Mtodo Simplex

Captulo 2

Introduo
O modelo de PL reduz um sistema real a um conjunto de equaes ou
inequaes onde pretendemos otimizar uma funo objetivo.

A soluo tima ser encontrada em um ponto extremo do conjunto das

solues viveis.
Entretanto, o trabalho poder no ser pequeno. O nmero de pontos
extremos (ou vrtices) pode ser muito grande.

Principais Dificuldades (ou Etapas) do Processo

Obter solues viveis bsicas do sistema de

equaes.
Evitar o teste de todas as solues viveis bsicas
possveis para garantir a otimizao do sistema.
3

Fundamentos do
Mtodo Simplex

Forma Padro da Programao Linear: Exigncia do Mtodo

Forma Padro

Forma Matricial

( ) = 1 1 + 2 2 + +

11 1 + 12 2 + + 1 = 1

1 1 + 2 2 + + =

=
=

0.

1 0; 2 0; ; 0.
1 0; 2 0; ; 0.

Equivalncia de Formulaes

Cannica

Mista

Padro
6

Definies
A = matriz (mxn) dos coeficientes tecnolgicos.

x = vetor (nx1) das variveis de deciso.

b = vetor coluna (mx1) do lado direito das
restries.
Ou vetor dos recursos disponveis.
b 0.

c = vetor linha (1xn) dos lucros (ou dos custos).

Definies
Soluo factvel, compatvel ou vivel:
Vetor x que satisfaz as restries.

Regio factvel, compatvel ou vivel:

o conjunto de todas as solues factveis.
Se essa regio vazia, o programa linear impossvel ou invivel.
Soluo ilimitada:
aquela em que h uma regio factvel, mas o timo no finito.
Max Z ou Min Z - .
8

Base e Variveis Bsicas

Uma base de uma matriz A (m x n)
uma matriz quadrada de m
vetores coluna linearmente
independentes em Rm.

As variveis associadas a essas

colunas denominaremos variveis
bsicas.

Base e Variveis Bsicas

Podemos decompor o vetor das
variveis x em:
x = (xB, xR)

xB o vetor das variveis bsicas de

m componentes.
xR o vetor das restantes n m
variveis no bsicas.

10

Base e Variveis Bsicas

Podemos solucionar o conjunto das
equaes m x m somente em
funo das variveis bsicas.
Com isso temos x = (xB, 0).

Assim, podemos dividir a matriz A,

em:
Matriz base B (m x m);
Matriz R (m x n-m).

11

Soluo Bsica
Se B foi composta por colunas
linearmente independentes, sabese que ela ser uma matriz nosingular e que ser possvel resolver
o sistema:
BxB = b

Soluo bsica o vetor composto

de xB = B-1b e xR = 0.
x = (xB , xR).
12

Soluo Bsica Vivel

uma soluo bsica sem
componentes negativas.

13

Soluo Bsica
Consideraes:
Normalmente n > m.
Assume-se que as linhas de A so linearmente independentes entre as
m restries.
Soluo Bsica Degenerada:
Ocorre quando uma ou mais das variveis bsicas em uma soluo
bsica tem valor zero.

14

Exemplo
Seja o seguinte sistemas de
equaes que constitui algum
conjunto de restries:

Passando para a forma padro:

1 + 22 + 3 = 4
2 + 4 = 1

1 + 22 4
2 1

Matrizes A e B:
1 2 1 0
=
,
0 1 0 1

1 0
0 1

Nesse caso:
xB = (x3, x4) e xR=(x1, x2)
15

Conjunto de Solues Viveis

o conjunto = tal que = , 0
Teorema 1:
O conjunto C das solues viveis de um
modelo de PL um conjunto convexo.
Teorema 2:
Toda soluo bsica vivel do sistema Ax
= b um ponto extremo do conjunto de
solues viveis.
Ou seja, um extremo do conjunto C.

Ponto
Extremo

Soluo
Bsica
Vivel

16

Conjunto de Solues Viveis

Teorema 3:
Todo ponto extremo x de um conjunto de solues viveis de um sistema Ax = b
uma soluo bsica vivel.

Corolrio 1:
O conjunto dos pontos extremos de um conjunto de solues viveis finito e
limitado em C.

Corolrio 2:
Se existe uma soluo vivel, ento existe uma soluo bsica vivel.

17

Conjunto de Solues Viveis

Teorema 4:
Se uma funo objetivo possui um mximo
ou um mnimo finito, ento pelo menos uma
soluo tima um ponto extremo do
conjunto convexo C.
Se a funo objetivo assume o mximo ou o
mnimo em mais de um ponto extremo,
ento ela toma o mesmo valor para
qualquer combinao convexa desses
pontos.

Soluo
tima

Ponto
Extremo

18

O Algoritmo Primal
Simplex

19

Viso Geral: Situaes Consideradas

O mtodo de inverso da matriz bsica m x m deduzida a
partir de A, uma matriz de restries m x n.
As condies de troca de variveis dentro da matriz
bsica.

O algoritmo pode
ser adaptado
para buscar uma
base vivel
inicial.

Em busca da contnua melhoria da soluo.

As regras de parada do algoritmo e a interpretao dessa

situao final.

Mas isso no faz

parte da essncia
do mtodo.

20

Viso Geral: Situaes Consideradas

O mtodo de inverso da
matriz bsica:
Operaes elementares,
embora o mtodo de
inverso no esteja
amarrado pelo simplex.

As condies de troca de
variveis dentro da matriz
bsica.
O critrio aponta a escolha
da varivel de maior
contribuio imediata para
a funo objetivo.

As regras de parada do
algoritmo e a interpretao
dessa situao final.
Troca de variveis no
melhora o critrio de
otimizao.
Identificao de um
comportamento
patolgico.

21

Critrio de Melhoria de uma Soluo Bsica

Considere-se que existe uma
soluo bsica vivel para:
=
=

0.

Podemos supor que a soluo

bsica existente seja representada
por
B 1b
x

Cujo valor associado

B 1b
B 1b
1
z0 c
CB , CR
CB B b
0
0
22

Critrio de Melhoria de uma Soluo Bsica

Pode-se escrever o vetor x, em
funo das variveis bsicas e nobsicas.

xB
x e b Ax BxB RxR
xR
1

xB B b B RxR

xB B 1b B 1a j x j
jJ

Pode-se reescrever z=cx:

z cx
cB xB cR xR
1

1
cB B b B a j x j c j x j
jJ

jJ
cB B 1b cB B 1a j x j c j x j
jJ

jJ

cB B 1b cB B 1a j c j x j
jJ

z0 z j c j x j
jJ

23

Critrio de Melhoria de uma Soluo Bsica

O termo zj cj tambm chamado de custo reduzido.
Se chamarmos de k o ndice de varivel no bsica:

z z0 zk ck xk
Disso resulta:
1

xB B b B ak xk
b yk xk

onde
b B 1b
yk B 1ak
24

Critrio de Melhoria de uma Soluo Bsica

xB1 b1 y1k

xB2 b2 y2 k
xk

xBm bm ymk

Essa condio s ocorre quando:

bi

bs
mnimo : yik 0 xs
1i m
ysk
yik

Para satisfazer a condio de no

negatividade xk s poder crescer
at que a primeira componente xbi
se j reduzida a zero.

25

Exemplo de Aplicao do Critrio de Melhoria

Minimizar z 3x1 5 x2
sujeito a :
x1 x3 4
x2 x4 6
3 x1 2 x2 x5 18
x1 0, x2 0, x3 0, x4 0, x5 0

1 0 1 0 0
A a1 , a2 , a3 , a4 , a5 0 1 0 1 0
3 2 0 0 1
4
b 6
18
c 3 5 0 0 0

26

Exemplo de Aplicao do Critrio de Melhoria

Considere-se a base composta
por x3, x2 e x5:

1 0 0
B a3 , a2 , a5 0 1 0
0 2 1

Matriz Inversa:

1 0 0
B 1 0 1 0
0 2 1

I = {3, 2, 5} e J = {1, 4}
27

Exemplo de Aplicao do Critrio de Melhoria

Segue-se que:
x3
1 0 0 4 4
xB x2 B 1b 0 1 0 6 6
x5
0 2 1 18 6

znova

x1 0
xR
x4 0

4
cx cB xB cR xR 0 5 0 6 30
6
28

Exemplo de Aplicao do Critrio de Melhoria

Segue-se que:
x3
1 0 0 4 4
xB x2 B 1b 0 1 0 6 6
x5
0 2 1 18 6

x2

(0, 6)

(2, 6)

(4, 3)
2

(0, 0)

4
(4, 0)

x1

29

Exemplo de Aplicao do Critrio de Melhoria

Para melhorar a soluo devemos calcular os custos reduzidos (zj cj):

z1 c1 cB B 1a1 c1
1 0 0 1
[0 5 0] 0 1 0 0 3
0 2 0 3
3

z4 c4 cB B 1a4 c4
1 0 0 0
[0 5 0] 0 1 0 1 0
0 2 0 0
5

Melhor escolha => Varivel x1

30

Exemplo de Aplicao do Critrio de Melhoria

A varivel que deve sair da base:
bi

bs
mnimo : yik 0
1i m
ysk
yik

x3 4 1 4
x 6 / 0
2
x5 6 3 2

A nova base:
1 0 1
B a3 , a2 , a1 0 1 0
0 2 3

31

Formalizao
Inicializao:
Colocar o modelo na forma padro.
Determinar uma soluo bsica vivel inicial.
I = conj. de ndices das colunas de A da base e J das no bsicas.

Passo 1:
Calcular os valores (zj cj).
Se todos os (zj cj) 0, ento a soluo bsica vivel tima.
O algoritmo deve parar.

Caso contrrio J1={jJ|zj cj > 0} (continua com os custos reduzidos positivos).

32

Formalizao
Passo 2:
Se todos os yi 0 para j J1, no existe soluo tima finita.
O algoritmo deve parar.

Determinar a varivel que entra na base:

Aquela com o maior custo reduzido.
Determinar k de modo que (zk ck) = max{zj cj}.

Caso contrrio, determinar varivel que sai da base:

A variao relacionada coluna k que gera a menor relao bs/ysk.

33

Formalizao
Passo 3:
Considere a nova base B.

Calcular a nova soluo bsica vivel.

Atualizar R, I e J.

Voltar ao passo 1.

34

O Quadro Simplex

35

Exemplo Numrico

Maximizar z 4 x1 5 x2 9 x3 11x4
sujeito a :
x1 x2 x3 x4 15
7 x1 5 x2 3x3 2 x4 120
3 x1 5 x2 10 x3 15 x4 100
x1 0, x2 0, x3 0, x4 0

36

Inicializao: Transformar para a Forma Padro

Maximizar z 4 x1 5 x2 9 x3 11x4 0 x5 0 x6 0 x7
sujeito a :
x1 x2 x3 x4 x5 15
7 x1 5 x2 3x3 2 x4 x6 120
3 x1 5 x2 10 x3 15 x4 x7 100
x1 0, x2 0, x3 0, x4 0, x5 0, x6 0, x7 0

37

Inicializao: Quadro Inicial de Clculo e Obteno de uma

Base Vivel Inicial

ndice das Variveis

ndice das variveis Bsicas

Valor da F.O.

Valor de zj cj

xB

Y= B-1R
B-1
(Variveis no-bsicas) Variveis Bsicas

rea de
Clculos

38

Inicializao: Quadro Inicial de Clculo

Maximizar z 4 x1 5 x2 9 x3 11x4 0 x5 0 x6 0 x7
sujeito a :

Vetor c de custos
(ou lucros).
(Neste caso).

ndice das variveis.

x1 x2 x3 x4 x5 15
7 x1 5 x2 3x3 2 x4 x6 120

11

15

120

100

10

15

3 x1 5 x2 10 x3 15 x4 x7 100
x1 0, x2 0, x3 0, x4 0, x5 0, x6 0, x7 0

Vetor b de restries.

Matriz A dos coeficientes tecnolgicos.

39

Inicializao: Obteno de uma Base Vivel Inicial

Maximizar z 4 x1 5 x2 9 x3 11x4 0 x5 0 x6 0 x7
sujeito a :

Valor inicial da funo objetivo z

para a soluo bsica inicial.

x1 x2 x3 x4 x5 15

B 1b
x

7 x1 5 x2 3x3 2 x4 x6 120
3 x1 5 x2 10 x3 15 x4 x7 100
x1 0, x2 0, x3 0, x4 0, x5 0, x6 0, x7 0

Soluo Bsica Vivel Inicial,

considerando as variveis no
bsicas como iguais a zero.

11

15

120

100

10

15

Base
40

Passo 1: Regra da Parada

(Avaliao dos Custos Reduzidos)

11

15

120

100

10

15

Como existe custo reduzido maior que zero, existem

solues melhores.
Uma varivel deve entrar na base.

41

Passo 2: Varivel que Entra na Base

(Avaliao dos Custos Reduzidos)

11

15

120

100

10

15

Entra a varivel com o maior custo reduzido positivo.

42

Passo 2: Varivel que Sai da Base

(Determinao do Piv)

11

15

0b

15/1

120

120/2

100

10

15

100/15

bs

ysk

ysk

bs
ysk
43

Passo 2: Varivel que Sai da Base

(Determinao do Piv)

11

15

15/1

120

120/2

100

10

15

100/15

bs
mnimo i : yik 0 xs
1i m
ysk
yik

x7 sai da base porque 100/15 o menor valor para o crescimento

de x4.
O piv o valor correspondente dessa linha na coluna de x4. Nesse
caso seu valor 15.
44

Passo 3: Clculo dos valores de soluo associados nova

base (Pivoteamento)

11

15

120

20/3 1/5

1/3

2/3

1/15

/15

A linha do piv dividida por 15, para tornar o piv

igual um e tornar a nova base uma base cannica.

45

Passo 3: Clculo dos valores de soluo associados nova

base (Pivoteamento)

-220/3

9/5

4/3

5/3

-11/15

25/3

4/5

2/3

1/3

-1/15

320/3

33/5

13/3

5/3

-2/15

20/3

1/5

1/3

2/3

1/15

Em seguida, atravs do mtodo das operaes

elementares torna-se os demais elementos da
coluna de x4 iguais a zero.
Com isso tambm se obtm a nova soluo bsica e
o novo valor de z.
46

Passo 1: Regra da Parada

(Avaliao dos Custos Reduzidos)
1

-220/3

9/5

4/3

5/3

-11/15

25/3

4/5

2/3

1/3

-1/15

320/3

33/5

13/3

5/3

-2/15

20/3

1/5

1/3

2/3

1/15

Ainda existem custos reduzidos maiores que zero. Portanto,

ainda deve haver uma soluo melhor.

47

Passo 2: Varivel que Entra na Base

(Avaliao dos Custos Reduzidos)
1

-220/3

9/5

4/3

5/3

-11/15

25/3

4/5

2/3

1/3

-1/15

320/3

33/5

13/3

5/3

-2/15

20/3

1/5

1/3

2/3

1/15

48

Passo 2: Varivel que sai da base

(Determinao do piv)
1

-220/3

9/5

4/3

5/3

-11/15

25/3

4/5

2/3

1/3

-1/15

125/12

320/3

33/5

13/3

5/3

-2/15

1600/99

20/3

1/5

1/3

2/3

1/15

100/3

49

Passo 3: Clculo dos valores de soluo associados nova

base (Pivoteamento)
1

-220/3

9/5

4/3

5/3

-11/15

125/12

5/6

5/12

5/4

-1/12

320/3

33/5

13/3

5/3

-2/15

20/3

1/5

1/3

2/3

1/15

/(4/5)

50

Passo 3: Clculo dos valores de soluo associados nova

base (Pivoteamento)
1

-1105/12

-1/6

11/12

-9/4

-7/12

125/12

5/6

5/12

5/4

-1/12

455/12

-7/6

-13/12

-33/4

5/12

55/12

1/6

7/12

-1/4

1/12

51

Passo 2: Regra da Parada

(Avaliao dos Custos Reduzidos)
1

-1105/12

-1/6

11/12

-9/4

-7/12

125/12

5/6

5/12

5/4

-1/12

455/12

-7/6

-13/12

-33/4

5/12

55/12

1/6

7/12

-1/4

1/12

52

Passo 2: Regra da Parada

(Avaliao dos Custos Reduzidos)
1

-1105/12

-1/6

11/12

-9/4

-7/12

125/12

5/6

5/12

5/4

-1/12

455/12

-7/6

-13/12

-33/4

5/12

55/12

1/6

7/12

-1/4

1/12

53

Passo 2: Varivel que sai da base

(Determinao do piv)
1

-1105/12

-1/6

11/12

-9/4

-7/12

125/12

5/6

5/12

5/4

-1/12

25

455/12

-7/6

-13/12

-33/4

5/12

55/12

1/6

7/12

-1/4

1/12

55/7

54

Passo 3: Clculo dos valores de soluo associados nova

base (Pivoteamento)
1

-695/7

-3/7

-11/7

-13/7

-5/7

50/7

5/7

-5/7

10/7

-1/7

325/7

-6/7

13/7

-61/7

4/7

55/7

2/7

12/7

-3/7

1/7

55

Passo 1: Regra da Parada

1

-695/7

-3/7

-11/7

-13/7

-5/7

50/7

5/7

-5/7

10/7

-1/7

325/7

-6/7

13/7

-61/7

4/7

55/7

2/7

12/7

-3/7

1/7

Todos os custos reduzidos so menores ou iguais a zero. Portanto,

a soluo no pode mais melhorar e a soluo atual a tima.
O valor timo de z 695/7.

56

Exerccio

Maximizar z 3 x1 5 x2
sujeito a :
x1 4
x2 6
3 x1 2 x2 18
x1 0, x2 0

57

Exerccio

Maximizar z 3 x1 5 x2
sujeito a :
x1 4

x2
x1 = 4

3x1 + 2x2 = 18
8
(2, 6)

2x2 = 12

x2 6

3 x1 2 x2 18

x1 0, x2 0

Z = 36 = 3x1 + 5x2

(4, 3)

x1

58

Exerccio
Maximizar z 3x1 5 x2 0 x3 0 x4 0 x5
sujeito a :
x1 x3 4
x2 x4 6
3 x1 2 x2 x5 18

18

x1 0, x2 0, x3 0, x4 0, x5 0

59

Exerccio

-30

-5

4/0

6/1

18/2

-2

18

-5l2

-2l2

60

Exerccio

-36

-3

-1

-3l3

4/1

2/3

-1/3

-l3

6/3

-2/3

1/3

-30

-5

-2

/3

z = 36 com x1 = 2 e x2 = 6

61

Obteno da Soluo
Bsica inicial

62

Exemplo

Minimizar z 3x1 5 x2

Minimizar z 3x1 5 x2 0 x3 0 x4 0 x5

sujeito a :

sujeito a :

x1 4

x1 x3 4

x2 6

x2 x4 6

3 x1 2 x2 18

3 x1 2 x2 x5 18

x1 0, x2 0

x1 0, x2 0, x3 0, x4 0, x5 0

63

Exemplo

Minimizar z 3x1 5 x2 0 x3 0 x4 0 x5
sujeito a :
x1 x3 4
x2 x4 6
3 x1 2 x2 x5 18

Matriz formada pelas variveis de

folga uma base, mas no vivel.

1 0 0
B 0 1 0
0 0 1

x1 0, x2 0, x3 0, x4 0, x5 0

64

Exemplo
x2
x1 = 4

Ponto de origem no pertence

regio de solues viveis.

8
x2 = 6

1 0 0
B 0 1 0
0 0 1

4
2

3x1 + 2x2 = 18
2

x1
65

Solues
Opes Gerais

Varivel Artificial

Descobrir uma base vivel por

outro mtodo qualquer e ento
aplicar o Simplex.

So variveis acrescentadas para

viabilizar uma base cannica.

Adaptar o Simplex para gerar uma

base vivel a partir de uma invivel.
Adotaremos a segunda opo.

No precisam possuir nenhuma

ligao com a realidade da
modelagem do problema.
Algoritmo ser aplicado em 2 fases.
Variveis artificiais sero
descartadas no processo.
66

Varivel Artificial

Minimizar z 3x1 5 x2 0 x3 0 x4 0 x5 ? x6a

sujeito a :
x1 x3 4
x2 x4 6
3 x1 2 x2 x5 x6a 18

B a3

a4

1 0 0
a6a 0 1 0
0 0 1

x1 0, x2 0, x3 0, x4 0, x5 0

67

Mtodo do Grande M
Associar a essas variveis um custo extraordinariamente alto (ou um lucro muito
baixo).
M seria essa valor muito alto.

Naturalmente, o Simplex tenderia a eliminar essas variveis da base em busca de

variveis mais significativas.
Desvantagens:
Dificuldades numricas quando implementados computacionalmente (devido a
arredondamentos nas divises decorrentes).
Alm disso, como definir um valor grande?

68

Mtodo das Duas Fases

Se refere ao uso de duas funes objetivo.
A 1 usada na 1 fase para minimizar o nmero de variveis artificiais existentes
na base.
Uma vez otimizada a primeira funo e retiradas todas as variveis artificiais da
base, prossegue-se normalmente com a funo objetivo original.

No exemplo acrescentamos a funo da primeira fase:

Minimizar q 0 x1 0 x2 0 x3 0x4 0 x5 1x6a

69

Mtodo das Duas Fases

Minimizar q 0 x1 0 x2 0 x3 0x4 0 x5 1x6a

Note-se que o vetor de custo das variveis

bsicas no nulo.

Minimizar z 3x1 5 x2 0 x3 0 x4 0 x5 0 x

a
6

sujeito a :
1

x2 x4 6

-1

3 x1 2 x2 x5 x6a 18

x1 0, x2 0, x3 0, x4 0, x5 0

18

-1

x1 x3 4

70

Mtodo das Duas Fases: clculos dos custos reduzidos

18

z1 c1 3

-1

z2 c2 2

z3 c3 0

18

-1

z4 c4 0
z5 c5 1
z6 c6 0

A funo da primeira fase obtida somando as linhas

onde as variveis artificiais esto presentes linha da
funo objetivo da primeira fase.
71

Mtodo das Duas Fases: 1 fase

18

-1

4/1

18

-1

18/3

72

Mtodo das Duas Fases: 1 fase

-3

-1

-12

-3

-3

-1

73

Mtodo das Duas Fases: 1 fase

Esta coluna no mais necessria.

-1

-27

9/2

5/2

-1

3/2

1/2

-1/2

-3/2

-1/2

1/2

74

Mtodo das Duas Fases : 2 fase

-27

9/2

5/2

3/2

1/2

-3/2

-1/2

75

Mtodo das Duas Fases : 2 fase

-36

-3

-2/3

-1/3

2/3

1/3

76

Mtodo das Duas Fases : 2 fase

-42

-3

-5

1/3

77

Mtodo das Duas Fases

1 Fase

2 Fase

x2

x2

z = -36
z = -42

q=0

z = -27

q=6

q = 18

x1

x1
78

Casos Especiais

79

Empate na Entrada
Regra de Blant:
Entre todas as variveis a entrar na base, selecione a varivel que possui o menor
(ou maior) ndice.
A nica implicao que o caminho pode ser mais longo ou mais curto para se
chegar soluo tima.

80

Empate na Sada - Degenerao

Tambm se deve seguir a Regra de Blant.
Entretanto, existem implicaes:
1

3/1

12

12/4

81

Empate na Sada - Degenerao

-15

-5

4/1

-4

Soluo factvel bsica degenerada

82

Empate na Sada - Degenerao

-15

-7/3

-2/3

4/3

-1/3

-4/3

1/3

Soluo factvel bsica degenerada:

A varivel que entrar na base tambm se anular.

83

Empate na Sada - Degenerao

Eventualmente, em casos de degenerao pode ocorrer a ciclagem:
Circuitos fechados interminveis em busca da soluo tima.

Tal problema dificilmente encontrado em problemas reais.

A regra de Blant costuma ser suficiente para esgotar a questo.

84

Mltiplas Solues timas

Ocorre quando a funo objetivo paralela alguma aresta.
Exemplo:
Note-se o paralelismo (considerando as variveis originais x1 e x2) entre a linha de z e
a ltima linha.

1
85

Mltiplas Solues timas

Exemplo (aps alguns passos):

-9

-1

-1

-2

86

Mltiplas Solues timas

possvel gerar outra base:

-9

-1

-1

-2

87

Mltiplas Solues timas

Tambm soluo tima:

-9

-1

88

Dualidade

89

90