Introduo Pesquisa Operacional

Fernando Augusto Silva Marins

Professor Adjunto do Departamento de Produo - DPD
Faculdade de Engenharia do Campus de Guaratinguet - FEG
Universidade Estadual Paulista - UNESP
2
SUMRIO
Apresentao 5
Pesquisa Operacional: origens, definies e reas
1. A Pesquisa Operacional e o Processo de Tomada de
Deciso
7
2. O que a Pesquisa Operacional? 9
3. Origens da Pesquisa Operacional 10
4. Fases da Resoluo de um Problema pela Pesquisa
Operacional
13
5. Consideraes Importantes 19
Referncias 21
Programao Linear
1. Introduo 23
2. Modelagem 24
3. Limitaes 45
4. Resoluo Grfica 47
5. Forma Padro 54
6. Definies e Teoremas 58
7. Forma Cannica de um Sistema de Equaes Lineares 64
8. Mtodo Simplex 68
9. Mtodo Simplex com Duas Fases 88
3
Referncias 97
Introduo Teoria dos Grafos e Otimizao em Redes
1. Introduo 99
2. Conceitos Bsicos 102
3. Algoritmos 111
3.1. rvore de Valor Mnimo 111
3.2. Caminho Mais Curto 112
3.3. Fluxo Mximo 116
Referncias 127
Modelo de Transporte Simples
1. Histrico e Formulao Matemtica 128
2. Algoritmo do Stepping Stone Method 135
3. Resoluo pelo Mtodo Modificado (Modi) 144
4. Mtodos para Encontrar uma Soluo Bsica Inicial para o
Stepping Stone Method
147
4.1. Regra do Canto Esquerdo - RCE 147
4.2. Mtodo do Menor Custo Associado - MMC 148
5. Ofertas e Demandas Desbalanceadas 151
6. Degenerescncia 152
7. Condies Proibidas e Embarque e Recepo 157
Referncias 159
4
Modelo da Designao
1. Introduo 160
2. Definies e Notaes 161
3. Modelo Matemtico 163
4. Mtodo Hngaro 163
Referncias 183
Introduo Teoria das Filas: Modelos Markovianos
1. Introduo 185
2. Estrutura Bsica de um Sistema de Filas 186
3. Processos de Nascimento e Morte 192
4. Modelos de Filas Markovianas 197
5. Comentrios Gerais 209
Apndice 212
Referncias 216
5
Apresentao
A Pesquisa Operacional (PO) uma rea da Engenharia de
Produo que proporciona aos profissionais, que tm acesso ao seu
escopo, o acesso a um procedimento organizado e consistente que o
auxiliar na difcil tarefa de gesto de recursos humanos, materiais e
financeiros de uma organizao. De fato, a Pesquisa Operacional
oferece um elenco interessante de reas, modelos e algoritmos que
permitem ao gestor tomar deciso em problemas complexos, onde
deve ser aplicada a tica cientfica.
O material deste livro corresponde a um curso semestral
introdutrio PO, abordando a Programao Linear, algoritmos para
Modelos em Redes e modelos estocsticos da Teoria de Filas. O
contedo vem sendo ministrado, h mais de 20 anos, no nvel de
graduao para os cursos de Engenharia Mecnica e de Engenharia
de Produo Mecnica da Faculdade de Engenharia do Campus de
Guaratinguet (FEG) da UNESP; e desde 2008, em cursos de ps-
graduao, Lato Sensu e Stricto Sensu tem sido utilizado como
apoio, principalmente pelos alunos que esto tendo acesso PO pela
primeira vez.
Entendendo a dificuldade dos professores em desenvolver o
material didtico para suas aulas, ser disponibilizada, para os que
adotarem o livro, uma senha para um stio na Internet onde haver
os seguintes materiais de apoio:
a) Conjunto de slides em PowerPoint com o contedo dos
vrios captulos do livro;
6
b) Arquivos com exerccios propostos sobre cada captulo do
livro;
c) Softwares, com tcnicas de Pesquisa Operacional,
desenvolvidos por orientados do autor (Simon, Simulex e
Hungar), endereos na Internet para o download de verses
livres de importantes e teis softwares (LINDO), e, ainda,
o endereo para acesso de software livre desenvolvido por
outra instituio (PROLIN Universidade Federal de
Viosa). Manuais de usurio do Solver do Excel e do
LINDO desenvolvidos por professores de outra
instituio (Universidade Federal de Ouro Preto).
O autor gostaria de agradecer ao Professor Heleno do
Nascimento Santos da UFV e aos Professores Alosio de Castro
Gomes Jnior e Marcone Jamilson Freitas Souza da UFOP,
respectivamente, pela autorizao do uso do software PROLIN e dos
manuais do Solver e do LINDO. Agradece, ainda, a aluna Monique
de Medeiros Takenouchi do curso de Engenharia de Produo
Mecnica da FEG UNESP pelo trabalho de adequao nos slides
em PowerPoint, bem como ao mestrando Marco Aurlio Reis dos
Santos pela reviso final do texto. Finalmente, o autor gostaria de
agradecer a oportunidade oferecida pela Pr-Reitoria de Graduao
da UNESP, por meio do Programa de Apoio Produo de Material
Didtico, ao publicar este livro.
Guaratinguet, novembo de 2009.
Fernando Augusto Silva Marins
7
Pesquisa Operacional: origens, definies e reas
1. A Pesquisa Operacional e o Processo de Tomada de Deciso
Um profissional que assume uma funo em uma empresa
logo se depara com situaes onde dever tomar algum tipo de
deciso. medida que este profissional vai ascendendo na carreira,
os problemas e as decises vo se tornando mais complexas e de
maior responsabilidade. De fato, tomar decises uma tarefa bsica
da gesto, nos seus vrios nveis, estratgico, gerencial (ttico) ou
operacional, devendo ser entendido que o ato de decidir significa
fazer uma opo entre alternativas de soluo que sejam viveis de
serem aplicadas situao.
Apesar de cada gestor ter o seu prprio procedimento de
anlise e soluo de problemas, pode-se, em geral, estabelecer
algumas etapas que, necessariamente, devem ser observadas,
configurando o que se denomina de papel do decisor:
(a) Identificar o problema talvez seja a etapa mais difcil, pois,
diferentemente dos livros, os problemas na prtica no esto,
inicialmente, claros, definidos e delimitados. Aqui importante
perceber quais so os demais sistemas que interagem com o sistema
onde se insere o problema a ser tratado. fundamental se ter uma
equipe de analistas multidisciplinar para o problema seja visto de
prismas diferentes e isso seja incorporado na sua soluo;
(b) Formular objetivo (s) nesta etapa devem ser identificados e
8
formulados (muitas vezes matematicamente) quais so os objetivos
que devero ser atingidos quando da soluo do problema. Em
alguns casos, podem-se ter vrios objetivos que podem ser
qualitativos (por exemplo, satisfao do cliente), quantitativos
(custo ou lucros) ou ainda conflitantes;
(c) Analisar limitaes na seqncia deve-se levantar quais so as
restries que limitaro as solues a serem propostas. Comumente,
essas limitaes dizem respeito ao atendimento de tempo/prazo,
oramento, demandas, capacidades (transporte, produo e
armazenamento), tecnologia (equipamentos e processos),
inventrios (matria-prima, subconjuntos, work in process e
produtos acabados), entre outros;
(d) Avaliar alternativas aqui, o decisor, aps identificar quais so
suas alternativas de ao, dever utilizando algum procedimento
escolher a melhor soluo que poder ser aplicada. Destaque-se
que, muitas vezes a soluo tima pode no ter uma relao custo-
benefcio que permita sua adoo pela empresa, e uma outra soluo
que atende esses requisitos pode vir a ser a escolhida. Nesse
processo de avaliao de alternativas, o decisor poder utilizar uma
abordagem qualitativa ou quantitativa:
A abordagem qualitativa se aplica em problemas
simples, corriqueiros, repetitivos, com pouco impacto financeiro ou
social, onde fundamental a experincia do decisor (ou de sua
equipe de analistas) em situaes anteriores semelhantes. Nestes
casos, adota-se uma soluo similar quela j utilizada com sucesso
num problema semelhante;
9
J a abordagem quantitativa a recomendada quando
os problemas so complexos, novos, envolvem grande volume de
recursos humanos, materiais e financeiros, tm alto impacto no
ambiente onde se insere (empresa ou sociedade). Aqui, recomenda-
se o uso dos preceitos da tica cientfica e os mtodos quantitativos
(algoritmos) disponveis a obteno de uma soluo.
Neste contexto que a Pesquisa Operacional se insere,
colaborando na formao de um profissional que dever desenvolver
um procedimento coerente e consistente de auxlio tomada de
deciso a ser adotado no decorrer da sua carreira.
2. O que a Pesquisa Operacional?
Pode-se considerar que o nome Pesquisa Operacional (PO)
de origem militar, tendo sido usado pela primeira vez na Gr-
Bretanha durante a Segunda Guerra Mundial. Em termos cientficos,
a PO caracterizada por um campo de aplicaes bastante amplo o
que justifica a existncia de vrias definies, algumas to gerais
que podem se aplicar a qualquer cincia, e outras to particulares
que s so vlidas em determinadas reas de aplicao:
o uso do mtodo cientfico com o objetivo de prover
departamentos executivos de elementos quantitativos para a tomada
de decises com relao a operaes sob seu controle";
Prope uma abordagem cientfica na soluo de
problemas: observao, formulao do problema, e construo de
modelo cientfico (matemtico ou de simulao);
a modelagem e tomada de deciso em sistemas reais,
10
determinsticos ou probabilsticos, relativos necessidade de
alocao de recursos escassos.
A PO uma cincia aplicada que utiliza tcnicas cientficas
conhecidas (ou as desenvolve quando necessrio), tendo como ponto
de referncia a aplicao do mtodo cientfico. A PO tem a ver,
portanto, com a pesquisa cientfica criativa em aspectos
fundamentais das operaes de uma organizao. Pelo que foi dito
antes, podem-se resumir os principais aspectos da PO como se
segue:
Possui um amplo espectro de utilizao, no
governo e suas agncias, indstrias e empresas comerciais e de
servio;
aplicada a problemas associados conduo
e a coordenao de operaes ou atividades numa organizao;
Adota um enfoque sistmico para os
problemas;
Busca a soluo tima para o problema;
Usa uma metodologia de trabalho em equipe
(engenharia, computao, economia, estatstica, administrao,
matemtica, cincias comportamentais).
3. Origens da Pesquisa Operacional
Como descrito por Lss (1981), desde o sculo III A.C.
quando Hieron, Imperador da Siracusa, solicitou de Arquimedes a
idealizao de meios para acabar com o cerco naval dos romanos,
lideres polticos e militares tm consultado os cientistas para a
11
soluo de problemas tticos e estratgicos. No sculo XVII,
Pascal e Fermat, inventores da noo de esperana matemtica, e
mais recentemente, Taylor, Borel e Erlang modelaram alguns
problemas e forneceram solues para os respectivos modelos.
No que diz respeito a aplicaes industriais, as sementes da
PO foram lanadas h muitas dcadas, nas tentativas de usar o
mtodo cientifico na gerncia de sistemas e organizaes de grande
porte, logo em seguida 1
a
. Revoluo Industrial.
O incio da PO , no Ocidente, geralmente atribudo s
iniciativas dos servios militares no incio da Segunda Guerra
Mundial. Tm-se, por exemplo, estudos relacionados com o
desenvolvimento e uso do radar, problema de alocao eficiente de
recursos escassos s vrias operaes militares, problema da dieta e
outros mais. As equipes de analistas operacionais, como foram
chamadas naquela poca, comearam a se expandir na Gr-
Bretanha, no Canad, na Austrlia e nos Estados Unidos.
O rpido crescimento da PO no ps-guerra deve-se ao
desenvolvimento de tcnicas especficas, tais como o mtodo
Simplex para a Programao Linear, e ao grande progresso
alcanado no desenvolvimento dos computadores eletrnicos. A
expanso da PO no mundo acadmico se deu inicialmente nos
departamentos de Engenharia Industrial e de Engenharia de
Produo, e nas escolas de Administrao das Universidades norte-
americanas.
Segundo Lss (1981), o incio da PO no Brasil se deu
aproximadamente uma dcada aps sua implantao na Gr-
12
Bretanha e nos Estados Unidos, sendo que as aplicaes
economia que motivou os trabalhos pioneiros da PO. Em 1957 a
Escola Politcnica da Universidade de So Paulo (EPUSP) criou o
primeiro Curso de Engenharia de Produo, em nvel de graduao
no Brasil nos moldes de cursos de Engenharia Industrial dos Estados
Unidos. Em 1959 teve incio o Curso de Engenharia de Produo
(em nvel de graduao) do ITA. Foram criados os cursos de
Programao Linear, Teoria dos Jogos, Simulao, Teoria das Filas
e Estatstica, oferecidos aos alunos de Engenharia de Produo da
USP e do ITA.
No incio dos anos 60, como vrios professores atuavam
tambm no setor privado, teve incio uma pequena interao entre a
Universidade e a Empresa, resultando nas primeiras aplicaes de
PO a problemas reais. No final dos anos 60 j existia uma tendncia
de se formarem em algumas empresas grupos dedicados a PO
voltados soluo de problemas tticos e estratgicos. O primeiro
grupo formal de PO estabelecido no Brasil em uma empresa foi o da
Petrobrs, criado em 1965.
Em 1966 foi realizado no Rio o "Primeiro Seminrio de PO
no Brasil, promovido pela Petrobrs. Nesta poca foi fundada a
SOBRAPO - Sociedade Brasileira de Pesquisa Operacional, que
congrega interessados no desenvolvimento e uso de tcnicas de PO.
H vrias sociedades profissionais no mundo ligadas PO, bem
como so publicados muitos peridicos, onde se publicam os
trabalhos associados PO. Para conhecimento e referncias, citam-
se a seguir algumas sociedades e peridicos mais relevantes:
13
INFORMS The Institute for Operations Research
and the Management Sciences (www.informs.org)
EURO - European Operational Research Society
(www.euro-online.org)
IFORS The International Federation of Operational
Research Societies (www.ifors.org )
SOBRAPO - Sociedade Brasileira de Pesquisa
Operacional (www.sobrapo.org.br)
ABEPRO Associao Brasileira de Engenharia de
Produo (www.abepro.org.br)
Operations Research (or.pubs.informs.org)
European Journal of Operational Research
(www.elsevier.com/locate/ejor)
Interfaces (interfaces.journal.informs.org)
Management Sciences (mansci.pubs.informs.org)
Revista da SOBRAPO (www.sobrapo.org.br)
Gesto & Produo (www.scielo.br/gp)
Produo (www.abepro.org.br)
Brazilian Journal of Operations and Production
Management (www.abepro.org.br)
4. Fases da resoluo de um problema pela Pesquisa
Operacional
Pode-se, de uma forma simplificada, subdividir a resoluo
de um problema pela PO em cinco etapas:
(a) Formulao do Problema (Identificao do Sistema)
14
(b) Construo do Modelo Matemtico
(c) Obteno da Soluo
(d) Teste do Modelo e da Soluo Obtida
(e) Implementao
Estas etapas podem ser visualizadas na Figura 1.
Figura 1: Esquematizao das Fases de um Estudo aplicando a PO
(a) Formulao do Problema (Identificao do Sistema)
Diferentemente dos exemplos dos livros, os problemas reais
surgem de uma forma bastante vaga e imprecisa. Este fato exige do
analista de PO uma grande capacidade de assimilar e sistematizar as
situaes reais. Para se formular corretamente um problema
necessrio que o mesmo seja bem identificado. Portanto, as
seguintes informaes bsicas se tornam necessrias:
15
(a) Quem tomar as decises?
(b) Quais so os seus objetivos?
(c) Que aspectos esto sujeitos ao controle de quem
decide (variveis de deciso) e quais as limitaes a
que esto sujeitas essas variveis (restries)?
(d) Quais os aspectos que esto envolvidos no processo
e que fogem ao controle de quem decide?
Uma vez formulado o problema, a etapa seguinte a
construo do modelo.
(b) Construo do Modelo Matemtico
Modelos so representaes simplificadas da realidade. A
qualidade de um modelo depende muito da imaginao e criao da
equipe de PO requerendo uma certa dose de abstrao. impossvel
construir um manual de instrues para a elaborao de modelos. A
utilizao de modelos possui duas importantes caractersticas:
(a) Permite a anlise do problema modelado,
indicando quais so as relaes importantes entre
as variveis, quais os dados relevantes, e quais so
as variveis de maior importncia;
(b) Possibilita a tentativa de vrias alternativas de
ao sem interromper o funcionamento do sistema
em estudo.
Uma classificao possvel para os modelos seria: icnicos
ou fsicos (por exemplo, maquetes), analgicos (por exemplo,
16
organograma), e matemticos. Os modelos fsicos assemelham-se
fisicamente aos sistemas que representam, enquanto os modelos
abstratos tm apenas uma semelhana lgica com os sistemas
representados. Os modelos matemticos podem ser de otimizao ou
de simulao, sendo que este texto se concentrar nos modelos
matemticos de otimizao.
Um modelo matemtico de um problema real uma
representao atravs de expresses matemticas que descrevem a
essncia do problema. Se existirem n decises quantificveis, elas
sero representadas por n variveis de deciso ou de controle. As
relaes e limitaes a que esto sujeitas as variveis de deciso so
expressas por meio de equaes e inequaes, denominadas
restries. O objetivo que se pretende atingir formulado como uma
funo (ou mais de uma), colocada em termos das variveis de
deciso, denominada funo objetivo.
Normalmente na etapa de modelagem leva-se em conta a
tcnica que poder vir a ser utilizada, uma vez que muitas vezes
atravs de pequenas adaptaes nesta fase, que no comprometem
os resultados obtidos, consegue-se uma simplificao na etapa de
obteno da soluo.
(c) Obteno da Soluo
Uma vez construdo o modelo matemtico parte-se para a
obteno de uma soluo. Diversos so os mtodos matemticos
utilizados em PO, associados s vrias reas que compe a PO, entre
estas se pode citar, a Programao Linear, a Programao em Redes,
17
a Teoria dos Grafos e a Teoria das Filas que sero tratadas neste
livro.
Estes mtodos matemticos encontram-se em crescente
evoluo, alm da descoberta de novas tcnicas. Foram
desenvolvidos diversos softwares, que disponibilizam alguns
mtodos importantes da Pesquisa Operacional tornando vivel e
eficiente a soluo de problemas complexos. Como exemplos tm-
se o Solver do Excel que atua com planilhas eletrnicas, o
LINDO Linear Discrete Optimizer (www.lindo.com) e o
CPLEX (www.ILOG.com), para problemas de Programao
Linear e No Linear e variaes, para Simulao so muito usados
o PROMODEL (www.belge.com.br/produtos_promodel.html) e o
ARENA (www.paragon.com.br/).
(d) Teste do Modelo e da Soluo Obtida
Dada a complexidade dos problemas, e a dificuldade de
comunicao e compreenso de todos os aspectos, existe a
possibilidade que a equipe de analistas obtenha, ou interprete, de
forma errnea alguns fatos, o que pode acarretar uma distoro
elaborao do modelo. Essa distoro levar a solues que no se
ajustaro realidade. Dessa forma, o modelo precisa ser testado. Em
alguns casos o modelo pode ser testado atravs da reconstruo do
passado (uso de dado histricos), verificando-se a adequao do
modelo s informaes disponveis.
Em cada situao especifica pode ser definida uma
sistemtica para testar o modelo e sua soluo. O importante que
18
se a soluo for usada repetidamente o modelo deve continuar a
ser testado. A fase de teste pode indicar deficincias exigindo
correes do modelo, seja pelo refinamento de algum aspecto, pela
considerao de algum aspecto omitido ou possveis simplificaes
do modelo.
(e) Implementao
A ltima fase de um estudo de PO implementar a soluo
final, uma vez aprovada por quem decide. Esta uma fase crtica,
pois somente nesta fase que os resultados do estudo sero obtidos.
Por este motivo, muito importante a participao da equipe que
trabalhou com o modelo de forma a garantir a sua correta
implementao. Este contato estreito garantir tambm uma
interveno no caso de ocorrer qualquer tipo de falha no prevista.
A fase de implementao envolve um aspecto
essencialmente tcnico e um aspecto pessoal. Como normalmente
utilizado o computador para obteno dos resultados, toda
documentao necessria deve ser muito bem organizada e
detalhada, de forma a no suscitar dvidas quando de sua utilizao.
Por outro lado, deve-se preparar a equipe que ir utilizar os
resultados, procurando-se o entrosamento com a equipe de operao,
bem antes da fase de implementao. A participao mais efetiva de
quem ir utilizar os resultados, nas etapas de formulao e
modelagem certamente contribuir para o sucesso da implementao
dos resultados obtidos.
19
5. Consideraes Importantes
O estudo da PO, tendo em vista a sua sistemtica, leva o
tcnico a adquirir um raciocnio organizado. Essa formalizao do
raciocnio facilita a anlise e interpretao dos problemas reais,
levando a um exame detalhado dos aspectos envolvidos.
No entanto, como o tcnico de PO na maioria das vezes no
um profundo conhecedor da rea em que ser aplicado o modelo,
fundamental um relacionamento constante com o usurio,
principalmente nas etapas iniciais de formulao e modelagem. Esse
relacionamento se torna ainda mais importante medida que o
usurio precisa estar convencido da validade, e das vantagens, que
essas tcnicas propiciam, para que esteja garantida a viabilidade de
sua utilizao.
Com relao aos dados utilizados nos modelos, muito
importante que seja conhecida a sua qualidade, pois, s vezes,
procura-se refinar um modelo sem levar em conta que a qualidade
das informaes necessrias a esse refinamento no o justificam.
Um estudo utilizando a anlise de sensibilidade, em muitos casos,
permite verificar a influncia de determinado dado (parmetro), o
que poderia no justificar um maior detalhamento do modelo.
O porte do modelo deve ser adequado as suas finalidades.
Em muitos casos so utilizados modelos extremamente complexos,
o que possvel com o grande desenvolvimento dos computadores,
que no justificam a sua adoo. O custo da implementao e
operao de alguns modelos pode superar os benefcios
proporcionados inviabilizando-os. Modelos de grande porte devem
20
ser utilizados somente quando possam ser justificados atravs de
uma relao benefcio-custo desejvel.
Recursos escassos devem ser utilizados racionalmente de
maneira racional. Por outro lado as exigncias do desenvolvimento
industrial brasileiro, e a globalizao da economia foram, foram a
utilizao de ferramentas mais poderosas na soluo de problemas
especficos ou gerais das empresas.
Hoje se constata que, embora as tcnicas da PO j estejam
bastante divulgadas no meio acadmico, nas Empresas ainda h
vrias restries ao conhecimento e domnio desse ferramental. A
falta de tradio no uso de tcnicas sofisticadas no mundo
empresarial brasileiro, aliada a dificuldades de comunicao com as
universidades, fazem com que o uso da PO por empresas esteja bem
aqum do que seria desejvel.
Nas universidades a tendncia uma diversificao muito
grande de reas de aplicao. H pessoas trabalhando com
problemas determinsticos, estocsticos e combinatrios; h
desenvolvimentos importantes relacionados teoria da deciso, a
mtodos computacionais aplicados Programao Matemtica e a
outras reas mais contemporneas, como a Logstica e o
Gerenciamento da Cadeia de Suprimentos (Supply Chain
Management).
A esta diversificao se alia um crescente intercmbio da
universidade com a empresa, na forma de assessoria e participao
em projetos.
Pode-se afirmar que a PO tem tido um impacto crescente na
21
administrao das empresas, tendo aumentado o nmero e a
variedade de suas aplicaes. A seguir esto relacionadas reas
tratadas neste texto e exemplos de problemas tpicos:
Programao Linear - mix de produo, mistura de
matrias-primas, modelos de equilbrio econmico, carteiras de
investimentos, roteamento de veculos; jogos entre empresas;
Modelos em Redes - rotas econmicas de transporte,
distribuio e transporte de bens, alocao de pessoal,
monitoramento de projetos;
Teoria de Filas - congestionamento de trfego,
operaes de hospitais, dimensionamento de equipes de servio;
Referncias
Lawrence, J. A.; Pasternack, B. A. Applied Management Science:
Modeling, Spreadsheet Analysis, and Communication for Decision
Making, 2
nd
Edition. New York: John Wiley & Sons, 2002.
Lss, Z. E. O Desenvolvimento da Pesquisa Operacional no Brasil.
Tese de Mestrado, COPPE/UFRJ, 1981.
22
23
Programao Linear
1. Introduo
Um aspecto importante de problemas envolvendo decises
o de otimizao; quando se procura estabelecer quais as maneiras
mais eficientes de utilizar os recursos disponveis para atingir certos
objetivos. Em geral trata-se de recursos limitados e a sua utilizao
criteriosa possibilita melhorar o rendimento ou produtividade do
processo em estudo.
A prpria continuidade do processo pode mesmo depender
de tal utilizao criteriosa. Na prtica tais recursos so usualmente
de natureza econmica, tais como capital, matria-prima, mo-de-
obra, equipamentos, tempo e outros, mas em geral podem tomar os
aspectos mais variados.
A Programao Linear (PL) visa fundamentalmente
encontrar a melhor soluo para problemas que tenham seus
modelos representados por expresses lineares. A sua grande
aplicabilidade e simplicidade devem-se a linearidade do modelo. A
tarefa da PL consiste na maximizao ou minimizao de uma
funo linear, denominada Funo objetivo, respeitando-se um
sistema linear de igualdades ou desigualdades, que recebem o nome
de Restries do Modelo.
As restries determinam uma regio a qual se d o nome de
Conjunto Vivel, a melhor das solues viveis (solues que
pertencem ao Conjunto Vivel), ou seja, aquela que maximiza ou
24
minimiza a funo objetivo, denomina-se Soluo tima. O
objetivo da Programao Linear determinar a soluo tima.
Para a resoluo de um Problema de Programao Linear
(PPL) dois passos so necessrios. O primeiro a Modelagem do
problema, seguindo-se o mtodo de soluo do modelo. No caso de
um PPL o mtodo mais utilizado o Mtodo Simplex, que ser
examinado adiante. No existem tcnicas precisas capazes de
permitir o estabelecimento do modelo de um problema, pois a
modelagem envolve aspectos de arte, ou seja, pode ser melhorada
com a prtica e observao. Para modelar uma situao geral
importante se ter experincia e capacidade de anlise e sntese.
2. Modelagem
Para identificar as variveis de deciso, recomenda-se as
seguintes regras:
a) Pergunte O decisor tem autoridade para escolher o
valor numrico (quantidade) do item? Se a resposta for sim esta
uma varivel de deciso;
b) Seja bem preciso com respeito s unidades (moeda e
quantidade, por exemplo) de cada varivel de deciso (incluindo o
fator tempo, como horrio, dirio, semanal, mensal);
c) Cuidado para no confundir as variveis de deciso
com os parmetros do problema, como nmero de mquinas na
fbrica, quantidade de cada recurso usado na fabricao de um
produto, capacidade de produo da fbrica, custos de produo,
custos de transporte, demandas pelos produtos e assim por diante.
25
Com respeito funo objetivo, a PO busca encontrar o
melhor que pode ser feito com o que se tem, isto , procura
maximizar algo (como lucro ou eficincia) ou minimizar alguma
coisa (como custo ou tempo). Talvez a busca pelo mximo valor do
lucro total (= retornos custos) seja a funo objetivo mais comum
nos modelos matemticos. Na PL, os modelos tm apenas um
objetivo, mas possvel, em outras reas da PO, tratar modelos com
mltiplos objetivos.
Exemplos de restries tpicas incluem a existncia de
limites sobre as quantidades de recursos disponveis (colaboradores,
mquinas, oramento, matrias-primas, por exemplo) e requisitos
contratuais para a produo e atendimento de demandas. As
restries tambm podem ser de carter natural, como ocorre nos
casos de estoques, onde razovel considerar que o estoque ao final
de um ms igual ao estoque no incio daquele ms mais o que foi
produzido e menos o que foi vendido no mesmo ms, desde que o
produto no se deteriore ou se perca no perodo.
Outro exemplo se refere ao fato de determinadas variveis
de deciso (por exemplo, quantidades produzidas) no poderem ter
valores negativos, ou ainda s poderem assumir valores inteiros
nulos ou positivos. Essas ltimas restries so conhecidas como
restries de no negatividade e restries de integridade,
respectivamente.
possvel se ter alguma varivel de deciso que possa
assumir qualquer valor, positivo, nulo ou negativo, como, por
exemplo, a taxa de inflao num modelo de planejamento
26
econmico, nesse caso a varivel de deciso denominada livre
ou irrestrita em sinal.
Um procedimento que ajuda na elaborao de restries o
seguinte:
a) Crie uma restrio com palavras inicialmente, da
seguinte forma,
(A quantidade requerida de um recurso) <Tem alguma relao com>
(A disponibilidade do recurso),
sendo que essas relaes podem ser expressas por meio de
igualdades (=) ou desigualdades (> ou s);
b) Assegure-se que a unidade do termo do lado
esquerdo (Left Hand Side LHS) da restrio a mesma unidade do
termo do lado direito (Right Hand Side RHS);
c) Traduza a restrio em palavras para a notao
matemtica utilizando valores conhecidos ou estimados para os
parmetros e os smbolos matemticos adotados para as variveis de
deciso;
d) Reescreva a restrio, se necessrio, de modo que os
termos envolvendo as variveis de deciso fiquem no lado esquerdo
(LHS) da expresso matemtica, enquanto s o valor associado a
uma constante fique no lado direito (RHS).
Apresentam-se a seguir exemplos de modelagem em
Programao Linear. Deve-se, inicialmente, definir de forma
completa e inequvoca quais sero as variveis de deciso (ou de
controle) do modelo e na seqncia a funo objetivo e as restries.
27
(1) Mix de Produo
Uma Empresa deseja programar a produo de um utenslio
de cozinha que requer o uso de dois tipos de recursos: mo-de-obra
e material. Ela est considerando a fabricao de trs modelos e o
seu Departamento de Engenharia forneceu os dados a seguir (Tabela
1). O suprimento de material de 200 quilos por dia. A
disponibilidade diria de mo-deobra 150 horas.
Formule um modelo de programao linear para determinar a
produo diria de cada um dos modelos de modo a maximizar o
lucro total da Empresa.
Tabela 1. Dados para o problema de mix de produo.
modelo
a b c
Mo-de-obra (horas por unidade) 7 3 6
Material (quilos por unidade) 4 4 5
Lucro ($ por unidade) 4 2 3
Modelagem:
Variveis de deciso:
x
a
produo diria do modelo a
x
b
produo diria do modelo b
x
c
produo diria do modelo c
28
Restries:
(limitao de mo-de-obra) 7x
a
+ 3x
b
+6x
c
s 150
(limitao de material) 4x
a
+ 4x
b
+5x
c
s 200
(no-negatividade) x
a
> 0, x
b
> 0, x
c
> 0.
Funo objetivo: maximizao do lucro total
Lucro total = L = 4x
a
+ 2x
b
+3x
c
Max L = 4x
a
+ 2x
b
+3x
c
Modelo final
Encontrar nmeros x
a
, x
b
, x
c
tais que: Max L = 4x
a
, sujeito as
restries: 7x
a
+ 3x
b
+6x
c
s 150
4x
a
+ 4x
b
+5x
c
s 200
x
a
> 0, x
b
> 0, x
c
> 0.
Generalizando, suponha que existem m recursos usados na produo
de n produtos, com os seguintes dados:
c
j
: lucro na venda de uma unidade do produto j = 1,2,...,n;
b
i
: quantidade disponvel do recurso i = 1,2, ...., m;
a
ij
: quantidade do recurso i usada para produzir uma unidade do
produto j.
x
j
: quantidade a produzir do produto j (variveis de deciso).
O modelo geral ter: Funo objetivo - Max

=
=
n
j
j j
x c Z
1
29
Restries - sujeito a: a
11
x
1
+ ...+ a
1n
x
n
s b
1
a
21
x
1
+ ...+a
2n
x
n
s b
2
....................................
a
m1
x
1
+ ...+ a
mn
x
n
s b
m
x
j
> 0, j = 1, 2, n
Em notao matricial, tem-se:
Max Z = C' X sujeito a:

>
s
0 X
b AX
onde: X = (x
1

x
2
...
x
n
)
t
o vetor das variveis de deciso; C =
(c
1

c
2
...
c
n
) o vetor de custos;
b = (b
1

b
2
...
b
m
)
t
o vetor das
quantidades dos recursos em cada restrio
A = a
11
a
12
... a
1n
a
21
a
22
... a
2n
.......................
a
m1
a
m2
.... a
mn
a matriz dos coeficientes
tecnolgicos.
(2) Modelo da Dieta
O problema consiste em obter uma dieta de mnimo custo
que satisfaa as necessidades bsicas do indivduo mdio, com
respeito a Calorias (no mnimo 3,0), Clcio (no mnimo 0,8) e
Vitamina B12 (no mnimo 2,7). A Tabela 2 relaciona trs
substncias exigidas pelo organismo, a quantidade existente de cada
30
uma delas de uma relao de seis alimentos, juntamente com os
respectivos custos unitrios desses alimentos.
Tabela 2. Dados para o problema da dieta.
(1)
farinha
de trigo
(2)
leite em
p
(3)
queijo
(4)
fgado
(5)
batata
(6)
feijo
Calorias 44,7 8,4 7,4 2,2 9,6 26,9
Clcio 2,0 19,1 16,4 0,2 2,7 11,4
Vitamina
B12
33,3 23,5 10,3 50,8 5,4 24,7
Custos 10,8 20,5 22,5 21,2 16,1 15
Modelagem:
Variveis de deciso - Sejam x
j
- quantidade do alimento j presente
na dieta, j = 1,2,3,4,5,6.
Funo objetivo: Min Z = 10,8x
1
+ 20,5x
2
+ 22,5x
3
+ 21,2x
4
+
16,lx
5
+ 15,0x
6
Restries
sujeito a:
44,7x
1
+ 8,4x
2
+ 7,4x
3
+ 2,2x
4
+ 9,6x
5
+ 26,9x
6
> 3,0
2,0x
l
+ 19,lx
2
+ 16,4x
3
+ 0,2x
4
+ 2,7x
5
+ 11,4x
6
> 0,8
33,3x
1
+ 23,5x
2
+ 10,3x
3
+ 50,8x
4
+ 5,4x
5
+ 24,7x
6
> 2,7
x
j
> 0 , j = 1,2,3,4,5,6
31
Generalizando, sejam c
j
- custo do alimento j = 1, 2,..., n;
b
i
- quantidade mnima do nutriente i = 1, 2,..., m na dieta;
a
ij
- quantidade do nutriente i por unidade do alimento j.
Em notao matricial o modelo ficar sendo:
Funo-objetivo -Min Z = C'X
Restries - sujeito a:

>
>
. 0 X
b AX
(3) Modelo de Transporte Simples
Um dado produto produzido em diferentes fbricas no pas
com capacidades de produo limitadas e deve ser levado a centros
de distribuio (depsitos) onde h demandas a serem satisfeitas.
O custo de transporte de cada fbrica a cada depsito
proporcional quantidade transportada e devem-se achar estas
quantidades que minimizem o custo total de transporte (CT) do
produto em questo. A Tabela 3 fornece os custos unitrios de
transporte de cada fbrica para cada depsito, bem como as
demandas em cada um dos depsitos e as produes de cada fbrica.
Tabela 3. Dados para o problema de transporte.
Depsitos
Fbricas
Florianpolis Rio de
Janeiro
Salvador Manaus Produes
Curitiba 1 0,8 3 4,5 470
So Paulo 1,5 0,6 2,5 3 400
Aracaju 6 5 1,2 2,8 400
Demanda 350 300 300 120
32
Modelagem:
Sejam x
ij
quantidade enviada do produto da fbrica i (i = Curitiba, So
Paulo, Aracaju) ao depsito j (j = Florianpolis, Rio de Janeiro, Salvador,
Manaus)
Funo objetivo Min CT = 1x
11
+ 0,8x
12
+ 3x
13
+ 4,5x
14
+ 1,5x
21
+
0,6x
22
+ 2,5x
23
+ 3x
24
+ 6x
31
+ 5x
32
+ 1,2x
33
+ 2,8x
34
Restries sujeito a
Curitiba x
11
+ x
12
+ x
13
+ x
14
s 470
(Restries de produo) So Paulo x
21
+ x
22
+ x
23
+ x
24
s 400

Aracaju x
31
+ x
32
+ x
33
+ x
34
s 400
Florianpolis x
11
+ x
21
+ x
31
+ x
41
= 350
RJ x
12
+ x
22
+ x
32
+ x
42
= 300
(Restries de demanda) Salvador x
13
+ x
23
+ x
33
+ x
43
= 300
Manaus x
14
+ x
24
+ x
34
+ x
44
= 120
(No negatividade)

x
ij
> 0, i = 1, 3 e j = 1,4.
Generalizando, supondo um nico produto, n depsitos e m fbricas
e:
c
ij
- custos unitrios de transporte da fbrica i ao depsito j;
b
j
- demanda no depsito j com j = 1,2, ...,n
a
i
- produo da fbrica i com i = 1,2, ...,m;
O modelo geral ser:
33
Variveis de deciso - x
ij
- quantidade transportada da fbrica i ao
depsito j.
Funo objetivo -

= =
=
m
1 i
n
1 j
ij ij
x c Z Min
Restries - sujeito a:

>
= >
= s

=
=
0
,..., 2 , 1 ,
,..., 2 , 1 ,
1
1
ij
m
i
j ij
n
j
i ij
x
n j b x
m i a x
(4) Seleo de mdia para propaganda
Uma companhia de propaganda deseja planejar uma campanha em
03 diferentes meios: tv, rdio e revistas. Pretende-se alcanar o
maior nmero de clientes possvel. Um estudo de mercado resultou
nos dados da Tabela 4, sendo os valores vlidos para cada
veiculao da propaganda.
A companhia no quer gastar mais de $ 800.000 e
adicionalmente deseja:
a) No mnimo 2 milhes de mulheres sejam atingidas;
b) Gastar no mximo $ 500.000 com TV;
c) No mnimo 03 veiculaes ocorram no horrio normal na
TV;
d) No mnimo 02 veiculaes ocorram no horrio nobre na
TV;
34
e) Nmero de veiculaes no rdio, e nas revistas, devem
ficar entre 05 e 10, para cada meio de divulgao.
Tabela 4. Dados para o problema de seleo de mdia para propaganda.
TV
horrio
TV
horrio
Rdio Revistas
normal nobre
custo 40.000 75.000 30.000 15.000
clientes
atingidos
400.000 900.000 500.000 200.000
mulheres
atingidas
300.000 400.000 200.000 100.000
Formular um modelo de PL que trate este problema,
determinando o nmero de veiculaes a serem feitas em cada meio
de comunicao, de modo a atingir o mximo possvel de clientes.
Modelagem:
Variveis de deciso:
x
1
= Nmero de exposies em horrio normal na tv.
x
2
= Nmero de exposies em horrio nobre na tv.
x
3
= Nmero de exposies feitas utilizando rdio.
x
4
= Nmero de exposies feitas utilizando revistas.
Funo objetivo: maximizar nmero de clientes atingidos
Max z = 400.000x
1
+ 900.000x
2
+ 500.000x
3
+ 200.000x
4
35
Restries: sujeito a
40.000x
1
+ 75.000x
2
+ 30.000 x
3
+ 15.000x
4
s 800.000 (oramento)
300.000x
1
+ 400.000x2 + 200.000 x
3
+ 100.000x
4
> 2.000.000
(mulheres atingidas)
40.000x
1
+ 75.000x
2
s 500.000 (gasto com TV)
x
1
> 3, x
2
> 2, 5 s x
3
s 10, 5 s x
4
s 10 (nmero de veiculaes em
TV, rdio e revistas)
x
1
, x
2
, x
3,
x
4
> 0. (no-negatividade)
(5) Um problema de treinamento
Uma empresa de mquinas ferramentas tem um programa
de treinamento para operadores de mquinas. Alguns operadores j
treinados podem trabalhar como instrutores neste programa ficando
responsveis por 10 trainees cada. A empresa pretende aproveitar
apenas 07 trainees de cada turma de 10.
Estes operadores treinados tambm so necessrios na linha
de fabricao, e sabe-se que sero necessrios para os prximos
meses: 100 operadores em janeiro, 150 em fevereiro, 200 em maro,
e 250 em abril. Atualmente h 130 operadores treinados disponveis
na empresa. Os custos associados a cada situao so:
a) Trainee - $ 400;
b) Operador treinado trabalhando - $ 700;
c) Operador treinado ocioso - $ 500. Um acordo firmado com
36
o sindicato probe demisses de operadores treinados no
perodo.
Encontrar um modelo de PL que fornea um programa de
treinamento de custo mnimo e satisfaa os requisitos da empresa
em termos de nmero de operadores treinados disponveis a cada
ms.
Modelagem:
Observe-se que, a cada ms, um operador treinado est
operando mquina, trabalhando como instrutor, ou est ocioso.
Alm disto, o nmero de operadores treinados, trabalhando nas
mquinas fixo e conhecido: 100 em janeiro, 150 em fevereiro, 200
em maro e 250 em abril.
Variveis de deciso:
x
1
= operadores trabalhando como instrutores em janeiro
x
2
= operadores ociosos em janeiro
x
3
= operadores trabalhando como instrutores em fevereiro
x
4
= operadores ociosos em fevereiro
x
5
= operadores trabalhando como instrutores em maro
x
6
= operadores ociosos em maro
Funo objetivo: Custo Total = custo trainees + custo instrutores +
custo ociosos + custo operadores trabalhando em mquinas
Min CT = 400-(10x
1
+ 10x
3
+ 10x
5
) + 700-(x
1
+ x
3
+ x
5
) + 500-(x
2
37
+ x
4
+ x
6
) + 700-(100 + 150 + 200) = 4700x
1
+ 500x
2
+ 4700x
3
+
500x
4
+ 4700x
5
+ 500x
6
+ 315.000.
Restries: x
1
, x
2
, x
3
, x
4
, x
5
, x
6
> 0 (no-negatividade)
As demais restries devem representar as equaes de
balano mensal: operadores treinados no incio do ms = operadores
nas mquinas + instrutores + operadores ociosos.
Janeiro - 130 = 100 + x
1
+ x
2
x
1
+ x
2
= 30
Fevereiro - 130 + 7x
1
= 150 + x
3
+ x
4
7x
1
- x
3
- x
4
= 20
Maro - 130 + 7x
1
+ 7x
3
= 200 + x
5
+ x
6
7x
1
+ 7x
3
- x
5
- x
6
= 70
Abril - 250 = 130 + 7x
1
+ 7x
3
+ 7x
5
7x
1
+ 7x
3
+ 7x
5
= 120.
(6) Problema de dimensionamento de equipes de inspeo
Uma companhia deseja determinar quantos inspetores alocar
uma dada tarefa do controle da qualidade. as informaes
disponveis so:
H 08 inspetores do nvel 1 que podem checar as peas
a uma taxa de 25 peas por hora, com uma acuracidade de 98%,
sendo o custo de cada inspetor deste nvel $4 por hora;
H 10 inspetores do nvel 2 que podem checar as peas
a uma taxa de 15 peas por hora, com uma acuracidade de 95%,
sendo o custo de cada inspetor deste nvel $3 por hora.
A companhia deseja que no mnimo 1800 peas sejam
inspecionadas por dia (= 08 horas).
Sabe-se, ainda, que cada erro cometido por inspetores
38
no controle da qualidade das peas acarreta um prejuzo
companhia de $2 por pea mal inspecionada.
Formular um modelo de PL para possibilitar a designao
tima do nmero de inspetores de cada nvel de modo a otimizar o
custo da inspeo diria da companhia.
Modelagem:
Variveis de deciso - x
i
= nmero de inspetores do nvel i (= 1, 2)
alocados inspeo.
Funo objetivo: Minimizar CT = custo total dirio de inspeo
([$/dia]), onde Custo Total = custo do salrio dos inspetores + custo
dos erros
Min CT = 8.[(4 x
1
+ 3 x
2
) + 2.(25.0,02 x
1
+ 15.0,05 x
2
)] Min CT
= 40 x
1
+ 36 x
2
Restries: Quanto ao nmero de inspetores: x
1
s 8 (inspetores do
nvel 1) e x
2
s 10 (inspetores do nvel 2)
Quanto ao nmero de peas inspecionadas por dia: 8.(25 x
1
+ 15 x
2
)
> 1800 5 x
1
+ 3 x
2
> 45
Restries implcitas de no negatividade: x
1
> 0 e x
2
> 0.
(8) Um problema de mistura
Deseja-se determinar as misturas de quatro derivados do
petrleo, que sero os constituintes de trs tipos de gasolina (extra,
super e comum). Na Tabela 5 esto as informaes acerca dos
custos e disponibilidade dos constituintes.
Tabela 5. Dados sobre os constituintes.
39
Constituintes Mximo disponvel Custo
(barris/dia) Por barril
1 3.000 3
2 2.000 6
3 4.000 4
4 1.000 5
Tabela 6. Dados sobre preos e especificaes de gasolinas.
Tipo de gasolina Especificaes Preo de
venda
No mais que 30% de 1
No mais que 50% de 3
A
No menos que 40% de 2
5,5
No mais que 50% de 1 B
No menos que 10% de 2
4,5
C No mais que 70% de 1 3,5
A fim de manter a qualidade de cada tipo de gasolina,
preciso manter as porcentagens dos diversos constituintes dentro dos
limites especificados. Os preos de venda de cada tipo de gasolina
por barril tambm esto indicados na Tabela 6. O objetivo
maximizar o lucro.
Modelagem
Variveis de deciso:
x
ij
= quantidade do constituinte i (1,2, 3, 4) na gasolina j (A, B, C)
40
Variveis auxiliares:
x
A
= x
iA
, x
B
= x
iB
, x
C
= x
iC
, para i = 1, 2, 3, 4.
x
1
= x
1j
, x
2
= x
2j
, x
3
= x
3j
, x
4
= x
4j
, para j = A, B , C.
Funo objetivo: Max Lucro = (preo de venda de cada tipo de
gasolina).(quantidade vendida) (custo de cada
constituinte).(quantidade comprada)
Max L = 5,50 x
A
+ 4,50 x
B
+ 3,50 x
C
3 x
1
6 x
2
4 x
3
5 x
4
=
Restries:
Quantidades mximas de constituintes
x
1j
s 3.000
x
2j
s 2.000
x
3j
s 4.000
x
1j
s 1.000
Especificaes das gasolinas
x
1A
s 0,30 x
A
x
3A
s 0,50 x
A
x
2A
> 0,40 x
A
x
1B
s 0,50 x
B
x
2B
> 0,10 x
B
x
1C
s 0,70 x
C
.
No negatividade - x
ij
> 0, para todo i = 1, 2, 3, 4 e j = A, B, C.
41
Deve-se, a seguir, substituir as variveis auxiliares pelas
variveis de deciso e o modelo estar completo.
Alguns modelos no so originalmente lineares, mas por
meio de algum artifcio podem ser linearizados. Seguem alguns
exemplos desses casos.
(9) Uma indstria qumica
Dois produtos, a e b, so feitos a partir de duas operaes
qumicas. Cada unidade do produto a requer 02 horas da operao 1
e 03 horas da operao 2. Cada unidade do produto b requer 03
horas da operao 1 e 04 horas da operao 2. o tempo total
disponvel para a realizao da operao 1 de 16 horas, e o tempo
total para a operao 2 de 24 horas.
A produo do produto b resulta, tambm, num subproduto
c sem custos adicionais. Sabe-se que, parte do produto c pode ser
vendida com lucro, mas o restante deve ser destrudo. Previses
mostram que no mximo 05 unidades do produto c sero vendidas, e
sabe-se que cada unidade do produto b fabricada gera 02 unidades
do produto c. Alm disso:
a) Produto a gera um lucro de $ 4 por unidade;
b) Produto b gera um lucro de $ 10 por unidade;
c) Produto c gera um lucro de $ 3 por unidade se for vendido;
d) Produto c gera um custo de $ 2 por unidade se for destrudo.
Determinar um modelo de PL para tratar este problema, e
encontrar quanto produzir de cada produto, de modo a maximizar o
42
lucro da indstria qumica.
Modelagem:
Observe-se na Figura 2 (a) que o lucro da venda dos produtos a
e b uma funo linear, mas com respeito ao produto c, ver Figura 2
(b), isto no ocorre:

(a) (b)
Figura 2. Lucros e custos para o modelo da indstria qumica.
Artifcio para linearizar o modelo: considerar as variveis de
deciso como sendo
x
1
= quantidade produto a produzida
x
2
= quantidade produto b produzida
x
3
= quantidade produto c vendida
x
4
= quantidade produto c destruda
Funo-objetivo: Lucro total = (lucro unitrio de cada produto
a,b,c).(quantidade vendida de cada produto a,b,c) (custo para
Produto b
Quantidade
Quantidade
Lucro
Lucro
+10
+3
+4
Produto a
-2
Produto c
5
43
destruir Produto c).(quantidade destruda do Produto c)
Max z = 4 x
1
+ 10 x
2
+ 3 x
3
- 2 x
4
Restries:
2 x
1
+ 3 x
2
s 16 (disponibilidade de tempo para operao 1)
3 x
1
+ 4 x
2
s 24 (disponibilidade de tempo para operao 2)
x
3
+ x
4
= 2 x
2
(produo do produto c a partir do produto b)
x
3
s 5 (previso de produto c que pode ser vendido)
x
1
, x
2
, x
3
, x
4
> 0 (no-negatividade)
(10) Oficina mecnica
Uma oficina mecnica tem uma furadeira vertical e cinco
fresas que so usadas para a produo de conjuntos formados de
duas partes. Na Tabela 7 est a produtividade de cada mquina na
fabricao destas partes do conjunto. O encarregado pela oficina
deseja manter uma carga balanceada nas mquinas de modo que
nenhuma delas seja usada mais que 30 minutos por dia que qualquer
outra, sendo o carregamento de fresamento dividido igualmente
entre as 05 fresas.
Tabela 7. Dados para o problema da oficina mecnica.
Furadeira Fresa
Parte 1 03 20
Parte 2 05 15
Obs: tempos para produzir as partes dados em minutos.
44
Achar um modelo de PL para dividir o tempo de trabalho
entre as mquinas de modo a obter o mximo de conjuntos
completos ao final de um dia, num total de 08 horas de trabalho.
Modelagem:
Variveis de deciso:
x
1
= nmero de partes 1 produzidas por dia
x
2
= nmero de partes 2 produzidas por dia
Restries:
3 x
1
+ 5 x
2
s 480 (minutos por dia disponveis para a furadeira)
(20 x
1
+ 15 x
2
)/5 = 4 x
1
+ 3 x
2
s 480 (minutos por dia disponveis
para cada fresa)
|(4 x
1
+ 3 x
2
) - (3 x
1
+ 5 x
2
)| = | x
1
-2 x
2
| s 30 (balanceamento de
carga entre as mquinas)
Observe-se que esta ltima restrio no linear, mas
equivalente a duas equaes lineares que podem substitu-la:
x
1
- 2 x
2
s 30 e - x
1
+ 2 x
2
s 30
x
1
, x
2
> 0 (no-negatividade).
Funo objetivo: maximizao do nmero de conjuntos completos
por dia
Max Z = min (x
1
, x2)
Observe-se que esta funo no linear, mas pode ser
linearizada utilizando-se uma varivel auxiliar, da forma: y = min
(x
1
, x2), y > 0, assim tem-se duas novas restries dadas por y s x
1
e
45
y s x2. A funo objetivo linear fica sendo: Max z = y.
3. Limitaes
Em situaes reais os modelos apresentam um nmero
considervel de variveis e restries que inviabilizam uma
resoluo manual. Recomenda-se a utilizao de softwares
especficos para PL.
A seguir, so feitas consideraes sobre as limitaes da
Programao Linear. muito importante observar as conseqncias
da hiptese de linearidade. Intuitivamente, a linearidade implica que
os produtos de variveis, como x
1
x
2
, potncias de variveis, como
x
3
2
, e combinao de variveis, como a
l
x
l
+ a
2
log x
2
, no podem ser
admitidas.
Em termos mais gerais, a linearidade pode ser caracterizada
por certas propriedades aditivas e multiplicativas. Exemplificando:
se so necessrias t
1
horas sobre uma mquina A para fazer o
produto 1 e t
2
horas para fazer o produto 2, o tempo sobre a maquina
A destinado aos produtos 1 e 2 t
1
+ t
2
. Neste caso, a propriedade
aditiva parece bastante razovel, se o tempo requerido para ajustar a
mquina para uma operao diferente quando a produo troca de
um produto para outro desprezvel.
Contudo, nem todos os processos fsicos se comportam
dessa maneira. Ao se misturar vrios lquidos de diferentes
composies qumicas no verdade, em geral, que o volume total
da mistura a soma dos volumes dos constituintes individuais.
46
A propriedade multiplicativa requer que: (1) Se for
necessrio uma hora de uma determinada mquina para fazer um
nico item, sero necessrias dez horas para fazer dez itens; isto
tambm parece bastante razovel; (2) O lucro total da venda de um
dado nmero de unidades de um produto o lucro unitrio vezes o
nmero de unidades vendidas; isso nem sempre verdade.
De fato, em geral, o lucro no diretamente proporcional ao
nmero de unidades vendidas, mesmo se o preo de venda
constante (j que os preos tendem a baixar medida que o mercado
vai se saturando), uma vez que os custos de fabricao por unidade
podem variar com o nmero de unidades fabricadas (economia de
escala).
Assim a linearidade, implcita num PPL, no sempre
esperada como uma representao absolutamente acurada do mundo
real. Felizmente, a linearidade muitas vezes uma aproximao
suficientemente precisa das condies reais, de modo que ela pode
fornecer resultados bastante proveitosos.
Nos modelos de PL os coeficientes a
ij
, b
i
e c
j
so
considerados como constantes conhecidas, porm, na realidade,
esses valores podem variar. Contudo, atravs de tcnicas de Anlise
de Sensibilidade em PL, possvel conseguir os intervalos desses
coeficientes para os quais a soluo tima continua a mesma. Essas
tcnicas sero objeto de outro livro a ser disponibilizado.
Outra limitao diz respeito divisibilidade das solues.
Neste texto, as solues timas dos modelos podero apresentar
valores fracionrios para qualquer de suas variveis. O
47
arredondamento de valores fracionrios para valores inteiros mais
prximos pode conduzir a erros grosseiros. Quando as variveis do
modelo de PL s puderem tomar valores inteiros deve-se impor
estas condies no prprio modelo. Passa-se ento a trabalhar com
modelos de Programao Linear Inteira, que no sero tratados aqui,
mas sero objetos de outro livro a ser disponibilizado.
Deve-se, no entanto, dizer em defesa da PL que um vasto
nmero de problemas prticos importantes tem sido
satisfatoriamente enfocados e resolvidos com tcnicas e modelos
lineares, e que o nmero e a diversidade de suas aplicaes
continuam crescendo.
4. Resoluo Grfica
Para modelos com apenas duas variveis de deciso
possvel resolv-los por meio de um procedimento grfico. Essa
ferramenta, apesar de extremamente limitada, pois os modelos de
PL normalmente tm muitas varveis e restries, propicia a
apresentao de conceitos importantes, como Soluo Vivel,
Regio Vivel, Valor timo da Funo objetivo e Soluo tima do
modelo, que sero adiante definidos.
Na seqncia ser mostrado como resolver graficamente um
modelo de PL com duas variveis de deciso.
Exemplo 1:
Uma empresa fabrica dois tipos de brinquedos, B
1
e B
2
, que
48
utilizam dois recursos: plstico (at 1.000 quilos esto
disponveis) e horas de produo (at 40 horas esto disponveis).
O Departamento de Marketing colocou algumas restries:
no fabricar mais de 700 dzias do total de brinquedos (B
1
e B
2
), o
nmero de dzias de B
1
fabricadas no deve exceder em 350 o
nmero de dzias do brinquedo B
2
.
A Manufatura passou as seguintes informaes: cada dzia
do brinquedo B1 usa 2 quilos de plstico e 3 minutos de produo e
cada dzia do Brinquedo B
2
usa 1 quilo de plstico e 4 minutos de
produo. O lucro estimado na venda do B
1
$8,00/dzia e para o
B
2
$5,00/dzia.
A empresa deseja determinar qual a quantidade a ser
produzida de cada brinquedo de modo a maximizar o lucro total
semanal.
Modelagem
Variveis de deciso: x
i
quantidade (em dzias) a serem fabricadas
semanalmente do brinquedo B
i
Max 8x
1
+ 5x
2
(Lucro semanal)
Sujeito a
2 x
1
+ 1 x
2
s 1000 (Plstico)
3 x
1
+ 4 x
2
s 2400 (Tempo de Produo - Minutos)
x
1
+ x
2
s 700 (Produo Total)
x
1
- x
2
s 350 (Mix)
x
j
> 0, j = 1,2 (No-negatividade)
49
Resoluo Grfica
Usando um par de eixos coordenados, com x
1
nas abcissas e
x
2
nas ordenadas, por exemplo, podem ser representadas
graficamente as restries (observar que so semi-planos), a funo
objetivo ( uma reta) e os tipos de solues viveis.
1a. Etapa Encontrar a Regio Vivel, ou seja, o conjunto
dos pares (x
1
, x
2
) que satisfazem todas as restries. As restries de
no negatividade correspondem ao 1
o
. Quadrante do espao de
pontos (x
1
, x
2
), conforme Figura 3, onde as setas indicam a rea
onde esto os pontos que satisfazem essas restries.
Figura 3. Restries de no negatividade.
Nas Figuras de 4 a 7 esto representadas, seqencialmente,
as restries de plstico, tempo de produo, produo total e de
mix, devendo ser identificados os pares (x
1
, x
2
) que satisfazem todas
elas. Testar se (x
1
= 0, x
2
= 0) satisfaz a restrio analisada para
descobrir qual o semi-plano que corresponde restrio.
Figura 4. Restrio de plstico.
x
2
1.000
x
2
x
1
500
x
1
Restrio de plstico: 2 x
1
+ 1 x
2
s 1000
x
2
50
Figura 5. Restrio de tempo de produo.
Figura 6. Restrio de produo total.
Figura 7. Restrio de mix.
600
x
2
700
700
Restrio de mix: x
1
- x
2
s 350
x
1
Restrio produo total (ela
redundante):
x
1
+ x
2
s 700
x
2
Restrio de tempo de produo:
3 x
1
+ 4 x
2
s 2400
x
1
x
2
800
x
1
350
51
Figura 8. Regio vivel.
Na Figura 8 est o resultado das interseces de todas as
restries, compondo a Regio Vivel do modelo. Podem ser
identificados trs tipos de solues viveis (ver exemplos na Figura
8): Pontos Internos Regio Vivel, Pontos na fronteira (nos
segmentos de reta) e Pontos que so vrtices (interseco dos
segmentos de reta).
2
a
. Etapa Encontrar a soluo tima. Deve-se perceber que
a funo objetivo, 8x
1
+ 5x
2
, para cada um de seus valores possveis
gera uma famlia de retas paralelas, e o que se est buscando qual
delas est associado ao maior valor e ainda corta (tangenciando) a
Regio Vivel da Figura 8.
O procedimento prtico o seguinte:
a) Arbitrar um valor qualquer para 8x
1
+ 5x
2
, por exemplo,
2.000 e traar a reta associada, 8x
1
+ 5x
2
= 2.000;
b) Verificar para qual sentido, em direo regio Vivel,
deve-se pesquisar, na famlia de retas paralelas reta
350
600
Regio
Vivel
Soluo Vivel
um Vrtice
Soluo Vivel
na Fronteira
Soluo Vivel
Interior
52
arbitrada, h melhoria no valor da funo objetivo. Isso
pode ser feito comparando-se o valor arbitrado, 2.000, com
o valor da funo objetivo obtido quando (x
1
= 0, x
2
= 0), ou
seja, comparar com uma reta paralela que passa pela origem
do sistema de coordenadas. Neste caso tem-se que o valor
zero, ou seja, menor que 2.000 (ver Figura 9);
Figura 9. Obteno da soluo tima.
c) Como se pretende achar o mximo valor para a funo
objetivo, deve-se procurar por uma reta paralela reta 8x
1
+ 5x
2
=
2.000 que esteja mais afastada da origem (ver na Figura 9 a seta a
partir da reta 8x
1
+5x
2
=2.000, indicando para qual lado deve-se
procurar a reta paralela de modo que haja melhoria do valor da
funo objetivo) e ainda corte (tangencie) a Regio Vivel.
O ponto da Regio Vivel (x*
1
, x*
2
), tangenciado por essa
reta ser a soluo tima, com x*
i
sendo a quantidade tima (em
dzias) a ser fabricada semanalmente do brinquedo B
i
, e o valor da
funo objetivo ser o lucro total semanal timo. Uma ilustrao
desse procedimento est na Figura 9, obtendo-se: $4.360 lucro
x
1
8x1+5x2=2.000
x
2
400
250
8x
1
+5x
2
=4.360 lucro timo
x*
1
= 320
x*
2
= 360
Melhoria do
objetivo
8x1+5x2=0
53
timo, x*
1
(timo) = 320 e x*
2
(timo) = 360.
Assim, a programao tima da produo de brinquedos
produzir 320 dzias do brinquedo B
1
e 360 dzias do brinquedo B
2
,
gerando um lucro total semanal de $4.360.
Na Figura 10 apresenta-se uma visualizao grfica de casos
possveis num PPL que seja de maximizao envolvendo duas
variveis. Nesta Figura 10 esto indicados: a Regio Vivel (quando
existe), h uma reta obtida para um valor arbitrrio da funo
objetivo, o sentido de melhoria da funo objetivo e o valor timo
da funo objetivo, Z*.
Na Figura 10 (a), apresenta-se uma situao em que a
soluo nica e corresponde a um vrtice da Regio Vivel. Na
Figura 10 (b), est ilustrado um caso onde a Regio Vivel aberta
direita e devido s caractersticas da funo objetivo que cresce
exatamente para esta direo, a soluo dita ser ilimitada, com o
valor de Z* tendendo a . Na situao da Figura 10 (c), as restries
no possuem pontos em comum no 1
o
. Quadrante, o que indica que
o problema invivel, ou seja, no tem solues viveis que
satisfaam, ao mesmo tempo, todas as suas restries.
Finalmente, nas Figuras 10 (d) e (e), esto ilustrados os dois
casos possveis onde h mais de uma soluo tima. Observe que,
na Figura 10 (d), o valor timo da funo objetivo (Z*) ocorre para
todos os pontos que esto num segmento de reta na fronteira da
Regio Vivel e, na Figura 10 (e), Z* est associado aos pontos de
uma semi-reta que compe uma das fronteiras da Regio Vivel.
54
Figura 10. Casos possveis em PL.
5. Forma Padro
O desenvolvimento de um algoritmo que resolva um modelo
de PL exige que se reduza o modelo original para uma forma
equivalente, que permita a aplicao direta deste algoritmo. Em PL,
o algoritmo mais conhecido o Mtodo Simplex para o qual
fundamental colocar os modelos na Forma-Padro definida a seguir.
Um modelo de minimizao de PL est na forma-padro
quando tiver a seguinte formulao:
55

= >
= > =
=

=
=
n j x
m i b b x a
a s x c Z Min
j
n
j
i i j ij
n
j
j j
,..., 2 , 1 , 0
,..., 2 , 1 0 ,
: . .
1
1
ou ainda, na forma matricial:

>
> =
' =
. 0
0 ,
: . .
X
b b AX
a s X C Z Min
onde,
1 1 1
, , ,
mx nx mxn nx
b C A X .
Um modelo de minimizao de PL est na forma-padro
quando tiver a seguinte formulao:

= >
= > =
=

=
=
n j x
m i b b x a
a s x c Z Min
j
n
j
i i j ij
n
j
j j
,..., 2 , 1 , 0
,..., 2 , 1 0 ,
: . .
1
1
ou ainda, na forma matricial:

>
> =
' =
. 0
0 ,
: . .
X
b b AX
a s X C Z Min
onde,
1 1 1
, , ,
mx nx mxn nx
b C A X
Quando o modelo for de maximizao, as restries tambm
devem ser na forma de igualdades, bem como as constantes e
variveis devem ser no negativas tambm.
Artifcios para reduo de um modelo qualquer Forma-Padro:
(a) Ocorrncia de desigualdades nas restries: qualquer
desigualdade pode ser transformada numa igualdade equivalente,
bastando adicionar ou subtrair novas variveis no negativas,
denominadas Variveis de Folga.
56
Exemplo 2: Sejam as restries:

> +
s +
5 2 3
4 2
2 1
2 1
x x
x x
estas restries so equivalentes a

> = +
> = + +
. 0 , 5 2 3
, 0 4 2
4 4 2 1
3 3 2 1
x x x x
x com x x x
(b) Na ocorrncia de b
i
< 0 : basta multiplicar por (-l) a
restrio i, pois os coeficientes a
ij
podem assumir qualquer sinal na
forma padro.
(c) Ocorrncia de variveis livres, isto , variveis que podem
ser positivas, nulas ou negativas: Seja x
k
uma varivel livre, h dois
tipos de operaes para elimin-la,
(c
l
) substituir em todas as equaes do modelo x
k
por
, x x x
,,
k
,
k k
= onde 0 x e 0 x
, ,
k
,
k
> > .
(c
2
) expressar x
k
, a partir de uma restrio j na forma de igualdade,
como funo das demais variveis no-negativas e substituir x
k
nas
outras equaes por esta expresso. Aps a resoluo do novo
modelo, sem x
k
e a equao de recorrncia utilizada, calcula-se o
valor de x
k
atravs da equao de recorrncia.
(d) Ocorrncia de varivel no positiva: se existe x
k
< 0, basta
substitu-la pela sua simtrica 0
,
> =
k k
x x nas equaes do modelo.
Exemplo 3. Colocar na forma-padro o modelo abaixo,
Max 2x
1
x
2
+ x
3
s. a :
57

s >
= +
>
s +
> +
. , 0 , 0
8
7 2
0 4
5 2
3 2 1
2 1
3 1
3 1
3 2 1
livre x x x
x x
x x
x x
x x x
Numa primeira etapa, sero tratadas as desigualdades e as
constantes das restries, que devem ser respectivamente, em forma
de igualdades e no negativas. Assim, obtm-se um novo modelo
equivalente ao original dado por:
Max Z = 2x
1
x
2
+ x
3
s. a:

> > > s >

= +
= + +
= + +
= +
0 , 0 , 0 , , 0 , 0
) 4 ( 8
) 3 ( 7 2
) 2 ( 0 4
) 1 ( 5 2
6 5 4 3 2 1
2 1
6 3 1
5 3 1
4 3 2 1
x x x livre x x x
x x
x x x
x x x
x x x x
onde x
4
, x
5
, x
6
so variveis de folga.
Agora, adotando o procedimento (c
2
), visto anteriormente,
pode-se eliminar a varivel x
3
, utilizando-se, por exemplo, a
equao (2):
5 1 3
4 x x x = . Substituindo em (1), (3), (4) e na
funo objetivo, tem-se:
Max -2x
1
- x
2
- x
5
s. a:
58

> s
= +
= +
= + +
0 , , , , 0
8
7 2 7
5 2 5
6 5 4 1 2
2 1
6 5 1
5 4 2 1
x x x x x
x x
x x x
x x x x
Resta agora fazer
'
2
x =-x
2
em todas as equaes do modelo,
resultando, finalmente, na forma padro procurada:
Max -2x
1
- x
2
- x
5
s. a:

>
= +
= +
= + +
0 , , , ,
8
7 2 7
5 2 5
6 5 4
'
2 1
'
2 1
6 5 1
5 4
'
2 1
x x x x x
x x
x x x
x x x x
6. Definies e Teoremas
Aqui sero apresentados alguns conceitos, e resultados
importantes com respeito soluo de um Modelo de PL na forma
padro.
Definio 1: Soluo Vivel
O vetor X
0
soluo vivel

>
=
0
0
0
X
b AX
, isto , X
0
satisfaz as
restries.
Exemplo 4: Seja o Modelo
59

= >
= +
= +
+ + =
3 , 2 , 1 , 0
7 3 2
2
: . . 2
3 2 1
3 2 1
3 2 1
i x
x x x
x x x
a s x x x Z Min
i
Os vetores
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
=
1
0
3
0
1
1
0
2
0
1
X e X so solues viveis.
Definio 2 : Soluo tima
O vetor
*
X soluo tima
*
X soluo vivel e
X ' X '
*
C Z Min C = =
No exemplo 4, como poder ser verificado, posteriormente,
pelo uso do Mtodo Simplex, a soluo tima :
|
|
|
.
|

\
|
= =
0
1
1
*
0
1
X X e
3 * = Z o valor timo da funo objetivo.
Definio 3 : Conjunto das Solues Viveis
Os vetores X
o
tais que { } 0
0 0 0
> = X e b AX X formam o
conjunto vivel do modelo na forma padro.
Observaes:
(a) Se o conjunto vivel vazio o modelo invivel.
(b) Se existir uma seqncia de solues viveis { } ,... ,
0
2
0
1
X X
de modo que C'
0
i
X - quando i ento o modelo tem
soluo ilimitada.
60
Lema 1: O conjunto das solues viveis convexo e fechado.
A demonstrao desse Lema foge do escopo deste livro e os
interessados podero consultar as referncias ao final deste captulo
para obterem maiores detalhes.
Definio 4: Soluo Bsica
Seja o sistema de equaes
( )

s
=
n m
b AX
, com
( ) ( )
n ij mxn
a a a a A ...
2 1
= = onde
|
|
|
.
|

\
|
=
mi
i
i
a
a
a
1
.
Assim: AX = b x
1
a
l
+ ... x
m
a
m
+ ... + x
n
a
n
= b (1)
Este sistema (1) apresenta soluo indeterminada, pois h
mais variveis do que equaes. Selecione na matriz A, m colunas
linearmente independentes - LI, a
l
, a
2
, ..., a
m
.
Fazendo iguais a zero as variveis no associadas a estas
colunas LI escolhidas, isto , fazendo-se x
m+l
= x
m+2
=...x
n
= 0,
obtm-se um sistema de equaes que possvel e determinado,
dado por:
x
1
a
1
+ x
2
a
2
+ ... + x
m
a
m
= b (2)
A soluo deste sistema (2) chamada de uma soluo
bsica do sistema original (1), as colunas a
1
, ..., a
m
so chamadas
colunas bsicas e x
1
, x
2
, ... x
m
so as variveis bsicas. As demais
variveis e colunas so denominadas no-bsicas.
Exemplo 5: Achar as solues bsicas do sistema de equaes
61

= + +
= +
6 2 2
12
3 2 1
3 2 1
x x x
x x x
Inicialmente, podem ser identificados:
A = 1 1 -1 , X = x
1
, b = 12 , a
1
= 1 , a
2
= 1 , a
3
= -1
-1 2 2 x
2
6 -1 2 2
x
3
Deve-se selecionar de A duas colunas que sejam LI, dentre
os possveis conjuntos de colunas {a
l
, a
2
}, {a
l
, a
3
} e {a
2
, a
3
}. Como
estes conjuntos definem submatrizes de A, basta verificar se os
determinantes destas submatrizes so nulos ou no, para saber se os
conjuntos associados so ou no LI. Se algum determinante se
anular indica que o conjunto associado Linearmente Dependente -
LD, caso contrrio, o conjunto LI.
Verificando isto, tem-se no exemplo 5:
{ }
{ }
{ }
3 2
3 1
2 1
,
,
,
a a
a a
a a
LI pois
LI pois
LI pois
2 2
1 1
2 1
1 1
2 1
1 1

= 3
= 1
= 4
Portanto tm-se trs solues bsicas para o sistema em
estudo:
l
a
soluo bsica fazer x
3
= 0 (varivel no-bsica) o que resulta
em:

= +
= +
6 2
12
2 1
2 1
x x
x x
, cuja soluo 6 6
2 1
= = x e x (variveis
62
bsicas)
2
a
soluo bsica fazer x
2
= 0 (varivel no-bsica) o que resulta
em:

= +
= +
6 2
12
3 1
3 1
x x
x x
,cuja soluo 18 30
3 1
= = x e x (variveis
bsicas)
3
a
soluo bsica fazer x
1
= 0 (varivel no-bsica) o que resulta
em: x
2
-

x
3
= 12
2x
2
+ 2x
3
= 6 , cuja soluo 5 , 4 5 , 7
3 2
= = x e x (variveis
bsicas)
Definio 5 : Soluo Bsica Vivel (S.B.V.)
O vetor X
B
soluo bsica vivel X
B
> 0 e A
B
X
B
= b ,
onde A
B
a submatriz de A formada pelas colunas bsicas
associadas s variveis que compem X
B
.
Exemplo 6: No exemplo 5 as solues bsicas viveis so:
|
|
.
|

\
|

=
|
|
.
|

\
|
=
2 1
1 1
6
6
1 1
B B
A com X e as variveis bsicas so x
1
e x
2
;
|
|
.
|

\
|

=
|
|
.
|

\
|
=
2 1
1 1
18
30
2 2
B B
A com X e as variveis bsicas so x
1
e x
3
.
A seguir esto dois importantes resultados da PL, cujas
demonstraes fogem do escopo deste livro e no sero, portanto
63
apresentadas, recomenda-se aos interessados a consulta s
referncias bibliogrficas do final do captulo.
O modelo original, citado nos Teoremas 1 e 2, se referem ao
modelo antes de ser colocado na forma padro.
Teorema 1: As solues bsicas viveis do modelo na forma padro
correspondem a pontos extremos (vrtices) do conjunto vivel do
modelo original .
Teorema 2 : Se o modelo original tem soluo tima ento pelo
menos um ponto extremo (vrtice) do seu conjunto vivel timo,
ou seja, pelo menos uma soluo bsica vivel do modelo
equivalente na forma padro tima.
Um exame superficial dos resultados desta seo indicaria
uma tcnica simplista de resoluo para o modelo de PL. Bastaria
determinar todas as solues bsicas viveis, isto , os vrtices da
regio vivel, calcular os respectivos valores da funo objetivo,
para cada uma destas solues, e selecionar o menor deles como
sendo a soluo tima.
Assim, bastaria resolver um nmero finito de sistemas de
equaes lineares de ordem m x n, sendo m o nmero de restries e
n o nmero de variveis. Mas, este procedimento insuficiente, e o
que pior, incorreto, j que ele s se aplicaria a problemas com
soluo finita (ver os casos possveis para um PPL na Figura 10).
64
A impraticabilidade de tal tcnica em problemas reais
evidenciada pela observao de que, mesmo para um modesto
sistema com 7 variveis e 4 equaes, tem-se que resolver
|
|
.
|

\
|
4
7
= 35
sistemas lineares de ordem 4x4!
Apresenta-se, neste texto, o Mtodo Simplex, desenvolvido
em 1947 por George Dantzig, que supera estas dificuldades
mediante o artifcio de ao invs de se testar todos os vrtices (s.b.v),
iniciar com um vrtice qualquer, e passar, via modificaes simples
e de fcil controle, a outros vrtices mais eficientes do ponto de
vista da otimizao (Max ou Min) desejada. Deste modo, garante-se
uma melhoria passo a passo dos valores da funo objetivo na
direo do timo Z*.
7. Forma Cannica de um Sistema de Equaes Lineares
Uma maneira prtica de se obter solues bsicas de um
sistema de equaes lineares (S), dado por AX = b, colocar este
sistema numa forma conveniente denominada Forma Cannica. Isto
pode ser feito usando o Mtodo de Eliminao de Gauss-Jordan
(MEGJ), que nos leva a seguinte equivalncia entre os sistemas (S) e
(S):
(S) :

= + + +
= + + +
= + + +
+ +
+ +
+ +
m n mn m mm m
n n m m
n n m m
b x a x a x
b x a x a x
b x a x a x

1 1
2 2 1 1 2 2
1 1 1 1 1 1
65
O sistema (S') denominado uma forma cannica de (S).
Deve-se notar que, em (S'), fica evidente a seguinte soluo bsica:
variveis bsicas:
m m
b x b x b x = = = , , ,
2 2 1 1

variveis no-bsicas: 0 x x x
n 2 m 1 m
= = = =
+ +

Naturalmente poderiam ter sido escolhidas outras variveis
para serem as bsicas, optou-se pelas m primeiras variveis, x
1
, x
2
,
..., x
m
, apenas por facilidade de apresentao no texto.
O MEGJ pode ser aplicado como segue. Observe-se que h
uma varivel bsica diferente em cada equao de (S'). Isso obtido
aps se escolher uma varivel x
i
de (S) para ser a varivel bsica
associada a equao j de (S') e efetuar-se uma operao denominada
Pivoteamento a partir do coeficiente a
ij
em (S), que recebe o nome
de Piv.
O pivoteamento corresponde a se utilizar em (S) operaes
entre linhas tais como: troca de equaes, diviso (ou multiplicao)
de uma equao por uma constante, ou ainda, adicionar a uma
equao uma combinao linear das demais. Estas operaes no
alteram a essncia do sistema (S), levando a um sistema equivalente
(S). Esquematicamente, o pivoteamento est explicado na Figura
11.
66
Aplicando as
operaes de
pivoteamento
a partir de a
ij
Figura 11. Pivoteamento.
Observe-se que, por meio do pivoteamento, o coeficiente
a
ij
transformado em 1, e os demais coeficientes de x
j
so
transformados em zeros.
Exemplo 7: Dado o sistema

= +
= +
) 2 ( 2 4
) 1 ( 4 6 2 2
: ) (
3 2 1
3 2 1
x x x
x x x
S
Achar uma forma cannica (S) associando x
1
como varivel bsica
da equao (1) e x
3
como varivel bsica da equao (2).
Aplicando o MEGJ em (S), tem-se a seqncia de sistemas
equivalentes a seguir.

= +
= +
) 2 ( 2 4
) 1 ( 4 6 2 2
3 2 1
3 2 1
x x x
x x x
(ver 1
o
Quadro da Figura 12)
Dividindo a equao (1) por 2:
67

= +
' = +
) 2 ( 2 4
) 1 ( 2 3
3 2 1
3 2 1
x x x
x x x
Substituindo a equao (2) por (2)=(2) + (1'):

= +
' = +
) ' 2 ( 4 2 3
) 1 ( 2 3
3 2
3 2 1
x x
x x x
(ver 2
o
Quadro da Figura 12)
Dividindo a equao (2') por 2:

' ' = +
' = +
) 2 ( 2
2
3
) 1 ( 2 3
3 2
3 2 1
x x
x x x
Substituindo a equao (1') por (1) = (1') - 3.(2"):
(S'):

' ' = +
' ' =
) 2 ( 2
2
3
) 1 ( 4
2
11
3 2
2 1
x x
x x
(ver 3
o
Quadro da Figura 12)
Tem-se, assim, a Soluo Bsica associada com (S), com as
variveis bsicas sendo x
1
= -4, x
3
= 2; e varivel no-bsica x
2
= 0.
Pode-se utilizar um procedimento prtico para obter uma
forma cannica de um sistema linear. Este mtodo aplicado ao
Exemplo 7 e ilustrado na Figura 12. Os elementos escolhidos como
pivs em cada iterao esto destacados com um crculo.
68
Figura 12. Etapas do pivoteamento do Exemplo 7.
No 3
o
Quadro esto as variveis bsicas x
1
= -4, x
3
= 2; a
varivel no-bsica x
2
= 0.
8. O Mtodo Simplex
O Mtodo Simplex um procedimento iterativo que fornece
a soluo de qualquer modelo de PL em um nmero finito de
iteraes. Indica, tambm, se o modelo tem soluo ilimitada, se no
tem soluo, ou se possui infinitas solues.
H duas etapas na aplicao do Mtodo Simplex, aps
colocar o modelo de PL na forma-padro:
Etapa (A) - Teste de Otimalidade da soluo ou identificao de
uma soluo tima;
Etapa (B) - Melhoria da soluo ou obteno de soluo bsica
vivel (s.b.v.) melhor que a atual.
A seguir, esto os detalhes sobre cada uma destas etapas.
69
Etapa (A) - Teste de Otimalidade.
Sejam as restries do modelo geral de minimizao na
forma padro, acrescentadas da funo objetivo:

+ = + + + + + +
= + + + + +
= + + + + +
+ +
+ +
+ +
) 1 ( 0
) (
) 1 (
1 1 1 1
1 1 1 1
1 ln 1 1 1 11
m x c x c x c x c Z
m b x a x a x a x a
b x a x a x a x a
n n m m m m
m n mn m mm m mm m
n m lm m lm




Aplicando o MEGJ, considerando como variveis bsicas,
x x
m 1
,..., e -Z, respectivamente para as equaes 1,.,m e m+1,
tem-se:

= + + +
= + + +
= + + +
+
+
+ +
+
+

0 n
n
1 m
1 m
m n mn 1 m 1 mm m
1
n
ln
1 m
1 lm
1
Z x c x c
b x a x a x
b x a x a x
Z

onde, m
m
b c b c b c Z + + = ... 2
2
1
1 0
o valor da funo objetivo (ver
a seguir) e os n m j c j , ... , 1 , + = so denominados coeficientes de
custo relativos. Considerando todos os m i bi ... , 1 , 0 = > tem-se:
s.b.v.:
variveis bsicas
variveis no-bsicas
0 ...
, ... ,
1
1
1
= = =
= =
+ n m
m
m
x x
b x b x
70
O Valor da funo objetivo para esta soluo bsica
vivel pode ser obtido da equao (m+1) modificada, pois:

+ =
+ =
n
m j
j
j x c Z Z
1
0
, e x
j
= 0 ,
0
..., , 1 Z Z n m j = + = .
Pergunta: Pode-se melhorar (diminuir) o valor de Z considerando
outras s.b.v.?
Anlise: Se na equao (m+1) no h < 0 cj ento qualquer
mudana no valor da varivel no-bsica x
j
(isto , obter outra s.b.v.
com x
j
sendo varivel bsica) aumenta necessariamente Z a
s.b.v. atual tima e
0
* Z Z = (no h Etapa (B)).
Se na equao (m+1) h 0 c
s
< a varivel no-bsica x
s
correspondente a este
s
c , sendo for transformada em varivel bsica
(em uma prxima s.b.v.) faz com que Z diminua a s.b.v. atual no
tima. (H Etapa (B)).
Visualizao da Etapa (A) do Mtodo Simplex
Exemplo 8. Seja o modelo de minimizao com a funo objetivo Z

>
= + +
= + +
+ + =
0 x , x , x
3 x x 3 x 3
4 x 2 x x 2
. a . s x x x 4 Z
3 2 1
3 2 1
3 2 1
3 2 1
Acrescentando a f.o. s restries do PPLP, vem:
71

=
=
=
+
+
+
+
+
+
+ ) 3 (
) 2 (
) 1 (
0
3
4 2
3
4
3
2
3
3
3
2
2
2
1
1
1
x
x
x
x
x
x
x
x
x
Z
Aplicando-se o MEGJ, considerando x
3
como varivel
bsica para a 1
a
equao, x
1
para a 2
a
equao e -Z para a 3
a
equao:

=
= + +
= +
) (
2
7
4
13
2
1
4
5
2
3
4
3
2
2 1
3 2
I x Z
x x
x x
Da equao (I):
2
4
13
2
7
x Z = , como x
2
= 0 ( varivel no-
bsica)
2
7
1
0
= = Z Z , que o valor da funo objetivo para esta
primeira s.b.v., que tem x
3
= 3/2, x
1
= 1/2 e x
2
= 0.
Anlise: Como + | = Z o a ent x Z
~
x se ,
4
13
2
7
2 2
como se deseja.
Assim, a s.b.v. atual no tima, pois tem-se x
2
= 0 (ou seja, x
2
est
assumindo o seu menor valor).
Procura-se tornar x
2
varivel bsica numa prxima s.b.v.
aplicando o MEGJ, e considerando como variveis bsicas, x
3
para a
1
a
equao, x
2
para a 2
a
equao, e -Z para a 3
a
equao. Obtm-se,
deste modo:
72

= +
= +
= +
) (
5
11
5
13
5
2
5
4
5
9
5
3
1
2 1
3 1
II x Z
x x
x x
Da equao (II):
1
5
13
5
11
x Z + = , como x
1
= 0 ( varivel
no-bsica)
5
11
2
0
= = Z Z , que o valor da funo objetivo. para
a segunda s.b.v., onde 0
5
2
,
5
9
1 2 3
= = = x e x x .
Anlise: Como
1
5
13
5
11
x Z + = , se x
1
| ento Z| que no
interessante, pois deseja-se minimizar a funo objetivo. Logo o
valor de Z =
5
11
no pode ser melhorado.
Deste modo tem-se:
Z*=
5
11
(valor timo) e
|
|
|
.
|

\
|
=
|
|
|
|
.
|

\
|
=
5 / 9
5 / 2
0
*
*
3
*
2
*
1
x
x
x
X (soluo
tima).
Fase (B) - Melhoria da Soluo.
Admitindo que j foi realizada a etapa (A) do Mtodo
Simplex, num modelo de minimizao, e existe c
s
< 0; deve-se
73
achar uma nova s.b.v. com x
s
tendo seu valor aumentado (era
zero) at que alguma restrio do modelo na forma padro seja
violada.
Problema: Nesta nova s.b.v., que outras variveis deve-se alterar (e
de quanto) para compensar o aumento de x
s
?
Soluo: Devem-se alterar apenas os valores das variveis bsicas
da s.b.v. atual, pois:
(a) Cada varivel bsica s afeta uma equao, podendo ser
colocada como uma funo de x
s
, facilitando descobrir qual a
variao possvel de x
s
, sem que cada varivel bsica se torne
negativa;
(b) As variveis bsicas tm coeficientes de custo relativo nulos na
equao associada funo objetivo (equao m+1); portanto,
alteraes nos seus valores no afetam o valor de Z, assim pode-se
garantir que a funo objetivo diminuir ao se aumentar x
s
.
Procedimento Geral para aplicar a Etapa (B):
(a) Escolher x
s
tal que c
s
< 0 na equao (m+1)
(b) Procurar equao i tal que
is i
a b / = Min { } 0 , / >
js js j
a a b , onde
js
a o coeficiente da varivel x
s
na equao j.
O coeficiente a
is
correspondente ao quociente mnimo
is
i
a
b
denominado Piv. A varivel bsica associada equao i
74
ser substituda pela varivel no-bsica x
s
atravs de operaes
de pivoteamento com a
is
.
Visualizao da Fase (B) do Mtodo Simplex
Exemplo 9. (MACULAN FILHO e PEREIRA, 1980) Seja um
modelo de minimizao, j com a funo objetivo acrescentada ao
conjunto das restries:

= +
= +
= +
) 3 ( 4 5 4
) 2 ( 6 2 2
) 1 ( 5 3 2
4 3
4 3 2
4 3 1
x x Z
x x x
x x x
A soluo bsica vivel atual tem as variveis bsicas x
1
=
5, x
2
= 6, as variveis no-bsicas x
3
= x
4
= 0 e Z = 4.
A partir da Etapa (A) do Mtodo Simplex sabe-se que o
coeficiente 4
3
= c da varivel no-bsica x
3
, na equao (3),
indica que a s.b.v. atual no tima, e x
3
deve ser varivel bsica
numa prxima s.b.v..
Assim, o prximo passo determinar at que valor x
3
pode
ser aumentado (seu valor atual zero), sem que x
1
e x
2
se tornem
negativos.
Na nova s.b.v. (com x
3
como varivel bsica) deve-se
manter 0 0
2 1
> > x e x , e sabe-se tambm que:
de (1): 0 , 3 2 5
4 4 3 1
= + = x como x x x (permanece varivel no-
bsica)
3 1
2 5 x x =
75
de (2): 0 , 2 2 6
4 4 3 2
= + = x como x x x (permanece varivel no-
bsica)
3 2
6 x x =
Deste modo tem-se:
2
6
0 2 / 5 0
3 2 3 1
s > s > x x e x x e
o maior valor que x
3
pode assumir, sem violar as restries deve ser
ento
2
5
2
6
,
2
5
=
)
`

Min .
Concluso: A nova s.b.v. tem como variveis bsicas,
2
5
3
= x e ; 1 2 6
3 2
= = x x como varivel no-bsicas, x
1
= x
4
= 0, e
6
2
5
. 4 4 = = Z .
Pode ser utilizado um esquema de tabelas como artifcio
para sistematizar a obteno de s.b.v., isso foi aplicado ao exemplo
9 e est ilustrado na Figura 13.
Comentrios Adicionais
(1) Ocorrncia de Empate na Entrada.
Durante a aplicao da Etapa (B), quando houver mais de
um coeficiente de custo relativo negativo, pode-se optar por tornar
varivel bsica, na prxima s.b.v., qualquer varivel no-bsica
associada a um destes coeficientes.
Normalmente, escolhe-se a varivel correspondente ao
menor deles, este critrio conhecido como a Regra de Dantzig.
76
Figura 13. Uso de tabelas na resoluo do exemplo 9.
(2) Problema Inicial Ilimitado.
Se ao aplicar a Etapa (B), com x
s
escolhida para se tornar
varivel bsica, ocorrer que todos os
js
a s 0 ento nenhuma varivel
bsica tem seu valor diminudo quando x
s
aumenta, o que leva a
concluso que o modelo apresenta soluo ilimitada (Z -).
Considere o Exemplo 9 onde, agora, os coeficientes de x
3

nas restries (1) e (2) so iguais a (-2), neste caso tem-se:
77

4 5 4
6 2 2
5 3 2
4 3
4 3 2
4 3 1
= +
=
=
x x Z
x x x
x x x (1)
(2)
(3)
Como o coeficiente da varivel no-bsica x
3
na equao
(3) 4
3
= c , significa que deve-se aumentar x
3
(seu valor atual
zero pois varivel no-bsica) para algum valor positivo (o maior
possvel).
Como x
4
= 0 (permanece como varivel no-bsica) de (1)
3 1
2 5 x x + = e de (2)
3 2
2 6 x x + = . Notar que tem-se 0
1
> x e
0
2
> x quando
3
x aumentado, ou seja, nenhuma restrio de no-
negatividade violada, e pode-se aumentar indefinidamente x
3
.
Como + Z quando |
3
x tem-se que Z (Problema Ilimitado).
(2) Avaliao da Melhoria no Valor da Funo objetivo.
Notar que, em cada iterao do Mtodo Simplex, ocorre
uma melhoria no valor da funo objetivo avaliada por:
) ( 0 0 , 0 Piv a e b c para c
a
b
Z Z
is i s s
is
i
atual novo
> > < + =
Para ilustrar isto, considere o Exemplo 9, onde foram
obtidas duas s.b.v:
6 , 0 ,
2
5
, 1 , 0 2 . . .
4 , 0 , 6 , 5 1 . . .
2 4 3 2 1
1 4 3 2 1
= = = = =
= = = = =
Z x x x x v b s
Z x x x x v b s
78
Notar que
s
is
i
c
a
b
Z Z + =
1 2
com, 2 , 5 , 4
1
= = = is i a b Z e 4 = s c
( ) 6 4
5
2
4
2
= |
.
|

\
|
+ = Z
(4) Interpretao Geomtrica do Mtodo Simplex.
Em cada iterao o Mtodo Simplex vai de um vrtice
(s.b.v.) do conjunto vivel para outro vrtice adjacente a ele (outra
s.b.v.) onde o valor da funo objetivo melhor. Ver ilustrao no
Exemplo 10.
Exemplo 10. (MACULAN FILHO e PEREIRA, 1980)
2 1
x 5 x 3 Z Min = s. a.:

>
s +
s
s
0 ,
18 2 3
6
4
2 1
2 1
2
1
x x
x x
x
x
Colocando na forma padro, tem-se:
2 1
x 5 x 3 Z Min =
s. a:

= >
= + +
= +
= +
5 , 1 , 0
18 2 3
6
4
5 2 1
4 2
3 1
i x
x x x
x x
x x
i
79
Aplicando o Simplex tm-se as tabelas da Figura 14.
VB
x
1
x
2
x
3
x
4
x
5
b
x
3
x
4
x
5
1
0
3
0
2
1
0
0
0
1
0
0
0
1
4
6
18
Quadro 1

= =
= =
= =
. 0 , 8
, 6 , 4
0
5
4 3
2 1
Z x
x x
x x
s.b.v. 1
-Z -3 -5 0 0 0 0
x
3
x
2
x
5
1
0
0
1
0
1
0
0
0
1
-2
0
0
1
4
6
6
Quadro 2

= =
= =
= =
. 30 , 6
, 6 , 4
0
2
5 3
4 1
Z x
x x
x x
s.b.v. 2
-Z -3 0 0 5 0 30
x*
3
x*
2
x*
1
0
0
1
0
1
0
1
0
0
2/3
1
-2/3
-1/3
0
1/3
2
6
2
Quadro 3

= =
= =
= =
. 36 , 6
, 6 , 2
0
2
5 3
4 5
Z x
x x
x x
s.b.v. 3 - tima
* Z 0 0 0 3 1 36
PARAR, pois
0 >
s
c
Figura 14. Resoluo do Exemplo 10.
Na Figura 15 h seqncia de situaes onde se procura
mostrar a evoluo do Mtodo Simplex, indo de uma s.b.v. (vrtice)
80
para outra adjacente no Conjunto Vivel associado ao modelo
original.
Figura 15. Evoluo das iteraes do Mtodo Simplex.
(a) Quadro 1 s.b.v. 1 (b) Quadro 2 s.b.v. 2
(c) Quadro 3 soluo tima
81
(5) Ocorrncia de mais de uma soluo tima.
Quando o modelo tem mais de uma soluo tima, o
Mtodo Simplex capaz de indicar isto.
Suponha que j foi encontrada uma s.b.v. tima para o
modelo, ou seja, correspondentes a essa s.b.v. (1) todos os
coeficientes de custo relativos so maiores ou iguais a zero ( 0 >
j
c ),
com o valor da funo objetivo dado por Z
1
= Z*.
Devem-se analisar os coeficientes de custo relativo
cuidadosamente. Se h algum c
s
= 0, associado a alguma varivel
no-bsica x
s
, ento existe outra s.b.v. (2), onde x
s
varivel bsica,
que tambm tima, pois neste caso no h alterao no Z*, quando
x
s
se torna varivel bsica.
Isto pode ser verificado utilizando-se a expresso
matemtica do comentrio (3) onde:
* 0 ,
1 2
*
1 2
Z Z Z c como c
a
b
Z Z
s s
is
i
= = = + = .
Alm disto, como se sabe que o Mtodo Simplex se
locomove, em cada iterao, para vrtices adjacentes do conjunto
vivel, como visto no comentrio (4), pode-se concluir que todas as
combinaes convexas da s.b.v. (1) e s.b.v. (2) sero tambm
solues timas. Assim 1 0 , ) 1 ( * s s + =
B A
X X X , com X
A
sendo a s.b.v. 1 e X
B
sendo a

s.b.v. 2
Isto pode ser visualizado para um problema de maximizao
em duas dimenses, como sendo o caso de haver um segmento de
reta timo para o problema, ver a Figura 16.
82
Figura 16. Modelo com mais de uma soluo tima
Segmento de reta timo.
Considere o Exemplo 11, onde ocorre a situao de mais de
uma soluo tima.
Exemplo 11.
2 1
2x x Z Min = s. a:

= >
= + +
= +
= +
. 5 , 1 , 0
9 2
4
3
5 2 1
4 2
3 1
i x
x x x
x x
x x
i
Aplicando o Mtodo Simplex, tm-se a seqncia de
quadros da Figura 17. Esto indicados por crculos os coeficientes
que so os pivs.
83
VB x
1
x
2
x
3
x
4
x
5
b
x
3
1 0 1 0 0 3
x
4
0 0 1 0 4
Q
1
x
5
1 2 0 0 1 9
-Z -1 -2 0 0 0 0
x
3
1 0 1 0 0 3
Q
2
x
2
0 1 0 1 0 4
x
5
0 0 -2 1 1
-Z -1 0 0 2 0 8
*
3
x
0 0 1 -1 2
Q
3
*
2
x
0 1 0 1 0 4
(
*
1
X )
*
1
x
1 0 0 -2 1 1
-Z 0 0 0
0
1 9
*
4
x
0 0 1/2 1 -1/2 1
Q
4
*
2
x
0 1 -1/2 0 1/2 3
(
*
2
X )
*
1
x
1 0 1 0 0 3
-Z 0 0 0 0 1 9
Figura 17. Tabelas do Simplex do exemplo 11.
Todas as Combinaes Convexas de
* *
B A
X e X so solues
timas, ou seja, ( ) 1 0 , 1 *
* *
s s + =
B A
X X X , onde:
84
9
0
1
0
3
3
,
0
0
2
4
1
* * *
=
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
|
.
|

\
|
= Z e X X
B A
Graficamente isto pode ser visualizado na Figura 18.
Figura 18. Resoluo grfica do Exemplo 11.
Ainda no Exemplo 11, observe-se que, no Quadro referente
a soluo tima
*
A
X , se os coeficientes nas restries da varivel
no-bsica x
4
, associada ao coeficiente de custo relativo
4
c = 0,
fossem todos nulos ou negativos, ento no haveria piv, e a soluo
tima mltipla seria dada por uma semi-reta tima:
9 * , 1 , *
*
= > = Z X X
A

85
(6) Aplicao do Mtodo Simplex a um Modelo de
Maximizao.
Quando o modelo for de maximizao, pode-se aplicar
diretamente o Mtodo Simplex sem haver necessidade de
transform-lo em um modelo de minimizao.
Para isto basta considerar as seguintes alteraes nas Etapas
(A) e (B) vlidas, agora, para o caso de maximizao:
Etapa (A) Teste de Otimalidade A s.b.v. atual ser tima todos
os coeficientes de custos relativos forem no-positivos, isto , se
/ - > c
j
0.
Etapa (B) Melhoria da Soluo A varivel no-bsica, escolhida
para ser bsica na prxima s.b.v., deve ser escolhida dentre aquelas
com coeficiente do custo relativo positivo. Normalmente, escolhe-se
para ser bsica aquela varivel no-bsica correspondente ao maior
coeficiente de custo relativo (Regra de Dantzig). O pivoteamento
realizado da mesma maneira que para um modelo de minimizao.
Exemplo 12. Max
2 1
5 3 x x Z + = s. a:

>
s +
s
s
0
2
,
1
18 2 3
6
4
2 1
2
1
x x
x x
x
x
Aplicando o Mtodo Simplex, para maximizao, obtm-se
as tabelas da Figura 19. Esto indicados com os crculos os
coeficientes que so os pivs.
86
V.B. x
1
x
2
x
3
x
4
x
5
b
x
3
1 0 1 0 0 4
x
4
0 0 1 0 6
x
5
3 2 0 0 1 18
-Z 3
5
0 0 0 0
x
3
1 0 1 0 0 4
x
2
0 1 0 1 0 6
x
5
0 0 -2 1 6
-Z
3
0 0 -5 0 -30
*
3
x
0 0 1 2/3 -1/3 2
*
2
x
0 1 0 1 0 6
*
1
x
1 0 0 -2/3 1/3 2
-Z* 0 0 0
-3
-1 -36
Soluo tima, pois 0 c
s
> -/
Figura 19. Tabela do Simplex para o Exemplo 12.
36 * ,
0
0
2
6
2
*
*
5
*
4
*
3
*
2
*
1
=
|
|
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
|
|
|
.
|

\
|
= Z
x
x
x
x
x
X
87
Apresenta-se, na Figura 20, um fluxograma vlido para
minimizao para orientar a aplicao das Etapas (A) e (B) do
Mtodo Simplex, ele ser denominado Fluxograma (1).
Figura 20. Fluxograma (1) para um PPL de minimizao.
88
9. Mtodo Simplex com Duas Fases
Nos problemas estudados at este ponto, aps colocar o PPL
na forma-padro, imediatamente ficava evidente uma s.b.v. inicial
necessria para aplicao do Mtodo Simplex.
Assim, o Mtodo Simplex podia ser inicializado com uma
s.b.v. onde as variveis bsicas eram as variveis de folga e as
variveis no-bsicas eram as demais variveis naturais do modelo.
Freqentemente isto no acontece, e deste modo, o Mtodo Simplex
no pode ser inicializado imediatamente, necessitando da aplicao
de uma fase preliminar.
O que se faz nestas situaes, em que no h uma soluo
vivel inicial evidente para um dado modelo de PL, que receber o
nome de Modelo Original, definir convenientemente um PPL
auxiliar, denominado Modelo Artificial, cuja resoluo fornecer, ou
uma s.b.v. inicial para esse Modelo Original, ou ento, indicar a
inexistncia de soluo para esse Modelo Original (ou seja, ele
invivel).
Um procedimento que pode ser utilizado nestes casos
denominado Mtodo das Duas Fases onde:
Fase 1 Criar o Modelo Artificial a partir das redtries do
Modelo Original. Resolver pelo Mtodo Simplex o Modelo
Artificial;
Fase 2 - Aplicao do Mtodo Simplex ao PPL Original, a
partir da soluo bsica vivel tima obtida para o PPL Artificial na
Fase 1.
89
Para entender como este mtodo funciona, considere-se
um PPL, j colocado na forma-padro - PPLO, mas que no
apresenta uma s.b.v. evidente, isto , no est na forma cannica, e
no tem varivel bsica identificada para qualquer uma das
equaes do PPLO:
Modelo Original - PPLO
n n 2 2 1 1
x c x c x c Z Min + + + = (funo objetivo original)
s.a.:

= + + +
= + + +
= + + +
m n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a

2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
com, 0 , 0 > >
i j
x b (variveis de deciso e de folga) com
m j n i , , 2 , 1 ; , , 2 , 1 = =
Define-se o seguinte problema auxiliar (Incio da 1
a
Fase),
utilizando-se variveis artificiais y
j
para cada uma das equao do
PPLO:
Modelo Artificial - PPLA
m
y y y W Min + + + =
2 1
(funo objetivo artificial)
s.a.:

= + + +
= + + +
= + + +
m m n mn m
n n
n n
b y x a x a
b y x a x a
b y x a x a

1 1
2 2 2 1 21
1 1 1 1 11
com, 0 , 0 , 0 > > >
j i j
y x b (variveis artificiais),
n i m j , , 2 , 1 ; , , 2 , 1 = =
90
Notar que o PPLA est na forma-padro e se forem
adequados para o valor zero os coeficientes das variveis artificiais
na funo objetivo artificial, ficar disponvel uma s.b.v. inicial para
o PPLA, dada por:
m m m
b b b W e b y b y b y + + + = = = =
2 1 2 2 1 1
, , , .
Aps a adequao para zero dos coeficientes das variveis
artificiais na funo objetivo artificial, pode-se aplicar o Mtodo
Simplex para o PPLA, havendo possibilidade de ocorrer as seguintes
situaes:
Caso 1: Se o valor timo da funo objetivo artificial for W* > 0,
isto indicar que pelo menos uma varivel artificial, y
s
, permaneceu
como varivel bsica na s.b.v. tima do PPLA. Deve-se observar
que as restries do PPLA so exatamente as mesmas do PPLO,
acrescentadas em cada equao de uma varivel artificial.
Assim pode-se concluir que necessrio que y
s
seja no
negativa ( ) 0 >
s
y para que as restries do PPLO sejam satisfeitas,
evidenciando com isto que o PPLO Invivel, isto , apenas com as
variveis originais (de deciso e de folga),
n
x x x , , ,
2 1
, no
possvel satisfazer conjuntamente todas as suas restries. Assim o
Conjunto Vivel do PPLO vazio. (Fim da Fase 1 da Resoluo do
PPLO, no h a Fase 2).
Caso 2: Se W* = 0, isto indicar que todas as variveis artificiais
so nulas e assim o PPLO Vivel.
Aqui, devem ser analisados dois subcasos:
(a) Se todas as variveis artificiais so variveis no-bsicas,
ento a s.b.v. inicial para o PPLO ser exatamente a s.b.v. tima do
91
PPLA.
Aps eliminar as variveis artificiais do Quadro timo da
resoluo do PPLA, e substituir a funo objetivo artificial pela
original, aplica-se o Mtodo Simplex. (Incio da Fase 2
Fluxograma (1)).
(b) Quando houver 0 =
j
y , sendo
j
y varivel bsica da s.b.v.
tima do PPLA, a s.b.v denominada degenerada, e requer o uso do
procedimento descrito a seguir.
No Quadro timo da resoluo do PPLA, para cada varivel
j
y que varivel bsica associada a equao i do conjunto de
restries, deve-se procurar uma varivel original,
k
x , com
coeficiente na equao i sendo 0 =
ik
a (observe-se que pode
inclusive ser negativo). Podem ocorrer duas situaes:
- Se esse coeficiente existir, basta fazer o pivoteamento a partir
desse
ik
a , substituindo a varivel
j
y por
k
x . Aps eliminar as
variveis artificiais no-bsicas do Quadro timo da resoluo do
PPLA, por meio desses pivoteamentos, substituir a funo objetivo
artificial pela original, e aplicar o Mtodo Simplex ao PPLO (Incio
da Fase 2 Fluxograma (1)).
- Se na equao i no houver nenhuma varivel original
k
x , com
0 =
ik
a , isto indicar que esta equao i combinao linear das
demais equaes, podendo, portanto, ser eliminada, bem como a
varivel bsica artificial correspondente. Aps a eliminao de todas
as variveis artificiais e equaes redundantes do Quadro timo da
resoluo do PPLA, substituir a funo objetivo artificial pela
92
original e aplicar o Mtodo Simplex do PPLO (Incio da Fase 2
Fluxograma (1)).
Visando a facilitao do uso do Mtodo Simplex com Duas
Fases, foi elaborado o Fluxograma (2) apresentado na Figura 21.
Figura 21. Fluxograma (2) para aplicao do Mtodo das Duas Fases.
No Exemplo 13 h uma aplicao completa do Mtodo das
Duas Fases, com o uso dos Fluxogramas (1) e (2).
93
Exemplo 13. (MACULAN FILHO e PEREIRA, 1980)
2 1
5 3 x x Z Min = s.a.:

>
> +
s
s
. 0 ,
18 2 3
6
4
2 1
2 1
2
1
x x
x x
x
x
Pelo Fluxograma (2), acha-se o PPLO (na forma-padro)
2 1
5 3 x x Z Min = s.a.
:

= >
= +
= +
= +
. 5 , 1 , 0
18 2 3
6
4
5 2 1
4 2
3 1
i x
x x x
x x
x x
i
No h uma soluo bsica vivel evidente no PPLO, pois
as variveis x
3
e x
4
podem ser as variveis bsicas, respectivamente,
para as equaes 1 e 2, mas na equao 3 no h varivel bsica,
pois o coeficiente da varivel x
5
nessa equao -1. Observe-se que
no se pode simplesmente multiplicar os dois lados da 3
a
equao
por (-1) para resolver essa situao de x
5
, pois, nesse caso, a
constante que 18 passaria a ser -18 e o modelo no ficaria na
forma padro (onde todas as constantes devem ser no-negativas).
Na aplicao do Mtodo das Duas Fases, as variveis de
folga x
3
e x
4
podem ser as variveis bsicas referentes s equaes
(1) e (2), e bastaria acrescentar a varivel artificial y
1
3
a
equao e
criar o Modelo Artificial (PPLA):
1
y W Min = s.a.:

> = >
= + +
= +
= +
. 0 , 5 , 1 , 0
18 2 3
6
4
1
1 5 2 1
4 2
3 1
y i x
y x x x
x x
x x
i
Na Figura 22, est a aplicao do Mtodo Simplex ao PPLA
94
(Fase 1). Os crculos indicam os coeficientes pivs.
V.B
x
1
x
2
x
3
x
4
x
5
y
1
b
Quadro x
3
1 0 1 0 0 0 4
inicial x
4
0 1 0 1 0 0 6
y
1
3 2 0 0 -1 1 18
-W 0 0 0 0 0 1 0
x
3
0 1 0 0 0 4
Q
1
x
4
0 1 0 1 0 0 6
y
1
3 2 0 0 -1 1 18
-W -3 -2 0 0 1 0 -18
x
1
1 0 1 0 0 0 4
Q
2
x
4
0 1 0 1 0 0 6
y
1
0 -3 0 -1 1 6
-W 0 -2 3 0 1 0 -6
x
1
1 0 1 0 0 0 4
Q
3
x
4
0 0 3/2 1 1/2 -1/2 3
x
2
0 1 -3/2 0 -1/2 1/2 3
-W* 0 0 0 0 0 1 0
Figura 22. Fase 1 aplicao do Simplex ao PPLA.
Observe-se que, na seqncia de tabelas da Fase 1, o Quadro
Inicial idntico ao Quadro 1 e apenas os coeficientes na funo
2
1
95
objetivo so alterados em funo do coeficiente da varivel y
1
ser
1 e no 0, devendo, portanto, serem modificados adequadamente.
Basta multiplicar a equao 3 por (-1) e som-la equao 4,
associada funo objetivo.
Agora, aps eliminar a coluna da varivel
j
y do Quadro 3 e
substituir a equao correspondente a funo objetivo W* pela
equao 0 5 3
2 1
= x x Z do PPLO, pode-se dar incio a Fase 2.
Antes de aplicar as etapas do Fluxograma (1), deve-se fazer
uma adequao nos coeficientes de x
1
e x
2
na funo objetivo, para
se ter a forma cannica completa, ou seja, os coeficientes de todas as
variveis bsicas devem ser 0 na equao 4 (funo objetivo).
Como a varivel x
4
(que uma varivel de folga no Modelo
Original) j satisfaz isso, basta multiplicar por 3 a equao 1,
multiplicar por 5 a equao 3 e som-las equao 4, com o intuito
de zerar nas posies dos coeficientes de x
1
(que 3) e de x
2
(que
5) nessa equao 4.
Aps essa adequao na tabela inicial, obtm-se o Q
3
para o
Modelo Original que idntico ao Q
3
da resoluo do Modelo
Artificial com as mudanas na equao 4.
A partir de Q
3
aplica-se a seqncia de etapas do
Fluxograma (1), conforme Figura 23, onde esto indicados pelos
crculos os coeficientes que so os pivs. Na Figura 24 est a
visualizao grfica das tabelas da aplicao do Simplex ao PPLO.
96
VB x
1
x
2
x
3
x
4
x
5
b
x
1
1 0 1 0 0 4
Adequar x
4
0 0 3/2 1 1/2 3
a funo x
2
0 1 -3/2 0 -1/2 3
objetivo -Z -3 -5 0 0 0 0
x
1
1 0 1 0 0 4
Q
3
x
4
0 0 3/2 1 3
x
2
0 1 -3/2 0 -1/2 3
-Z 0 0 -9/2 0 -5/2 27
*
1
x
1 0 0 0 0 4
Q
4
*
5
x
0 0 3 2 1 6
*
2
x
0 1 0 1 0 6
-Z* 0 0 3 5 0 42
PARAR!
Figura 23. Fase 2 aplicao do Simplex ao PPLO.
A Soluo tima do PPLO est em Q
4
:

= =
= = = =
. 42 , 6
, 0 , 0 , 6 , 4
* *
5
*
4
*
3
*
2
*
1
Z X
X X X X
1/2
97
Notar nas Figuras 24 (a), 24 (b) e 24 (c) que, na Fase 1, o
Mtodo das Duas Fases procura se aproximar do conjunto vivel do
PPLO. Quando encontrada uma s.b.v. do Modelo Original (um
vrtice da Regio Vivel) inicia-se a Fase 2 (ver Q
3
).
Figura 24. Visualizao das etapas do Mtodo das Duas Fases.
Referncias
Bregalda, P. F.; Oliveira, A. A. F.; Bornstein, C. T. Introduo
Programao Linear. Rio de Janeiro: Editora Campus, 1981.
(a) Quadro 1 Fase 1
(b) Quadro 2 - Fase 1
(c) Quadro 3 Fim da Fase 1
e incio da Fase 2
(d) Quadro 4 Fase 2.
98
Maculan Filho, N.; Pereira, M. V. F. Programao Linear. So
Paulo: Editora Atlas, 1980.
Lawrence Jr, J. A.; Pasternack, B. A. Applied Management Science
Modeling, Spreadsheet Analysis, and Communication for
Decision Making 2
nd
edition. New York: John Wiley & Sons,
2002.
99
Introduo Teoria dos Grafos e a Otimizao em Redes
1. Introduo
Consideraes Histricas (ANDRADE, 1980)
Os habitantes da cidade de Knigsberg, hoje denominada
Kaliningrado, exclave russo entre a Polnia e a Litunia, beira do
Mar Bltico, estavam muito intrigados com um problema que se
apresentava em seus costumeiros passeios a duas ilhas do Rio
Pregel. Essas ilhas ligavam-se s margens do rio por intermdio de 6
(seis) pontes, alm de uma stima que interligava as duas ilhas.
Tudo conforme aparece na Figura 1.
Figura 1. Rio Pregel e suas sete pontes.
A curiosidade surgiu, pois nenhum dos freqentadores do
local era capaz de percorrer essas sete pontes sem passar mais de
uma vez por uma delas.
100
O matemtico Euler, em 1735, apresentou Academia
de S. Petersburgo a primeira demonstrao de impossibilidade de
resoluo do referido problema, ele usou uma representao
esquemtica (modelo de grafo) onde cada ponte foi representada por
um segmento de reta (aresta) e cada ilha ou margem do rio por um
ponto (n ou vrtice); conforme Figura 2, onde as Ilhas so os
pontos B e D e as Margens so os pontos A e C
Figura 2. Modelo de Grafo para o Rio Pregel e suas sete pontes.
Observe que a Figura 2 representa esquematicamente o
mesmo que se passava na Figura 1, sob o ponto de vista de ordem e
continuidade. Euler demonstrou que era impossvel percorrer toda a
Figura 2 sem levantar o lpis do papel (o que equivaleria passar por
todas as pontes) e sem percorrer mais de uma vez a mesma aresta.
Esta foi a primeira notcia do emprego de um modelo de
grafos, na demonstrao de uma propriedade geomtrica. Euler
denominou de grau de um n (ou vrtice) o nmero de arestas que
tocam nesse n. Por exemplo, A - D e C so ns do terceiro grau,
enquanto B do quinto. Ele chegou concluso de que somente os
101
grafos onde todos os seus ns tm grau par podem oferecer a
propriedade geomtrica de poderem ser desenhados de uma s vez,
sem levantar o lpis do papel.
A seguir passa-se a descrever sucintamente algumas
aplicaes contemporneas de Teoria dos Grafos.
Um problema de montagem (ANDRADE, 1980)
Uma indstria dispe de trs setores de montagem (A, B e
C) alimentados por trs Departamentos (D
1
, D
2
e D
3
). Como a
alimentao feita por esteiras mveis, todas situadas num plano,
necessrio estabelecer um projeto de implantao de tal forma que
uma esteira no intercepte a outra. Uma soluo em estudo est
ilustrada na Figura 3, onde h interferncia da esteira do
Departamento 2 que alimenta o setor de montagem B na esteira do
Departamento 3 que alimenta o setor A (indicado pela seta).
Figura 3. Um problema de montagem.
102
Verifica-se que o envio do abastecimento D
3
para setor
de montagem A intercepta o abastecimento D
2
- B. Neste tipo de
grafo, conhecido como K
3
,
3
, no h soluo, ou seja, qualquer outra
tentativa levar sempre a esta interseco indesejvel.
Em Teoria dos Grafos existe uma rea denominada Grafos
Planares em que se estuda esta situao. A deteco desses pontos
de cruzamento planar tem uma importncia fundamental em vrios
outros casos, como na implantao de viadutos em projetos virios
ou na fabricao de chips para equipamentos eletrnicos.
Um Problema de Localizao
Uma indstria necessita instalar-se em qualquer uma das
vinte cidades maiores consumidoras dos seus produtos. A escolha
desta cidade deve ser tal que o custo de distribuio dos seus
produtos para os centros consumidores seja o menor possvel.
O problema determinar qual a seqncia de cidades, a
partir daquela onde foi instalada a indstria, cujo custo total de
distribuio seja mnimo.
Trata-se, pois, de analisar, entre todas as permutaes
possveis entre essas cidades, qual a mais econmica. H um
nmero muito grande de possibilidades (20!) o que inviabiliza um
procedimento exaustivo de testar todas as possibilidades. A Teoria
dos Grafos oferece uma importante ajuda na soluo deste
problema.
103
2. Conceitos Bsicos
Definio de Grafo
Um grafo uma estrutura que corresponde a um par de
conjuntos G = (N, E), onde:
(i) N um conjunto de entidades. Por exemplo, estas
entidades podem estar associadas a pontos, locais, pessoas,
reas geogrficas.
(ii) E um conjunto, cujos elementos so ligaes ou inter-
relaes entre os elementos de N. Por exemplo, as ligaes
podem ser estradas, parentescos e fronteiras entre reas
geogrficas.
Exemplo 1. Ilustrao da definio de Grafo.
(a) N = {So Paulo, Rio de Janeiro, Gois, Pernambuco, rio
Grande do Sul}
E = {(x,y) / x, y e N e x faz fronteira com y}
(b) N = {Fernando Silva, Jos Silva, Maria Silva, Jos Silva,
Pedro Silva, Silvia Silva)
E = {(x,y) /x,y e N e x pai de y}
Observe-se que no Exemplo 1 (a), no se faz presente a
idia de orientao, este seria um exemplo de grafo no orientado,
enquanto o Exemplo 1(b), onde a orientao importante, seria um
grafo orientado.
104
Representaes de um Grafo
Alm de representao geomtrica de um grafo, pelos
diagramas j vistos nas Figuras 2 e 3, outras importantes
representaes so dadas em forma matricial.
Considere G = (N, E) um grafo (orientado ou no).
Definio de Matriz de Adjacncia
] X [ X
ij
= a matriz (quadrada) de adjacncia de G se

=
contrrio. caso 0,
j para i n do aresta existe se , 1
ij
X
Exemplo 2. Um Grafo No Orientado com 4 ns e 5 arestas
e a sua matriz de adjacncia X esto ilustrados na Figura 4.
Figura 4. Grafo para o Exemplo 2.
Seja G = (N, E) um grafo orientado.
Definio de Matriz de Incidncia
A = [a
ij
] a matriz (no necessariamente quadrada) de
incidncia de G se
105

=
i n ao incidente no arcoj o se 0,
i n o para aponta arcoj o se 1, -
i n no origem tem arcoj o se , 1
ij
a
Exemplo 3. Um Grafo orientado com 6 ns e 8 arcos est
ilustrado na Figura 5. Na seqncia est a sua Matriz de incidncia.
Figura 5. Grafo para o Exemplo 3.
106
H, ainda, muitas outras formas de representao para
grafos. Os interessados podem consultar as referncias
bibliogrficas do final do captulo.
Definio de Grafos Valorados
A cada n de grafo e/ou a cada aresta (ou arco) pode estar
associado um nmero (peso, custo ou valor). Neste caso, diz-se que
G = (N, E) um grafo valorado (ver Figura 6).
Figura 6. Exemplo de Grafo valorado.
Definio de Cadeia num Grafo
Uma cadeia de um grafo uma seqncia de arcos, ou
arestas, de modo que cada arco tenha uma das suas extremidades em
comum com os arcos antecedente e subseqente, com exceo do
arco inicial e do arco terminal da cadeia.
107
Definio de Caminho num Grafo
Um caminho uma cadeia na qual todos os arcos possuem a
mesma orientao. Na Figura 7 exemplifica-se uma cadeia e um
caminho num grafo com 7 ns e 9 arcos.
Definio de Comprimento de uma Cadeia ou de um Caminho em
Grafos no Valorados
Define-se por comprimento de uma cadeia ou caminho, em
grafos no-valorados, como sendo o nmero de arestas ou arcos que
a compe.
Figura 7. Exemplo de uma Cadeia (formada pelos arcos c, g,
h) e um Caminho (formado pelos arcos a,d, e) entre os ns 1 e 7.
Definio de Comprimento de uma Cadeia ou de um Caminho em
Grafos Valorados
Se o grafo valorado, o comprimento obtido atravs da
soma dos valores associados aos arcos que compem a Cadeia ou o
Caminho.
a
b
c
e
f
g
h
h
7
1
d
108
Definio de Ciclo num Grafo
Um ciclo uma cadeia fechada simples.
Definio de Circuito num Grafo
Um circuito um ciclo formado por arcos que tm a mesma
orientao.
Na Figura 8 tm-se uma ilustrao de um ciclo e de circuito
num grafo com 4 ns e 5 arcos.
Figura 8. Exemplo de Cadeia (formada pelos arcos a, e, d) e um
Caminho (formado pelos arcos a, b, c, d).
Observaes:
(a) Um ciclo que passa por todas as arestas ou arcos de um grafo
chamado Euleriano. Em problemas como coleta de lixo e vendas
domiclio o interesse est em ciclos Eulerianos de comprimento
mnimo.
(b) Um circuito que passa por todos os ns de um grafo chamado
Hamiltoniano. Um problema muito importante da Pesquisa
Operacional, onde o interesse por um circuito Hamiltoniano de
a
b
c d
e
109
menor comprimento, Problema do Caixeiro Viajante.
Definio de Grafo Conexo e Grafo Desconexo
Um grafo G = (N,E) conexo, quando para qualquer par de
ns (i, j) de N existe uma cadeia em G, cujas extremidades esto em
i e j (ver Figura 9). De outra forma G dito ser desconexo. Todo
grafo desconexo pode ser decomposto em componentes conexas
(ver Figura 10)
Figura 9. O grafo G conexo;
Figura 10. O Grafo G desconexo com trs componentes conexas.
Definio de Grafo Fortemente Conexo num Grafo Orientado
Em grafos orientados possvel caracterizar um tipo mais
forte de conexidade. Um grafo orientado G = (N;E) fortemente
conexo (f-conexo) par de ns (i, j)e N existe um caminho cuja
extremidade inicial i e extremidade final j, e existe outro
110
caminho, com extremidade inicial em j e extremidade final em i
(ver Figura 11).
Figura 11. Exemplo de um Grafo f-conexo.
Definio de rvore, Floresta num Grafo.
Uma rvore um grafo conexo sem ciclos, enquanto uma
floresta um grafo cujas componentes conexas so rvores.
Fig. 12. Exemplo de uma rvore.
Teorema Seja G = (N, E) um grafo, tal que se tem n = nmero de
ns e n > 2. As seguintes proposies so equivalentes:
(i) G uma rvore;
(ii) G conexo e sem ciclos;
(iii) G sem ciclos e tem n-1 arestas;
111
(iv) G conexo e tem n-1 arestas;
(v) G sem ciclos e por adio de uma aresta se cria um e
somente um ciclo;
(vi) G conexo, mas deixa de s-lo se uma aresta suprimida;
(vii) Todo par de ns de G unido por uma e uma s cadeia
simples.
Para demonstrao deste teorema, consulte
(BOAVENTURA NETTO, 2003).
3. Algoritmos
3.1. rvore de Valor Mnimo
H diversos algoritmos importantes para a determinao de
rvores de valor mnimo. Aqui ser apresentado apenas o algoritmo
de Kruskal, dada a sua simplicidade.
Algoritmo de Kruskal
Dado um grafo G = (N,E) no orientado e valorado,
constri-se uma rvore de valor mnimo, partindo-se do grafo trivial
) 0 (N, G / = , que formado apenas pelos ns do grafo original G,
e adicionando-se iterativamente a aresta de menor valor que no
forma ciclo com as j escolhidas.
O Comprimento mnimo ser obtido pela soma dos valores
associados s arestas da rvore resultante do procedimento descrito
acima. Na Figura 13, esto um Grafo, sua rvore Mnima e o valor
do Comprimento Mnimo associado.
112
Valor Total Mnimo = 16 = 2 + 1 + 2 + 2 + 4 + 2 + 3
Figura 13. Grafo e uma rvore Parcial Mnima.
3.2. Caminho mais curto
A determinao de um caminho mais curto num Grafo, dada
a sua aplicabilidade prtica, um problema importante em vrias
reas, como por exemplo, na rea de Logstica.
O comprimento de um caminho P definido como sendo a
soma dos comprimentos de todos os arcos de P. O problema
encontrar o caminho mais curto, de um n inicial s para um n
terminal t.
Aqui se considera um grafo valorado simples (isto , sem
laos e arcos paralelos) G com n ns pode ser descrito por uma
matriz ] [
ij nxn
d D = , onde:

=
=
> =
j. e i ns os ligando arco um h no se ,
, 0
0, d j, e i ns os liga que arco do o compriment
ij
ij
ii
ij
d
d
d
113
Em geral,
ji ij
d d = e a desigualdade do tringulo no
precisa ser satisfeita, isto ,
jk ij
d d + pode ser menor que
ik
d .
De fato, se a desigualdade do tringulo satisfeita, para todo
i, j e k, o problema seria trivial, pois o arco direto (x, y) seria o
caminho mais curto do vrtice x ao y.
Apresenta-se, a seguir o Algoritmo de Djisktra que foi um
dos primeiros a serem propostos para resolver o problema do
caminho mais curto.
Ele se aplica quando os comprimentos de cada arco so d
ij
>
0, se alguns dos comprimentos so negativos o algoritmo no se
aplica.
Descrio do Algoritmo
O algoritmo usa uma tcnica de rotulao dos ns a partir de
s, o n inicial do caminho, havendo dois tipos de rotulao:
temporria e definitiva. O valor do nvel em que um n j rotulado
definitivamente, a partir de s, exatamente o comprimento do
caminho mais curto entre s e j.
Em cada iterao do algoritmo, alguns ns so rotulados
temporariamente e outros definitivamente, assim, aplica-se o
algoritmo at se conseguir rotular definitivamente o n terminal do
caminho, que o n t.
Regras para aplicao do Algoritmo de Djisktra
Passo 1 (Inicializao): Rotular definitivamente o n s a um nvel 0
e rotular temporariamente os demais ns a um nvel ;
Passo 2: Todo n j ainda no rotulado definitivamente deve receber
uma nova rotulao temporria cujo valor ser:
114
min [valor da rotulao temporria atual de j, valor da rotulao
definitiva de i + d
ij
]
onde i o n rotulado definitivamente na iterao anterior;
Passo 3: Rotular definitivamente o n i associado ao menor valor de
rtulos encontrados no Passo 1;
Passo 4: Repetir os Passos 1 e 2 at se conseguir rotular
definitivamente o n terminal do caminho t. O valor da rotulao
definitiva do n t corresponder ao comprimento do caminho mais
curto entre s e t.
Para se determinar quais so os ns intermedirios do
caminho mais curto entre s e t, deve-se trabalhar do final do
caminho para o comeo (backtracking) da seguinte forma:
(a) A partir do n t, procurar achar qual foi o primeiro n
responsvel pelo seu valor de rtulo definitivo, suponha-se
que tenha sido o n k. Este n denominado de n Pai do
n t;
(b) Deve-se procurar achar qual foi o primeiro n i, do Passo 2,
responsvel pelo valor de rtulo definitivo de k;
(c) Aplicar o mesmo procedimento para encontrar o n Pai do
n k e repetir isto, sucessivamente, at se encontrar o n
inicial s, como sendo o n Pai, responsvel pelo valor do
rtulo definitivo de algum n intermedirio.
(d) Os ns assim determinados comporo o caminho mais
curto.
115
Figura 14. Rede do Exemplo 4 - para a aplicao do algoritmo de
Dijsktra.
Exemplo 4: Seja o grafo da Figura 14, determine o caminho mais
curto entre os ns B (ser o n s) e G (ser o n t). Determine,
tambm, o comprimento total mnimo do caminho.
Vetores de rtulos Etapas
A B C D E F G do algoritmo
\ RD B com 0,
outros com
Inicializao
7 1 RT com i = B
Passo 1
7 \ menor valor: RD C
Passo 2
4 5 4 RT com i = C
Passo 1
4 5
\
menor valor: RD F
Passo 2
4 14 5 11 RT com i = F
Passo 1
116
\
14 5 11 menor valor: RD A
Passo 2
12 5 11 RT com i = A
Passo 1
12
\
11 menor valor: RD F
Passo 2
12 7 RT com i = E
Passo 1
12
\
menor valor: RD G
PARAR!
Figura 15. Algoritmo de Djisktra aplicado ao Grafo da Figura 14.
Na resoluo adota-se um vetor de dimenso 1 x 7 para
mostrar os nveis de rotulaes temporrias (RT) e definitivas (RD)
dos ns, enquanto caminha-se para a soluo tima. Isto est na
Figura 15.
As rotulaes definitivas so colocadas dentro de um
quadrado e o ltimo nvel de rotulao definitiva do vetor indicado
por
\
.
Como soluo tima tem-se:
O Comprimento total mnimo = valor do nvel de rotulao
definitiva do n terminal G = 7 e o Caminho mais curto (obtido do
fim para o comeo) G E C B.
3.3. Fluxo Mximo
Na anlise do desempenho de um grafo valorado
freqentemente necessrio calcular o valor timo de uma funo do
fluxo entre um vrtice s, denominado fonte, e um vrtice t,
conhecido como destino.
117
Aqui se apresenta a situao em que existe apenas um
tipo de fluxo no grafo, que pode ser exemplo, eletricidade, gua,
informao, ou trfego. Na literatura especializada este caso
conhecido como The One-Commodity Flow Problem, e o grafo
denominado de uma Rede.
Seja |
i
o conjunto de ns ligados ao n i por arcos
orientados no sentido de chegada em i, e o
i
o conjunto de ns
ligados ao n i por arcos orientados no sentido de sada de i.
Definio:
Uma funo f
ij
definida em E com valores reais dita ser um
fluxo para um grafo orientado G = (N, E) se:
(3) E j) (i, arco todo para f
(2) t i s, i N, i para 0 f
) 1 ( E j) (i, arco todo para 0
ij
ji
e s
= = e =
e >

e e
ij
j
ij
j
ij
u
f
f
i i

onde, u
ij
a capacidade do arco (i,j), isto , a quantidade mxima de
fluxo que pode ser remetida de i para j.
A condio (2) representa a hiptese da conservao de
fluxo na rede, porm existem estudos referentes a redes onde pode
haver ganhos ou perdas de fluxo, os interessados podem consultar as
referncias ao final do captulo.
Notao: F o valor do fluxo que pode ser enviado da fonte s ao
destino t, atravs da rede G = (N, E).
Deve-se notar que o valor mximo de F limitado pelas
capacidades associadas a cada arco da rede e determinado por uma
118
propriedade fundamental de uma rede, denominada Corte,
definido a seguir.
Definio:
Um Corte um conjunto de arcos que se forem removidos
de uma rede, desconectam um conjunto de ns dos demais. Na
Figura 22, percebe-se que o corte formado pelos arcos (2,4) e (3,4)
desconectam o n 4 dos ns 1, 2 e 3.
Figura 22 - Exemplo de um Corte
Nos Problemas de Fluxo Mximo o interesse por cortes
que separem a fonte do destino. O Valor do Corte, ou Capacidade
do Corte, a soma das capacidades dos arcos do corte (numa dada
direo). Na Figura 22, o Valor do Corte igual a u
23
+ u
34
.
O algoritmo descrito adiante se baseia num princpio muito
simples. Seja X um subconjunto de N tal que s e X e t e X. O
conjunto A
X
de arcos que tem orientao de chegada em ns de X e
origem em ns que no pertencem a X, por definio, um Corte na
rede G.
119
Se c(A
X
) o valor desse Corte ento o valor mximo de
fluxo F que pode ser enviado de s para t satisfaz F s c (A
X
). Ou seja,
o fluxo mximo numa rede limitado pelo Valor do Corte de menor
capacidade, sendo, na verdade, igual a essa capacidade.
Isto estabelecido, de maneira mais rigorosa, num dos mais
importantes resultados na Teoria de Fluxos em Redes, que o
teorema a seguir. No se apresenta aqui a demonstrao,
interessados podem consultar as referncias ao final do captulo.
Teorema do Fluxo Mximo e Corte Mnimo
Para uma rede com uma nica fonte e um nico destino, o
fluxo vivel mximo que pode ser enviado da fonte ao destino t
igual ao Valor do Corte Mnimo (Corte com menor capacidade)
entre os Cortes da rede.
Como ilustrao, pode ser verificado que o fluxo mximo na
rede da Figura 23 3,os nmeros que aparecem ao lado dos arcos
representam suas capacidades nas direes especificadas pelas setas.
O Corte Mnimo consiste dos arcos (s,2) e (3,t) e tem valor igual a 3.
Figura 23 - Corte Mnimo
120
Deve ser observado que o Problema Fluxo Mximo
numa Rede pode ser expresso como um Problema de Programao
Linear: Seja o fluxo f
ij
numa rede G = (N, E), onde N = {s, 2,...,t} e
u
ij
a capacidade do arco (i.j). O valor deste fluxo F se

= =
j j
jt sj
F f f .
Assim tem-se a seguinte formulao:
Max F
E j i u f
t i F
t i s i
s i F
f f a s
ij ij
j j
ji ij
e s s

=
= =
=
=

) , ( , 0
,
, , 0
,
: . .
Assim pode ser aplicado o Mtodo Simplex na resoluo de
um Problema de Fluxo Mximo. Apresenta-se, a seguir, um
algoritmo mais eficiente, que usa um procedimento de rotulao e
gera uma seqncia de fluxos crescentes at atingir o mximo, o
qual ser descrito adiante.
Observao: Usando o Teorema do Corte Mnimo e Fluxo Mximo
pode-se encontrar o Fluxo Mximo; basta determinar a capacidade
de todos os cortes e escolher o de capacidade mnima. Embora isso
nos d o valor mximo de F, no especifica como o fluxo circula
pela rede.
Algoritmo do Fluxo Mximo
O mtodo baseado no Teorema de Ford e Fulkerson, e
busca encontrar uma cadeia atravs da qual um fluxo positivo possa
121
ser enviado da fonte s ao destino t. Estas cadeias so
denominadas Cadeias de Fluxo Amplivel (Flow Augmenting Path)
ou CFA.
As cadeias so usadas para remeter tanto fluxo quanto
possvel de s para t. Repete-se o processo at no ser mais possvel
encontrar alguma CFA, neste caso encontrou-se o fluxo mximo.
Rotina de Rotulao - encontrar uma CFA
Inicia-se rotulando o n s. Um n j pode ser rotulado se um
fluxo positivo pode ser enviado de s para j. No caso geral, do n i
pode-se rotular um n j se uma das seguintes condies satisfeita:
1. O arco que liga o n i ao n j um arco que chega em j (arco
forward) e o fluxo nele menor do que sua capacidade
( )
ij ij
u f < .
2. O arco que liga o n i ao n j um arco que sai de j (arco
backward) e o fluxo nele maior que zero ( ) 0 >
ij
f
Continua-se nesta rotina at rotular o destino t, obtendo
assim uma CFA.
Fases do Algoritmo
1. Inicializao: obter um fluxo vivel em todos os arcos, isto , um
fluxo que satisfaa as restries de capacidade nos arcos e de
conservao de fluxo nos ns.
2. Obter uma CFA, iniciando em s e terminando em t. Ir Fase 3.
Se no for possvel ento PARAR! O fluxo mximo foi
encontrado.
3. Calcular o fluxo mximo o, que pode ser enviado pela ltima
122
CFA obtida.
Aumentar de o o fluxo nos arcos forward da cadeia e decrescer o
fluxo de o nos arcos backward.
Voltar a Fase 2.
Exemplo 5 (Fonte: Ravindran; Phillips; Solberg, 1987)
Determinar o fluxo mximo F da fonte s ao destino t na rede
a seguir, onde os nmeros ao lado dos arcos representam suas
capacidades.
Figura 24 - Rede para o Exemplo 5.
Inicializao: fazer f
ij
= 0 em todos os arcos.
Notao: Nas Figuras 25, 27, 29, 31 e 33, os nmeros ao lado dos
arcos (i,j) representam ( )
ij ij
u f , .
Passo 1 (Figura 25). Vamos encontrar uma CFA de s para t. Assim,
rotula-se inicialmente s (rtulos so denotados por asteriscos).
De s, pode-se rotular o n 1 pois (s, 1) um arco forward,
levando um fluxo 7
1 1
= s
s s
u f . Do n 1 pode-se rotular o n 2 pelo
arco forward (1,2) e finalmente rotula-se o destino t.
123
Figura 25 - Fluxo Inicial
Desta forma, obtm-se a CFA, dada na Figura 26, formada
apenas por arcos forward.
Figura 26 - Primeira CFA
Os nmeros nos arcos indicam o fluxo mximo permitido
em cada um deles. Assim o mximo valor de fluxo por essa CFA
3, isso aumenta F de 3 unidades e o fluxo sobre todos os arcos
(forward) da cadeia aumenta de 3 unidades tambm. A nova
configurao de fluxo dada na Figura 27.
Figura 27 - Primeira alterao de fluxo
Passo 2 (Figura 27). Repetindo a Rotina de Rotulao obtm-se uma
124
nova CFA, dada na Figura 28.
Figura 28 - Segunda CFA
Agora o fluxo mximo permitido 4. Isso aumenta o fluxo
F pela rede para 7 unidades. A nova configurao fica sendo aquela
da Figura 29.
Figura 29 - Segunda alterao de fluxo
Passo 3 (Figura 29). O n 1 no pde ser rotulado a partir de s, pois
o arco (s,1) forward e f
s1
= u
s1
= 7. Mas, uma nova CFA pode ser
encontrada, como aquela da Figura 30.
Figura 30 - Terceira CFA
Isto aumenta o fluxo total F de 5 unidades como mostra a Figura 31.
125
Figura 31 - Terceira alterao de fluxo
Passo 4 (Figura 31). Partindo-se de s, o n 2 pode ser rotulado, mas
no se consegue rotular t a partir dele, pois o arco (2,t) j alcanou
sua capacidade.
Porm, o n 1 pode ser rotulado a partir de 2, pois o arco
(1,2) backward contendo um fluxo positivo. E a partir do vrtice 1
pode-se rotular t.
Agora tem-se uma CFA com dois arcos forward (s,2) e (1,t),
e um backward (1,2), conforme a Figura 32.
Figura 32 - Quarta CFA
Para aumentar o fluxo por essa cadeia, aumenta-se o fluxo
nos arcos forward e decresce-se no arco backward. O mximo valor
que se pode aumentar em F de 3 unidades e o novo fluxo na rede
fornecido a seguir.
126
Figura 33 - Quarta alterao de fluxo (tima)
Passo 5 (Figura 33). Apesar do n 2 poder ser rotulado a partir de s,
o destino t nunca ser rotulado. Dessa forma nenhuma outra CFA
pode ser encontrada e a Figura 33 representa a configurao tima
de fluxo na rede, com fluxo mximo de 15 entre s e t.
Comentrios:
1. Pode-se usar o Teorema de Ford e Fulkerson para provar que o
fluxo mximo realmente F = 15.
Basta considerar o corte que separa os vrtices rotulados dos
no-rotulados na Figura 32. Isso fornece os arcos (s,1) e (2,t) cuja
capacidade (valor) 15.
Como F no pode exceder a capacidade de nenhum corte
que separe s de t, o valor de F = 15 o mximo fluxo possvel. O
corte mostrado na Figura 33 o Corte Mnimo.
2. Para encontrar o fluxo mximo numa rede G = (N, E) no
orientada, primeiro deve-se convert-la numa rede orientada
equivalente e ento aplicar o algoritmo.
127
Referncias
Andrade, M.C.Q. Criao no Processo Decisrio. Rio de Janeiro:
LTC, 1980.
Ravindran, A., Phillips, D.T.; Solberg, J.J. Operations Research,
Principles and Practice, 2nd edition. New York: John Wiley & Sons,
1987.
Boaventura Netto, P.O. Teoria e Modelos de Grafos. So Paulo:
Editora Edgard Blucher Ltda, 2003.
128
O Modelo de Transporte Simples
1. Histrico e formulao matemtica
Historicamente, o desenvolvimento da Programao
Matemtica (que inclui a Programao Linear, a Programao No-
Linear, Programao Inteira, Programao Dinmica, Programao
Geomtrica e a Programao Estocstica) comeou com o Problema
de Transporte.
Este problema um caso especfico de Programao Linear,
e todo algoritmo desta rea (como o Mtodo Simplex) pode ser
usado para resolv-lo. Contudo, quando um algoritmo geral
aplicado a um modelo com uma estrutura especial, ele no utiliza os
aspectos particulares do modelo e, portanto pode ser relativamente
ineficiente. Neste texto apresenta-se um algoritmo especfico para o
modelo em questo que explora suas caractersticas.
O Problema de Transporte Simples pode ser descrito como
sendo concernente ao transporte de um nico produto de vrias
origens, onde fabricado, para muitos destinos, onde consumido.
Cada origem tem uma capacidade de produo limitada e cada
destino tem uma demanda conhecida.
Admite-se que as funes de produo e vendas do produto
so similares e os custos de produto, qualidade e vendas so os
mesmos, independentemente das origens e destinos do produto.
O nico fator que varia o custo de distribuio, que
depende principalmente da distncia entre cada origem i e cada
destino j. Objetiva-se minimizar o custo total de transporte,
129
respeitando as restries de ofertas e demandas do produto.
Em geral, o Modelo de Transporte pode ser formulado e
modelado matematicamente como segue:
(a) Formulao
H m fbricas (ou origens), todas produzindo o mesmo
produto, e que devem abastecer n depsitos (ou destinos). Supor que
o custo de transporte entre cada fbrica e cada depsito seja
proporcional quantidade transportada.
O problema consiste em minimizar o custo total de
transporte necessrio para o abastecimento dos depsitos a partir das
fbricas fornecedoras. Admitir que o total de oferta de produto nas
origens se iguala ao valor da demanda total pelo produto nos
destinos.
(b) Modelagem
Sejam O
i
- fbrica i; D
j
- depsito j, com i = 1,2,...,m e j =
1,2,...,n;
C
ij
= custo unitrio de transporte entre a fbrica i e o depsito j;
CT = custo total de transporte;
a
i
= quantidade do produto disponvel na fbrica i;
b
j
= quantidade do produto requerida no depsito j.
Variveis de Deciso:
x
ij
a quantidade do produto a ser transportada da origem i para o
destino j.
Funo-objetivo -

= =
=
m
i
n
j
ij ij
x C CT
1 1
min
130
Restries

>
= =
= =

=
=
)
~
( , , 0
destinos) nos produto do balano ( ,..., 2 , 1 ,
origens) nas produto do balano ( ,..., 2 , 1 ,
. .
1
1
de negativida o a n j i x
n j b x
m i a x
a s
ij
m
i
j ij
n
j
i ij
Observaes importantes:
(1) Notar que

= =
=
m
i
n
j
j i
b a
1 1
, ou seja, o modelo est balanceado.
Adiante se apresenta como tratar os demais casos:

= =
<
m
i
n
j
j i
b a
1 1
e

= =
>
m
i
n
j
j i
b a
1 1
.
(2) O Modelo de Transporte, tal como foi apresentado, um modelo
de Programao Linear e, portanto pode ser resolvido pelo Mtodo
Simplex; porm, ele apresenta uma estrutura especial, que permite
simplificar a sua soluo (ver Exemplo 1).
Exemplo 1.
Considere uma situao onde h 3 fbricas (F
1
, F
2
, F
3
)
produzindo um mesmo produto, e 4 depsitos (D
1
, D
2
, D
3
, D
4
) onde
este produto ficar estocado para posterior venda.
As capacidades de produo das fbricas so: a
1
= 40,
a
2
= 80, a
3
= 110, respectivamente para F
1
, F
2
e F
3
.
Nos depsitos devem ser atendidas as seguintes demandas:
131
b
1
= 20, b
2
= 30, b
3
= 110 e b
4
= 80, respectivamente para D
1
,
D
2
, D
3
, D
4
.
Os custos unitrios de transporte (C
ij
) do produto nos 12
trajetos possveis so dados na Tabela 1.
Tabela 1. Custos Unitrios de transportes para o Exemplo 1.
D
1
D
2
D
3
D
4
F
1
10 5 12 4
F
2
2 0 1 9
F
3
13 11 14 6
Formular um modelo da PL para determinar o programa de
entregas do produto que leve a um custo total de transporte mnimo.
Modelagem:
Variveis de Deciso: x
ij
= quantidade do produto a ser transportada
da fbrica F
i
(i = 1, 2, 3) ao depsito D
j
(j = 1, 2, 3, 4).
Funo objetivo:
34 33 32 31 24
23 22 21 14 13 12 11
6 14 11 13 9
1 0 2 4 12 5 10
x x x x x
x x x x x x x CT Min
+ + + + +
+ + + + + + =
132
Restries:

x x x x
11 12 13 14
+ + + = 40
x x x x
21 22 23 24
+ + + = 80 (Balano nas Fbricas)
x x x x
31 32 33 34
+ + + = 110
x
11
+x
21
+x
31
= 20
x
12
+x
22 32
x + = 30 (Balano nos Depsitos)
x
13
+x
23
+x
33
= 110
x
14
+x
24
+x
34
= 80
0 x
ij
> (No- negatividade)
Pode-se observar que a matriz de coeficientes das variveis
de deciso nas restries do modelo tem estrutura tpica, que se
repetir caso o modelo seja de maior porte (Ver Figura 1).
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

34
33
32
31
24
23
22
21
14
13
12
11
x
x
x
x
x
x
x
x
x
x
x
x
=
(
(
(
(
(
(
(
(
(

80
100
30
20
110
80
40
Figura 1. Estrutura especial no modelo do Exemplo 1.
133
Todo modelo linear cuja matriz de restries tiver estas
caractersticas poder ser resolvido pelo algoritmo especial que ser
apresentado a seguir.
(3) Um resultado importante que pode ser provado que qualquer
equao do sistema formado pelas restries do modelo de
transporte pode ser obtida por uma combinao linear das demais.
Isto indica que s existem m + n - 1 equaes independentes
naquele sistema, o que implica que toda soluo bsica vivel para o
modelo de transporte ter este nmero de variveis bsicas.
Para o caso do Exemplo 1, onde m= 3 e n = 4, percebe-se
que, por exemplo, tem-se que a 4
a
eq. = 1
a
eq. + 2
a
eq. + 3
a
eq. - 5
a
eq. - 6
a
eq. - 7
a
eq., ou seja, uma soluo bsica vivel ter
6 1 4 3 1 = + = + n m variveis bsicas.
(4) Interpretao de Modelos de Transporte atravs de Modelos em
Redes.
Como foi visto no Captulo 2, uma Rede um grafo
valorado, ou seja, h nmeros associados aos seus ns ou arcos.
Estes nmeros podem representar custos, distncias ou outros tipos
de parmetros.
A otimizao de Modelos em Redes uma das reas mais
relevantes da Pesquisa Operacional, possui muitas aplicaes, e a
sua estrutura caracterstica tem sido explorada para o
desenvolvimento de algoritmos especializados extremamente
eficientes. Ao exemplo 1 pode ser associada a rede da Figura 2.
134
Figura 2. Modelo em Redes para o Exemplo 1.
Deve ser observado, ainda, que toda soluo bsica vivel
para o modelo de transporte corresponde a uma estrutura de rvore
com respeito a rede associada.
Para exemplificar, para o modelo do Exemplo 1 pode-se
considerar a rvore (soluo bsica vivel) da Figura 3. Notar que a
rvore possui m+n - 1 = 3 + 4 - 1 = 6 arcos (bsicos)
correspondentes s variveis bsicas que compem a soluo bsica
vivel associada; os demais arcos (no bsicos) da rede, que no
esto na rvore, correspondem s variveis no-bsicas da soluo.
135
Figura 3. rvore associada a uma Soluo Bsica Vivel Inicial para
o Exemplo 1.
2. Algoritmo do Stepping Stone Method
Inicialmente mostra-se a sistemtica de aplicao do
algoritmo ao modelo do Exemplo 1 e, depois, sero identificados os
passos gerais do Algoritmo do Stepping Stone Method.
Para a resoluo do Exemplo 1, constri-se o Quadro 1,
indicando no canto direito superior de cada clula do quadro o
respectivo custo unitrio de transporte, e ao final de cada linha
(associada s fbricas) e coluna (associada ao depsito), so
colocados os valores das respectivas capacidades de produo e
demandas.
Observe-se que o modelo est balanceado, ou seja, o total de
produo (40 + 80 + 110 = 230) igual ao total da demanda (20 +
30 + 100 + 80 = 230). Caso isso no ocorra haver necessidade de se
usar um artifcio descrito na seo 5.
136
Quadro 1. Dados para Aplicao do
Stepping Stone Method ao Exemplo 1.
No Quadro 1 tem-se 12 trajetos possveis entre fbricas e
depsitos, mas sabe-se que a soluo tima (que uma soluo
bsica) utilizar apenas m+ n - 1 = 4 + 3 - 1 = 6 destes trajetos para
transportar o produto. Casos em que h possibilidade de ocorrncia
de degenerescncia, onde isto no se verifica, sero estudados
adiante.
Deve-se, pois, partir de uma soluo bsica vivel inicial
que tenha apenas 6 valores de variveis de deciso diferentes de
zero, como a que est apresentada no Quadro 2, onde foi utilizada a
Regra do Canto Esquerdo, descrita adiante.
As demais variveis so no-bsicas e nulas x
11
= 20,
x
12
= 20, x
22
= 10, x
23
= 70, x
33
= 30 e x
34
= 80.
137
Quadro 2. Soluo Inicial para o Exemplo 1 Regra do Canto
Esquerdo.
No Quadro 2 os valores das variveis bsicas esto dentro
de um crculo nas respectivas clulas do quadro. O custo total de
transporte referente a esta primeira soluo :
34 33 23 22 12 11 1
6 0 5 10 x x x x x x CT + + + + + = , ou ainda,
1270 6 80 14 30 1 70 0 10 5 20 10 20 . . . . . .
1
= + + + + + = CT
Passa-se a verificar se h possibilidade de diminuir esse
custo total de transporte, utilizando-se outro plano de entrega do
produto, por exemplo, testando-se o uso do trajeto O
2
D
1
(associado
a varivel no bsica x
21
), como desenvolvido a seguir:
(a) Neste caso para enviar uma unidade do produto de O
2
para
D
1
, deve-se diminuir uma unidade no percurso O
1
D
1
, seno
O
1
receber mais que as 20 unidades do produto previstas.
(b) Porm para diminuir uma unidade em O
1
D
1
, deve-se
aumentar uma unidade em O
1
D
2
, para se manter o total de
138
40 unidades de produto produzidas em O
1
.
(c) Aumentando uma unidade em O
1
D
2
deve-se diminuir uma
unidade em O
2
D
2
, o que ir compensar exatamente aquela
unidade colocada inicialmente em O
2
D
1
.
Tem-se, portanto, um ciclo de compensao da varivel no-
bsica x
21
, referente a soluo bsica do Quadro 2, associada ao uso
do trajeto O
2
D
1
, conforme Figura 4. Esta modificao na entrega do
produto ocasiona um custo marginal da varivel no-bsica x
21
dado
por:
. / 3 0 5 10 2
1 2
unidade C = + + = A
Ou seja, cada unidade transportada de O
2
para D
1
diminuir o
custo total de transporte de 3 unidades monetrias.
Figura 4. Ciclo de Compensao da Varivel no-bsica x
21.
De forma idntica, pode-se analisar cada uma das outras
variveis no-bsicas, com outros ciclos de compensao, como por
exemplo o do trajeto O
3
D
1
, ver Figura 5, resultando no custo
marginal da varivel no-bsica x
31
:
unidade C / 5 14 1 0 5 10 13
1 3
= + + + = A .
139
Figura 5. Ciclo de Compensao da Varivel no-bsica x
31.
Analogamente, para as outras variveis no-bsicas tem-se:
16 ; 6 ; 6 ; 2
4 2 4 1 3 1 2 3
+ = A + = A + = A = A C C C C
Observaes:
1. importante observar que, para cada varivel no-bsica,
em uma dada soluo bsica, h um nico ciclo compensao, o
qual tem alternadamente sinais positivos e negativos e envolve um
nmero mpar de variveis bsicas, sendo no mnimo 3;
2. Na prtica os custos marginais devem ser avaliados e
colocados na respectiva clula, conforme mostrado no Quadro 3;
3. Observe-se que as variveis no-bsicas x
13
, x
14
e x
24
possuem custos marginais positivos, ou seja, cada unidade de
produto transportada pelos trajetos associados a elas ocasiona um
aumento no custo total de transporte.
140
Quadro 3 - 1
a
Soluo Bsica com Custos Marginais
Como no problema busca-se a minimizao do custo total
de transporte, pode-se optar por uma das variveis x
21
, x
31
, x
32
para
se tornarem variveis bsicas numa prxima soluo bsica vivel,
onde o custo total de transporte ser menor que CT
1
= 1270.
Para fazer isto, e continuar com uma soluo bsica vivel,
deve-se substituir uma varivel bsica pertencente ao ciclo de
compensao da varivel no-bsica escolhida para se tornar bsica.
Neste sentido, deve-se procurar, dentre as variveis bsicas
que doaro unidades do produto (aquelas com sinal negativo no
ciclo), a que possui a menor quantidade de produto associada e
transferir esta quantidade para a varivel no-bsica que se tornar
bsica; desta forma permanecero m+ n - 1 = 6 variveis bsicas na
nova soluo bsica vivel.
A seguir, basta percorrer o ciclo e, dependendo do sinal
associado a cada varivel bsica, somar ou subtrair esta quantidade
de produto alocada a nova varivel bsica. Esta operao
corresponde ao pivoteamento no Mtodo Simplex.
141
No Exemplo 1, optando pela varivel no bsica x
31
,
tem-se que deslocar para o trajeto O
3
D
1
as 10 unidades que estavam
em O
2
D
2
; ou seja a varivel bsica x
22
ser substituda por x
31
.
Observe-se que a tentativa de colocar em O
3
D
1
mais de 10
unidades, acarreta em O
2
D
2
o transporte de uma quantidade negativa
do produto, o que no faz sentido.
O custo total dessa nova soluo, com x
31
no lugar de x
22
e
mantendo as demais variveis bsicas, ser dado por:
. 1220 10 5 1270
1 3 1 3 1 2
= = A + = - x C CT CT
O Quadro 4 apresenta a nova soluo bsica vivel. Na
avaliao dos novos custos marginais das variveis no-bsicas
foram obtidos somente custos marginais positivos, ou seja, qualquer
alterao nesta soluo aumentar o custo total.
Assim, essa soluo bsica a soluo tima e o custo total
de transporte timo 1220.
Quadro 4 - 2
a
Soluo Bsica (tima)
A partir do Quadro 4 pode-se explicitar qual deve ser o
programa timo de entregas do produto das fbricas O
i
, i = 1,2,3,
142
para os depsitos D
j
, j = 1,2,3,4:
Programa de Entregas timo
x
11
= 10 remeter 10 unidades do produto de O
1
para D
1
x
12
= 30 remeter 30 unidades do produto de O
1
para D
2
x
23
= 80 remeter 80 unidades do produto de O
2
para D
3
x
31
= 10 remeter 10 unidades do produto de O
3
para D
1
x
33
= 20 remeter 20 unidades do produto de O
3
para D
3
x
34
= 80 remeter 80 unidades do produto de O
3
para D
4
o Custo timo 1220.
Agora, passa-se a formalizar as etapas para aplicao do
Stepping Stone Method a um modelo de transporte com m origens, n
destinos e onde a funo objetivo de minimizao.
Passo 1: Inicializao
Determinar uma soluo bsica vivel (rvore bsica) inicial
que tenha m+ n - 1 variveis (arcos) bsicas. Ir Ao Passo 2.
Passo 2: Teste de Otimalidade
- Calcular os custos marginais
ij
C A das variveis no-bsicas;
- Caso no existam custos marginais negativos, a soluo
atual tima (FIM).
- Caso existam custos marginais negativos, escolher varivel
no-bsica x
ij
, com
ij
C A < 0, para ser uma nova varivel bsica
(varivel que entra) na prxima soluo bsica vivel. Ir ao Passo
3.
143
Passo 3: Melhoria da Soluo (Pivoteamento)
- Achar o ciclo de compensao da varivel no-bsica x
ij
escolhida
no Passo 2 para entrar no conjunto das variveis bsicas;
- No ciclo encontrado, aumentando-se o valor de x
ij
, determinar a
varivel bsica x
ks
que se anula primeiro, esta varivel (varivel que
sai) ser substituda na prxima soluo bsica vivel por x
ij
.
- Transferir a quantidade de produto da varivel x
ks
(que sai) para a
varivel x
ij
(que entra) e efetuar o balanceamento no ciclo de modo a
respeitar as restries de oferta e demanda do produto. Voltar ao
Passo 2.
Observe-se que a funo objetivo pode ser de maximizao
de lucro, lembrando que lucro = receita custos, considerando os
preos de venda do produto aos clientes como sendo diferentes.
Nesta situao, ou invs de custos unitrios em cada trajeto
Origem - Destino, deve-se calcular o lucro unitrio (L
ij
) para cada
trajeto. Este lucro unitrio L
ij
, em cada clula dos Quadros do
Modelo de Transporte Simples, ser a diferena entre o valor do
preo de venda no Destino j e o custo de transporte associado ao
trajeto da Origem i ao Destino j.
As nicas alteraes no algoritmo Stepping Stone Method
para uso em modelos de maximizao se referem ao Passo 2:
Passo 2: Teste de Otimalidade
- Calcular lucros marginais (
ij
L A ) das variveis no-bsicas;
- Caso -/
ij
L A > 0 soluo atual tima (FIM).
144
- Caso contrrio, escolher x
ij
no-bsica com
ij
L A >0
para entrar. Ir ao Passo 3
A seguir apresentam-se outros aspectos relativos resoluo
de um Modelo de Transporte Simples.
3. Resoluo pelo Mtodo Modificado (Modi)
H uma maneira prtica para avaliao dos custos (lucros)
marginais das variveis no-bsicas, associadas a uma dada soluo
bsica vivel. Este mtodo conhecido como Mtodo Modificado
ou Modi.
Considere um quadro tpico de aplicao do Stepping Stone
Method, onde h uma soluo bsica vivel identificada:
Etapa 1 - No quadro, defina um custo marginal L
i
para linha i, e um
custo marginal K
j
para a coluna j, de tal forma que, para cada
varivel bsica x
ij
: L
i
+ K
j
= C
ij
. Ou seja, obtm-se um sistema de
equaes que dependem de L
i
e K
j
.
Para ilustrar a Etapa 1, considere o Quadro 5, que aborda
ainda o Exemplo 1. Observe que os custos marginais L
i
e K
j
, esto
na 1
a
. coluna e na 1
a
. linha, respectivamente.
Em geral, tem-se um sistema de equao com m + m
variveis (so custos marginais L
i
e K
j
) e m+ n - 1 equaes
(associadas s variveis bsicas), ou seja, um sistema
indeterminado quanto a sua soluo.
Quadro 5 - Custos Marginais Calculados pelo Modi.
145
Para a situao do Quadro 5, tem-se o sistema de 6 equaes
e 7 variveis, confirmando que ele , portanto, de soluo
indeterminada:
L K
L K
L K
L K
L K
L K
1 1
1 2
2 2
2 3
3 3
3 4
10
5
0
1
14
6
+ =
+ =
+ =
+ =
+ =
+ = .
Para resolver o sistema deve-se atribuir um valor qualquer a
uma das variveis (por exemplo, L
1
= 0) e calcular as demais por
simples substituio. Na situao acima, com L
1
= 0, tem-se:
,
. 2 , 6 , 5 , 10
, , 8 , 5 , 0
4 3 2 1
3 2 1
= = = =
= = =
K K K K
L L L
Etapa 2 - Considere, agora um dos ciclos, por exemplo aquele
146
formado pela adio do trajeto O
3
D
1
(ver Figura 5). O custo
marginal AC
31
para a varivel no bsica x
31
pode ser calculado
por:
1 1 2 1 2 2 3 2 3 3 1 3 1 3
C C C C C C C + + = A
Substituindo os valores de C
ij
por ( )
j i
K L + quando
pertinente, tem-se:
( ) ( ) ( ) ( ) ( )
1 1 2 1 2 2 3 2 3 3 1 3 1 3
K L K L K L K L K L C C + + + + + + + = A
cancelando-se os termos semelhantes, tem-se ( )
1 3 1 3 1 3
K L C C + = A
Ou seja, conclui-se que o custo marginal da varivel no-
bsica x
31
igual ao seu custo unitrio de transporte menos a soma
dos custos marginais da linha 3 e coluna 1 correspondentes.
De fato este resultado geral, ou seja: para cada varivel
no-bsica x
ij
, tem-se que ( )
j i ij ij
K L C C + = A .
O Quadro 5, ainda, mostra os demais custos marginais pelo
mtodo Modi para a soluo inicial do Exemplo 1, evidentemente os
valores so coincidentes com aqueles dispostos no Quadro 3.
As modificaes na soluo bsica com a introduo de
nova varivel bsica so feitas da forma anteriormente descrita.
Obtida uma nova soluo bsica vivel, podem-se calcular
os custos marginais dessa soluo utilizando novamente o mtodo
Modi, e assim por diante, at a obteno da soluo tima.
Observe-se que o mesmo procedimento vale para o caso de
maximizao da funo objetivo em que h lucros marginais, ao
invs de custos marginais.
147
4. Mtodos para Encontrar uma Soluo Bsica Vivel
Inicial para o Stepping Stone Method.
Apresentam-se aqui, dois mtodos para a obteno de uma
soluo bsica inicial para o Stepping Stone Method:
- Regra do Canto Esquerdo - RCE.
- Mtodo do Menor Custo Associado - MMC.
Passase a descrio dos dois mtodos.
4.1. Regra do Canto Esquerdo - RCE
Foi o mtodo utilizado para se obter uma soluo bsica
vivel inicial no Exemplo 1.
A RCE consiste em atribuir o mximo valor transportvel
do produto partindo-se da clula localizada no canto superior
esquerdo do Quadro de resoluo pelo Stepping Stone Method, e
continuar a distribuio do produto disponvel pelas demais clulas,
atravs de deslocamentos sucessivos para a direita e para baixo,
atendendo totalmente as demandas de cada destino e esgotando os
recursos das origens, at atingir a clula localizada no canto inferior
direito do Quadro.
Uma linha (ou coluna) considerada satisfeita quando a
quantidade de produto disponvel na origem associada j tiver se
esgotado (ou o total da demanda pelo produto no destino associado
tiver sido atendido).
Vantagem: simplicidade na obteno da soluo inicial
Desvantagem: pelo fato de no se levar em considerao o custo
unitrio de transporte associado a cada clula, geralmente h
148
necessidade de diversas iteraes at se atingir a soluo tima.
4.2. Mtodo do Menor Custo Associado - MMC
O MMC consiste em atribuir o mximo valor transportvel
do produto s clulas associadas aos menores custos unitrios de
transporte.
Estabelece-se uma hierarquia de escolha das clulas que
pertencero soluo bsica inicial, escolhendo-se, em ordem
crescente, aquelas associadas aos menores custos unitrios de
transporte.
Vantagem: Estatisticamente, consegue-se uma soluo inicial mais
prxima da soluo tima, exigindo, em mdia, um nmero menor
de iteraes que a regra anterior.
Desvantagem: Pouco mais trabalhoso que a Regra do Canto
Esquerdo.
No Quadro 6 est identificada uma soluo bsica vivel
inicial do exemplo anterior atravs deste mtodo.
A Tabela 2, mostra a ordem de escolha das clulas
(variveis bsicas) feita. Observe-se que foram atribudas
quantidades de produto s seis (m+n-1) variveis bsicas, o que
forneceu uma soluo bsica vivel completa.
Observe-se que, na ltima alocao, na clula 0
3
D
3
,
esgotou-se simultaneamente uma linha (a terceira) e satisfez-se uma
coluna (a terceira); isto sempre ocorre.
O Custo Total de Transporte associado a soluo do Quadro
6 : CT = 13x
31
+ 0.x
22
+ x
23
+ 14x
33
+ 4x
14
+ 6x
34,
ou ainda, CT = 20.13 +
149
0.30 + 50.1 + 14.50 + 4.40 + 6.40 = 1410.
Quadro 6. Soluo Bsica Vivel Inicial para o Stepping Stone
Method pela regra do Custo Mnimo.
Ou seja, apesar de utilizar-se uma regra de inicializao que
leva em considerao os custos unitrios de transporte de cada
clula, o custo resultante (1410) foi maior que aquele (1270) obtido
ao se utilizar a Regra do Canto Esquerdo, a qual ignora os custos
unitrios de transporte.
De fato, no h como descobrir, a priori, qual das duas
Regras de Inicializao (canto esquerdo ou mnimo custo) gerar
uma soluo inicial melhor, no sentido de diminuir o nmero de
iteraes necessrias para se atingir o valor timo do custo total.
Assim, pode-se optar por qualquer das regras para inicializar o
Stepping Stone Method.
150
Tabela 2. Detalhes sobre a ordem e quantidade alocada a cada
clula pelo Mtodo do Menor Custo Associado.
Clula Custo
unitrio
Ordem de
Escolha
Quantidade
Atribuda
Status
0
1
D
1
10 - - Esgotada
0
1
D
2
5 - - Esgotada
0
1
D
3
12 - - Esgotada
0
1
D
4
4 3
a
. 40 Esgota linha
1
0
2
D
1
2 - - Esgotada
0
2
D
2
0 1
a
. 30 Esgota
coluna 2
0
2
D
3
1 2
a
. 50 Esgota linha
2
0
2
D
4
9 - - Esgotada
0
3
D
1
13 5
a
. 20 Esgota linha
1
0
3
D
2
11 - - Esgotada
0
3
D
3
14 6
a
. 50 Esgota linha
3 e coluna 3
0
3
D
4
6 4
a
. 40 Esgota
coluna 4
151
5. Ofertas e Demandas Desbalanceadas
At aqui se tratou de modelos de transporte onde a
quantidade de produto nas origens (fbricas) era igual a demanda
nos destinos (depsitos). Porm, nem sempre isso acontece.
Quando houver um desbalanceamento entre ofertas e
demandas, h necessidade de se promover o balanceamento, antes
da aplicao do Stepping Stone Method.
Isto pode ser feito atravs da introduo de uma origem (ou
destino, conforme a necessidade) fictcia, com nvel de produo (ou
demanda se for destino fictcio) exatamente igual a diferena
existente entre o total de oferta e demanda.
Os custos de transporte associados aos trajetos que ligam
essa origem (ou destino) fictcia aos destinos (ou origem) reais sero
evidentemente nulos, uma vez que no haver nada a transportar.
Casos a considerar:
1
o
caso - a b
i j
> ; isto , tem-se mais oferta do que demanda.
Neste caso, cria-se um destino fictcio D
f
com demanda
b a b
f i j
=

, sendo atendido por todas as origens
existentes.
Na soluo final, as quantidades destinadas ao destino
fictcio ficam estocadas nas respectivas origens.
Em algumas situaes poderiam ser atribudos aos trajetos
fictcios os custos de estoque em cada origem real, o que mudaria a
funo objetivo para incorporar, alm dos custos de transportes,
152
tambm os custos de estocagem;
2
o
caso - a b
i j
< ; isto , tem-se mais demanda que oferta.
Neste caso, cria-se uma origem fictcia O
f
, com capacidade
a b a
f j i
=

, atendendo a todos os destinos existentes.
Na soluo final, as quantidades do produto recebidas da
origem fictcia correspondem a quanto faltar do produto em cada
destino.
Em alguns casos, poderiam ser atribudos aos trajetos
fictcios os valores das multas por no atendimento s demandas dos
clientes, o que mudaria a funo objetivo para incorporar, alm dos
custos de transportes, tambm os valores das multas.
Para ambos os casos, feito o balanceamento, com a incluso
da origem ou destino fictcia, o problema se resolve exatamente da
mesma forma j apresentada (ver Exemplo 1): adota-se um dos
mtodos de inicializao e realizam-se as iteraes, utilizando o
mtodo Modi, at a obteno da soluo tima.
Isto ser ilustrado a partir do Exemplo 2 que apresenta tanto
o desbalanceamento entre oferta e demanda, como a ocorrncia de
soluo bsica vivel degenerada, fato este que ser explicado na
seo seguinte.
6. Degenerescncia
A degenerescncia na aplicao do Stepping Stone Method
ocorre quando, para uma dada soluo bsica vivel, o nmero de
153
variveis bsicas no nulas menor que m + n - 1.
Esta situao pode ocorrer em dois casos:
1
o
caso - Na inicializao do mtodo
Aps a aplicao de algum dos mtodos de inicializao, pode
ocorrer que o nmero de variveis bsicas seja menor que m+ n 1.
Neste caso, deve-se escolher uma clula qualquer, ainda no
utilizada como varivel bsica, que no forme ciclo com as clulas
j incorporadas soluo bsica, e alocar a ela a quantidade zero,
pois, deve-se lembrar que as capacidades de produo j foram
alocadas s variveis bsicas existentes e tambm as demandas j
foram atendidas, pois o modelo j foi, previamente, balanceado.
2
o
caso - Durante uma iterao
Pode ocorrer, na etapa de determinao de qual varivel
bsica ser substituda, que duas (ou mais) variveis bsicas
empatem com respeito ao critrio de escolha da varivel que ser
substituda (varivel que sai).
Isto pode ocorrer se estas variveis bsicas, que empataram
na sada, pertencem ao ciclo de compensao da varivel no-bsica
que entrar, so doadoras de unidades e possuem o mesmo valor
mnimo de quantidade de produto, para as variveis doadoras, do
ciclo de compensao em questo.
Neste caso, opta-se por substituir uma delas (das que
empataram) da soluo bsica e mantm-se as outras (que
empataram) como variveis bsicas na prxima soluo bsica
vivel do problema, porm com valor zero associado.
154
Isto ser ilustrado a partir do Exemplo 2 que apresenta
tanto o desbalanceamento entre oferta e demanda, como ocorrncia
de soluo bsica vivel degenerada.
Exemplo 2.
Seja um problema de transporte simples, onde tem-se 3 origens e 4
destinos, cujas capacidades de produo, demandas e custos
unitrios de transporte so dados na Tabela 3.
Tabela 3. Dados para o Exemplo 2.
Destinos
Origens D
1
D
2
D
3
D
4
Capacidades
0
1
10 5 12 4 40
0
2
2 0 1 9 80
0
3
13 11 14 6 100
Demandas 20 30 80 70
Como

= < = 220 200
i j
a b o problema desbalanceado. Para
poder aplicar o Stepping Stone Method, basta considerar o destino
fictcio D
f
com demanda b
f
= 20 e custos de transporte nulos,
conforme Figura 6.
155
Figura 6. Modelo em Rede para o problema do Exemplo 2.
Adotando a regra do canto esquerdo para identificar a
soluo bsica vivel inicial e o mtodo Modi para clculo dos
custos marginais das variveis no-bsicas, tem-se o Quadro 7.
Se for escolhida para entrar a varivel no bsica x
31
, que
possui custo marginal negativo dado por 5
31
= AC , no seu ciclo de
compensao (ver Figura 7) doaro unidades (esto associadas aos
valores de 1 no ciclo) as variveis bsicas x
11
= 20; x
12
= 10 e x
33
=
10. O valor mnimo , portanto, de 10 unidades.
Deve-se, portanto, deslocar 10 unidades para a varivel que
entra x
31
,
associada clula 0
3
D
1
. Com isto, duas variveis bsicas
(x
22
e x
33
) ficaro com valor zero, empatando na sada, e surgindo
a degenerescncia (2
o
caso).
156
Quadro 7. Soluo inicial para o Exemplo 2.
Figura 7. Ciclo de Compensao da Varivel No-Bsica x
31
Deve-se ento, conservar uma delas como bsica com valor
zero (por exemplo x
33
), e a outra dever se tornar varivel no bsica
(neste caso x
22
)
.
Na seqncia, resolve-se o problema como anteriormente,
at se obter a soluo tima (ver Quadro 8), onde todos os custos
marginais das variveis no bsicas so positivos, e como o
157
problema de minimizao, tem-se a soluo tima.
Quadro 8. Soluo tima
Deve-se analisar no Quadro 8 que as 20 unidades que D
f
deveria receber, na verdade no sero enviadas, isto , a fbrica que
entregaria as 20 unidades do produto para o D
f
ficar com este valor
em seu estoque.
7. Condies Proibidas de Embarque ou Recepo
Em determinadas ocasies, trajetos entre origens e destinos
podem ser bloqueados devido a existncia de condies proibidas de
embarque (custos altos de transporte, por exemplo) ou de recepo
(questes contratuais, por exemplo).
Nestes casos basta bloquear no quadro de resoluo pelo
Stepping Stone Method os trajetos proibidos, no permitindo, assim,
que as clulas, que os representam, sejam introduzidas como
variveis bsicas em qualquer das solues obtidas pelo mtodo.
Isto equivale a se colocar na funo objetivo, para um
158
modelo de minimizao (maximizao), um coeficiente de custo
unitrio (lucro unitrio) muito grande e positivo M (pequeno e
negativo -M) para as variveis de deciso associadas aos trajetos
proibidos.
Para ilustrar esta situao, considere os mesmos dados do
Exemplo 1, onde foi proibido o embarque de 0
1
para D
2
.
Neste caso, a funo objetivo ficaria sendo:
com M > > 0
34 33 31
24 23 22 21 14 13 12 11
6 14 13
9 1 0 2 4 12 10
x x x
x x x x x x Mx x CT MIN
+ + +
+ + + + + + + =
A soluo bsica inicial encontrada pela Regra do Canto
Esquerdo seria aquela do Quadro 9.
Quadro 9. Soluo Bsica Vivel para o Exemplo 1 Modificado.
Observe-se que a varivel x
12
associada ao trajeto proibido
O
1
D
2
sempre ser uma varivel no-bsica, portanto com valor nulo
associado.
A soluo tima pode ser obtida atravs do procedimento j
apresentado, mantendo-se o bloqueio na clula O
1
D
2.
159
Referncias
Taha, H. A. Pesquisa Operacional, 8. Edio. So Paulo: Pearson
Prentice Hall, 2008.
Colin, E. C. Pesquisa Operacional. Rio de Janeiro: LTC, 2007.
Lachtermacher, G. Pesquisa Operacional na Tomada de Decises,
3
a
. edio revista e ampliada. Rio de Janeiro: Elsevier, 2007.
160
O Modelo da Designao
1. Introduo
O Modelo da Designao procura representar situaes onde
se faz necessrio alocar os recursos (indivisveis) disponveis para
atender de maneira exclusiva s atividades de interesse, de modo
que alguma medida de efetividade (geralmente o custo total da
designao) do sistema modelado seja otimizada.
Alguns exemplos de aplicaes deste modelo so fornecidos
na Tabela 1.
Tabela 1. Aplicaes do Modelo da Designao.
Recurso Atividade Medida
de Efetividade
operrios trabalhos Tempo de execuo
caminhes rotas Custo de transporte
mquinas locais Operacionalidade
tripulaes avies Ociosidade dos tripulantes
vendedores reas Volume de vendas
Neste modelo, em geral, h o mesmo nmero de recursos
disponveis e de atividades a serem atendidas. Ou seja, neste tipo de
problema, deve ser alocado um recurso para cada atividade, e toda
atividade deve receber apenas um recurso.
Situaes em que o nmero de recursos diferente do
nmero de atividades requerem a aplicao de um artifcio simples,
161
com a incluso de recursos ou atividades fictcias conforme
necessrio, que ser adiante explicado.
Deve ser ressaltado que o Modelo da Designao um caso
particular do Modelo de Transporte da Programao Linear, e, deste
modo, pode ser resolvido pelo Stepping Stone Method, ou ainda pelo
Mtodo Simplex.
Porm, existem algoritmos especiais que consideram a
estrutura especial destes Modelos da Designao, e que, de um
modo geral, so mais eficientes que os algoritmos gerais.
O algoritmo a ser aqui apresentado conhecido como
Mtodo Hngaro, foi desenvolvido por H.W.Kuhn e baseia-se no
trabalho de dois matemticos hngaros, D. Konig e J. Egervry.
2. Definies e Notaes
Considere a matriz de custos, ou de eficincias, ( )
ij
c C = ,
onde c
ij
o custo (eficincia) da alocao do recurso i para a
atividade j. Este custo, como visto na Tabela 1, pode ser tempo,
custo de transporte ou volume de vendas, dependendo do contexto
do problema.
Em geral i, j = 1, 2,..., m, onde m o nmero de atividades
e de recursos envolvidos e tm-se as variveis de deciso do Modelo
da Designao como sendo:

=
, 0
, 1
ij
x
se o recurso i designado atividade j,
caso contrrio.
162
Deste modo, uma soluo bsica vivel para este modelo
pode ser apresentada na forma de uma Matriz das Variveis de
Deciso dada por ( )
ij
x X = , como ilustrado no Exemplo 1.
No caso de um Modelo da Designao, com m recursos e m
atividades, uma soluo bsica vivel corresponde a uma designao
vivel, sendo que h m! designaes viveis, para um dado valor de
m.
Observe-se que, como os recursos so indivisveis, e cada
atividade necessita de apenas um recurso, uma designao vivel
obtida quando for selecionado um e somente um elemento de cada
linha e coluna de X para assumir o valor 1.
Dada uma matriz C para um Modelo da Designao,
possvel exibir uma designao vivel, ou seja, atribuir um recurso
para cada atividade, de modo que cada atividade receba um nico
recurso, colocando-se um crculo ao redor dos custos
correspondentes aos elementos de X tais que 1 =
ij
x . Ver ilustrao
no Exemplo 1.
Exemplo 1. Identificao de uma Designao Vivel na
Matriz de Custos C e a Matriz das Variveis de Deciso X
associada:
( )= =
ij
c C ( )= =
ij
x X
163
3. Modelo Matemtico
Como j citado, em geral, a funo objetivo do Modelo da
Designao corresponde a minimizao do custo total das
designaes.
As restries podem ser agrupadas em dois grupos, o
primeiro assegura que cada recurso totalmente alocado exatamente
uma vez e o segundo grupo assegura que cada atividade totalmente
satisfeita com um nico recurso.
A formulao do modelo a seguinte:
MIN Z =
i
c x
ij ij
j
s.a.:
{ }
{ }
{ }

e >
e =
e =

m j e i x
m i x
m j x
ij
j
ij
i
ij
, , 2 , 1 0
, , 2 , 1 1
, , 2 , 1 1

Pode-se verificar que este modelo um caso especial do

Modelo do Transporte Simples, em que h o mesmo nmero de
origens e destinos e,
j i
b e a iguais a 1 para todo i e j.
4. Mtodo Hngaro
Considere o Modelo da Designao formulado na seo
anterior com ( )
ij
c C = sendo a matriz de custos.
Suponha que todos os elementos da linha i so modificados
164
pela adio de um nmero real
i
, e todos os elementos da
coluna j so modificados pela adio de um nmero real
j
.
Deste modo, uma matriz de custos modificada ( )
ij
d D =
obtida, com
j i ij ij
c d + + = ou ainda,
j i ij ij
d c = .
Portanto,
ij j ij i ij ij ij ij
x x x d x c = . Assim,
constante + = =
=


ij ij
j i
j
j
i
i
ij ij
j i
ij ij
j i
ij j
j i
ij ij
j i
ij ij
j i
x d x d
x x x d x c


As operaes acima mostram que, a menos de uma
constante, minimizar
i j
ij ij
c x

equivalente a minimizar
i j
ij ij
d x

, mantendo-se as restries do Modelo de
Designao.
O Mtodo Hngaro utiliza este resultado, subtraindo de toda
linha e coluna da matriz C o menor valor encontrado em cada uma
delas, e tentando identificar uma designao vivel com custo total
nulo, na matriz de custos modificada.
Se tal soluo existe, ela ser uma designao tima; caso
contrrio, o mtodo altera a matriz de custos novamente visando a
criar mais opes de elementos nulos.
No Exemplo 2, h uma ilustrao deste procedimento de
subtrair o menor elemento de cada linha e coluna, na Matriz de
Custos, objetivando identificar as melhores opes de alocao de
recursos para atividades (associadas aos valores nulos na Matriz
165
Modificada), de forma a se ter um custo total nulo das
designaes.
Exemplo 2 - Seleo de Homens paraTarefas
Deseja-se designar quatro operrios para quatro tarefas, de
maneira que o nmero total de homens-hora seja mnimo. Cada
homem desempenha cada tarefa em um determinado nmero de
horas, conforme indicam os dados da matriz de custos da Figura 1.
Operrios
Tarefas I II III IV
A
5
24 13 7
B 10 25 3 23
C 28 9 8 5
D 10 17 15 3
Figura 1. Matriz de Custos do Exemplo 2.
Na seqncia, determinam-se os menores nmeros de cada
linha, indicados ao lado da matriz de custos na Figura 2, e efetua-se
a subtrao destes de todos os elementos das linhas correspondentes,
obtendo-se a Matriz de Custos Modificada da Figura 3.
Operrios
Tarefas I II III IV Menor Nmero
A
5
24 13 7 (5)
B 10 25 3 23 (3)
C 28 9 8 5 (5)
D 10 17 15 3 (3)
Figura 2. Identificao dos Menores Nmeros de cada Linha.
166
Operrios
Tarefas I II III IV
A
0
19 8 2
B 7 22 0 20
C 23 4 3 5
D 7 14 12 0
Figura 3. 1
a
. Matriz de Custos Modificada.
Agora se deve identificar o menor nmero em cada coluna,
conforme a Figura 4, e pela subtrao destes em cada coluna tem-se
a nova Matriz de Custos Modificada da Figura 5.
Operrios
Tarefas I II III IV
A
0
19 8 2
B 7 22 0 20
C 23 4 3 5
D 7 14 12 0
Menor Nmero 0 4 0 0
Figura 4. Identificao dos Menores Nmeros de cada Coluna.
Operrios
Tarefas I II III IV
A
0
15 8 2
B 7 18 0 20
C 23 0 3 5
D 7 10 12 0
Figura 5. 2
a
. Matriz de Custos Modificada.
167
Nesta 2
a
. Matriz de Custos Modificada possvel
identificar, por inspeo, uma designao vivel que utiliza as
posies em que o custo associado nulo, ou seja, possvel
achar a designao tima dada na Figura 6.
I II III IV
A 15 8 2
B 7 18 20
C 23 3 0
D 7 10 12
Figura 6. Designao tima do Exemplo 2.
Assim, a designao tima a partir da matriz de custos
modificada da Figura 6 :
Homem Tarefa
I A
II C
III B
IV D
A Matriz das Variveis de Deciso ser:
|
|
|
|
|
.
|

\
|
=
1 0 0 0
0 0 1 0
0 1 0 0
0 0 0 1
X
O tempo total a ser gasto determinado pelo produto da
matriz de custos inicial pela matriz X:
T = 5.1 + 3.1 + 9.1 + 3.1 = 20 horas.
168
O mesmo valor pode ser obtido somando-se as
constantes que foram subtradas de cada linha e cada coluna.
No Exemplo 2, a reduo da matriz de custos inicial pela
subtrao dos elementos mnimos de cada linha e coluna, forneceu
uma soluo tima bvia.
Entretanto, em geral, isto muito difcil de ocorrer. Tudo o
que se pode assegurar que, aps as subtraes indicadas, se
obtenha no mnimo um zero em cada linha e em cada coluna,
entretanto, estes zeros nem sempre permitem a obteno da soluo
tima.
Deve-se, portanto, ter um procedimento sistematizado que
permita identificar a designao tima para uma situao geral.
Assim, passa-se a descrever as fases de aplicao do Mtodo
Hngaro que consiste basicamente de trs fases:
(1) Processo de Reduo das Linhas e Colunas para obteno da
Matriz de Custos Modificada;
(2) Processo de Identificao de Designao tima;
(3) Processo de Modificao Adicional da Matriz Modificada, se
necessrio.
A seguir, esto os detalhamentos operacionais de cada fase:
Fase (1) - Reduo de Linhas e Coluna
O objetivo desta etapa criar o maior nmero possvel de
custos reduzidos nulos. Para fazer isto, deve-se subtrair dos
elementos de toda linha e cada coluna o menor valor encontrado em
cada uma delas, comeando pelas linhas.
169
Esta Matriz de Custos Modificada ser usada no lugar da
matriz original na procura das designaes viveis;
Fase (2)- Identificao de Designao tima
Examinar as linhas e colunas sucessivamente. Devem-se
procurar posies em que haja Zeros.
Durante a aplicao do mtodo pode haver trs tipos de
Zeros: zeros reservados (aproveitados na designao), zeros
eliminados (so redundantes na designao) e restantes (ainda no
designados nem eliminados).
Para cada linha (coluna) com exatamente um zero restante,
reserve quela posio para uma designao, ou seja, coloque um
crculo no zero associado quela posio ( ), e elimine os outros
zeros da coluna (linha) correspondente, ou seja, coloque um xis
sobre os demais zeros ( ).
Repetir, se necessrio, este procedimento para as linhas e
colunas sem posies reservadas at que todos os zeros tenham sido
reservados ou eliminados:
- Se as posies reservadas correspondem a uma designao
completa um recurso para cada atividade e cada atividade
recebendo um recurso - a soluo tima FIM;
- Caso contrrio, seguir para a Fase (3).
Fase (3)- Alteraes Adicionais na Matriz Modificada
Se no houve zeros suficientes na matriz modificada na
Fase (1) que permitiram selecionar uma designao completa com
170
custo total nulo na Fase (2), ento se devem criar mais zeros
usando o procedimento descrito a seguir.
(a) Marcar todas as linhas que no tenham designaes aps
a Fase (2), ou seja, colocar um asterisco ao lado da linha da Matriz
de Custos Modificada na Fase (1);
(b) Para as linhas marcadas, marcar (colocar asterisco ao lado
Matriz de Custos Modificada) todas as colunas que tenham zeros;
(c) Para as colunas marcadas, marcar (colocar asterisco ao lado
Matriz de Custos Modificada) todas as linhas que tenham zeros
reservados (designados);
(d) Repetir os passos (b) e (c) at no ser mais possvel marcar
linhas ou colunas;
(e) Traar uma reta sobre cada linha no marcada e sobre cada
coluna marcada da Matriz de Custos Modificada;
(f) Examinar todos os nmeros no cobertos por alguma reta na
Matriz de Custos Modificada e identificar o mnimo destes nmeros:
- Subtrair este valor mnimo de todos os nmeros no
cobertos por uma reta;
- Somar este valor mnimo a cada nmero situado no
cruzamento de duas retas.
- Retornar Fase (2).
Observaes:
(1) Se h um nmero diferente de recursos e atividades, ou seja, a
matriz de custos (lucros) original no quadrada:
- Devem-se adicionar tantas linhas (recursos), ou colunas
171
(atividades), fictcias quantas forem necessrias para
igualar o nmero de recursos disponveis ao das atividades
existentes;
- Colocar os custos (lucros) correspondentes
convenientemente, de acordo com o contexto do problema.
Em geral os valores destes custos (lucros) das designaes
fictcias so nulos.
(2) Se o problema for de maximizao:
- Multiplicar por (-1) todos os nmeros da matriz de lucros;
- Identificar o menor nmero (ser o que tem o maior
mdulo);
- Adicionar o mdulo deste menor nmero a todos os
nmeros da matriz j multiplicada por (-1), com isto todos
os nmeros resultantes na nova matriz ficaro no negativos
(> 0);
- Resolver o problema com a nova matriz como se fosse de
minimizao.
(3) Na ocorrncia de designaes impossveis, por exemplo, em
situaes em que um determinado operrio no consegue executar
determinada tarefa:
- Para problemas de minimizao, colocar na funo objetivo, como
coeficiente para a varivel de deciso associada, um valor de custo =
M, ou seja, um nmero positivo muito grande;
172
- Para problemas de maximizao, colocar na funo objetivo,
como coeficiente para a varivel de deciso associada, um valor de
lucro = -M, ou seja, um nmero negativo muito pequeno;
(4) Ocorrncia de Mltiplas Solues timas Em alguns
problemas pode ocorrer que, na aplicao da Fase (2), o nmero de
zeros existentes em cada linha e coluna impedem que o
procedimento, indicado anteriormente para esta fase, consiga
examinar todos os zeros, reservando alguns e eliminando os demais.
Quando isto ocorrer significa que o problema tem mltiplas
solues timas. No momento em que o mtodo se mostrar ineficaz
em reservar ou eliminar zeros, deve-se escolher arbitrariamente
algum dos zeros, que no foram ainda reservados ou eliminados,
para ser reservado e dar continuidade ao procedimento padro desta
fase. Isto ser ilustrado no Exemplo 4.
Exemplo 3: Seleo de Homens-Locais
O presidente de uma empresa est estudando a transferncia
de quatro diretores para quatro locais de trabalho diferentes. Foram
feitas estimativas dos custos envolvidos na transferncia de cada
homem para cada novo local de trabalho. Estes custos (numa certa
unidade monetria) so dados na Figura 7.
Determinar as designaes de cada diretor para cada local
de trabalho de modo a minimizar o custo da transferncia,
assumindo-se que os diretores so igualmente qualificados para os
diversos servios.
173
Locais
I II III IV
D
i
A 2 1 4 2
r
e
t
B 3 4 1 6
o
r
e
C 1 2 6 5
s
D 1 3 3 7
Figura 7. Dados para o Exemplo 3.
Aplicando as trs fases do Mtodo Hngaro tem-se:
Fase (1) Reduo da Matriz de Custos
Na identificao dos nmeros mnimos associados a cada
linha obtm-se a Figura 8.
Locais
I II III IV Menor
Nmero
D
i
A 2 1 4 2 (1)
r
e
t
B 3 4 1 6 (1)
o
r
e
C 1 2 6 5 (1)
s
D 1 3 3 7 (1)
Figura 8. Identificao dos Menores Nmeros nas Linhas.
174
Subtraindo-se os elementos mnimos de cada linha de
todos os elementos das linhas correspondentes, obtm-se a Figura 9,
onde j esto identificados os menores nmeros de cada coluna, para
a etapa seguinte de modificao da matriz de custos.
I II III IV
A 1 0 3 1
B 2 3 0 5
C 0 1 5 4
D 0 2 2 6
Menor
Nmero
(0) (0) (0) (1)
Figura 9. Identificao dos Menores Nmeros nas Colunas.
Subtraindo-se os menores nmeros de cada coluna, tem-se a
matriz da Figura 10.
I II III IV
A 1 0 3 0
B 2 3 0 4
C 0 1 5 3
D 0 2 2 5
Figura 10. Matriz de Custos Modificada para a Fase (2).
Fase (2) Identificao de Designao tima 1a. Iterao.
Aplicando o procedimento desta fase, tem-se como
175
resultado a Figura 11, a seqncia de etapas foi a seguinte:
- A 1a. linha tem 2 zeros, assim no se faz designaes ou
eliminaes; j como a 2a. linha tem um nico zero restante, ele ser
reservado (designar B para III) e, se tivesse algum zero na 3a.
coluna ele seria eliminado;
- A 3a. linha tambm tem um nico zero restante que ser reservado
(designar C para I) e deve-se eliminar o outro zero que est na 1a.
coluna;
- Terminou-se, assim, de examinar as linhas, passa-se ao exame das
colunas;
- Na 1a. coluna, os dois zeros existentes j esto reservados ou
eliminados, assim passa-se a analisar a 2a. coluna;
- Na 2a. coluna h apenas um zero restante que ser reservado
(designar A para II) e deve-se eliminar o zero da 1a. linha;
- Com isto no restaram mais zeros para serem reservados ou
eliminados, mas a designao obtida no foi completa, pois apenas 3
zeros foram reservados. Deve-se ir para a Fase (3).
1 2 3 4
A 1 3
B 2 3 4
C 1 5 3
D 2 2 5
Figura 11. Etapas da Fase (2) ao Exemplo 3 1a. Iterao.
176
Fase (3) Alteraes Adicionais na Matriz Modificada 1a.
Iterao.
Aplicando o procedimento desta fase, tem-se como
resultado a Figura 12, a seqncia de etapas foi a seguinte:
- Marcar a 4a. Linha com um asterisco, pois ela no possui
designao (zeros reservados) na Fase (2);
- Marcar a 1a. coluna, pois ela possui um zero na 4a. Linha que foi
marcada na etapa anterior;
- Marcar a 3a. linha, pois ela tem um zero na 1a. coluna que foi
marcada na etapa anterior;
- Como a coluna que seria marcada a 1a. coluna, pois ela tem um
zero na 3a. linha que foi marcada na etapa anterior, mas que j foi
marcada, ento ficam finalizadas estas etapas de marcar linhas e
colunas;
- Na seqncia, deve-se cobrir com uma reta as linhas no marcadas
(1a. e 2a. Linhas) e as colunas marcadas (1a. Coluna), isto tambm
est na Figura 12
Figura 12. Aplicao Parcial da Fase (3) ao Exemplo 3.
- Observando a Figura 12, identifica-se que o menor nmero no
coberto por uma reta o nmero 1 na posio (C, 2);
I II III IV
177
- Deve-se subtrair o valor 1 de todos os custos no cobertos pelas
retas;
- Somar valor 1 aos custos das clulas que se encontram nos
cruzamentos das retas, isto , somar 1 aos custos das posies (A,1)
e (B,1). Ao se realizar essas operaes obtm-se a Matriz da Figura
13.
1 2 3 4
A 1 0 3 0
B 3 3 0 4
C 0 0 4 2
D 0 1 1 4
Figura 13. Aplicao Final da Fase (3) ao Exemplo 2.
Pelo Mtodo Hngaro, deve-se retornar a Fase (2) para se
tentar identificar, finalmente, uma designao completa que ser a
soluo tima.
Fase (2) 2a. Iterao
Aplicando o procedimento desta fase, tem-se como
resultado a Figura 14, a seqncia de etapas foi a seguinte:
- Como a 1a. linha tem dois zeros, nada a fazer;
- Como a 2a. linha tem um nico zero restante, ele ser reservado
(designar B para III) e no h zeros na 3a. coluna para eliminar;
- Como na 3a. linha h dois zeros, nada a fazer;
- Como na 4a. linha h apenas um zero restante, ele ser reservado
(designar D para I) e o zero da 1a. coluna ser eliminado;
178
- Passa-se a examinar as colunas, a 1a. coluna no tem mais
zeros;
- Como a 2a. coluna tem dois zeros, nada a fazer;
- A 3a. coluna no tem mais zeros;
- Como a 4a. coluna tem apenas um zero restante, ele ser reservado
(designar A para IV) e o zero da 1a. linha ser eliminado;
- Volta-se a examinar as linhas, a 1a. e a 2a. linha no tm mais
zeros;
- Como a 3a. linha tem apenas um zero restante, ele ser reservado
(designar C para II) e o processo termina, pois no h mais zeros
sem terem sido reservados ou eliminados.
Chegou-se, assim, ao final da aplicao do Mtodo
Hngaro, pois uma designao completa foi obtida, isto est na
Figura 15. Como pode ser verificado com os dados da Matriz de
Custos Inicial, o custo mnimo envolvido nesta distribuio de 6
unidades monetrias.
I II III IV
A 2 3
B 3 3 4
C 4 2
D 1 1 4
Figura 14. Aplicao da Fase (2) ao Exemplo 3 2a. Iterao.
179
Diretor Local
A
B
C
D
IV
III
II
I
Figura 15. Soluo tima do Exemplo 3.
Na seqncia est resolvido o Exemplo 4 que apresenta
Desbalanceamento, Trajetos Proibidos, bem como ocorrem mais de
uma soluo tima; neste exemplo, ser mostrado como proceder no
caso de existncia de mais de uma soluo tima.
Exemplo 4. Desbalanceamento, trajetos proibidos e mltiplas
solues
Uma fbrica possui quatro locais (I, II, III, IV) para receber
trs mquinas novas (A, B, C). O local IV no comporta a mquina
A por restries fsicas. Os custos de manuseio de materiais, numa
certa unidade monetria por hora (u.m./h), envolvendo cada
mquina com as posies possveis, esto na Figura 16.
O objetivo designar as novas mquinas aos locais
disponveis de modo a minimizar o custo total de manuseio de
materiais.
Assim como no problema do transporte, quando da
ocorrncia de desbalanceamento e trajetos proibidos, so necessrios
os seguintes passos antes de se aplicar o Mtodo Hngaro:
180
(a) Atribuir um custo muito grande (M) posio (A,4) para se
evitar a designao da mquina A ao local 4;
(b) Criar uma mquina fictcia D, com todos os custos nulos, para
igualar o nmero de mquinas com o nmero de locais disponveis.
I II III IV
A 5 1 3 X
B 3 1 4 3
C 3 3 4 2
Figura 16. Custos de Manuseio para o Exemplo 4.
Isto feito tem-se Matriz de Eficincias da Figura 17, onde j
foi identificado o menor valor de custo em cada uma das linhas, para
aplicao da Fase (1).
I II III IV Menor nmero:
A 5 1 3 M (1)
B 3 1 4 3 (1)
C 3 3 4 2 (2)
D 0 0 0 0 (0)
Figura 17. Matriz de Eficincias para o Problema Balanceado e com
Trajeto Proibido.
Aplicando-se as Fases (1), (2) e as etapas de (a) at (e) da
Fase (3) tem-se, como resultado parcial, a Figura 18.
181
Figura 18. Resultado parcial para o Exemplo 4
O elemento mnimo no coberto pelas retas, na Figura 18,
igual a 2, que aparece nas posies (B, I), (B, IV) e (A, III).
Aplicando-se a etapa restante (f) da Fase (3) tem-se a Matriz da
Figura 19, para a qual deve-se aplicar a Fase (2), numa 2a. iterao
do Mtodo Hngaro.
I II III IV
A 2 0 0 M
B 0 0 1 0
C 1 3 2 0
D 0 2 0 0
Figura 19. Matriz para a Fase (2) - 2a. Iterao.
Ao se aplicar novamente a Fase (2), agora na Matriz da
Figura 19, chega-se a um impasse no procedimento, pois no
possvel reservar ou eliminar zeros, pois h pelo menos 2 zeros em
I II III IV
182
cada linha e coluna no examinadas, conforme exposto na Figura
20.
I II III IV
A 2 0 0 M
B 0 0 1
C 1 3 2
D 0 2 0
Figura 20. Impasse na Aplicao da Fase (2).
Isto indica a existncia de mais de uma soluo tima.
Escolhendo, arbitrariamente, uma designao na posio (A,2) e
reaplicando o procedimento visto anteriormente para esta fase,
obtm-se o resultado da Figura 21.
I II III Iv
A 2 M
B 1
C 1 3 2
D 2 X
Figura 21. Uma Soluo tima do Exemplo 4.
O resultado uma das designaes timas do problema,
cujo custo total de manuseio mnimo de 6 u.m./h, e est descrita na
183
Figura 22. Observe-se que, como a Mquina D fictcia, o local
3 ficar sem ocupao.
Mquina Local
A
B
C
II
I
IV
Figura 22. Uma Designao tima de Mquinas para Locais.
Caso haja interesse em se obter outra designao tima,
basta escolher, arbitrariamente, uma outra posio, por exemplo, (A,
3) e proceder como antes. A soluo tima alternativa, para esta
segunda escolha, est exposta na Figura 23, onde quem ficou sem
mquinas foi o Local I. Naturalmente, o custo desta soluo tambm
de 6 u.m./h.
Mquina Local
A
B
C
III
II
IV
Figura 23. Outra Designao tima de Mquinas para Locais.
Referncias
Phillips, D.T.; Garcia-Diaz, A. Fundamentals of Network Analysis.
Englewood Cliffs- NJ: Prentice-Hall, 1981.
184
Shamblin, J.E.; Stevens Jr., G.T. Pesquisa Operacional - Uma
abordagem Bsica 1
a
edio. So Paulo: Editora Atlas, 1979.
185
Introduo Teoria de Filas: Modelos Markovianos
1. Introduo
A Teoria das Filas tem como objetivo principal o
desenvolvimento de modelos matemticos que permitam prever o
comportamento de sistemas de prestao de servios.
Admite-se, em geral, que as solicitaes ocorrem em
instantes aleatrios e que a durao do tempo de atendimento de
cada pedido tambm uma varivel aleatria.
Antes de se descrever as caractersticas de um sistema de
filas, deve-se observar que, do ponto de vista prtico, o interesse em
se estudar estes sistemas est na possibilidade de introduzir-se
modificaes, que contribuam de alguma forma para melhorar o seu
rendimento.
Assim, por exemplo, em determinados perodos, a procura
pelos servios (demanda) de um determinado sistema pode ser
muito intensa, gerando longas filas e um elevado tempo de espera
para as pessoas interessadas. Quando se trata de uma operao
comercial, esta situao deixa os clientes insatisfeitos e conduz
perda de negcios.
Por outro lado, possvel que, em outros perodos, a
demanda seja to baixa que os atendentes, daquele sistema de
prestao de servios, fiquem desocupados durante boa parte do
tempo.
186
Em ambas as situaes, uma mudana seria
recomendvel do ponto de vista econmico. No entanto, geralmente,
o vulto das despesas envolvidas de tal ordem que no permite a
realizao de mudanas em carter experimental.
interessante, portanto, dispor de um modelo que permita
prever o comportamento do sistema modificado e, em conseqncia,
fornea subsdios para que se possa escolher a modificao mais
adequada.
Alguns exemplos tpicos de aplicao da Teoria das Filas
so relativos ao dimensionamento de: postos de pedgio, nmero de
beros de atracao em portos, nmero de guichs num banco, do
nmero de linhas de uma Central Telefnica, e de equipes de
manuteno, entre outros.
2. Estrutura Bsica de um Sistema de Filas.
A Figura 1 ilustra os elementos importantes para a anlise
de um sistema de filas: populao, processo de chegadas de clientes,
organizao da fila, disciplina de atendimento e processo de
atendimento de clientes.
Estes elementos caractersticos sero discutidos na seqncia:
(a) Processo de Chegada: Uma informao relevante na
anlise de um sistema de filas saber, para 0 > t , o nmero de
indivduos que solicitaram servio no intervalo ( ) t , 0 .
Trata-se, portanto, de um processo de contagem e ele poder
ser caracterizado atravs da distribuio dos Intervalos de Tempo
entre Chegadas Sucessivas, ou atravs da distribuio do Nmero de
187
Chegadas em intervalos disjuntos.
Figura 1. Estrutura de um Sistema de Filas.
Em sistemas industriais automatizados, por exemplo, numa
fbrica de bebidas, as garrafas chegam nos pontos de envasamentos,
ou colocao de tampas e rtulos em intervalos constantes, o que
caracteriza que o nmero de chegadas (garrafas) nos postos de
atendimento (envazador) tem um comportamento determinstico.
Mas, em geral, estes intervalos de tempo so variveis aleatrias,
como o que ocorre, por exemplo, no caso de chegadas de clientes
em caixas de um banco, ou o nmero de carros que chegam a um
posto de pedgio. Neste texto, estas variveis sero consideradas
independentes e identicamente distribudas.
Um caso particular importante onde a varivel aleatria
associada ao Nmero de Chegadas tem Distribuio de Poisson com
mdia . Sabe-se que, nesta situao particular, a distribuio de
probabilidades da varivel aleatria Intervalo de Tempo entre
188
Chegadas Sucessivas ser dada pela Distribuio Exponencial
Negativa com mdia 1/.
Outro aspecto importante, considerado em modelos mais
avanados, a possibilidade de chegadas em grupos, sendo que o
nmero de indivduos em cada grupo uma varivel aleatria com
distribuio conhecida. Um exemplo deste caso seria uma partida de
futebol, com os espectadores sendo transportados em nibus, que
chegaro em instantes aleatrios, com o nmero de passageiros em
cada nibus sendo tambm uma varivel aleatria.
b) Processo de Atendimento: Da mesma forma que no
processo de chegadas, o atendimento pode ser individual ou em
grupo. Exemplos de atendimento individual so encontrados em
bancos, postos de pedgio, entre outros. Os atendimentos em grupo
ocorrem em filas de nibus, ferry-boats e elevadores, entre outros
casos.
A principal caracterstica do atendimento a Durao do
Atendimento, ou ainda, o Nmero de Atendimentos. A Durao do
Atendimento pode ser constante, como seria em sistemas industriais
automatizados, por exemplo, a durao do envaze, ou a rotulao, de
uma garrafa numa fbrica de bebidas.
Em geral, a Durao do Atendimento, ou ainda, o Nmero
de Atendimentos uma varivel aleatria com distribuio
conhecida, que pode, tambm, depender do tamanho da fila, como
ocorre num Banco, por exemplo, quando se colocam mais caixas
quando a fila de clientes fica longa.
Nos modelos mais comuns supe-se que os tempos de
189
atendimento, dado que existem pessoas sendo atendidas, so
variveis aleatrias independentes e identicamente distribudas.
O caso particular, mais importante, onde a durao do
atendimento (tempo de servio) tem distribuio de probabilidades
do tipo Exponencial Negativa com mdia 1/, e, similarmente ao
que ocorre para o processo de chegadas, nesta situao, o Nmero
de Atendimentos ter uma distribuio de probabilidades do tipo
Poisson com mdia .
c) Disciplina de Atendimento: Num modelo de filas a
Disciplina de Atendimento se refere maneira segundo a qual os
indivduos, que esto requerendo atendimento no sistema, so
selecionados para receber o servio. Ela definida em funo das
caractersticas do sistema e existem vrias disciplinas possveis;
sendo o tipo mais comum onde o atendimento feito segundo a
ordem de chegada, conhecida como PEPS - Primeiro a Entrar,
Primeiro a ser Servido (em ingls FIFO).
Outra Disciplina de Atendimento muito comum conhecida
como UEPS - ltimo a Entrar, Primeiro a ser Servido (em ingls
LIFO), que ocorre, por exemplo, em alguns sistemas de estoques e
em elevadores lotados.
Outra possibilidade a existncia de prioridades, isto , h
um tipo de cliente que pode passar frente dos demais e vai para o
1
o
lugar da fila (por exemplo, consultas mdicas com hora marcada),
um caso extremo de prioridade aquele no qual o servio que est
sendo executado interrompido para atendimento do cliente
prioritrio, como ocorre em casos de emergncia em hospitais. A
190
Disciplina de Atendimento pode ser tambm do tipo aleatria,
como ocorre, por exemplo, numa prova oral nas escolas.
(d) Capacidade do Sistema: Em muitos modelos de filas
existe uma limitao fsica para o nmero de pessoas que podem
fazer parte do sistema. Enquanto esta capacidade no for atingida, o
funcionamento do sistema normal, no sentido de que, os
indivduos que chegam aguardam na fila at serem atendidos, e os
indivduos que chegam em instantes nos quais a capacidade est
esgotada so recusados.
Antes de se iniciar o estudo dos modelos de filas mais
importantes, deve-se apresentar uma notao para modelos de filas,
devida a Kendall, que universalmente adotada e est ilustrada no
Exemplo 1.
Segundo a notao de Kendall, um modelo de filas
descrito por uma sucesso de smbolos, colocados em campos
delimitados por barras inclinadas. O primeiro campo fornece
informaes da distribuio dos intervalos entre chegadas; o
segundo se refere distribuio dos tempos de servio; o terceiro se
refere ao nmero de guichs de atendimento disponveis; o quarto
indica a restrio sobre a capacidade do sistema; o quinto fornece a
informao sobre o tamanho da populao e finalmente o sexto
informa sobre a disciplina de atendimento.
Nos casos em que a capacidade ilimitada, a populao
muito grande e a disciplina a PEPS, os trs ltimos smbolos
podem ser omitidos.
191
Os smbolos comumente usados so:
M - Para o Processo de Chegadas com distribuio de
probabilidades Poisson, e para o Processo de Atendimento
com distribuio de probabilidades Exponencial para os
tempos de servio;
GI - Para Processo de Chegadas independentes, diferente do de
Poisson;
E
k
- Para distribuio de probabilidades de Erlang de ordem k;
D - Para tempo de servio constante (caso determinstico);
G - Para distribuio geral de tempos de atendimento.
Exemplo 1: Ilustrao da notao de Kendall
M/M/3 - Modelo de filas com chegadas segundo um Processo de
Poisson, tempos de atendimento dado por uma distribuio
Exponencial e com 3 atendentes, tipo esquema de fila nica, para
atendimento da fila. A capacidade e a populao so consideradas
infinitas e o atendimento segue a disciplina FIFO.
H vrias Variveis de Deciso importantes para a anlise
do desempenho do sistema:
(1) Tempo que um cliente permanece na fila;
(2) Nmero de clientes na fila;
(3) Tempo que um cliente permanece no sistema;
(4) Nmero de clientes no sistema;
(5) Ociosidade dos atendentes.
192
Como, em geral, estas variveis so aleatrias, pois
dependem do comportamento das chegadas e dos atendimentos, uma
maneira de conseguir medir o desempenho de um sistema de filas
introduzir medidas de eficincia que sejam funes dos valores
mdios destas variveis aleatrias.
Para tanto, considera-se o sistema de filas quando ele entra
em regime estacionrio, isto , aps um prolongado perodo de
funcionamento (diz-se, tambm, que o sistema est em equilbrio).
Neste caso, denota-se por:
L (ou L
s
) - Valor mdio do nmero de clientes no sistema (inclui os
que esto sendo servidos);
L
q
- Valor mdio do nmero de clientes na fila (exclui os que esto
sendo servidos);
W (ou W
s
) - Valor mdio do tempo que um cliente gasta no sistema;
W
q
- Valor mdio do tempo que um cliente gasta na fila;
P
n
- Probabilidade de que o nmero de clientes no sistema seja n.
3. Processos de Nascimento e Morte (P - N - M)
Uma rea importante da Pesquisa Operacional, que trata de
situaes em que ocorrem variveis aleatrias a dos Processos
Estocsticos.
Com respeito aos modelos de filas aqui apresentados, eles
podem ser classificados numa subrea conhecida por Processos de
Nascimento e Morte. A seguir, passa-se, resumidamente, a descrever
aspectos relevantes desta rea para o contexto deste captulo.
193
Definio: O Estado do sistema corresponder ao nmero de
clientes no sistema, ou seja, o nmero de clientes esperando na fila
adicionado do nmero de clientes que esto sendo atendidos.
Observao: Em regime estacionrio, as probabilidades de cada
estado tornam-se independentes do tempo, isto ,
n n
t
P t P =

) ( lim , onde P
n
(t) = probabilidade de ter n clientes no
sistema, no instante t.
Definies: (a) Um Nascimento representa a entrada de um
cliente no sistema;
(b) Uma Morte representa a sada de um cliente no
sistema;
(c)
n
= Taxa Mdia de Chegada quando h n
clientes no sistema;
(d)
n
= Taxa Mdia de Servio quando h n
clientes no sistema;
Observao: Num P-N-M, as chegadas e partidas so aleatrias e
suas taxas mdias dependem apenas do estado atual do sistema.
Postulados: Seja n = o nmero de clientes no sistema
(I) Postulado de Nascimento
Dado que o sistema est no estado E
n
(n = 0, 1, 2,...) no instante t, a
probabilidade que ocorra exatamente um nascimento no intervalo
194
(t, t+At) dado por ( ) | | t t
n
A + A 0 com
n
> 0 (constante) e
( )
0
0
lim
0
=
A
A
A
t
t
t
;
(II) Postulado de Morte
Dado que o sistema est no estado E
n
(n = 0,1,2,...) no instante t, a
probabilidade que ocorra exatamente uma morte no intervalo (t, t
+ At) dado por ( ) | | t t
n
A + A 0 , onde 0 0
0
> =
n
e (constante)
para n > 0;
(III) Postulado do Salto Mltiplo
Dado que no instante t, o sistema est no estado E
n
(n = 0, 1, 2,...), a
probabilidade que o nmero de nascimentos e mortes exceda 1
durante o intervalo (t, t + At) dado por 0(At).
Como conseqncia dos Postulados, pode-se encontrar a
Probabilidade do Estado do Sistema, no instante t, ser n como
funo das Taxas Mdias de Chegadas (
n
) e de Servio (
n
).
De fato, para n > 0, o estado E
n
no instante (t, t + At) pode
ter sido alcanado a partir de quatro situaes mutuamente
exclusivas, conforme Quadro1.
195
Quadro 1. Transies Possveis de Estado
Estado
em t
Eventos em
(t, t +At)
Probabilidade
correspondente
E
n-1
1 nascimento ( ) | | t t t P
n n
A + A

0 . ). (
1 1
(1)
E
n+1
1 morte ( ) | | t t t P
n n
A + A
+ +
0 . ). (
1 1
(2)
E
n
Nenhum evento | | ) ( 0 . . 1 ). ( t t t t P
n n n
A + A A (3)

Eventos
mltiplos
0(At)
) 4 ( ) 3 ( ) 2 ( ) 1 ( ) ( + + + = A + t t P
n
O que resulta em:
( )
| |
( )
0
0
lim
), ( 0 ) ( 0 . . 1 ). (
. ). ( . ). (
1
0
1
1 1 1 1
=
A
A
A + A + A A +
+ A + A = A +
A
+ +
t
t
com
t t t t t P
t t P t t P t t P
t
n n n
n n n n n


Ou ainda:
( )
( )
( ) ( )
t
t t t P
t P t P t P
t
t P t t P
n
n n n n n n n
n n
A
A + A
+
+ + =
A
A +
+ +
1
1 1 1 1
0 0 ). (
) ( . ) ( . ) ( .
) (

(1)
Considerando-se o limite quando At tende a zero, para
ambos os lados da equao (1), resulta na equao (2):
196
( )
( ) ) ( ) ( . ) ( .
) (
lim
1 1 1 1
0
t P t P t P
t
t P t t P
n n n n n n n
n n
t
+ + =
A
A +
+ +
A

(2)
Como o termo do lado direito da equao (2) a derivada da
derivada da Probabilidade do Estado do Sistema, no instante t, ser n,
tem-se as equaes (3) e (4):
( ) ) ( ) ( . ) ( .
) (
, 0
1 1 1 1
t P t P t P
dt
t dP
n Para
n n n n n n n
n
+ + = >
+ +
(3)
) ( ) (
) (
0 ) ( ; 0 : 0
0 0 1 1 1 0
t P t P
dt
t P d
t P n Para
o
= = = =

(4)
As Solues em Regime Estacionrio para as equaes (3) e
(4), ou seja, quando o
n n
t
P (t) P =

lim ou seja, , 0
) (
=
dt
t P d
n
, so:
( ) 0 . . . : 0
1 1 1 1
= + + >
+ + n n n n n n n
P P P n Para (4)
0
1
0
1 0 0 1 1
, 0 P P P P n Para

= = (5)
Aps alguns ajustes, tem-se:
0
1
0 1
2
1
2 1 1 1
1
1
...
...
...
P P
P
P
P
P
n
n
n
n
n
n
n
n
n n
n
n
n n
n

+
+
= = = = =
ou ainda,
0
1
1
0
) (
) (
P P
n
i
i
n
i
i
n
=

=
=


n > 0 (6)
197
Como sabe-se que 1
0
=

=
n
n
P , tem-se que 1
1
0
= +

= n
n
P P ,
ou ainda:
= +
=

1
) (
) (
0
1
1
0
1
0
P P
n
i
i
n
i
i
n


n
i
i
n
i
i
n
P
1
1
0
1
0
) (
) (
1
1
=

+
=


(7)
Lembrando que
0
P a proporo do tempo em que o
sistema fica vazio, ou seja, os atendentes ficam ociosos, com a
expresso (6) possvel calcular os valores de probabilidade de ter n
clientes no sistema, ou seja, o valor de P
n
.
Apresentam-se, na seqncia, alguns modelos de filas
importantes:
4. Modelos de Filas Markovianos
Nesta seo esto alguns dos principais modelos de filas
conhecidas como Markovianas, ou seja, tm as chegadas e os
atendimentos seguindo as distribuies de Poisson e Exponencial.
1) FILA M/M/1
Processo de Chegadas: Poisson, taxa
n

Tempo de Servio: Exponencial, parmetro

n

N
o
de Atendentes: 1
198
Disciplina de Atendimento: PEPS
Obs.: Como no h limitaes (na fila ou na fonte) as taxas de
chegada e servio independem do estado do sistema, isto , =
n
e =
n
, ,... 2 , 1 , 0 = n
Usando as expresses (6) e (7), deduzidas anteriormente,
para
0
P e
n
P , tem-se: se 1 <

=
|
|
.
|

\
|
=
+
=

=
1
1
1
1 1
1
1
0
1
0
n
n
n
n
n
P ,
n
n
i
i
n
i
i
n
P P P
|
|
.
|

\
|
= =
=

0
1
1
0
0
para n > 0.
Aqui

= denominado fator de utilizao e assim:

( )
n
n
P = 1 , com n = 0, 1, 2...
Com as expresses de P
0
e P
n
pode-se obter:
( ) ( ) ( ) ( )
( ) ( )
( )

=
|
|
.
|

\
|
=
= = = = =

- -
- -
1
1
1 1
1 1 1
1
0
0
1
0 0 0
d
d
d
d
d
d
n n P n L
n
n
n
n
n
n
n
n
n
n
assim,

= L
199
( )
( )
( )

= =
= = =


=

=
- -
2
0
1 0 1 1 1
1
1
P L
P P n P P n P n L
n
n
n
n
n
n
n
n
n
n
q
assim,
( )

=
2
q
L
como, W L = (Frmula de Little) tem-se

=
1
W
e como
q q
W L = (Frmula de Little) tem-se
( )

=
q
W
2) FILA M/M/1/N*
Processo de Chegadas: Poisson, taxa
n

Tempo de Servio: Exponencial, parmetro

n

Nmero de Atendentes: 1
Disciplina de Atendimento: PEPS
Capacidade do Sistema: N*
Observaes:
a) Essa restrio de capacidade pode surgir ou por uma
restrio fsica do sistema ou por iniciativa do cliente.
b) Como existe essa restrio de capacidade, neste caso tem-se:

>
=
* , 0
-1) * (N 0,1,..., = n se ,
N n se
n

e
n
= , ,... 2 , 1 = n
c) No ser preciso a restrio <
Seguindo a mesma seqncia do caso anterior, tem-se:
200
1 * 1 *
1
1
1
1
1 1
*
0
0
+ +

=
|
|
.
|

\
|

|
|
.
|

\
|

=
|
|
.
|

\
|
=
=

N N n
N
n
P

Para n = 0, 1, 2, ... pode-se obter

n
n
N
P

|
|
.
|

\
|

=
+1 *
1
1
De
n
P n
N*
n
L
0 =
= tem-se:
( )
1 *
*
1
1 *
1
1
+
+

=
N
N
N
L

e ( )
0
1 P L L
q
=
Para este modelo de filas, o tempo mdio que um usurio
passa no sistema pode ser de dois tipos:
-
1
W o tempo mdio, levando em conta todos os usurios,
atribuindo-se tempo zero aos usurios que foram recusados;
1
W =

L
=
-
2
W o tempo mdio, considerando-se apenas os usurios que se
juntam ao sistema; para seu cculo deve-se tomar algum cuidado.
Neste caso, o processo de chegadas no possui mais taxa , pois
toda vez que um consumidor encontra N* usurios no sistema, ele
perdido. Pode-se mostrar que a taxa de chegadas agora igual a
( )
*
1
N
P e, portanto:
( ) ( )
*
1
*
2
1 1
N N
P
w
P
L
w

201
3) FILA M/M/1/N/N
Anlogo ao anterior com o Tamanho da Populao sendo N
Hiptese: O padro de chegadas proporcional ao n
o
de clientes que
esto fora do sistema.
Observao: agora se tem
( )

= = >
=
=
... 2 , 1 ; , 0
,..., 1 , 0 ,
0
n para N n se
N n se n N
n
n

( )
|
|
|
.
|

\
|
|
|
.
|

\
|
=

n
n N
N
N
n
P

!
!
0
0
1
( )
0
!
!
P
n N
N
P
n
n
|
|
.
|

\
|

, para N n ,..., 2 , 1 =
( )
n
P n
N
n
q
L 1
1

=
= ( )
0
1 P N L
q

+
=

=
=
n
P n
N
n
L
1
( ) + =
0
1 P L L
q
( )
0
1 P N L =

4) FILA M/M/1 , com taxas de atendimento dependentes do

estado
Observaes:
a) Isso corresponderia ao atendimento feito com maior rapidez
devido a existncia de filas longas.
b) Aqui: ,... 2 , 1 , 0 , ,... 2 , 1 ,
1
= = = = - n e n n
n
c
n

202
onde c = coeficiente de presso.
c) Nos modelos precedentes, c = 0.
Tem-se:
( )
( )
c
n
n
c
n
n
n
P n P
n
P
!
1
; ,... 2 , 1 , 0 ,
!
1
0
0 0
1
|
|
.
|

\
|
= =
|
|
.
|

\
|
=

( )

q
q q n
n
L
W
L
W P L L P n L = = = =

=
; ; 1 ;
0
0
5) FILA M/M/S
Observao: Neste caso, h S atendentes em paralelo (modelo de
fila nica) para a mesma fila, assim:

>
s s
=
S n se , S
S n se , n
n

0
onde = taxa de servio mdia por atendente ocupado,
,... 2 , 1 , 0 , = = n para
n

Aqui tem-se:
( )

S com
S S n
P
S n
S
n
<
|
|
|
|
|
.
|

\
|

|
|
.
|

\
|
+
|
|
.
|

\
|
=

-
1
1
0
0
1
1
! !
203

>
|
|
.
|

\
|
s s
|
|
.
|

\
|
=
-
-

S n se P
S S
S n se P
n
P
S n
n
n
n
,
!
0 ,
!
0
0

( )
( )
S
com
S
P
L P S n L
S
q n
S n
q

|
|
.
|

\
|
= =

=
,
1 !
(
2
0

+ = + = =
q q
q
q
L L W W
L
W ;
1
;
Uma probabilidade interessante de se analisar a
probabilidade de um usurio, ao chegar no sistema de filas,
encontrar todas as estaes de servio atendentes e seja, portanto,
obrigado a esperar na fila:
P (de ter que esperar na fila) =
0
!
P
S S
P
S k
k
S k
k
S k

= =
|
|
.
|

\
|
=

Substituindo o valor de P
0
, vem:
P (de ter que esperar na fila) =
|
|
.
|

\
|
|
|
.
|

\
|

|
.
|

\
|
+ |
.
|

\
|
|
|
.
|

\
|

|
.
|

\
|

1
1
! !
1
1
!
0
k k
S
k
S
k
S
S
S
k
, que
uma probabilidade importante em telefonia. Ela a probabilidade
de que nenhum tronco esteja livre, em um sistema de S troncos, ela
204
conhecida como Frmula C de Erlang.
Notao:
)
`

, S C
6) FILA M/M/S/N
Observao: para N S >
Aqui:

>
s s
=
N n se
N n se
n
, 0
1 0 ,

s s +
s s
=
N n S se S
S n se n
n
1 ,
0 ,

Tem-se ainda,

>
=
=
|
|
.
|

\
|
=
N n se
N S n se
S
P S
S n se P
n
P
n S
n
n
, 0
,..., ,
!
1 ,..., 1 , 0 ,
!
0
0

( ) ( )
( )
( )
( )

=
|
|
.
|

\
|
+ +
=
|
|
.
|

\
|
+

=
+

1 ,
!
1
!
1 ,
! 1 !
1
1
1
0
1
1
0
1
0

se
n
S
S N
S
S
se
n
S
S
S
P
n S
n
S
n S
n
S N S
205
( )
( )
( ) ( ) ( )
( )( )

=
+
= +

=
+
1 ,
2
1
!
1 , 1 1 1
1 !
0
1
2
0

se
S N S N
S
P S
se S N
S
P S
L
S
S N S N
S
q
( )

/ ,
1
, 1
q q q N
L W W W P = + = =
=
( ) ( )
( ) ( )
( )
( )

+
+ +
=

+ +
=

=
+
=
1 ,
! 1
1
1 ,
1 ! 1
1
0
1
1
0
1 1
1

se P
S
S N S
nP L
se
S
P S
nP L
L
S
n
S
n
q
S N S
n
S
n
q
7) FILA M/M/1 , com chegadas em grupos de tamanho K
Neste caso, no ser seguido o mesmo raciocnio dos
estudos anteriores, obtendo-se primeiro:

=
=
0 n
W [tempo total gasto no sistema por um usurio/h n
usurios no instante da sua chegada]. P
n
Qual ser o tempo esperado de permanncia de um usurio
se quando ele chega j existem n clientes no sistema? Certamente
para que estes n clientes sejam atendidos, ele deve passar no sistema
(na fila) um tempo esperado de

n
.
Quando o ltimo dos n clientes acabar de ser atendido, o
grupo em que o usurio, em observao, chegou ser servido, um a
um. Entretanto, no se sabe se ele o 1
o
, 2
o
, ou k
simo
deste grupo.
Admitindo que o posicionamento no grupo aleatrio, com
206
probabilidade 1/k o usurio ocupa qualquer uma das possveis k
posies. Logo, o tempo esperado de permanncia devido ao grupo
ser igual a:
|
|
.
|

\
|
+ +

k
k
...
1 1
ou seja
k +1
2
Portanto:
[tempo de permanncia no sistema / h n clientes no instante de
chegada]

1
2
1
|
.
|

\
| +
+ =
k
n , e
n
n
n
n
n
n
P
k
P n P
k
n W

= = =
+
+ = |
.
|

\
| +
+ =
0 0 0 2
1 1
2
1 1

Mas, como:

=
=
n
n
P
0
1 e

=
=
n
n
n P L
0
:
2
1 1 +
+ =
k
L W
Por outro lado, usando a relao W L = , com k = , pois
cada chegada consiste de k novos usurios para o sistema, tem-se
que:

2
1 +
+ =
k
kW W ou
( ) k
k
W

+
=
2
1
( )
( ) k
k k
W k L

+
= =
2
1
q
W
( )
1
2
1 1

+
= =
k
k
W
( )
( )
k
k
k
k W k L
q q

+
= =
2
1
2 .
207
8) FILA M/M/1, com populao finita p
Observao:
Em alguns casos o nmero de clientes em potencial para a
estao de servios pequeno. Se este valor for to pequeno que a
chegada de um cliente para ser atendido ou um atendimento afeta a
probabilidade de futuras chegadas, no ser mais vlido o
pressuposto de uma populao infinita. Assim, teremos:
( )

>
s s
=
p n se
p n se n p
n
, 0
0 ,

p n se
n
,..., 2 , 1 , = =
Podem-se obter as seguintes expresses:
( )
( )
p n para P
n p
p
P
n p
p
P
n
n
n
n
,..., 2 , 1 ,
!
!
,
!
!
1
0
0
0
=
|
|
.
|

\
|

=
(
(

|
|
.
|

\
|

=
=

( )
( )
( )
0 0
0
1 , 1 P p L P p nP L
q n
n

+
= = =
=

( )

L p com
L
W
L
W
q
q
= = = , .
9) FILA M/M/S , com populao finita p
Aqui tem-se: para p S s < 1
208
( )

>
=
=
p n se
p n se n p
n
, 0
,..., 1 , 0 ,

+ =
=
=
p S S n se S
S n se n
n
,..., 1 , ,
1 ,..., 2 , 1 ,

Podem-se obter:
( ) ( ) (
(

|
|
.
|

\
|

+
(
(

|
|
.
|

\
|

=

n
S n
p
S n
n
S
n S S n p
p
n n p
p
P

! !
!
! !
!
1
1
0
0
( )
( )

>
s s
|
|
.
|

\
|

s s
|
|
.
|

\
|

=

p n se
p n S se
S S n p
p
S n se P
n n p
p
P
n
S n
n
n
, 0
,
! !
!
0 ,
! !
!
0

( )
0
1
0
1
0
1
0
!
!
1
1
P
S
n
n
p
n
S n
p
n
P S P S n nP L
n
S n
p
S n
n
S
n
n
S
n
n
p
S n
n
S
n
(
(

|
|
.
|

\
|
|
|
.
|

\
|
+
|
|
.
|

\
|
|
|
.
|

\
|
= |
.
|

\
|
+ + =

= =

( ) ( )
0
1
0
P
n
p
n S S L P S n L
n
S
n
n
p
S n
q
(
(

|
|
.
|

\
|
|
|
.
|

\
|
+ = =

= =

( )

L p com
L
W
L
W
q
q
= = = , , .
209
5. Comentrios Gerais
Na seo 4 foram apresentados Modelos de Filas com base
em hipteses feitas sobre os processos de chegadas, sobre a
distribuio dos tempos de servio, a disciplina de atendimento, a
capacidade do sistema e nmero de estaes de servio.
Os modelos que permitem um estudo mais completo so os
modelos denominados Markovianos, do tipo M/M/1, M/M/S e suas
variaes.
Nas aplicaes, contudo, coloca-se o problema de se saber
que modelo se adapta a uma dada situao. Em primeiro lugar,
deve-se perguntar se o processo de chegadas realmente de
Poisson? Caso a resposta seja afirmativa h necessidade de se
conhecer o valor da taxa de chegadas .
A seguir natural verificar se os tempos de servios tm
distribuio exponencial e, em caso afirmativo, deve-se estimar o
valor da mdia desta distribuio.
Os dois problemas bsicos de inferncia estatstica em filas
so:
(a) Testes de aderncia para verificar a hiptese que as distribuies
de probabilidades em estudo (dos intervalos de tempo entre
chegadas ou dos tempos de servio) pertencem a uma dada
famlia de distribuies de probabilidade;
(b) Estimao dos parmetros das distribuies dos intervalos entre
chegadas e das distribuies dos tempos de servio.
Cabe ainda mencionar os testes para verificar se o processo
de chegadas, sendo de Poisson, homogneo, isto , seu parmetro
210
independe do tempo, e testes para verificar se os intervalos de
tempo entre chegadas so independentes (quando o processo no
de Poisson).
No se apresentam aqui, os diversos procedimentos
estatsticos existentes que possibilitam levar a efeito os testes e as
estimaes citadas anteriormente, pois no o objetivo chegar a este
nvel de detalhamento neste texto.
Deve-se notar que, muitas vezes, no possvel desenvolver
modelos analticos para Sistemas de Filas, devido complexidade das
chegadas ou dos servios; o caso de sistemas de vrias estaes de
servio e alguma reciclagem, clientes com certa prioridade de
atendimento e Modelos no Markovianos, onde a informao do que
ocorreu no passado importante, alm do conhecimento do estado
atual do sistema.
Na resoluo destes problemas pode ser necessrio passar
das tcnicas analticas para as de Simulao, embora deva ser
destacado que as tcnicas analticas, sendo viveis, sempre
fornecero melhores resultados que as de Simulao.
A Simulao oferece uma alternativa para problemas no
resolveis analiticamente. A simulao, embora sendo uma arma
poderosa e bastante prtica, apresenta dois grandes inconvenientes:
- Em primeiro lugar, no permite o conhecimento mais preciso da
estrutura do fenmeno, sendo geralmente vlida apenas para o caso
particular analisado;
- Em segundo lugar, pode consumir tempo excessivo de
computao, visto que exige a anlise de vrias configuraes,
211
consumindo cada configurao perodos relativamente extensos
de processamento.
Para finalizar, a melhor abordagem parece ser aquela que
permite uma anlise preliminar, atravs de um modelo matemtico,
seguida de uma simulao (quando necessria), que leve em conta
aspectos no considerados, uma vez que nem sempre os Modelos de
Filas conseguem representar as situaes reais com grande preciso.
Mesmo assim, h vantagem em desenvolver tais modelos,
principalmente porque eles levam a um melhor entendimento das
principais condicionantes do processo.
212
Apndice
Aqui esto alguns diagramas, para determinados Modelos de
Filas, que permitem reduzir enormemente o tempo de clculo
necessrio para achar os valores de determinadas medidas de
eficincia (HILLIER; LIEBERMAN, 2006).
Diagrama 1
Valores de P
0
para a Fila M/M/S
213
Diagrama 2
Valores de L para a Fila M/M/S

s

=
214
Diagrama 3
Valores de P
0
para a Fila M/M/1
com taxa de atendimento dependente do estado.

1
0
s

215
Diagrama 4
Valores de L para a Fila M/M/1
com taxa de atendimento dependente do estado

1
0

s
216
Referncias
Hillier, F.S. e Lieberman G.J., Introduo Pesquisa Operacional,
8
a
. edio. So Paulo: McGraw-Hill, 2006.
Novaes, A.G., Pesquisa Operacional e Transportes - Modelos
Probabilsticos. McGraw-Hill, 1975.
Shamblin, J.E. e Stevens Jr., G.T., Pesquisa Operacional - uma
abordagem bsica, So Paulo: Atlas, 1979.
Martins, G. de A., Estatstica Geral e Aplicada. So Paulo: Editora
Atlas, 2001.