
 140 Bibliografia de Pesquisa Operacional

3. Pesquisa Operacional Vol. I,II e III

• Victor Mirshawka
– Nobel

4. Pesquisa Operacional – Uma abordagem básica

• Shamblin e Stevens
– Atlas

5. Pesquisa Operacional
• Ackoff e Sasieni
– Livros Técnicos e Científicos

6. Pesquisa Operacional
• Ellenrieder
– Almeida Neves

7. Pesquisa Operacional
• Richard Bronson
– McGraw-Hill – Coleção Schaum

8. Introdução à Pesquisa Operacional

• Eduardo Leopoldino de Andrade
– Livros Técnicos e Científicos

9. Pesquisa Operacional
• Ermes Medeiros, Elio Medeiros, Valter Gonçalves, Afrânio Murolo
– Atlas

10. Programação Linear

• Puccini & Pizolato
– Livros Técnicos e Científicos

11. Programação Linear

• Fritzsche
– Edgar Bucher

12. Métodos de Otimização – Aplicação aos Transportes

• Novaes
– Edgar Blucher

13. Metodos y Modelos de Investigacion de Operaciones Vol. I e II

• Prawda
– Limusa

14. Metodos y Modelos de Investigacion de Operaciones Vol. I,II e III

• Kaufmann
– CECSA
 141

15. Operations Research – An Introduction

• Hamdy A. Taha
– MacMillan

16. Principles of Operations Research for Management

• Budnick, Mojena, Volmann
– Irwin

17. Introduction to Quantitative Methods

• Verma, Gross
– Wiley – Hamilton

18. Operations Research – Principles and Practice

• Phillips, Ravindran, Solberg
– Wiley

19. Introduction to Operations Research

• Gillett
– McGraw Hill

20. System Analysis for Managerial Decisions

• Ramalingam
– Wiley

21. Quantitative Methods for Managerial Decisions

• Brown, Revelle
– Addison – Wesley

22. Quantitative Methods for Business Decisions

• Lappin
– Harcourt – Brace – Jovanovich

23. Industrial Operations Research

• Fabrick, Ghare, Torgensen
– Prentice – Hall

24. Management – A Quantitative Perspective

• Lomba
– MacMillan

25. Quantitative Techniques for Business Decisions

• Johnson, Siskin
– Prentice – Hall

26. Quantitative Analysis for Managerial Decisions

• Kim
– Addison – Wesley
 142 Bibliografia de Pesquisa Operacional

27. Applied Operations Research

• Whitehouse, Wechsler
– Wiley

28. Decision Making Through Operations Research

• Thierauf, Klekamp
– Wiley

29. Operations Research – A Managerial Emphasis

• Hartley
– Goodyear

30. Topics in Management Science

• Markland
– Wiley

31. Operations Research Tecnhiques for Management

• Moskowitz, Wright
– Prentice – Hall

32. Quantitative Decision – Making for Business

• Gordon, Pressman
– Prentice – Hall

33. Essentials of Management Science – Operations Research

• Buffa, Dyer
- Wiley

34. Operations Research – Applications and Algorithms

• Winston, Wayne L.
– Duxbury Press

35. Management Science

• Camm, Jeffrey D. & Evans, James R.
– South–Western College Publishing

36. Practical Management Science

• Winston, Wayne L. & Albright, S. Christian
– Duxbury Press

37. Linear Programming

• Lomba
– MacMillan

38. Mathematical Programming

• Mcmillan
– Wiley
 143

39. Applied Mathematical Programming

• Bradley, Hax, Magnanti
– Addison – Wesley

40. Linear Programming

• Hadley
– Addison – Wesley

41. Introduction to Linear and Nonlinear Programming

• Luenberger
– Addison – Wesley

42. Linear Programming and Network Flows

• Bazaraa, Jarvis
– Wiley

43. Matrices and Linear Programming

• Munakata
– Holden – Day

44. Applied Nonlinear Programming

• Himmeblau
– McGraw – Hill

45. Nonlinear Programming

• Bazaraa, Shetty
– Wiley

46. Linear Programming and Extensions

• Dantzig
– Princeton

47. Linear Programming

• Gass
– McGraw – Hill

48. Basic Linear Programming

• Brian D. Bunday
– Edward Arnold Ltd.

49. Basic Optimisation Methods

• Brian D. Bunday
– Edward Arnold Ltd.

50. An Introduction to Linear Programming and Game Theory

• Paul R. Thie
– John Wiley & Sons
 144 Bibliografia de Pesquisa Operacional

51. Linear Programming

• Ignizio & Cavalier
– Prentice – Hall

52. Linear Programming

• Chvátal, Vasek
– W.H.Freeman and Company

53. Elementary Linear Programming With Applications

• Kolman Bernard & Beck, Robert E.
– Academic Press

54. Optimization Modeling Programming

• Schrage, Linus
– Duxbury Press

55. Optimization in Operations Research

• Rardin, Ronald L.
– Prentice – Hall

56. Linear Programming

• Dantzig, George B. & Thapa, Mukund N.
– W.H.Freeman and Company