Introducao Pesquisa Operacional PDF

INTRODUO PESQUISA
OPERACIONAL
Prefaciais.indd 1 27/08/2011 21:57:49

Universidade Estadual Paulista
Vice-Reitor no exerccio da Reitoria Julio Cezar Durigan
Pr-Reitora de Graduao Sheila Zambello de Pinho

Pr-Reitora de Ps-Graduao Marilza Vieira Cunha Rudge
Pr-Reitora de Pesquisa Maria Jos Soares Mendes Giannini
Pr-Reitora de Extenso Universitria Maria Amlia Mximo de Arajo
Pr-Reitor de Administrao Ricardo Samih Georges Abi Rached
Secretria Geral Maria Dalva Silva Pagotto

Chefe de Gabinete Carlos Antonio Gamero
Prefaciais.indd 2 27/08/2011 21:57:50

Acadmica Fernando Augusto Silva Marins
Cultura
INTRODUO PESQUISA
OPERACIONAL
So Paulo
2011
Prefaciais.indd 3 27/08/2011 21:57:51

Pr-Reitoria de Graduao, Universidade Estadual Paulista, 2011.
Ficha catalogrfica elaborada pela Coordenadoria Geral de Bibliotecas da Unesp
M339i
Marins, Fernando Augusto Silva
Introduo Pesquisa Operacional / Fernando Augusto Silva Marins.
So Paulo : Cultura Acadmica : Universidade Estadual Paulista, Pr-Reitoria
de Graduao, 2011.
176 p.
ISBN 978-85-7983-167-6
1. Pesquisa Operacional. I. Ttulo.
CDD 658.05
equipe
Pr-reitora Sheila Zambello de Pinho

Secretria Silvia Regina Caro
Assessoria Elizabeth Berwerth Stucchi
Jos Brs Barreto de Oliveira
Klaus Schlnzen Junior (Coordenador Geral NEaD)
Maria de Lourdes Spazziani
Tcnica Bambina Maria Migliori
Camila Gomes da Silva
Ceclia Specian
Eduardo Luis Campos Lima
Flvia Maria Pavan Anderlini
Gisleide Alves Anhesim Portes
Ivonette de Mattos
Jos Welington Gonalves Vieira
Maria Emlia Arajo Gonalves
Maria Selma Souza Santos
Renata Sampaio Alves de Souza
Sergio Henrique Carregari
Vitor Monteiro dos Santos
Prefaciais.indd 4 31/08/2011 21:19:41

PROGRAMA DE APOIO
PRODUO DE MATERIAL DIDTICO
Considerando a importncia da produo de material didtico-peda-

ggico dedicado ao ensino de graduao e de ps-graduao, a Reitoria da
UNESP, por meio da Pr-Reitoria de Graduao (PROGRAD) e em parceria
com a Fundao Editora UNESP (FEU), mantm o Programa de Apoio Pro-
duo de Material Didtico de Docentes da UNESP, que contempla textos de
apoio s aulas, material audiovisual, homepages, softwares, material artstico
e outras mdias, sob o selo CULTURA ACADMICA da Editora da UNESP,
disponibilizando aos alunos material didtico de qualidade com baixo custo e
editado sob demanda.
Assim, com satisfao que colocamos disposio da comunidade
acadmica mais esta obra, Introduo Pesquisa Operacional, de autoria
do Prof. Dr. Fernando Augusto Silva Marins, da Faculdade de Engenharia
do Cmpus de Guaratinguet, esperando que ela traga contribuio no ape-
nas para estudantes da UNESP, mas para todos aqueles interessados no as-
sunto abordado.
Prefaciais.indd 5 27/08/2011 21:57:51

Prefaciais.indd 6 27/08/2011 21:57:51
SUMRIO
Apresentao 9
1 pesquisa operacional: origens, definies e reas 11
1.1. A Pesquisa Operacional e o Processo de Tomada de Deciso 11
1.2. O que a Pesquisa Operacional? 12
1.3. Origens da Pesquisa Operacional 13
1.4. Fases da Resoluo de um Problema pela Pesquisa Operacional 16
1.5. Consideraes Importantes 19
Referncias 21
2 programao linear 23
2.1. Introduo 23
2.2. Modelagem 24
2.3. Limitaes 38
2.4. Resoluo Grfica 40
2.5. Forma Padro 46
2.6. Definies e Teoremas 49
2.7. Forma Cannica de um Sistema de Equaes Lineares 54
2.8. Mtodo Simplex 56
2.9. Mtodo Simplex com Duas Fases 72
Referncias 80
3 introduo teoria dos grafos e a otimizao em redes 81
3.1. Introduo 81
3.2. Conceitos Bsicos 84
3.3. Algoritmos 90
Referncias 102
4 o modelo de transporte simples 103
4.1. Histrico e Formulao Matemtica 103
4.2. Algoritmo do Stepping Stone Method 108
4.3. Resoluo pelo Mtodo Modificado (Modi) 115
Prefaciais.indd 7 27/08/2011 21:57:51

8 | INTRODUO PESQUISA OPERACIONAL
4.4. Mtodos para Encontrar uma Soluo Bsica Vivel Inicial

para o Stepping Stone Method 117
4.5. Ofertas e Demandas Desbalanceadas 120
4.6. Degenerescncia 121
4.7. Condies Proibidas de Embarque ou Recepo 126
Referncias 127
5 o modelo da designao 129
5.1. Introduo 129
5.2. Definies e Notaes 130
5.3. Modelo Matemtico 131
5.4. Mtodo Hngaro 131
Referncias 150
6 introduo teoria das filas: modelos markovianos 151
6.1. Introduo 151
6.2. Estrutura Bsica de um Sistema de Filas 152
6.3. Processos de Nascimento e Morte 156
6.4. Modelos de Filas Markovianas 160
6.5. Comentrios Gerais 169
Anexo 172
Referncias 176
Prefaciais.indd 8 27/08/2011 21:57:51

APRESENTAO
A Pesquisa Operacional (PO) uma rea da Engenharia de Produo que

proporciona aos profissionais, que tm acesso ao seu escopo, 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 Cam-
pus de Guaratinguet (FEG) da Universidade Estadual Paulista (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 did-
tico para suas aulas, ser disponibilizado, para os que adotarem o livro, na
pgina na Internet do Autor (www.feg.unesp.br/~fmarins) os seguintes mate-
riais de apoio:
a) Conjunto de slides em PowerPoint com o contedo dos vrios captulos

do livro;
b) Arquivos com exerccios propostos sobre cada captulo do livro;
c) Endereos na Internet para o download de verses livres de impor-
tantes e teis softwares (LINDO), e, ainda, o endereo para acesso
de software livre desenvolvido em outra instituio (PROLIN Uni-
versidade Federal de Viosa UFV). Manuais de usurio do Solver do
Excel e do LINDO desenvolvidos por professores de outra insti-
tuio (Universidade Federal de Ouro Preto UFOP).
Prefaciais.indd 9 27/08/2011 21:57:51

O autor agradece aos Professores Heleno do Nascimento Santos da UFV,

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 traba-
lho 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 ao revisor annimo, indicado pela Pr-Reitoria de Graduao da
UNESP PROGRAD para avaliar o texto, pelas valiosas sugestes de melho-
ria, e a prpria PROGRAD, por meio do Programa de Apoio Produo de
Material Didtico, ao viabilizar esta publicao.
Guaratinguet, agosto de 2011.

Fernando Augusto Silva Marins
Prefaciais.indd 10 27/08/2011 21:57:51

1
PESQUISA OPERACIONAL: ORIGENS, DEFINIES E REAS
1.1. 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 deci-
ses 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 apli-
cadas situao.
Apesar de cada gestor ter o seu prprio procedimento de anlise e solu-
o de problemas, pode-se, em geral, estabelecer algumas etapas que, neces-
sariamente, devem ser observadas, configurando o que se denomina de papel
do decisor:
a) Identificar o problema talvez seja a etapa mais difcil, pois, diferente-
mente dos livros, os problemas na prtica no esto, inicialmente, cla-
ros, 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 multidisci-
plinar para o problema seja visto de prismas diferentes e isso seja incor-
porado na sua soluo;
b) Formular objetivo(s) nesta etapa devem ser identificados e 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 restri-
es que limitaro as solues a serem propostas. Comumente, essas
limitaes dizem respeito ao atendimento de tempo/prazo, oramento,
Cap_1.indd 11 27/08/2011 21:51:26

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, corriquei-
ros, repetitivos, com pouco impacto financeiro ou social, onde
fundamental a experincia do decisor (ou de sua equipe de analis-
tas) em situaes anteriores semelhantes. Nestes casos, adota-se
uma soluo similar quela j utilizada com sucesso num problema
semelhante;
J a abordagem quantitativa a recomendada quando os problemas
so complexos, novos, envolvem grande volume de recursos huma-
nos, materiais e financeiros, tm alto impacto no ambiente onde se
insere (empresa ou sociedade). Aqui, recomenda-se o uso dos pre-
ceitos 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 coe-
rente e consistente de auxlio tomada de deciso a ser adotado no decorrer da
sua carreira.
1.2. 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
Cap_1.indd 12 27/08/2011 21:51:27

Pesquisa Operacional: origens, denies e reas | 13
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 parti-
culares 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, 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 cria-
tiva 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 ope-
raes 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, compu-
tao, economia, estatstica, administrao, matemtica, cincias com-
portamentais).
1.3. 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 con-
sultado os cientistas para a soluo de problemas tticos e estratgicos. No
Cap_1.indd 13 27/08/2011 21:51:27

sculo XVII, Pascal e Fermat, inventores da noo de esperana matemtica,

e mais recentemente, Frederick W. Taylor, Flix douard J. . Borel e Agner K.
Erlang modelaram alguns problemas e forneceram solues para os respec-
tivos modelos.
No que diz respeito a aplicaes industriais, as sementes da PO foram lan-
adas h muitas dcadas, nas tentativas de usar o mtodo cientifico na gerncia
de sistemas e organizaes de grande porte, logo em seguida 1a. Revoluo
Industrial.
O incio da PO , no Ocidente, geralmente atribudo s iniciativas dos ser-
vios militares no incio da Segunda Guerra Mundial. Tm-se, por exemplo,
estudos relacionados com o desenvolvimento e uso do radar, problema de alo-
cao eficiente de recursos escassos s vrias operaes militares, problema da
dieta e outros mais. As equipes de analistas operacionais, como foram cha-
madas 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 ele-
trnicos. 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-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 1958
teve incio o Curso de Engenharia de Produo (em nvel de graduao) do
Instituto Tecnolgico de Aeronutica (ITA). Foram criados os cursos de Pro-
gramao 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
Cap_1.indd 14 27/08/2011 21:51:27

anos 60 j existia uma tendncia de se formarem em algumas empresas grupos

dedicados a PO voltados soluo de problemas tticos e estratgicos. O pri-
meiro 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 desenvolvi-
mento 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:
SOBRAPO Sociedade Brasileira de Pesquisa Operacional

(www.sobrapo.org.br)
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)
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)
Cap_1.indd 15 27/08/2011 21:51:27

1.4. 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)

(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
Escolha do
Fomulao Obteno Mtodo de Obteno Implementao
Resultados
do Problema do Modelo Obteno dos Dados da Soluo
da Soluo
Teste do Modelo e
da sua Soluo
Experincia
(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 formu-
lar corretamente um problema necessrio que o mesmo seja bem identificado.
Portanto, as seguintes informaes bsicas se tornam necessrias:
Quem tomar as decises?
Quais so os seus objetivos?
Cap_1.indd 16 27/08/2011 21:51:27

Que aspectos esto sujeitos ao controle de quem decide (variveis de deci-

so) e quais as limitaes a que esto sujeitas essas variveis (restries)?
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 importan-
tes caractersticas:
Permite a anlise do problema modelado, indicando quais so as rela-
es importantes entre as variveis, quais os dados relevantes, e quais
so as variveis de maior importncia;
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, 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 matemti-
cos de otimizao.
Um modelo matemtico de um problema real uma representao atravs
de expresses matemticas que descrevem a essncia do problema. Se exis-
tirem 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.
Cap_1.indd 17 27/08/2011 21:51:28

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 adap-
taes 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, associa-
dos s vrias reas que compe a PO, entre estas se pode citar, a Programao
Linear, a Programao em Redes, 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 ana-
listas obtenha, ou interprete, de forma errnea alguns fatos, o que pode acar-
retar 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 informa-
es disponveis.
Em cada situao especifica pode ser definida uma sistemtica para testar
o modelo e sua soluo. O importante que se a soluo for usada repeti-
damente o modelo deve continuar a ser testado. A fase de teste pode indicar
deficincias exigindo correes do modelo, seja pelo refinamento de algum
Cap_1.indd 18 27/08/2011 21:51:28

aspecto, pela considerao de algum aspecto omitido ou possveis simplifi-

caes 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 inter-
veno 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 ou-
tro 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 implemen-
tao. A participao mais efetiva de quem ir utilizar os resultados, nas etapas
de formulao e modelagem certamente contribuir para o sucesso da imple-
mentao dos resultados obtidos.
1.5. 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 aspec-
tos 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 relaciona-
mento 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
Cap_1.indd 19 27/08/2011 21:51:28

sem levar em conta que a qualidade das informaes necessrias a esse refina-
mento 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 ca-
sos 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 be-
nefcios proporcionados inviabilizando-os. Modelos de grande porte devem
ser utilizados somente quando possam ser justificados atravs de uma relao
benefcio-custo desejvel.
Recursos escassos devem ser utilizados racionalmente de maneira racio-
nal. Por outro lado as exigncias do desenvolvimento industrial brasileiro, e a
globalizao da economia, 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 divul-
gadas no meio acadmico, nas Empresas ainda h vrias restries ao conhe-
cimento e domnio desse ferramental. A falta de tradio no uso de tcnicas
sofisticadas no mundo empresarial brasileiro, aliada a dificuldades de comuni-
cao 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, estocs-
ticos 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 adminis-
trao das empresas, tendo aumentado o nmero e a variedade de suas apli-
caes. A seguir esto relacionadas reas tratadas neste texto e exemplos de
problemas tpicos:
Cap_1.indd 20 27/08/2011 21:51:28

Programao Linear mix de produo, mistura de matrias-primas,

modelos de equilbrio econmico, carteiras de investimentos, rotea-
mento 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. 2nd Edition. New York:
John Wiley & Sons, 2002.
LSS, Z. E. O Desenvolvimento da Pesquisa Operacional no Brasil. Tese de Mestrado,
COPPE/UFRJ, 1981.
Cap_1.indd 21 27/08/2011 21:51:28

Cap_1.indd 22 27/08/2011 21:51:28
2
PROGRAMAO LINEAR
2.1. INTRODUO
Um aspecto importante de problemas envolvendo decises o de otimiza-

o; quando se procura estabelecer quais as maneiras mais eficientes de utilizar
os recursos disponveis para atingir certos objetivos. Em geral trata-se de re-
cursos 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 so-
luo 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 fun-
o 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 Vi-
vel, a melhor das solues viveis (solues que pertencem ao Conjunto Vivel),
ou seja, aquela que maximiza ou minimiza a funo objetivo, denomina-se So-
luo tima. O objetivo da Programao Linear determinar a soluo tima.
Para a resoluo de um Problema de Programao Linear (PPL) dois pas-
sos 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 mo-
delagem 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.
Cap_2_equacoes corrigidas.indd 23 27/08/2011 21:52:07

2.2. 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 pro-
duo da fbrica, custos de produo, custos de transporte, demandas
pelos produtos e assim por diante.
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 mlti-
plos 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 natu-
ral, como ocorre nos casos de estoques, onde razovel considerar que o es-
toque 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 restri-
es so conhecidas como restries de no negatividade e restries de inte-
gridade, respectivamente.

Programao Linear | 25
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 econmico, nesse caso a varivel de deciso deno-
minada 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 );
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 ma-
temticos 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 obje-
tivo e as restries.
(1) Mix de Produo Adaptado de Ravindran, Phillips e Solberg (1987)
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 Enge-
nharia 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:
xa produo diria do modelo a
xb produo diria do modelo b
xc produo diria do modelo c
Restries:
(limitao de mo-de-obra) 7xa + 3xb +6xc 150
(limitao de material) 4xa + 4xb +5xc 200
(no-negatividade) xa 0, xb 0, xc 0.
Funo objetivo: maximizao do lucro total

Lucro total = L = 4xa + 2xb +3xc
Max L = 4xa + 2xb +3xc
Modelo final: Encontrar nmeros xa, xb, xc tais que: Max L = 4xa + 2xb +3xc
sujeito as restries:
7xa + 3xb +6xc 150

4xa + 4xb +5xc 200
xa 0, xb 0, xc 0.
Generalizando, suponha que existem m recursos usados na produo de n

produtos, com os seguintes dados:
cj: lucro na venda de uma unidade do produto j = 1,2,..., n;
bi: quantidade disponvel do recurso i = 1,2,..., m;
aij: quantidade do recurso i usada para produzir uma unidade do produto j.
xj: quantidade a produzir do produto j (variveis de deciso).

n
O modelo geral ter: Funo objetivo - Max Z = c x
j =1
j j
Restries sujeito a:
a11x1 + ...+ a1nxn b1

a21x1 + ...+a2nxn b2
....................................
am1x1 + ...+ amnxn bm
xj 0, j = 1, 2, , n
Em notao matricial, tem-se:
AX b
Max Z = C X sujeito a:
X 0
onde: X = (x1 x2 ... xn)t o vetor das variveis de deciso; C = (c1 c2 ... cn)
o vetor de custos; b = (b1 b2 ... bm)t o vetor das quantidades dos recursos
em cada restrio e
A= a11 a12 ... a1n a matriz dos coeficientes tecnolgicos.

a21 a22 ... a2n
.........................
am1 am2 ... amn
(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 uma delas de uma relao de seis alimentos, juntamente com os respectivos
custos unitrios desses alimentos.

Tabela 2 Dados para o problema da dieta
alimento (1) (2)

(3) (4) (5) (6)
farinha leite em
queijo fgado batata feijo
nutrientes de trigo p
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 Seja xj a quantidade do alimento j presente na dieta,
j = 1,2,3,4,5,6.
Funo objetivo -Min Z = 10,8x1 + 20,5x2 + 22,5x3 + 21,2x4 + 16,lx5 +

+ 15,0x6
Restries sujeito a:
44,7x1 + 8,4x2 + 7,4x3 + 2,2x4 + 9,6x5 + 26,9x6 3,0
2,0xl + 19,lx2 + 16,4x3 + 0,2x4 + 2,7x5 + 11,4x6 0,8
33,3x1 + 23,5x2 + 10,3x3 + 50,8x4 + 5,4x5 + 24,7x6 2,7
xj > 0, j = 1,2,3,4,5,6
Generalizando, sejam cj custo do alimento j = 1, 2,..., n;

bi quantidade mnima do nutriente i = 1, 2,..., m na dieta;
aij quantidade do nutriente i por unidade do alimento j.
Em notao matricial o modelo ficar sendo:
Funo-objetivo -Min Z = CX
AX b
Restries sujeito a:
X 0.
(3) Modelo de Transporte Simples
Um dado produto produzido em diferentes fbricas no pas com capaci-

dades de produo limitadas e deve ser levado a centros de distribuio (dep-
sitos) 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 Rio de
Florianpolis Salvador Manaus Produes
Fbricas Janeiro
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
Modelagem:
Sejam xij quantidade enviada do produto da fbrica i (i = Curitiba, So Pau-
lo, Aracaju) ao depsito j (j = Florianpolis, Rio de Janeiro, Salvador, Manaus)
Funo objetivo Min CT = 1x11 + 0,8x12 + 3x13 + 4,5x14 + 1,5x21 + 0,6x22
+ 2,5x23 + 3x24 + 6x31 + 5x32 + 1,2x33 + 2,8x34
Restries sujeito a:
Curitiba x11 + x12 + x13 + x14 470
(Restries de produo) So Paulo x21 + x22 + x23 + x24 400
Aracaju x31 + x32 + x33 + x34 400
Florianpolis x11 + x21 + x31 + x41 = 350
RJ x12 + x22 + x32 + x42 = 300
(Restries de demanda)
Salvador x13 + x23 + x33 + x43 = 300
Manaus x14 + x24 + x34 + x44 = 120
(No negatividade) xij 0, i = 1,2,3 e j = 1,2,3,4
Generalizando, supondo um nico produto, n depsitos e m fbricas e:

cij custos unitrios de transporte da fbrica i ao depsito j;
bj demanda no depsito j com j = 1,2, ...,n
ai produo da fbrica i com i = 1,2, ...,m;

O modelo geral ser:

Variveis de deciso xij quantidade transportada da fbrica i ao de-
psito j.
m n
Funo objetivo Min Z = c x
i =1 j =1
ij ij
x
j =1
ij ai , i = 1,2,..., m
m
Restries sujeito a:
x
i =1
ij = b j , j = 1,2,..., n
xij 0, i = 1,2,..., m e j = 1,2,..., n
(4) Seleo de mdia para propaganda Adaptado de Ravindran, Phillips e

Solberg (1987)
Uma companhia de propaganda deseja planejar uma campanha em 03 di-

ferentes 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;
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
TV horrio
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 n-

mero de veiculaes a serem feitas em cada meio de comunicao, de modo a
atingir o mximo possvel de clientes.
Modelagem:
Variveis de deciso:
x1 = Nmero de exposies em horrio normal na tv.
x2 = Nmero de exposies em horrio nobre na tv.
x3 = Nmero de exposies feitas utilizando rdio.
x4 = Nmero de exposies feitas utilizando revistas.
Funo objetivo: maximizar nmero de clientes atingidos

Max z = 400.000x1 + 900.000x2 + 500.000x3 + 200.000x4
Restries: sujeito a
40.000x1 + 75.000x2 + 30.000 x3 + 15.000x4 800.000 (oramento)
300.000x1 + 400.000x2 + 200.000 x3 + 100.000x4 2.000.000 (mulheres
atingidas)
40.000x1 + 75.000x2 500.000 (gasto com TV)
x1 3, x2 2, 5 x3 10, 5 x4 10 (nmero de veiculaes em TV,
rdio e revistas)
x1, x2, x3, x4 0. (no-negatividade)
(5) Um problema de treinamento Adaptado de Ravindran, Phillips e

Solberg (1987)
Uma empresa de mquinas ferramentas tem um programa de treinamento

para operadores de mquinas. Alguns operadores j treinados podem traba-
lhar 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 fabrica-
o, 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 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:
x1 = operadores trabalhando como instrutores em janeiro
x2 = operadores ociosos em janeiro
x3 = operadores trabalhando como instrutores em fevereiro
x4 = operadores ociosos em fevereiro
x5 = operadores trabalhando como instrutores em maro
x6 = operadores ociosos em maro
Funo objetivo: Custo Total = custo trainees + custo instrutores + custo

ociosos + custo operadores trabalhando em mquinas
Min CT = 400.(10x1 + 10x3 + 10x5) + 700.(x1 + x3 + x5) + 500.(x2 + x4 +
+ x6) + 700.(100 + 150 + 200) = 4700x1 + 500x2 + 4700x3 + 500x4 + 4700x5 +
+ 500x6 + 315.000.
Restries: x1, x2, x3, x4, x5, x6 0 (no-negatividade)

As demais restries devem representar as equaes de balano mensal:
operadores treinados no incio do ms = operadores nas mquinas + instru-
tores + operadores ociosos.
Janeiro 130 = 100 + x1 + x2 x1 + x2 = 30
Fevereiro 130 + 7x1 = 150 + x3 + x4 7x1 - x3 - x4 = 20

Maro 130 + 7x1 + 7x3 = 200 + x5 + x6 7x1 + 7x3 - x5 - x6 = 70

Abril 250 = 130 + 7x1 + 7x3 + 7x5 7x1 + 7x3 + 7x5 = 120.
(6) Problema de dimensionamento de equipes de inspeo Adaptado de

Ravindran, Phillips e Solberg (1987)
Uma companhia deseja determinar quantos inspetores alocar a 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 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 n-

mero de inspetores de cada nvel de modo a otimizar o custo da inspeo diria
da companhia.
Modelagem:
Variveis de deciso - xi = 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 x1 + 3 x2) + 2.(25.0,02 x1 + 15.0,05 x2)] Min CT = 40 x1 +
+ 36 x2
Restries: Quanto ao nmero de inspetores:

x1 8 (inspetores do nvel 1) e x2 10 (inspetores do nvel 2)

Quanto ao nmero de peas inspecionadas por dia:

8.(25 x1 + 15 x2) 1800 5 x1 + 3 x2 45
Restries implcitas de no negatividade: x1 0 e x2 0.
(7) 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
Mximo disponvel Custo

Constituintes
(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
A No mais que 50% de 3 5,5
No menos que 40% de 2
No mais que 50% de 1
B 4,5
No menos que 10% de 2
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:
xij = quantidade do constituinte i (1,2, 3, 4) na gasolina j (A, B, C).

Variveis auxiliares:
xA = xiA, xB = xiB, xC = xiC, para i = 1, 2, 3, 4.
x1 = x1j, x2 = x2j, x3 = x3j, x4 = x4j, 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 xA + 4,50 xB + 3,50 xC 3 x1 6 x2 4 x3 5 x4
Restries:
Quantidades mximas de constituintes
x1j 3.000
x2j 2.000
x3j 4.000
x1j 1.000
Especificaes das gasolinas
x1A 0,30 xA
x3A 0,50 xA
x2A 0,40 xA
x1B 0,50 xB
x2B 0,10 xB
x1C 0,70 xC
No negatividade xij 0, para todo i = 1, 2, 3, 4 e j = A, B, C.
Deve-se, a seguir, substituir as variveis auxiliares pelas variveis de deci-

so 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.
(8) 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 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:
Figura 2 Lucros e custos para o modelo da indstria qumica
Produto b
Lucro Produto a Lucro
+10
Produto c
+4
+3
-2
Quantidade Quantidade
5
(a) (b)

Artifcio para linearizar o modelo: considerar as variveis de deciso como

sendo
x1 = quantidade produto a produzida
x2 = quantidade produto b produzida
x3 = quantidade produto c vendida
x4 = 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 destruir Produ-
to c). (quantidade destruda do Produto c)
Max z = 4 x1 + 10 x2 + 3 x3 - 2 x4
Restries:
2 x1 + 3 x2 16 (disponibilidade de tempo para operao 1)
3 x1 + 4 x2 24 (disponibilidade de tempo para operao 2)
x3 + x4 = 2 x2 (produo do produto c a partir do produto b)
x3 5 (previso de produto c que pode ser vendido)
x1, x2, x3, x4 0 (no-negatividade)
(9) Oficina mecnica Adaptado de Ravindran, Phillips e Solberg (1987)
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 qual-
quer 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.

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:
x1 = nmero de partes 1 produzidas por dia
x2 = nmero de partes 2 produzidas por dia
Restries:
3 x1 + 5 x2 480 (minutos por dia disponveis para a furadeira)
(20 x1 + 15 x2)/5 = 4 x1 + 3 x2 480 (minutos por dia disponveis para cada
fresa)
|(4 x1 + 3 x2) - (3 x1 + 5 x2)| = | x1 -2 x2| 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:
x1 - 2 x2 30 e - x1 + 2 x2 30
x1, x2 0 (no-negatividade).
Funo objetivo: maximizao do nmero de conjuntos completos por

dia
Max Z = min (x1, x2)
Observe-se que esta funo no linear, mas pode ser linearizada utilizan-
do-se uma varivel auxiliar, da forma: y = min (x1, x2), y 0, assim tem-se duas
novas restries dadas por y x1 e y x2. A funo objetivo linear fica sendo:
Max z = y.
2.3. 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 Li-

near. muito importante observar as conseqncias da hiptese de linea-
ridade. Intuitivamente, a linearidade implica que os produtos de variveis,
2
como x1 x2, potncias de variveis, como x3 , e combinao de variveis, como
alxl+ a2log x2, no podem ser admitidas.
Em termos mais gerais, a linearidade pode ser caracterizada por certas
propriedades aditivas e multiplicativas. Exemplificando: se so necessrias
t1 horas sobre uma mquina A para fazer o produto 1 e t2 horas para fazer o
produto 2, o tempo sobre a maquina A destinado aos produtos 1 e 2 t1 + t2.
Neste caso, a propriedade aditiva parece bastante razovel, se o tempo reque-
rido 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 consti-
tuintes individuais.
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 uni-
trio 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 aij, bi e cj so considerados como cons-
tantes 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.

Outra limitao diz respeito divisibilidade das solues. Neste texto, as

solues timas dos modelos podero apresentar valores fracionrios para qual-
quer de suas variveis. O 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 con-
dies no prprio modelo. Passa-se ento a trabalhar com modelos de Progra-
mao Linear Inteira, que no sero tratados aqui.
Deve-se, no entanto, dizer em defesa da PL que um vasto nmero de pro-
blemas prticos importantes tem sido satisfatoriamente enfocados e resolvidos
com tcnicas e modelos lineares, e que o nmero e a diversidade de suas apli-
caes continuam crescendo.
2.4. RESOLUO GRFICA
Para modelos com apenas duas variveis de deciso possvel resolv-los

por meio de um procedimento grfico. Essa ferramenta, apesar de extrema-
mente 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 sequncia ser mostrado como resolver graficamente um modelo de
PL com duas variveis de deciso.
Exemplo 1: (Adaptado de Lawrence e Pasternack, 2002)

Uma empresa fabrica dois tipos de brinquedos, B1 e B2, que 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 (B1 e B2), o nmero de dzias de B1
fabricadas no deve exceder em 350 o nmero de dzias do brinquedo B2.
A Manufatura passou as seguintes informaes: cada dzia do brinque-
do B1 usa 2 quilos de plstico e 3 minutos de produo e cada dzia do brin-
quedo B2 usa 1 quilo de plstico e 4 minutos de produo. O lucro estimado
na venda do B1 $8,00/dzia e para o B2 $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: xi quantidade (em dzias) a serem fabricadas sema-
nalmente do brinquedo Bi
Max 8x1 + 5x2 (Lucro semanal)
Sujeito a
2 x1 + 1 x2 1000 (Plstico)
3 x1 + 4 x2 2400 (Tempo de Produo - Minutos)
x1 + x2 700 (Produo Total)
x1 - x2 350 (Mix)
xj 0, j = 1,2 (No-negatividade)
Resoluo Grfica
Usando um par de eixos coordenados, com x1 nas abcissas e x2 nas orde-

nadas, 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 (x1, x2)
que satisfazem todas as restries. As restries de no negatividade correspon-
dem ao 1o. Quadrante do espao de pontos (x1, x2), conforme Figura 3, onde as
setas indicam a rea onde esto os pontos que satisfazem essas restries.
Figura 3 Restries de no negatividade
x2
x1
Nas Figuras de 4 a 7 esto representadas, seqencialmente, as restries

de plstico, tempo de produo, produo total e de mix, devendo ser identi-

ficados os pares (x1, x2) que satisfazem todas elas. Testar se (x1 = 0, x2 = 0)
satisfaz a restrio analisada para descobrir qual o semi-plano que correspon-
de restrio.
Figura 4 Restrio de plstico
1.000
x2 Restrio de plstico: 2 x1 + 1 x2 < 1000
x2
500
x1
Figura 5 Restrio de tempo de produo
x2
600 Restrio de tempo de produo:

3 x1 + 4 x2 < 2400
x1
800
Figura 6 Restrio de produo total
x2
700 Restrio produo total

(ela redundante):
x1 + x2 < 700
x1
700

Figura 7 Restrio de mix
x2
Restrio de mix: x1 - x2 < 350
350
x1
Figura 8 Regio vivel
Soluo Vivel
Interior
600
Soluo Vivel
na Fronteira
Regio Soluo Vivel

Vivel um Vrtice
350
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 (inter-
seco dos segmentos de reta).
2a Etapa Encontrar a soluo tima. Deve-se perceber que a funo ob-

jetivo, 8x1 + 5x2, 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 8x1 + 5x2, por exemplo, 2.000 e traar
a reta associada, 8x1 + 5x2 = 2.000;
b) Verificar para qual sentido, em direo regio Vivel, deve-se pesqui-
sar, na famlia de retas paralelas reta 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 (x1 = 0, x2 = 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
x2
8x1 + 5x2 = 4.360 - lucro timo
x1 = 320
8x1 + 5x2 = 2.000
x2 = 360
400 Melhoria do
objetivo
8x1 + 5x2 = 0
x1
250
c) Como se pretende achar o mximo valor para a funo objetivo, deve-se

procurar por uma reta paralela reta 8x1 + 5x2 = 2.000 que esteja mais
afastada da origem (ver na Figura 9 a seta a partir da reta 8x1 + 5x2 = 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 (x1, x2), tangenciado por essa reta ser a
soluo tima, com xi sendo a quantidade tima (em dzias) a ser fabricada
semanalmente do brinquedo Bi, e o valor da funo objetivo ser o lucro total
semanal timo. Uma ilustrao desse procedimento est na Figura 9, obten-
do-se: $4.360 lucro timo, x1 (timo) = 320 e x2 (timo) = 360.
Assim, a programao tima da produo de brinquedos produzir 320
dzias do brinquedo B1 e 360 dzias do brinquedo B2, 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 fun-
o objetivo que cresce exatamente para esta direo, a soluo dita ser ilimi-
tada, para um problema de maximizao, com o valor de Z tendendo a . Na
situao da Figura 10 (c), as restries no possuem pontos em comum no 1o.
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 pos-
sveis onde h mais de uma soluo tima. Observe-se 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.

Figura 10 Casos possveis em PL
x2 x2
cresce
cresce
x1 x1
(a) uma soluo tima (b) soluo ilimitada
x2 x2
cresce
conjunto vivel vazio
z
x1
x1
(c) no h soluo
(d) mais de uma soluo tima
x2
z
cresce
x1
(e) mais de uma soluo tima
2.5. 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 M-
todo 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:
n
n

aij x j = bi , bi 0 i = 1,2,..., m
Min Z = c x j j s.a. : j =1
j =1 x 0, j = 1,2,..., n
j

ou ainda, na forma matricial:
AX = b com b 0
Min Z = CX s.a. :
X 0.
onde, Xnx1 , Amxn , Cnx1 , bmx1.
Um modelo de minimizao de PL est na forma-padro quando tiver a

seguinte formulao:
n
n

aij x j = bi com bi 0 i = 1,2,..., m
Min Z = c x j j s.a. : j =1
j =1 x 0, j = 1,2,..., n
j
ou ainda, na forma matricial:
AX = b, b 0
Min Z = C X s.a. :
X 0.
onde, Xnx1 , Amxn , Cnx1 , bmx1.
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.
2 x1 + x2 4
Exemplo 2: Sejam as restries:
3x1 + 2 x2 5
2 x + x2 + x3 = 4 com x3 0,
estas restries so equivalentes a 1
3x1 + 2 x2 x 4 = 5 com x 4 0.
(b) Na ocorrncia de bi < 0: basta multiplicar por (-l) a restrio i, pois os

coeficientes aij podem assumir qualquer sinal na forma padro.

(c) Ocorrncia de variveis livres, isto , variveis que podem ser positivas,
nulas ou negativas. Seja xk uma varivel livre, h dois tipos de operaes para
elimin-la:
(cl) substituir em todas as equaes do modelo xk por x k = x k x k , onde
, ,,
x k, 0 e x k,, 0 .
(c2) expressar xk , a partir de uma restrio j na forma de igualdade, como
funo das demais variveis no-negativas e substituir xk nas outras equaes
por esta expresso. Aps a resoluo do novo modelo, sem xk e a equao de re-
corrncia utilizada, calcula-se o valor de xk atravs da equao de recorrncia.
(d) Ocorrncia de varivel no positiva: se existe xk < 0, basta substitu-la
pela sua simtrica x k, = x k 0 nas equaes do modelo.
Exemplo 3: Colocar na forma-padro o modelo abaixo,
Max 2x1 x2 + x3
s. a:
x1 + 2 x2 x3 5

4 x1 + x3 0

x1 2 x3 7
x + x =8
1 2
x1 0, x2 0, x3 livre.
Numa primeira etapa, sero tratadas as desigualdades e as constantes das

restries, que devem ser respectivamente, em forma de igualdades e no ne-
gativas. Assim, obtm-se um novo modelo equivalente ao original dado por:
Max Z = 2x1 x2 + x3
s. a:
x1 + 2 x2 x3 x 4 = 5 (1)

4 x1 + x3 + x5 = 0 (2)

x1 + 2 x3 + x6 = 7 (3)
x +x =8 (4)
1 2
x1 0, x2 0, x3 livre, x 4 0 , x5 0, x6 0
onde x4, x5, x6 so variveis de folga.

Agora, adotando o procedimento (c2), visto anteriormente, pode-se elimi-

nar a varivel x3, utilizando-se, por exemplo, a equao (2): x3 = 4 x1 x5 .
Substituindo esta expresso em (1), (3), (4) e na funo objetivo, tem-se:
Max -2x1 - x2 - x5
s. a:
5x1 + 2 x2 x 4 + x5 = 5

7 x1 2 x5 + x6 = 7

x1 + x2 = 8
x2 0, x1 , x 4 , x5 , x6 0

Resta agora fazer x2' = -x em todas as equaes do modelo, resultando, fi-

2
nalmente, na forma padro procurada:
Max -2x1 - x2 - x5
s. a:
5x1 + 2 x2' x 4 + x5 = 5

7 x1 2 x5 + x6 = 7

x1 + x2 = 8
'
x , x' , x , x , x 0
1 2 4 5 6
2.6. 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
AX 0 = b
O vetor X soluo vivel 0
0
, isto , X0 satisfaz as restries.
X 0
Exemplo 4: Seja o Modelo
x1 + x2 x3 = 2

Min Z = x1 + 2 x2 + x3 s.a. : 2 x1 + 3x2 x3 = 7
x 0, i = 1, 2, 3
i

1 3

Os vetores X10 = 1 e X20 = 0 so solues viveis.
0 1

Definio 2: Soluo tima
O vetor X * soluo tima X * soluo vivel e C ' X * = Min Z = C ' X
No exemplo 4, como poder ser verificado, posteriormente, pelo uso do

1
0

Mtodo Simplex, a soluo tima : X * = X 1 = 1 e Z * = 3 o valor
0
timo da funo objetivo.
Definio 3: Conjunto das Solues Viveis
{ }
Os vetores Xo tais que X 0 AX 0 = b e X 0 0 formam o conjunto vivel
do modelo de minimizao na forma padro.
Observaes:
(a) Se o conjunto vivel vazio o modelo invivel.
{ }
(b) Se existir uma seqncia de solues viveis X10 , X20 ,... de modo que
C X i0 - quando i ento o modelo tem soluo ilimitada.
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
AX = b , com Amxn = (aij) = (a1 a2 ...an) onde

Seja o sistema de equaes
(m n)
(m n)
a1i

ai = .
a
mi

Assim: AX = b x1al + ... xmam + ... + xnan = b (1)
Este sistema (1) apresenta soluo indeterminada, pois h mais variveis

do que equaes. Selecione na matriz A, m colunas linearmente indepen-
dentes LI, como por exemplo, al, a2, ..., am.
Fazendo iguais a zero as variveis no associadas a estas colunas LI es-
colhidas, isto , fazendo-se xm+l = xm+2 =...xn= 0, obtm-se um sistema de
equaes que possvel e determinado, dado por:
x1a1 + x2a2 + ... + xmam = b (2)
A soluo deste sistema (2) chamada de uma soluo bsica do sistema

original (1), as colunas a1, ..., am so chamadas colunas bsicas e x1, x2, ... xm
so as variveis bsicas. As demais variveis e colunas so denominadas
no-bsicas.
Exemplo 5: Achar as solues bsicas do sistema de equaes
x1 + x2 x3 = 12

x1 + 2 x2 + 2 x3 = 6
Inicialmente, podem ser identificados:
x1
1 1 -1 12 1 1 -1
A= , X = x 2 ,b = , a1 = , a2 = , a3 =
-1 2 2 x3 6 -1 2 2

Deve-se selecionar de A duas colunas que sejam LI, dentre os possveis

conjuntos de colunas {al, a2}, {al, a3} e {a2, a3}. 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 De-
pendente - LD, caso contrrio, o conjunto LI.

Verificando isto, tem-se no exemplo 5:
1 1
{a1, a2} LI pois
-1 2
=3
1 -1
{a1, a3} LI pois
-1 2
=1
1 -1
{a2, a3} LI pois
2 2
=4
Portanto tm-se trs solues bsicas para o sistema em estudo:
la soluo bsica fazer x3 = 0 (varivel no-bsica) o que resulta em:
x1 + x2 = 12
, cuja soluo x1 = 6 e x 2 = 6 (variveis bsicas)
x1 + 2 x2 = 6
2a soluo bsica fazer x2 = 0 (varivel no-bsica) o que resulta em:
x1 + x2 = 12
, cuja soluo x1 = 30 e x3 = 18 (variveis bsicas)
x1 + 2 x2 = 6
3a soluo bsica fazer x1 = 0 (varivel no-bsica) o que resulta em:
x2 - x3 = 12
2x2+ 2x3 = 6, cuja soluo x2 = 7,5 e x3 = -4,5 (variveis bsicas)
Definio 5: Soluo Bsica Vivel (S.B.V.)
O vetor XB soluo bsica vivel (s.b.v.) XB 0 e AB XB = b, onde AB

a submatriz de A formada pelas colunas bsicas associadas s variveis que
compem XB.
Exemplo 6: No exemplo 5 as solues bsicas viveis so:
6 1 1
X 1B = com A1B = e as variveis bsicas so x1 e x2;
6 1 2

30 1 1
X B2 = com AB2 = e as variveis bsicas so x1 e x3.
18 1 2
A seguir esto dois importantes resultados da PL, cujas demonstraes fo-
gem do escopo deste livro e no sero, portanto 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 corres-

pondem 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 so-
lues 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 linea-
res 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).
A impraticabilidade de tal tcnica em problemas reais evidenciada pela
observao de que, mesmo para um modesto sistema com 7 variveis e 4 equa-
7
es, tem-se que resolver = 35 sistemas lineares de ordem 4x4!
4
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 pon-
to 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.

2.7. FORMA CANNICA DE UM SISTEMA DE EQUAES LINEARES
Uma maneira prtica de se obter solues bsicas de um sistema de equa-

es lineares (S), dado por AX = b, colocar este sistema numa forma conve-
niente 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):
x1 + a1m+1 xm+1 + + a1n xn = b1

x2 + a2m+1xm+1 + + a2n xn = b2
(S):

xm + amm+1xm+1 + + amn xn = bm

O sistema (S) denominado uma forma cannica de (S). Deve-se notar

que, em (S), fica evidente a seguinte soluo bsica:
variveis bsicas: x1 = b1 , x2 = b2 , , xm = bm
considerando como variveis no-bsicas: x m +1 = x m + 2 = = xn = 0
Naturalmente poderiam ter sido escolhidas outras variveis para serem as

bsicas, optou-se pelas m primeiras variveis, x1, x2, ..., xm, apenas por facili-
dade 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 xi de (S) para ser a varivel bsica associada a equao j de (S) e efe-
tuar-se uma operao denominada Pivoteamento a partir do coeficiente aij 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.

Figura 11 Pivoteamento
a1j 0
a2j Aplicando as 0
.. operaes de ..
. .
aij 1
.. pivoteamento ..
. a partir de aij .
amj 0
Observe-se que, por meio do pivoteamento, o coeficiente aij transforma-

do em 1, e os demais coeficientes de xj so transformados em zeros.
Exemplo 7: Dado o sistema (S) :

2 x1 2 x2 + 6 x3 = 4 (1)
x1 + 4 x2 x3 = 2 (2)
Achar uma forma cannica (S) associando x1 como varivel bsica da

equao (1) e x3 como varivel bsica da equao (2).
Aplicando o MEGJ em (S), tem-se a seqncia de sistemas equivalentes a
seguir.
2 x1 2 x2 + 6 x3 = 4 (1)
(ver 1o Quadro da Figura 12)
x1 + 4 x2 x3 = 2 (2)
Dividindo a equao (1) por 2:
x1 x2 + 3x3 = 2 (1)

x1 + 4 x2 x3 = 2 (2)
Substituindo a equao (2) por (2)=(2) + (1):
x1 x2 + 3x3 = 2 (1)
(ver 2o Quadro da Figura 12)
3x2 + 2 x3 = 4 (2')
Dividindo a equao (2) por 2:
x1 x2 + 3x3 = 2 (1)

3
x2 + x3 = 2 (2)
2

Substituindo a equao (1) por (1) = (1) - 3.(2):
11
x1 2 x2 = 4 (1)
(S): (ver 3o Quadro da Figura 12)
3 x + x = 2 (2)
2 2 3
Tem-se, assim, a Soluo Bsica associada com (S), com as variveis

bsicas sendo x1 = -4, x3 = 2; e varivel no-bsica x2 = 0.
Pode-se utilizar um procedimento prtico para obter uma forma canni-
ca de um sistema linear. Este mtodo aplicado ao Exemplo 7 e ilustrado na
Figura 12. Os elementos escolhidos como pivs em cada iterao esto desta-
cados com um crculo.
Figura 12 Etapas do pivoteamento do Exemplo 7
Varivel
Bsica x1 x2 x3 b
x1 2 -2 6 4 (1)
1o Quadro
x3 -1 4 -1 2 (2)
x1 1 -1 3 2 (1) = (1) / 2
2o Quadro
x3 0 3 2 4 (2) = (2) + (1)
x1 1 -11/2 0 -4 (1) = (1) - 3 (2)

3o Quadro
x3 0 3/2 1 2 (2) = (2) / 2
No 3o Quadro esto as variveis bsicas x1 = -4, x3 = 2; a varivel no-bsica

x2 = 0.
2.8. 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 so-

luo 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.
Etapa (A) Teste de Otimalidade
Sejam as restries do modelo geral de minimizao na forma padro,

acrescentadas da funo objetivo:
a11 x1 + + a1m xm + a1m+1 xm+1 + + a1n xn = b1 (1)

a x + + a x + a
m1 1 mm m mm+1 x m+1 + + amn xn = bm (m)
Z + c1 x1 + + cm xm + cm+1 xm+1 + + cn xn = 0 (m + 1)

Aplicando o MEGJ, considerando como variveis bsicas, x1 ,..., x m e -Z,

respectivamente para as equaes 1,,m e m+1, tem-se:
x1 + a1m+1 xm+1 + + a1n xn = b1

xm + amm+1 xm+1 + + amn xn = bm
Z + c x + + c x = Z
m+1 m+1 n n 0
onde, Z0 = c1 b1 + c2 b2 ... + cm bm o valor da funo objetivo (ver a

seguir) e os c j , j = m + 1,..., n so denominados coeficientes de custo rela-
tivos (ou reduzidos). Considerando todos os bi 0, i = 1,... m tem-se:
s.b.v.: variveis bsicas x1 = b1 ,..., xm = bm

variveis no-bsicas xm+1 = ... = xn = 0
O Valor da funo objetivo para esta soluo bsica vivel pode ser obtido
da equao (m+1) modificada, pois:

n
Z = Z0 + c
j =m+1
j x j , e xj = 0, j = m + 1,..., n Z = Z0.
Pergunta: Pode-se melhorar (diminuir) o valor de Z considerando outras

s.b.v.?
Anlise: Se na equao (m+1) no h c j < 0 ento qualquer mudana no

valor da varivel no-bsica xj (isto , obter outra s.b.v. com xj sendo varivel
bsica) aumenta necessariamente Z a s.b.v. atual tima e Z * = Z 0 (no h
Etapa (B)).
Se na equao (m+1) h cs < 0 a varivel no-bsica xs correspondente
a este cs, se 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 (f.o.) Z
2 x1 + x2 + 2 x3 = 4

Z = 4 x1 + x2 + x3 s.a. 3x1 + 3x2 + x3 = 3
x , x , x 0
1 2 3
Acrescentando a f.o. s restries do PPLP, vem:
2 x1 + x2 + 2 x3 = 4 (1)

3x1 + 3x2 + x3 = 3 (2)
Z + 4 x + x + x = 0 (3)
1 2 3
Aplicando-se o MEGJ, considerando x3 como varivel bsica para a

1 equao, x1 para a 2a equao e -Z para a 3a equao:
a
3 3
x2 + x3 =
4 2

5 1
x1 + x2 + =
4 2
Z 13 7
x2 = (I )
4 2

7 13
Da equao (I): Z = x2, como x2 = 0 ( varivel no-bsica)
2 4
7
Z = Z 01 = , que o valor da funo objetivo para esta primeira s.b.v., que
2
tem x3 = 3/2, x1 = 1/2 e x2 = 0.
7 13
Anlise: Como Z = x2 , se x 2 entao Z como se deseja. Assim, a
2 4
s.b.v. atual no tima, pois tem-se x2 = 0 (ou seja, x2 est assumindo o seu
menor valor).
Procura-se tornar x2 varivel bsica numa prxima s.b.v. aplicando o
MEGJ, e considerando como variveis bsicas, x3 para a 1a equao, x2 para
a 2a equao, e -Z para a 3a equao. Obtm-se, deste modo:
3 9
x1 + x3 =
5 5

4 2
x1 + x2 =
5 5
+ 13 11
Z 5 x1 = (II )
5
11 13
Da equao (II): Z = + x1, como x1 = 0 ( varivel no-bsica)
5 5
11
Z = Z02 = , que o valor da funo objetivo. para a segunda s.b.v., onde
5
9 2
x3 = , x2 = e x1 = 0 .
5 5
11 13
Anlise: Como Z = + x1 , se x1 ento Z o que no interessante,
5 5
11
pois deseja-se minimizar a funo objetivo. Logo o valor de Z = no pode
5
ser melhorado.
Deste modo tem-se:

x1* 0
11
Z= (valor timo) e X= x2* = 2 / 5 (soluo tima).
5 * 9 / 5
x3

Fase (B) Melhoria da Soluo
Admitindo que j foi realizada a etapa (A) do Mtodo Simplex, num mo-
delo de minimizao, e existe cs < 0; deve-se achar uma nova s.b.v. com xs
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 xs?
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 xs, facilitando descobrir qual a variao possvel de xs,
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 fun-
o objetivo diminuir ao se aumentar xs.
Procedimento Geral para aplicar a Etapa (B):
a) Escolher xs tal que cs < 0 na equao (m+1);
{ }
b) Procurar equao i tal que bi / ais = Min b j / a js , a js > 0 , onde a js o
coeficiente da varivel xs na equao j.
b
O coeficiente ais correspondente ao quociente mnimo i denominado
ais
Piv. A varivel bsica associada equao i ser substituda pela varivel no-
bsica xs atravs de operaes de pivoteamento com ais.
Visualizao da Fase (B) do Mtodo Simplex
Exemplo 9: (MACULAN FILHO e PEREIRA, 1980) Seja um modelo de mini-

mizao, j com a funo objetivo acrescentada ao conjunto das restries:

x1 + 2 x3 3x 4 = 5 (1)

x2 + 2 x3 2 x 4 = 6 (2)
Z 4 x3 + 5x 4 = 4 (3)

A soluo bsica vivel atual tem as variveis bsicas x1 = 5, x2 = 6, as vari-

veis no-bsicas x3 = x4 = 0 e Z = 4.
A partir da Etapa (A) do Mtodo Simplex sabe-se que o coeficiente c3 = 4
da varivel no-bsica x3, na equao (3), indica que a s.b.v. atual no tima,
e x3 deve ser varivel bsica numa prxima s.b.v..
Assim, o prximo passo determinar at que valor x3 pode ser aumentado
(seu valor atual zero), sem que x1 e x2 se tornem negativos.
Na nova s.b.v. (com x3 como varivel bsica) deve-se manter x1 0 e x 2 0,
e sabe-se tambm que:
de (1): x1 = 5 2 x3 + 3x 4 , como x 4 = 0 (permanece varivel no-bsica)
x1 = 5 2 x3
de (2): x2 = 6 2 x3 + 2 x 4 , como x 4 = 0 (permanece varivel no-bsica)
x2 = 6 x3
6
Deste modo tem-se: x1 0 x3 5 / 2 e x2 0 x3 o maior valor
2
5 6 5
que x3 pode assumir, sem violar as restries deve ser ento Min , = .
2 2 2
Concluso: A nova s.b.v. tem como variveis bsicas, x3 = 5 e
2
5
x2 = 6 2 x3 = 1; como varivel no-bsicas, x1 = x4 = 0, e Z = 4 4. = 6 .
2
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 prxi-
ma 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.
Figura 13 Uso de tabelas na resoluo do Exemplo 9
Varivel que entra
Variveis
Bsicas x1 x2 x3 x4
5 Menor quociente
x1 1 0 2 3 5 = 2,5
2 (indica a linha
s.b.v. varivel do Piv)
atual que sai x2 0 1 2 -2 6
6
= 3,0
-Z 0 0 -4 5 -4 2
(valor negativo indica a coluna do Piv) Pivoteamento em

torno de a13 = 2
nova x3 1/2 0 1 3/2 5/2

s.b.v.
x2 -1 1 0 -5 1
-Z 2 0 0 11 6
0
1
A nova s.b.v.: X = , Z = -6
5/2
0
(2) Problema Inicial Ilimitado
Se ao aplicar a Etapa (B), com xs escolhida para se tornar varivel bsica,

ocorrer que todos os a js 0 ento nenhuma varivel bsica tem seu valor dimi-
nudo quando xs aumenta, o que leva a concluso que o modelo de minimizao
apresenta soluo ilimitada (Z -).
Considere o Exemplo 9 onde, agora, os coeficientes de x3 nas restries (1)
e (2) so iguais a (-2), neste caso tem-se:
x1 2 x3 3x 4 = 5 (1)

x2 2 x3 2 x 4 = 6 (2)
Z 4 x3 + 5x 4 = 4
(3)
Como o coeficiente da varivel no-bsica x3 na equao (3) c3 = 4 ,

significa que deve-se aumentar x3 (seu valor atual zero pois varivel no-
bsica) para algum valor positivo (o maior possvel).

Como x4 = 0 (permanece como varivel no-bsica) de (1) x1 = 5 + 2 x3

e de (2) x 2 = 6 + 2 x3 . Notar que tem-se x1 > 0 e x2 > 0 quando x3 au-
mentado, ou seja, nenhuma restrio de no-negatividade violada, e pode-se
aumentar indefinidamente x3. Como Z quando x3 tem-se que Z
(Problema Ilimitado).
(3) 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:
bi
Znovo = Zatual + cs para cs < 0, bi > 0 e ais > 0 (Piv)
ais
Para ilustrar isto, considere o Exemplo 9, onde foram obtidas duas s.b.v:
s.b.v.1 x1 = 5, x2 = 6, x3 = x 4 = 0, Z1 = 4
5
s.b.v.2 x1 = 0, x2 = 1, x3 = , x 4 = 0, Z2 = 6
2
bi
Notar que Z2 = Z1 + cs com, Z1 = 4, bi = 5, ais = 2 e c s = 4
ais
2
Z2 = 4 + (4) = 6
5
(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)
Min Z = 3x1 5x2

s. a.:
x1 4

x2 6

3x1 + 2 x2 18
x1 , x2 0


Colocando na forma padro, tem-se: Min Z = 3x1 5x2

s. a:
x1 + x3 = 4

x2 + x4 = 6

3x1 + 2 x2 + x5 = 18
xi 0, i = 1,5

Aplicando o Simplex tm-se as tabelas da Figura 14.
Figura 14 Resoluo do Exemplo 10
VB x1 x2 x3 x4 x5 b
x3 1 0 1 0 0 4 Quadro 1
x1 = x2 = 0
x4 0 1 0 1 0 6 x3 = 4, x4 = 6,
x5 = 8, Z = 0
x5 3 2 0 0 1 18 s.b.v. 1
-Z -3 -5 0 0 0 0
x3 1 0 1 0 0 4 Quadro 2
x1 = x4 = 0
x2 0 1 0 1 0 6 x3 = 4, x5 = 6,
x2 = 6, Z = -30
x5 3 0 0 -2 1 6 s.b.v. 2
-Z -3 0 0 5 0 30
x3 0 0 1 2/3 -1/3 2 Quadro 3

x5 = x4 = 0
x2 0 1 0 1 0 6 x3 = 2, x5 = 6,
x2 = 6, Z = -36
x1 1 0 0 -2/3 1/3 2
s.b.v. 3 tima
-Z 0 0 0 3 1 36
PARAR, pois cs > 0

Na Figura 15 h seqncia de situaes onde se procura mostrar a evo-

luo do Mtodo Simplex, indo de uma s.b.v. (vrtice) para outra adjacente no
Conjunto Vivel associado ao modelo original.
Figura 15 Evoluo das iteraes do Mtodo Simplex
x2 x2
(Z = -30, Quadro 2)
(0,6) (2,6) (0,6) (2,6)
0
Regio
Vivel
(4,3) (4,3)
0
x1 x1
(0,0) (4,0) (0,0) (4,0)
(Z = 0, Quadro 1)
(a) Quadro 1 s.b.v. 1 (b) Quadro 2 s.b.v. 2
x2
(0,6) (2,6)
0
(Z = -36, Quadro 3)
(4,3)
x1
(0,0) (4,0)
(c) Quadro 3 soluo tima
(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, cor-
respondentes a essa s.b.v. (1) todos os coeficientes de custo relativos so maiores
ou iguais a zero ( c j 0), com o valor da funo objetivo dado por Z1 = Z.

Devem-se analisar os coeficientes de custo relativo cuidadosamente. Se h

algum cs = 0, associado a alguma varivel no-bsica xs, ento existe outra
s.b.v. (2), onde xs varivel bsica, que tambm tima, pois neste caso no
h alterao no Z, quando xs se torna varivel bsica.
Isto pode ser verificado utilizando-se a expresso matemtica do coment-
rio (3) onde:
bi
Z2 = Z1 + cs , como cs = 0 Z2 = Z1 = Z .
ais
Alm disto, como se sabe que o Mtodo Simplex se locomove, em cada

iterao, para vrtices adjacentes do conjunto vivel, como visto no coment-
rio (4), pode-se concluir que todas as combinaes convexas da s.b.v. (1) e
s.b.v. (2) sero tambm solues timas. Assim X = XA + (1 ) XB, 0 1,
com XA sendo a s.b.v. 1 e XB sendo a s.b.v. 2.
Isto pode ser visualizado para um problema de maximizao em duas di-
menses, como sendo o caso de haver um segmento de reta timo para o pro-
blema, ver a Figura 16.
Figura 16 Modelo com mais de uma soluo tima Segmento de reta timo
Z = Z
x2 s.b.v. 1 (tima)
combinaes lineares de s.b.v. 1 e s.b.v. 2
s.b.v. 2 (tima)
Z=0
x1
Considere o Exemplo 11, onde ocorre a situao de mais de uma soluo

tima.

Exemplo 11: Min Z = x1 2 x2 s. a:
x1 + x3 =3

x2 + x4 =4

x1 + 2 x2 + x5 = 9
xi 0, i = 1,5.

Aplicando o Mtodo Simplex, tm-se a seqncia de quadros da Figura 17.
Esto indicados por crculos os coeficientes que so os pivs.
Figura 17 Tabelas do Simplex do exemplo 11
VB x1 x2 x3 x4 x5 b
x3 1 0 1 0 0 3
x4 0 1 0 1 0 4 Q1
x5 1 2 0 0 1 9
-Z -1 -2 0 0 0 0
x3 1 0 1 0 0 3
x2 0 1 0 1 0 4 Q2
x5 1 0 0 -2 1 1
-Z -1 0 0 2 0 8
x3 0 0 1 2 -1 2 Q3
x2 0 1 0 1 0 4 (XA)
x1 1 0 0 -2 1 1
-Z 0 0 0 0 1 9
x4 0 0 1/2 1 -1/2 1 Q4
x2 0 1 -1/2 0 1/2 3 (XB )
x1 1 0 1 0 0 3
-Z 0 0 0 0 1 9

Todas as Combinaes Convexas de X *A e X B* so solues timas, ou seja,

1 3

4 3
*
X = X A + (1 )X B, 0 1, onde: X A = 2 , X B = 0 e Z * = 9.
*

0 1

0 0
Graficamente isto pode ser visualizado na Figura 18.
Figura 18 Resoluo grfica do Exemplo 11
x2
X = segmento de reta timo
XA
4
x1
XB
Z = -9
Z=0

Ainda no Exemplo 11, observe-se que, no Quadro referente a soluo tima

*
X se os coeficientes nas restries da varivel no-bsica x4, associada ao
A,
coeficiente de custo relativo c4 = 0, fossem todos nulos ou negativos, ento no
haveria piv, e a soluo tima mltipla seria dada por uma semi-reta tima:
X = X A , 1, Z = 9
(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) vli-
das, agora, para o caso de maximizao:
Etapa (A) Teste de Otimalidade A s.b.v. atual ser tima todos os coefi-
/ cj > 0 .
cientes de custos relativos forem no-positivos, isto , se
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 vari-
vel 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 Z = 3x1 + 5x2

s. a:
x1 4

x2 6

3x1 + 2 x2 18

x1 , x2 0

Aplicando o Mtodo Simplex, para maximizao, obtm-se as tabelas da

Figura 19. Esto indicados com os crculos os coeficientes que so os pivs.
Figura 19 Tabela do Simplex para o Exemplo 12
VB x1 x2 x3 x4 x5 b
x3 1 0 1 0 0 4
x4 0 1 0 1 0 6
x5 3 2 0 0 1 18
-Z 3 5 0 0 0 0
x3 1 0 1 0 0 4
x2 0 1 0 1 0 6
x5 3 0 0 -2 1 6
-Z 3 0 0 -5 0 -30
x3 0 0 1 2/3 -1/3 2
x2 0 1 0 1 0 6
x1 1 0 0 -2/3 1/3 2
-Z 0 0 0 -3 -1 -36
Soluo tima, pois cs > 0
x1 2
6
x2
2
X = x 3 = , Z = 36
x
0
4 0
x5


Apresenta-se, na Figura 20, um fluxograma vlido para minimizao para

orientar a aplicao das Etapas (A) e (B) do Mtodo Simplex, ele ser denomi-
nado Fluxograma (1).
Figura 20 Fluxograma (1) para um PPL de minimizao
Achar soluo
inicial
H
Soluo atual No Sim Escolher
Cj < 0
(XAA) )
tima (X* Cs < 0 Xs entra
?
H H
Soluo tima No Soluo No
Cj = 0 ais > 0
(X* ==XX*
nica (X A )A) ilimitada
? ?
Sim Sim
Fim Fim Achar piv ars

H mltiplas
Xr sai
solues timas
(Etapa (B))
Por Pivoteamento
xj entra achar nova 1
soluo
H
x*x==x*
xAA No
aij > 0
>1 Observao:
?
Cj = Coeficiente de custo relativo da varivel no-bsicas Xj
Sim Xj, Xs = Variveis no-bsicas
Xr = Varivel bsica associada equao r
Fim Achar piv arj
aij, ais = Coeficientes na equao i das variveis Xj e Xs,
Xr sai
(Etapa (B)) respectivamente
X = Soluo tima
Por Pivoteamento
achar nova
(X*B B) )
soluo tima (X
X = XA+ (1 - ) XB
0<<1
Fim

2.9. 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 apli-
cao 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, neces-
sitando da aplicao de uma fase preliminar.
O que se faz nestas situaes, em que no h uma soluo vivel inicial evi-
dente 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 M-
todo das Duas Fases onde:
Criar o Modelo Artificial a partir das restries do Modelo Ori-
Fase 1
ginal. Resolver pelo Mtodo Simplex o Modelo Artificial;
Fase 2 Aplicar o Mtodo Simplex ao PPL Original, a partir da soluo
bsica vivel tima obtida para o PPL Artificial na Fase 1.
Para entender como este mtodo funciona, considere-se um PPL, j colo-
cado 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 qual-
quer uma das equaes do PPLO:
Modelo Original PPLO
Min Z = c1 x1 + c2 x2 + + cn xn (funo objetivo original)

a11x1 + a12 x2 + + a1n xn = b1

a x + a x + + a2n xn = b2
s.a.: 21 1 22 2

am1x1 + am2 x2 + + amn xn = bm

com, b j 0, j = 1,2,..., m e xi 0 (variveis de deciso e de folga), i = 1, 2, , n.

Define-se o seguinte problema auxiliar (Incio da 1a Fase), utilizando-se

variveis artificiais yj para cada uma das equao do PPLO:
Modelo Artificial PPLA
Min W = y1 + y2 + + ym (funo objetivo artificial)
a11x1 + + a1n xn + y1 = b1

a x + + a2n xn + y2 = b2
s.a.: 21 1

am1x1 + + amn xn + ym = bm

com, b j 0, xi 0, y j 0 (variveis artificiais), j = 1, 2, , m; i = 1, 2, , n .
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:
y1 = b1 , y 2 = b2 , , y m = bm e W = b1 + b2 + + bm .
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 indi-
car que pelo menos uma varivel artificial, ys, 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 ys seja no negativa (ys > 0)
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 fol-
ga), x1 , x2 , , xn, no possvel satisfazer conjuntamente todas as suas restri-
es. 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 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 yj = 0, sendo yj varivel bsica da s.b.v. tima do PPLA,
a s.b.v denominada degenerada, e requer o uso do procedimento des-
crito a seguir.
No Quadro timo da resoluo do PPLA, para cada varivel yj que vari-

vel bsica associada a equao i do conjunto de restries, deve-se procurar
uma varivel original, xk, com coeficiente na equao i sendo aik 0 (observe-
se que pode inclusive ser negativo). Podem ocorrer duas situaes:
Se esse coeficiente existir, basta fazer o pivoteamento a partir desse

aik , substituindo a varivel yj por xk. Aps eliminar as variveis arti-
ficiais 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 xk, com aik 0 ,
isto indicar que esta equao i combinao linear das demais equa-
es, 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 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 ela-
borado o Fluxograma (2) apresentado na Figura 21.

Figura 21 Fluxograma (2) para aplicao do Mtodo das Duas Fases
Obter modelo na
forma padro
Observao:
W = Valor timo da funo
objetivo artificial H Sim Iniciar
Fase 2 = Aplicao do fluxograma 1 soluo inicial
Fase 2
?
No
Iniciar Fase 1 Fim

definir modelo
artificial
Iniciar Fase 1
definir modelo
artificial
Iniciar Fase 1
Problema
definir modelo
orginal invivel
artificial
Eliminar varivel Fim

H
artificiais substituir No
varivel artificial
funo objetivo
bsica?
artificial pela original
Sim

Iniciar possvel a
Fase 2 substituio Sim Efetuar
por varivel pivoteamento
original?
Fim No
Eliminar varivel
artificial bsica e
equao associada
No Exemplo 13 h uma aplicao completa do Mtodo das Duas Fases,

com o uso dos Fluxogramas (1) e (2).

Exemplo 13: (MACULAN FILHO e PEREIRA, 1980)
x1 4

x2 6
Min Z = 3x1 5x2 s.a.:
3x1 + 2 x2 18
x1 , x2 0.

Pelo Fluxograma (2), acha-se o PPLO (na forma-padro)
x1 + x3 =4

x2 + x4 =6
Min Z = 3x1 5x2 s.a.
3x1 + 2 x2 x5 = 18
xi 0, i = 1,5.

No h uma soluo bsica vivel evidente no PPLO, pois as variveis x3 e

x4 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 x5 nessa
equao -1. Observe-se que no se pode simplesmente multiplicar os dois
lados da 3a equao por (-1) para resolver essa situao de x5, 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 x3 e x4 podem
ser as variveis bsicas referentes s equaes (1) e (2), e bastaria acrescentar a
varivel artificial y1 3a equao e criar o Modelo Artificial (PPLA):
x1 + x3 =4

x2 + x4 =6
Min W = y1 s.a.: (PPLA)
3x1 + 2 x2 x5 + y1 = 18
xi 0, i = 1,5, y1 0.

Na Figura 22, est a aplicao do Mtodo Simplex ao PPLA (Fase 1). Os

crculos indicam os coeficientes pivs.

Figura 22 Fase 1 aplicao do Simplex ao PPLA
VB x1 x2 x3 x4 x5 y1 b
x3 1 0 1 0 0 0 4
Quadro
x4 0 1 0 1 0 0 6
inicial
y1 3 2 0 0 -1 1 18
Adequar a f.o.
-W 0 0 0 0 0 1 0
x3 1 0 1 0 0 0 4
Q1 x2 0 1 0 1 0 0 6
y1 3 2 0 0 -1 1 18
-W -3 -2 0 0 1 0 -18
x1 1 0 1 0 0 0 4
Q2 x4 0 1 0 1 0 0 6
y1 0 2 -3 0 -1 1 6
-W 0 -2 3 0 1 0 -6
x1 1 0 1 0 0 0 4
Q3 x4 0 0 3/2 1 1/2 -1/2 3
x2 0 1 -3/2 0 -1/2 1/2 3
-W 0 0 0 0 0 1 0

Observe-se que, na seqncia de tabelas da Fase 1, o Quadro Inicial

idntico ao Quadro 1 e apenas os coeficientes na funo objetivo so alterados
em funo do coeficiente da varivel y1 ser 1 e no 0, devendo, portanto, se-
rem modificados adequadamente. Basta multiplicar a equao 3 por (-1) e
som-la equao 4, associada funo objetivo.
Agora, aps eliminar a coluna da varivel yj do Quadro 3 e substituir a
equao correspondente a funo objetivo W pela equao Z 3 x1 5 x2 = 0
do PPLO, pode-se dar incio a Fase 2.
Antes de aplicar as etapas do Fluxograma (1), deve-se fazer uma adequa-
o nos coeficientes de x1 e x2 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 x4 (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
x1 (que 3) e de x2 (que 5) nessa equao 4.
Aps essa adequao na tabela inicial, obtm-se o Q3 para o Modelo Ori-
ginal que idntico ao Q3 da resoluo do Modelo Artificial com as mudanas
na equao 4.
A partir de Q3 aplica-se a seqncia de etapas do Fluxograma (1), confor-
me 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 Sim-
plex ao PPLO.

Figura 23 Fase 2 aplicao do Simplex ao PPLO
VB x1 x2 x3 x4 x5 b
x1 1 0 1 0 0 4
Adequar a
funo x4 0 0 3/2 1 1/2 3
objetivo
x2 0 1 -3/2 0 -1/2 3
-Z -3 -5 0 0 0 0
x1 1 0 1 0 0 4
Q3 x4 0 0 3/2 1 1/2 3
x2 0 1 -3/2 0 -1/2 3
-Z 0 0 -9/2 0 -5/2 27
x1 1 0 0 0 0 4
Q4 x5 0 0 3 2 1 6
x2 0 1 0 1 0 6
-Z 0 0 3 5 0 42
PARAR!
X1 = 4, X 2 = 6, X 3 = 0, X 4 = 0
A Soluo tima do PPLO est em Q4:
X5 = 6, Z = 42.
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 encon-
trada uma s.b.v. do Modelo Original (um vrtice da Regio Vivel) inicia-se a
Fase 2 (ver Q3).

Figura 24 Visualizao das etapas do Mtodo das Duas Fases
x2 x2
(2,6) (4,6) (2,6) (4,6)
(0,6) (0,6)
X = conjunto vivel
(4,3) (4,3)
(W = 6, Z = -12,
Quadro 2)
0 x1 0 x1
(4,0) (0,0) (4,0)
(W = 18, Z = 0, Quadro 1)
(a) Quadro 1 Fase 1 (b) Quadro 2 Fase 1
x2 x2
(2,6) (4,6) (2,6) (4,6)
0 (Z = -42, timo,
Quadro 4)
0 (Z = -27, Quadro 3 =
(4,3) (4,3)
= Quadro 3)
x1 x1
(0,0) (4,0) (0,0) (4,0)
(c) Quadro 3 Fim da Fase 1 (d) Quadro 4 Fase 2

e incio da Fase 2
REFERNCIAS
BREGALDA, P. F.; OLIVEIRA, A. A. F.; BORNSTEIN, C. T. Introduo Programa-

o Linear. Rio de Janeiro: Editora Campus, 1981.
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. 2nd edition. New York:
John Wiley & Sons, 2002.
RAVINDRAN, A.; PHILLIPS, D. T.; SOLBERG, J. J. Operations Reserch Principles
and Practice. New York: John Wiley & Sons, 1987.

3
INTRODUO TEORIA DOS GRAFOS E A OTIMIZAO EM REDES
3.1. 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
Ilha D
Rio Pregel
Ilha B
Margem A
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.
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
Cap_3.indd 81 27/08/2011 21:53:14

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
D
B
Observe que a Figura 2 representa esquematicamente o mesmo que se pas-

sava na Figura 1, sob o ponto de vista de ordem e continuidade. Euler demons-
trou 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 de-
monstrao 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 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 contempo-
rneas 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 (D1, D2 e D3). Como a alimentao feita por esteiras
mveis, todas situadas num plano, necessrio estabelecer um projeto de im-
plantao 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 Departa-
mento 2 que alimenta o setor de montagem B na esteira do Departamento 3
que alimenta o setor A (indicado pela seta).
Cap_3.indd 82 27/08/2011 21:53:16

Introduo Teoria dos Grafos e a Otimizao em Redes | 83
Figura 3 Um problema de montagem
A D1
B D2
C D3
Verifica-se que o envio do abastecimento D3 para setor de montagem A

intercepta o abastecimento D2 B. Neste tipo de grafo, conhecido como K3,3,
no h soluo, ou seja, qualquer outra tentativa levar sempre a esta intersec-
o 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 implan-
tao de viadutos em projetos virios ou na fabricao de chips para equipa-
mentos 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 possibili-
dades (20!) o que inviabiliza um procedimento exaustivo de testar todas as
possibilidades. A Teoria dos Grafos oferece uma importante ajuda na soluo
deste problema.
Cap_3.indd 83 27/08/2011 21:53:16

3.2. 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 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 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.
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 = [ Xij ] a matriz (quadrada) de adjacncia de G se
1, se existe aresta do n i para j

Xij =
0, caso contrrio.
Cap_3.indd 84 27/08/2011 21:53:16

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
2
1 2 3 4
1 0 1 0 1
2 1 0 1 1
1 3 X =
3 0 1 0 1
4 1 1 1 0
Seja G = (N, E) um grafo orientado.
Definio de Matriz de Incidncia
A = [aij] a matriz (no necessariamente quadrada) de incidncia de G se
1, se o arco j tem origem no n i

aij = -1, se o arco j aponta para o n i
0, se o arco j no incidente ao n i

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
1 6
a
h 2 e b
4
g
f c
3
5
d
Cap_3.indd 85 27/08/2011 21:53:16

a b c d e f g h
1 0 0 0 0 0 0 0 1
2 0 0 0 0 1 1 1 1
3 0 0 0 1 0 1 0 0
A =
4 1 1 1 0 1 0 0 0
5 0 0 1 1 0 0 1 0
6 1 1 0 0 0 0 0 0
H, ainda, muitas outras formas de representao para grafos. Os interes-

sados 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
Rio 400 Km So Paulo
380 Km 600 Km
B. Horizonte 300 Km Vitria
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.
Definio de Caminho num Grafo
Um caminho uma cadeia na qual todos os arcos possuem a mesma orien-

tao. Na Figura 7 exemplifica-se uma cadeia e um caminho num grafo com
7 ns e 9 arcos.
Cap_3.indd 86 27/08/2011 21:53:16

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
e
a
b f 7
1
c h h
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.
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.
Cap_3.indd 87 27/08/2011 21:53:17

Figura 8 Exemplo de ciclo (formada pelos arcos a, e, d) e um circuito (formado pelos

arcos a, b, c, d)
a b
d c
Observaes:
(a) Um ciclo que passa por todas as arestas ou arcos de um grafo chama-
do 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 Opera-
cional, onde o interesse por um circuito Hamiltoniano de 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
Cap_3.indd 88 27/08/2011 21:53:17

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 cone-

xidade. Um grafo orientado G = (N;E) fortemente conexo (f-conexo)
par de ns (i, j) N existe um caminho cuja extremidade inicial i e extremi-
dade final j, e existe outro caminho, com extremidade inicial em j e extre-
midade final em i (ver Figura 11).
Figura 11 Exemplo de um Grafo f-conexo
1 2
6
3
5
4
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 G
Cap_3.indd 89 27/08/2011 21:53:17

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;
(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).
3.3. ALGORITMOS
3.3.1. 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 G = (N, 0)
/ , que for-
mado 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 Figu-
ra 13, esto um Grafo, sua rvore Mnima e o valor do Comprimento Mnimo
associado.
Cap_3.indd 90 27/08/2011 21:53:17

Figura 13 Grafo e uma rvore Parcial Mnima
B 7 G
2
2 B G
3
F
A 2 2
4 3
4 3
8 2 1 4
A C 8 C F
H
3 E
D 2
2 1 H
5
E
2 12
D
Valor Total Mnimo = 16 = 2 + 1 + 2 + 2 + 4 + 2 + 3
3.3.2. Caminho mais curto
A determinao de um caminho mais curto num Grafo, dada a sua aplicabi-

lidade 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 pa-
ralelos) G com n ns pode ser descrito por uma matriz Dnxn = [dij ], onde:
dij = comprimento do arco que liga os ns i e j, d ij 0,

dii = 0,
d = , se no h um arco ligando os ns i e j.
ij
Em geral, dij d ji e a desigualdade do tringulo no precisa ser satisfeita,

isto , dij + d jk pode ser menor que dik .
De fato, se a desigualdade do tringulo satisfeita, para todo i, j e k, o pro-
blema 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.
Cap_3.indd 91 27/08/2011 21:53:17

Ele se aplica quando os comprimentos de cada arco so dij 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 (RD) o n s a um nvel 0 e rotu-

lar temporariamente (RT) os demais ns a um nvel ;
Passo 2: Todo n j ainda no rotulado definitivamente deve receber uma nova

rotulao temporria cujo valor ser:
min [valor da rotulao temporria atual de j, valor da rotulao definitiva
de i + dij]
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.
Cap_3.indd 92 27/08/2011 21:53:17

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, respon-
svel 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.
Figura 14 Rede do Exemplo 4 para a aplicao do algoritmo de Dijsktra
A D
8
7 2 2
1
E 2
B 3 G 10
4
1 4 7
3
C F
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.
Cap_3.indd 93 27/08/2011 21:53:17

Figura 15 Algoritmo de Djisktra aplicado ao Grafo da Figura 14
Vetores de rtulos Etapas do

A B C D E F G algoritmo
P1 - RD B com 0,
0
8
8
outros com
8
7 0 1 P2 - RT com i = B
8
7 0 1 P3 - menor valor: RD C
8
4 0 1 5 4 P2 - RT com i = C
8
8
4 0 1 5 4 P3 - menor valor: RD F
8
8
4 0 1 14 5 4 11 P2 - RT com i = F
4 0 1 14 5 4 11 P3 - menor valor: RD A
4 0 1 12 5 4 11 P2 - RT com i = A
4 0 1 12 5 4 11 P3 - menor valor: RD F
4 0 1 12 5 4 7 P2 - RT com i = E
4 0 1 12 5 4 7 P3 - menor valor: RD G
PARAR!
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.
Cap_3.indd 94 27/08/2011 21:53:17

3.3.3. Fluxo Mximo
Na anlise do desempenho de um grafo valorado freqentemente neces-

srio calcular o valor timo de uma funo do fluxo entre um vrtices, denomi-
nado fonte, e um vrtice t, conhecido como destino.
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 lite-
ratura 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 i o conjunto de ns ligados ao n i por arcos orientados
no sentido de sada de i.
Definio:
Uma funo fij definida em E com valores reais dita ser um fluxo para um
grafo orientado G = (N, E) se:
fij 0 para todo arco (i,j) E (1)

fij f ji = 0 para i N, i s, i t (2)
jaii jbi
i
fij uij para todo arco (i,j) E (3)
onde, uij 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, po-
rm 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 asso-
ciadas a cada arco da rede e determinado por uma 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 16, percebe-se que o
corte formado pelos arcos (2, 4) e (3, 4) desconectam o n 4 dos ns 1, 2 e 3.
Cap_3.indd 95 27/08/2011 21:53:17

Figura 16 Exemplo de um Corte
2 u24 CORTE
u12
1 u13 4
u34
3
Nos Problemas de Fluxo Mximo o interesse por cortes que separem n

fonte do n destino. O Valor do Corte, ou Capacidade do Corte, a soma das
capacidades dos arcos do corte (numa dada direo). Na Figura 16, o Valor do
Corte igual a u24 + u34.
O algoritmo descrito adiante se baseia num princpio muito simples. Seja
X um subconjunto de N tal que s X e t X. O conjunto AX 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.
Se c(AX) o valor desse Corte ento o valor mximo de fluxo F que pode
ser enviado de s para t satisfaz F c (AX). Ou seja, o fluxo mximo numa rede
limitado pelo Valor do Corte de menor capacidade, sendo que, 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 ilustra-
o, pode ser verificado que o fluxo mximo na rede da Figura 17 3, os nme-
ros 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.
Cap_3.indd 96 27/08/2011 21:53:17

Figura 17 Corte Mnimo
2
2 6
S 1 T
8 1
3
Deve ser observado que o Problema Fluxo Mximo numa Rede pode ser
expresso como um Problema de Programao Linear: Seja o fluxo fij numa
rede G = (N, E), onde N = {s, 2,...,t} e uij a capacidade do arco (i.j). O valor
deste fluxo F se f =f
j
sj
j
jt = F.
Assim tem-se a seguinte formulao:
F, i = s

Max F s.a. : fij
f ji = 0, i s, i t
j j F , i = t

0 fij uij , (i, j) E
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 (descrito adiante) e gera uma seqncia de flu-
xos crescentes at atingir o mximo.
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 ser enviado da fonte s ao
destino t. Estas cadeias so denominadas Cadeias de Fluxo Amplivel (Flow
Augmenting Path) ou CFA.
Cap_3.indd 97 27/08/2011 21:53:17

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 ( fij < uij).
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 ( fij > 0).
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 , que pode ser enviado pela ltima CFA
obtida.
Aumentar de o fluxo nos arcos forward da cadeia e decrescer o fluxo
de 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.
Cap_3.indd 98 27/08/2011 21:53:17

Figura 18 Rede para o Exemplo 5
7 1 9
F
S 3 T F
9 8
2
Inicializao: fazer fij = 0 em todos os arcos.
Notao: Nas Figuras 19, 21, 23, 25 e 27, os nmeros ao lado dos arcos (i,j)
representam ( fij , uij) e nas Figuras 20, 22, 24 e 26, os nmeros ao lado dos ar-
vos (i, j) representam fi.
Passo 1 (Figura 19). 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 f s1 us1 = 7. Do n 1 pode-se rotular o n 2 pelo arco forward (1,2) e fi-
nalmente rotula-se o destino t.
Figura 19 Fluxo Inicial
*
(0,7) 1 (0,9)
F=0 * (0,3) F=0
S T
(0,9) 2 (0,8)
*
*
Desta forma, obtm-se a CFA, dada na Figura 20, formada apenas por
arcos forward.
Figura 20 Primeira CFA e seus fluxos
*
1
7
3 8 T
S
* *
2
*
Cap_3.indd 99 27/08/2011 21:53:18

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 uni-
dades tambm. A nova configurao de fluxo dada na Figura 21.
Figura 21 Primeira alterao de fluxo
(3,7) 1 (0,9)
F=3 (3,3) F=3
S T
(0,9) 2 (3,8)
Passo 2 (Figura 21). Repetindo a Rotina de Rotulao obtm-se uma nova

CFA, dada na Figura 22.
Figura 22 Segunda CFA e seus fluxos
*
4 I 9 *
* T
S
Agora o fluxo mximo permitido 4. Isso aumenta o fluxo F pela rede para
7 unidades. A nova configurao fica sendo aquela da Figura 23.
Figura 23 Segunda alterao de fluxo
(7,7) 1 (4,9)
F=7 (3,3) F=7
S T
(0,9) 2 (3,8)
Passo 3 (Figura 23). O n 1 no pde ser rotulado a partir de s, pois o arco (s,1)
forward e fs1 = us1 = 7. Mas, uma nova CFA pode ser encontrada, como aquela
da Figura 24.
Cap_3.indd 100 27/08/2011 21:53:18

Figura 24 Terceira CFA e seus fluxos
*
5 T
S 9
* 2
*
Isto aumenta o fluxo total F de 5 unidades como mostra a Figura 25.
Figura 25 Terceira alterao de fluxo
*
(7,7) 1 (4,9)
F = 12 (3,3)
* F = 12
S T
* (5,9) 2 (8,8)
*
Passo 4 (Figura 25). 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 26.
Figura 26 Quarta CFA e seus fluxos
*
1 5
3 T *
S
* 4 2
*
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 aumen-
tar em F de 3 unidades e o novo fluxo na rede fornecido a seguir.
Cap_3.indd 101 27/08/2011 21:53:18

Figura 27 Quarta alterao de fluxo (tima)
1 (7,9)
(7,7)
F = 15 (0,3) F = 15
S T
* (8,9)
2 (8,8)
* Corte Mnimo
Passo 4 (Figura 27). 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 27 representa a configurao tima de fluxo na rede, com fluxo m-
ximo 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-rotu-
lados na Figura 27. Isso fornece os arcos (s,1) e (2,t) cuja capacidade
(valor) 15. Observe-se que o arco (1,2) no pertence ao Corte.
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 27 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.
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.
Cap_3.indd 102 27/08/2011 21:53:18

4
O MODELO DE TRANSPORTE SIMPLES
4.1. HISTRICO E FORMULAO MATEMTICA
Historicamente, o desenvolvimento da Programao Matemtica (que in-

clui 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 algo-
ritmo desta rea (como o Mtodo Simplex) pode ser usado para resolv-lo.
Contudo, quando um algoritmo geral aplicado a um modelo com uma estru-
tura 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 concer-
nente 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, respeitando as restries de ofertas e demandas do produto.
Em geral, o Modelo de Transporte pode ser formulado e modelado mate-
maticamente como segue:
(a) Formulao
H m fbricas (ou origens), todas produzindo o mesmo produto, e que de-
vem abastecer n depsitos (ou destinos). Supor que o custo de transporte entre
cada fbrica e cada depsito seja proporcional quantidade transportada.
Cap_4.indd 103 27/08/2011 21:53:45

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 Oi - fbrica i; Dj - depsito j, com i = 1,2,...,m e j = 1,2,...,n;
Cij = custo unitrio de transporte entre a fbrica i e o depsito j;

CT = custo total de transporte;
ai = quantidade do produto disponvel na fbrica i;
bj = quantidade do produto requerida no depsito j.
Variveis de Deciso:
xij a quantidade do produto a ser transportada da origem i para o destino j.

m n
Funo-objetivo min CT = Ci =1 j =1
ij xij
n

xij = ai , i = 1,2,..., m (balano do produto nas origens)
j =1

m
Restries
s.a. xij = b j , j = 1,2,..., n (balano do produto nos destinos)
i =1

xij 0, i, j negatividade)
(nao

Observaes importantes:
m n
(1) Notar que a = b , ou seja, o modelo est balanceado. Adiante se
i =1
i
j =1
j
apresenta como tratar os demais casos:
m n m n
i =1
ai <
j =1
bj e i =1
ai > b .j =1
j
Cap_4.indd 104 27/08/2011 21:53:46

O Modelo de Transporte Simples | 105
(2) O Modelo de Transporte, tal como foi apresentado, um modelo de Pro-

gramao 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 (F1, F2, F3) produzindo um
mesmo produto, e 4 depsitos (D1, D2, D3, D4) onde este produto ficar estoca-
do para posterior venda.
As capacidades de produo das fbricas so: a1 = 40, a2 = 80, a3 = 110,
respectivamente para F1, F2 e F3.
Nos depsitos devem ser atendidas as seguintes demandas: b1 = 20, b2 = 30,
b3 = 100 e b4 = 80, respectivamente para D1, D2, D3, D4.
Os custos unitrios de transporte (Cij) do produto nos 12 trajetos possveis
so dados na Tabela 1.
Tabela 1 Custos Unitrios de transportes para o Exemplo 1
D1 D2 D3 D4
F1 10 5 12 4
F2 2 0 1 9
F3 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 (CT).
Modelagem:
Variveis de deciso: xij = quantidade do produto a ser transportada da f-

brica Fi (i = 1, 2, 3) ao depsito Dj (j = 1, 2, 3, 4).
Funo objetivo:
Min CT = 10 x11 + 5x12 + 12 x13 + 4 x14 + 2 x21 + 0 x22 +1x23
+ 9 x24 +13x31 + 11x32 + 14 x33 + 6 x34
Cap_4.indd 105 02/09/2011 23:52:26

Restries:
x11 + x12 + x13 + x14 = 40
x21 + x22 + x23 + x24 = 80 (Balano nas Fbricas)
x31 + x32 + x33 + x34 = 110
x11 + x21 + x31 = 20

x12 + x22 + x32 = 30
(Balano nos Depsitos)
x13 + x23 + x33 = 100
x14 + x24 + x34 = 80
xij 0 (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).
Figura 1 Estrutura especial no modelo do Exemplo 1
1 1 1 1 0 0 0 0 0 0 0 0 x11 40
x12 80
0 0 0 0 1 1 1 1 0 0 0 0 x13 110
x14 = 20
0 0 0 0 0 0 0 0 1 1 1 1 x21 30
x22 100
1 0 0 0 1 0 0 0 1 0 0 0
x23 80
0 1 0 0 0 1 0 0 0 1 0 0 x24
x31
0 0 1 0 0 0 1 0 0 0 1 0 x32
x33
0 0 0 1 0 0 0 1 0 0 0 1
x34
Todo modelo linear cuja matriz de restries tiver estas caractersticas po-
der 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.
Cap_4.indd 106 02/09/2011 23:32:05

Isto indica que s existem m + n - 1 equaes independentes naquele sis-

tema, 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 4a eq. = 1a eq. + 2a eq. + 3a eq. - 5a eq. - 6a eq. - 7a eq., ou seja, uma
soluo bsica vivel ter m + n 1 = 3 + 4 1 = 6 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 extre-
mamente eficientes. Ao Exemplo 1 pode ser associada a rede da Figura 2.
Figura 2 Modelo em Redes para o Exemplo 1
D1 (b1 = 20)
C11 = 10
(a1 = 40) F1 C12 =
5
C
13 =
C 12
14
=
4
C21 = 2 D2 (b2 = 30)
C 22 = 0
(a2 = 80) F2 C2
=
C 3 1
24 =
9
1
=1
13
D3 (b3 = 100)
C 32
=
31
C
(a3 = 110) F3 C33 = 14

C3
4 =6
D4 (b4 = 80)
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.
Cap_4.indd 107 27/08/2011 21:53:46

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 bsi-
cos) da rede, que no esto na rvore, correspondem s variveis no-bsicas
da soluo (todos com valores nulos).
Figura 3 rvore associada a uma Soluo Bsica Vivel Inicial para o Exemplo 1
X11 = 20 D1 (20)
(40) F1 X12 = 20
X22 = 10 D2 (30)
(80) F2 X23 = 70
X33 = 30 D3 (100)
(110) F3 X34 = 80
D4 (80)
4.2. 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 produ-
o 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.
Cap_4.indd 108 27/08/2011 21:53:47

Quadro 1 Dados para Aplicao do Stepping Stone Method ao Exemplo 1
D1 D2 D3 D4 Total
01 10 5 12 4 40
2 0 1 9
02 80
13 11 14 6
03 110
Total 20 30 100 80 230
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 veri-
fica, 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:
x11 = 20, x12 = 20, x22 = 10, x23 = 70, x33 = 30 e x34 = 80.
As demais variveis so no-bsicas e nulas.
Quadro 2 Soluo Inicial para o Exemplo 1 Regra do Canto Esquerdo
D1 D2 D3 D4 Total
10 5 12 4
01 20 20 40
2 0 1 9
02 10 70 80
13 11 14 6
03 30 80 110
Total 20 30 100 80 230
Cap_4.indd 109 27/08/2011 21:53:47

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 :
CT1 = 10 x11 + 5x12 + 0 x22 + x23 + x33 + 6 x34 , ou ainda,

CT1 = 20 .10 + 20 .5 + 10 . 0 + 70 .1 + 30 .14 + 80 . 6 = 1270
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 O2D1 (associado a varivel no bsica x21), como
desenvolvido a seguir:
(a) Neste caso para enviar uma unidade do produto de O2 para D1, deve-se
diminuir uma unidade no percurso O1D1, seno O1 receber mais que
as 20 unidades do produto previstas;
(b) Porm para diminuir uma unidade em O1D1, deve-se aumentar uma
unidade em O1D2, para se manter o total de 40 unidades de produto
produzidas em O1;
(c) Aumentando uma unidade em O1D2 deve-se diminuir uma unidade
em O2D2, o que ir compensar exatamente aquela unidade colocada
inicialmente em O2D1.
Tem-se, portanto, um ciclo de compensao da varivel no-bsica x21,

referente a soluo bsica do Quadro 2, associada ao uso do trajeto O2D1,
conforme Figura 4. Esta modificao na entrega do produto ocasiona um custo
marginal da varivel no-bsica x21 dado por:
C21 = +2 10 + 5 0 = 3 / unidade.
Ou seja, cada unidade transportada de O2 para D1 diminuir o custo total

de transporte de 3 unidades monetrias.
Cap_4.indd 110 27/08/2011 21:53:47

Figura 4 Ciclo de Compensao da Varivel no-bsica x21
D1 D2
10 5
01
-1 +1
2 0
02
+1 -1
De forma idntica, pode-se analisar cada uma das outras variveis no-
bsicas, com outros ciclos de compensao, como por exemplo o do trajeto
O3D1, ver Figura 5, resultando no custo marginal da varivel no-bsica x31:
C31 = +13 10 + 5 0 + 1 14 = 5 / unidade .
Figura 5 Ciclo de Compensao da Varivel no-bsica x31
D1 D2 D3
10 5 12
01
-1 +1
2 0 1
02
-1 +1
13 11 14
03
+1 -1
Analogamente, para as outras variveis no-bsicas tem-se:
C32 = 2; C13 = +6; C14 = +6; C2 4 = +16 .
Observaes:
1. importante observar que, para cada varivel no-bsica, em uma

dada soluo bsica, h um nico ciclo compensao, o qual tem alter-
nadamente 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 res-
pectiva clula, conforme mostrado no Quadro 3;
Cap_4.indd 111 27/08/2011 21:53:47

3. Observe-se que as variveis no-bsicas x13, x14 e x24 possuem custos

marginais positivos, ou seja, cada unidade de produto transportada
pelos trajetos associados a elas ocasiona um aumento no custo total
de transporte. Assim estas variveis no devem se tornar variveis bsi-
cas no momento.
Quadro 3 1a Soluo Bsica com Custos Marginais
D1 D2 D3 D4 Total
10 5 12 4
01 20 20 +16 +6 40
2 0 1 9
02 -3 10 70 +16 80
13 11 14 6
03 -5 -2 30 80 110
Total 20 30 100 80 230
Como no problema busca-se a minimizao do custo total de transporte,

pode-se optar por uma das variveis x21, x31, x32 para se tornarem variveis
bsicas numa prxima soluo bsica vivel, onde o custo total de transporte
ser menor que CT1 = 1270.
Para fazer isto, e continuar com uma soluo bsica vivel, deve-se substi-
tuir 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 ca-
da varivel bsica, somar ou subtrair esta quantidade de produto alocada a
nova varivel bsica. Esta operao corresponde ao pivoteamento no Mtodo
Simplex.
Cap_4.indd 112 27/08/2011 21:53:47

No Exemplo 1, optando pela varivel no bsica x31, tem-se que deslocar

para o trajeto O3D1 as 10 unidades que estavam em O2D2; ou seja a varivel
bsica x22 ser substituda por x31.
Observe-se que a tentativa de colocar em O3D1 mais de 10 unidades, acar-
reta em O2D2 o transporte de uma quantidade negativa do produto, o que no
faz sentido.
O custo total dessa nova soluo, com x31 no lugar de x22 e mantendo as
demais variveis bsicas, ser dado por:
CT2 = CT1 + C31 x31 = 1270 5 10 = 1220.
O Quadro 4 apresenta a nova soluo bsica vivel. Na avaliao dos no-

vos 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 2a Soluo Bsica (tima)
D1 D2 D3 D4 Total
10 5 12 4
01 10 30 +1 +1 40
2 0 1 9
02 +2 +5 80 +16 80
13 11 14 6
03 10 +3 20 80 110
Total 20 30 100 80 230
A partir do Quadro 4 pode-se explicitar qual deve ser o programa timo

de entregas do produto das fbricas Oi, i = 1,2,3, para os depsitos Dj, j =
1,2,3,4:
Cap_4.indd 113 27/08/2011 21:53:47

Programa de Entregas timo
x11 = 10 remeter 10 unidades do produto de O1 para D1

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 Cij das variveis no-bsicas:

Caso no existam custos marginais negativos, a soluo atual ti-
ma (FIM).
Caso existam custos marginais negativos, escolher varivel no-b-
sica xij, com Cij < 0, para ser uma nova varivel bsica (varivel
que entra) na prxima soluo bsica vivel. Ir ao Passo 3.
Passo 3: Melhoria da Soluo (Pivoteamento)
Achar o ciclo de compensao da varivel no-bsica xij escolhida no

Passo 2 para entrar no conjunto das variveis bsicas;
No ciclo encontrado, aumentando-se o valor de xij, determinar a vari-
vel bsica xks que se anula primeiro, esta varivel (varivel que sai) ser
substituda na prxima soluo bsica vivel por xij;
Transferir a quantidade de produto da varivel xks (que sai) para a vari-
vel xij (que entra) e efetuar o balanceamento no ciclo de modo a respeitar
as restries de oferta e demanda do produto. Voltar ao Passo 2.
Cap_4.indd 114 27/08/2011 21:53:47

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 (Lij) para cada trajeto. Este lucro
unitrio Lij, 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 mo-
delos de maximizao se referem ao Passo 2:
Passo 2: Teste de Otimalidade
Calcular lucros marginais (Lij) das variveis no-bsicas:

Caso
/ Lij > 0 soluo atual tima (FIM);
Caso contrrio, escolher xij no-bsica com Lij >0 para entrar. Ir ao
Passo 3.
A seguir apresentam-se outros aspectos relativos resoluo de um Mode-

lo de Transporte Simples.
4.3. 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 Li para linha i, e um custo mar-

ginal Kj para a coluna j, de tal forma que, para cada varivel bsica xij: Li + Kj = Cij.
Ou seja, obtm-se um sistema de equaes que dependem de Li e Kj.
Para ilustrar a Etapa 1, considere o Quadro 5, que aborda ainda o Exem-
plo 1. Observe que os custos marginais Li e Kj, esto na 1a coluna e na 1a linha,
respectivamente.
Cap_4.indd 115 27/08/2011 21:53:47

Em geral, tem-se um sistema de equao com m + m variveis (so custos

marginais Li e Kj) 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
K1 = 10 K2 = 5 K3 = 6 K4 = -2
Total
D1 D2 D3 D4
10 5 12 4
L1 = 0 01 20 20 +6 +6 40
2 0 1 9
L2 = -5 02 +3 10 70 +16 80
13 11 14 6
L3 = 8 03 -5 -2 30 80 110
Total 20 30 100 80 230
Para a situao do Quadro 5, tem-se o sistema de 6 equaes e 7 variveis,

confirmando que ele , portanto, de soluo indeterminada:
L1 + K1 = 10
L1 + K 2 = 5
L2 + K 2 = 0
L2 + K 3 = 1
L3 + K 3 = 14
L3 + K 4 = 6.
Para resolver o sistema deve-se atribuir um valor qualquer a uma das vari-
veis (por exemplo, L1 = 0) e calcular as demais por simples substituio. Na
situao acima, com L1 = 0, tem-se:
L1 = 0, L2 = 5, L3 = 8,
K1 = 10, K 2 = 5, K 3 = 6, K 4 = 2 .
Cap_4.indd 116 27/08/2011 21:53:47

Etapa 2 Considere, agora um dos ciclos, por exemplo aquele formado pela
adio do trajeto O3D1 (ver Figura 5). O custo marginal C31 para a varivel
no bsica x31 pode ser calculado por: C31 = C31 C33 + C23 C22 + C12 C11.
Substituindo os valores de Cij por (Li + KJ) quando pertinente, tem-se:
C31 = C31 (L3 + K3) + (L2 + K3) (L2 + K2) + (L1 + K2) (L1 + K1) cance-
lando-se os termos semelhantes, tem-se C31 = C31 (L3 + K1).
Ou seja, conclui-se que o custo marginal da varivel no-bsica x31 igual
ao seu custo unitrio de transporte menos a soma dos custos marginais da li-
nha 3 e coluna 1 correspondentes.
De fato este resultado geral, ou seja: para cada varivel no-bsica xij,
tem-se que Cij = Cij
(Li + Kj).
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 b-
sica so feitas da forma anteriormente descrita.
Obtida uma nova soluo bsica vivel, podem-se calcular os custos mar-
ginais 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.
4.4. 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.
Passa-se a descrio dos dois mtodos.
Cap_4.indd 117 27/08/2011 21:53:48

4.4.1. 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 necessidade de diversas ite-
raes at se atingir a soluo tima.
4.4.2. 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 so-
luo bsica inicial, escolhendo-se, em ordem crescente, aquelas associadas
aos menores custos unitrios de transporte.
Vantagem: Estatisticamente, consegue-se uma soluo inicial mais prxi-
ma 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 exem-

plo 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.
Cap_4.indd 118 27/08/2011 21:53:48

Observe-se que, na ltima alocao, na clula 03D3, esgotou-se simulta-

neamente uma linha (a terceira) e satisfez-se uma coluna (a terceira); isto sem-
pre ocorre.
O Custo Total de Transporte associado a soluo do Quadro 6 : CT = 13x31
+ 0.x22 + x23 + 14x33 + 4x14 + 6x34, ou ainda, CT = 20.13 + 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
D1 D2 D3 D4 Total
10 5 12 4
01 40 40
2 0 1 9
02 30 50 80
13 11 14 6
03 20 50 40 110
Total 20 30 100 80 230
Ou seja, apesar de utilizar-se uma regra de inicializao que leva em con-

siderao 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 Es-
querdo, a qual ignora os custos unitrios de transporte.
De fato, no h como descobrir, a priori, qual das duas Regras de Iniciali-
zao (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.
Cap_4.indd 119 27/08/2011 21:53:48

Tabela 2 Detalhes sobre a ordem e quantidade alocada a cada clula pelo Mtodo
do Menor Custo Associado
Custo Ordem de Quantidade

Clula Status
unitrio Escolha Atribuda
01D1 10 Esgotada
01D2 5 Esgotada
01D3 12 Esgotada
01D4 4 3a 40 Esgota linha 1
02D1 2 Esgotada
02D2 0 1a 30 Esgota coluna 2

a
02D3 1 2. 50 Esgota linha 2
02D4 9 Esgotada
03D1 13 5a 20 Esgota linha 1
03D2 11 Esgotada
Esgota linha 3
03D3 14 6a 50
e coluna 3
03D4 6 4a 40 Esgota coluna 4
4.5. 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 ne-
cessidade 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 (em mdulo) 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:
Cap_4.indd 120 27/08/2011 21:53:48

1o Caso: a > b ; isto , tem-se mais oferta do que demanda. Neste caso,
i j
cria-se um destino fictcio D com demanda b = a b , sendo atendido

f f i j
por todas as origens existentes.

Na soluo final, as quantidades destinadas ao destino fictcio ficam esto-
cadas 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, tambm os custos de estocagem.
2o Caso: a < b ; isto , tem-se mais demanda que oferta. Neste caso,
i j
cria-se uma origem fictcia O , com capacidade a = b a , atendendo a

f f j i
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 apresen-
tada (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 desbalancea-
mento entre oferta e demanda, como a ocorrncia de soluo bsica vivel
degenerada, fato este que ser explicado na seo seguinte.
4.6. DEGENERESCNCIA
A degenerescncia na aplicao do Stepping Stone Method ocorre quando,

para uma dada soluo bsica vivel, o nmero de variveis bsicas no nulas
menor que m + n - 1.
Esta situao pode ocorrer em dois casos:
Cap_4.indd 121 27/08/2011 21:53:48

1o 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.
Procedimento para verificar se h ciclo.
Partindo da clula associada varivel que se deseja incorporar ao con-
junto das variveis bsicas:
procurar se deslocar no quadro conforme o movimento de uma
pea tipo Torre no jogo de xadrez: movimentos horizontais pelas
linhas ou verticais pelas colunas;
pode-se mudar cada movimento de direo (de horizontal para ver-
tical e vice-versa) ao se encontrar alguma clula associada varivel
bsica.
a idia tentar retornar clula inicial. Se isto for possvel, h o ciclo
e a varivel no deve ser incorporada s variveis bsicas. Caso con-
trrio, no h o ciclo e a varivel pode ser incorporada s variveis
bsicas. Colocar o valor 0 (zero), para esta varivel;
repetir para outras clulas no bsicas at se obter m + n 1 vari-
veis bsicas.
2o caso: Durante uma iterao
Pode ocorrer, na etapa de determinao de qual varivel bsica ser subs-

tituda, que duas (ou mais) variveis bsicas empatem com respeito ao critrio
de escolha da varivel que ser substituda (varivel que sai).
Cap_4.indd 122 27/08/2011 21:53:48

Isto pode ocorrer se estas variveis bsicas, que empataram na sada, per-
tencem ao ciclo de compensao da varivel no-bsica que entrar, so doa-
doras 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 solu-
o bsica e mantm-se as outras (que empataram) como variveis bsicas na
prxima soluo bsica vivel do problema, porm com valor zero associado.
Isto ser ilustrado a partir do Exemplo 2 que apresenta tanto o desbalan-
ceamento entre oferta e demanda, como ocorrncia de soluo bsica vivel
degenerada.
Exemplo 2:
Seja um problema de transporte simples, onde se tem 3 origens e 4 desti-

nos, cujas capacidades de produo, demandas e custos unitrios de transporte
so dados na Tabela 3.
Tabela 3 Dados para o Exemplo 2
Destinos
Origens D1 D2 D3 D4 Capacidades
01 10 5 12 4 40
02 2 0 1 9 80
03 13 11 14 6 100
Demandas 20 30 80 70 220
200
Como b j = 200 < a = 220 o problema desbalanceado. Para poder

i
aplicar o Stepping Stone Method, basta considerar o destino fictcio Df com

demanda bf = 20 e custos de transporte nulos, conforme Figura 6.
Cap_4.indd 123 27/08/2011 21:53:48

Figura 6 Modelo em Rede para o problema do Exemplo 2
01 = 40 b1 = 20
01 D1
b3 = 80
D3
02 = 80 bf = 20
02 Df fictcio
b4 = 70
D4
b2 = 30
03 D2
03 = 100
Adotando a regra do canto esquerdo para identificar a soluo bsica vi-

vel 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 x31, que possui custo mar-
ginal negativo dado por C31 = 5, no seu ciclo de compensao (ver Figura 7)
doaro unidades (esto associadas aos valores de 1 no ciclo) as variveis b-
sicas x11 = 20; x12 = 10 e x33 = 10. O valor mnimo , portanto, de 10 unidades.
Deve-se, portanto, deslocar 10 unidades para a varivel que entra x31, asso-
ciada clula 03D1. Com isto, duas variveis bsicas (x22 e x33) ficaro com va-
lor zero, empatando na sada, e surgindo a degenerescncia (2o caso).
Cap_4.indd 124 27/08/2011 21:53:48

Quadro 7 Soluo inicial para o Exemplo 2
K1 = 10 K2 = 5 K3 = 6 K4 = -2 K5 = -8
Capacidades
D1 D2 D3 D4 D5
10 5 12 4 0
L1 = 0 01 20 20 +6 +6 +8 40
2 0 1 9 0
L2 = -5 02 -3 10 70 +16 +13 80
13 11 14 6 0
L3 = 8 03 -5 -2 10 70 20 100
Demandas 20 30 80 70 20 220
Figura 7 Ciclo de Compensao da Varivel No-Bsica x31
D1 D2 D3
01 20 20
+1
-1
02 10 70
+1
-1
03 10
+1
-1
Deve-se ento, conservar uma delas como bsica com valor zero (por
exemplo x33), e a outra dever se tornar varivel no bsica (neste caso x22).
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 problema de minimizao, tem-se a solu-
o tima.
Cap_4.indd 125 27/08/2011 21:53:48

Quadro 8 Soluo tima
K1 = 10 K2 = 5 K3 = 11 K4 = 3 K5 = -3
Total
D1 D2 D3 D4 D5
10 5 12 4 0
L1 = 0 01 10 30 +1 +1 +3 40
2 0 1 9 0
L2 = -10 02 +2 +5 80 +16 +13 80
13 11 14 6 0
L3 = 3 03 10 +3 0 70 20 100
Total 20 30 80 70 20 220
Deve-se analisar no Quadro 8 que as 20 unidades que Df deveria receber,

na verdade no sero enviadas, isto , a fbrica que entregaria as 20 unidades
do produto para o Df ficar com este valor em seu estoque.
4.7. CONDIES PROIBIDAS DE EMBARQUE OU RECEPO
Em determinadas ocasies, trajetos entre origens e destinos podem ser blo-

queados 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 solu-
es obtidas pelo mtodo.
Isto equivale a se colocar na funo objetivo, para um modelo de minimi-
zao (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 01 para D2.
Cap_4.indd 126 27/08/2011 21:53:48

Neste caso, a funo objetivo ficaria sendo:

com M > > 0 (nmero suficientemente grande)
MIN CT = 10 x11 + Mx12 + 12 x13 + 4 x14 + 2 x21 + 0 x22 +1x23 + 9 x24 +
+13x31 +14 x33 + 6 x34
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
D1 D2 D3 D4 Total
10 12 4
01 20 20 40
2 0 1 9
02 30 50 80
13 11 14 6
03 30 80 110
Total 20 30 100 80 230
Observe-se que a varivel x12 associada ao trajeto proibido O1D2 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 O1D2.
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. 3a. edio re-
vista e ampliada. Rio de Janeiro: Elsevier, 2007.
Cap_4.indd 127 27/08/2011 21:53:48

Cap_4.indd 128 27/08/2011 21:53:48
5
O MODELO DA DESIGNAO
5.1. INTRODUO
O Modelo da Designao procura representar situaes onde se faz neces-

srio alocar os recursos (indivisveis) disponveis para atender de maneira ex-
clusiva 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 no Quadro 1.
Quadro 1 Aplicaes do Modelo da Designao
Medida
Recurso Atividade
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 alo-
cado um recurso para cada atividade, e toda atividade deve receber apenas
um recurso.
Situaes em que o nmero de recursos diferente do nmero de ativi-
dades requerem a aplicao de um artifcio simples, com a incluso de recursos
ou atividades fictcias conforme necessrio, que ser adiante explicado.
Cap_5.indd 129 27/08/2011 21:54:18

Deve ser ressaltado que o Modelo da Designao um caso particular do

Modelo de Transporte da Programao Linear, e, deste modo, pode ser resol-
vido 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.
5.2. DEFINIES E NOTAES
Considere a matriz de custos, ou de eficincias, C = (cij), onde cij 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, depen-
dendo 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:
1, se o recurso i designado atividade j.
xij =
0, caso contrrio.
Deste modo, uma soluo bsica vivel para este modelo pode ser apresen-
tada na forma de uma Matriz das Variveis de Deciso dada por X = (xij),
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 neces-
sita de apenas um recurso, uma designao vivel obtida quando for selecio-
nado um e somente um elemento de cada linha e coluna da matriz X para as-
sumir 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
Cap_5.indd 130 27/08/2011 21:54:20

O Modelo da Designao | 131
dos custos correspondentes aos elementos da matriz X tais que xij = 1. 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:
4 7 0 0 0 1
C = (cij) = 0 3 8 X = (xij) = 1 0 0
6 3 9 0 1 0
5.3. 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:
x = 1 j {1,2,, m}

i ij

MIN Z = c ij xij s.a.: xij = 1 i {1,2,, m}

i j j

xij 0 i e j {1,2,, m}
Pode-se verificar que este modelo um caso especial do Modelo do Trans-

porte Simples, em que h o mesmo nmero de origens e destinos e, ai e bj
iguais a 1 para todo i e j.
5.4. MTODO HNGARO
Considere o Modelo da Designao formulado na seo anterior com

C = (cij), sendo a matriz de custos.
Cap_5.indd 131 27/08/2011 21:54:20

Suponha que todos os elementos da linha i so modificados pela adio de

um nmero real i , e todos os elementos da coluna j so modificados pela adi-
o de um nmero real j.
Deste modo, uma matriz de custos modificada D = (dij) obtida, com
dij = cij + i + j ou ainda, cij = dij i j.
Portanto, cij xij = dij xij i xij j xij . Assim,
c
i j
ij xij = d
i j
ij xij g xx d
i j
jj ijij
i j
ij xij
= di j
ij xij g d = d
i
i
j
jj
i j
ij xij + constante
As operaes acima mostram que, a menos de uma constante, minimizar
c
i j
ij xij equivalente a minimizar d i j
ij xij , mantendo-se as restri-
es do Modelo de Designao.
O Mtodo Hngaro utiliza este resultado, subtraindo de toda linha e co-
luna 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 Modificada), de forma a se ter um custo total nulo
das designaes.
Exemplo 2: Seleo de Homens para Tarefas
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.
Cap_5.indd 132 27/08/2011 21:54:20

Figura 1 Matriz de Custos do Exemplo 2
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
Na seqncia, determinam-se os menores nmeros de cada linha, indica-

dos 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.
Figura 2 Identificao dos Menores Nmeros de cada Linha
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)
Cap_5.indd 133 27/08/2011 21:54:20

Figura 3 1a Matriz de Custos Modificada
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
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 Cus-
tos Modificada da Figura 5.
Figura 4 Identificao dos Menores Nmeros de cada Coluna
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)
Cap_5.indd 134 27/08/2011 21:54:20

Figura 5 2a Matriz de Custos Modificada
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
Nesta 2a 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.
Figura 6 Designao tima do Exemplo 2
I II III IV
A 0 15 8 2
B 7 18 0 20
C 23 0 3 0
D 7 10 12 0
Cap_5.indd 135 27/08/2011 21:54:20

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
X =
0 1 0 0

0 0 0 1
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.
O mesmo valor pode ser obtido somando-se as constantes que foram sub-
tradas 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 identi-
ficar 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.
Cap_5.indd 136 27/08/2011 21:54:20

A seguir, esto os detalhamentos operacionais de cada fase:
Fase (1) Reduo de Linhas e Colunas

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 co-
luna o menor valor encontrado em cada uma delas, comeando pelas linhas.
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 reser-
vados (aproveitados na designao), zeros eliminados (so redundantes na de-
signao) 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 ( 0 ), e elimine os outros zeros da coluna (linha) correspon-
dente, ou seja, coloque um xis sobre os demais zeros ( X ).
Repetir, se necessrio, este procedimento para as linhas e colunas sem posi-
es 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 recur-
so 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 per-
mitiram selecionar uma designao completa com 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);
Cap_5.indd 137 27/08/2011 21:54:20

(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 (ativida-
des), 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 resul-
tantes na nova matriz ficaro no negativos ( 0);
Cap_5.indd 138 27/08/2011 21:54:20

Resolver o problema com a nova matriz como se fosse de

minimizao.
(3) Na ocorrncia de designaes impossveis, por exemplo, em situa-

es em que um determinado operrio no consegue executar deter-
minada 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;
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 existen-
tes em cada linha e coluna impedem que o procedimento, indicado
anteriormente para esta fase, consiga examinar todos os zeros, reser-
vando 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 re-
servar ou eliminar zeros, deve-se escolher arbitrariamente algum dos
zeros, que no foram ainda reservados ou eliminados, para ser reser-
vado e dar continuidade ao procedimento padro desta fase. Isto ser
ilustrado no Exemplo 4.
Exemplo 3: Seleo de Homens-Locais Extrado de Pizzolato e Gandolpho (2009)
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 lo-
cal 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.
Cap_5.indd 139 02/09/2011 23:56:28

Figura 7 Dados para o Exemplo 3
Locais
I II III IV
A 2 1 4 2
B 3 4 1 6
Diretores
C 1 2 6 5
D 1 3 3 7
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.
Figura 8 Identificao dos Menores Nmeros nas Linhas
Locais
I II III IV Menor Nmero
A 2 1 4 2 (1)
B 3 4 1 6 (1)
Diretores
C 1 2 6 5 (1)
D 1 3 3 7 (1)
Cap_5.indd 140 27/08/2011 21:54:20

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.
Figura 9 Identificao dos Menores Nmeros nas Colunas
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)
Subtraindo-se os menores nmeros de cada coluna, tem-se a matriz da

Figura 10.
Figura 10 Matriz de Custos Modificada para a Fase (2)
I II III IV
A 1 0 3 0
B 2 3 0 4
C 0 1 5 3
D 0 2 2 5
Cap_5.indd 141 27/08/2011 21:54:21

Fase (2) Identificao de Designao tima 1a Iterao
Aplicando o procedimento desta fase, tem-se como 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 (desig-
nar 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 (de-
signar 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 elimi-
nados, mas a designao obtida no foi completa, pois apenas 3 zeros
foram reservados. Deve-se ir para a Fase (3).
Figura 11 Etapas da Fase (2) ao Exemplo 3 1a Iterao
1 2 3 4
A 1 0 3 X
B 2 3 0 4
C 0 1 5 3
D X 2 2 5
Fase (3) Alteraes Adicionais na Matriz Modificada 1a Iterao

Cap_5.indd 142 27/08/2011 21:54:21

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

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

C 0 1 5 3

D 0 2 2 5
Observando a Figura 12, identifica-se que o menor nmero no cober-

to por uma reta o nmero 1 na posio (C, 2);
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.
Cap_5.indd 143 27/08/2011 21:54:21

Figura 13 Aplicao Final da Fase (3) ao Exemplo 2
1 2 3 4
A 1 0 3 0
B 3 3 0 4
C 0 0 4 2
D 0 1 1 4
Pelo Mtodo Hngaro, deve-se retornar a Fase (2) para se tentar identifi-
car, finalmente, uma designao completa que ser a soluo tima.
Fase (2) 2a Iterao

Como a 1a linha tem dois zeros, nada a fazer;

Como a 2a linha tem um nico zero restante, ele ser reservado (desig-
nar 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 (de-
signar D para I) e o zero da 1a coluna ser eliminado;
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 (desig-
nar C para II) e o processo termina, pois no h mais zeros sem terem
sido reservados ou eliminados.
Cap_5.indd 144 27/08/2011 21:54:21

Chegou-se, assim, ao final da aplicao do Mtodo Hngaro, pois uma

designao completa foi obtida, isto est na Figura 15. Como pode ser verifi-
cado com os dados da Matriz de Custos Inicial, o custo mnimo envolvido
nesta distribuio de 6 unidades monetrias.
Figura 14 Aplicao da Fase (2) ao Exemplo 3 2a Iterao
I II III IV
A 2 X 3 0
B 3 3 0 4
C X 0 4 2
D 0 1 1 4
Figura 15 Soluo tima do Exemplo 3
Diretor Local
A IV
B III
C II
D I
Na sequncia est resolvido o Exemplo 4 que apresenta Desbalanceamen-

to, 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.
Cap_5.indd 145 27/08/2011 21:54:21

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 Fi-
gura 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 desba-
lanceamento e trajetos proibidos, so necessrios os seguintes passos antes de
se aplicar o Mtodo Hngaro:
(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.
Figura 16 Custos de Manuseio para o Exemplo 4
I II III IV
A 5 1 3 X
B 3 1 4 3
C 3 3 4 2
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).
Cap_5.indd 146 27/08/2011 21:54:21

Figura 17 Matriz de Eficincias para o Problema Balanceado e com Trajeto Proibido
I II III IV Menos 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)
Aplicando-se as Fases (1), (2) e as etapas de (a) at (e) da Fase (3) tem-se,
como resultado parcial, a Figura 18.
Figura 18 Resultado parcial para o Exemplo 4

I II III IV

A 4 0 2 M

B 2 0 3 2
C 1 1 2 0
D 0 0 0 0
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.
Cap_5.indd 147 27/08/2011 21:54:21

Figura 19 Matriz para a Fase (2) 2a Iterao
I II III IV
A 2 0 0 M
B 0 0 1 0
C 1 3 2 0
D 0 2 0 0
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 cada linha e coluna no examinadas, conforme
exposto na Figura 20.
Figura 20 Impasse na Aplicao da Fase (2)
I II III IV
A 2 0 0 M
B 0 0 1 X
C 1 3 2 0
D 0 2 0 X
Isto indica a existncia de mais de uma soluo tima. Escolhendo, arbi-

trariamente, uma designao na posio (A,2) e reaplicando o procedimento
visto anteriormente para esta fase, obtm-se o resultado da Figura 21.
Cap_5.indd 148 27/08/2011 21:54:21

Figura 21 Uma Soluo tima do Exemplo 4
I II III IV
A 2 0 X M
B 0 X 1 X
C 1 3 2 0
D X 2 0 X
O resultado uma das designaes timas do problema, cujo custo total de

manuseio mnimo de 6 u.m./h, e est descrita na Figura 22. Observe-se que,
como a Mquina D fictcia, o local 3 ficar sem ocupao.
Figura 22 Uma Designao tima de Mquinas para Locais
Mquina Local
A II
B I
C IV
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.
Cap_5.indd 149 27/08/2011 21:54:21

Figura 23 Outra Designao tima de Mquinas para Locais
Mquina Local
A III
B II
C IV
REFERNCIAS
PHILLIPS, D.T.; GARCIA-DIAZ, A. Fundamentals of Network Analysis. Englewood

Cliffs-NJ: Prentice-Hall, 1981.
PIZZOLATO, N.D.; GANDOLPHO, A.A. Tcnicas de Otimizao. Rio de Janeiro:
LTC, 2009.
SHAMBLIN, J.E.; STEVENS Jr., G.T. Pesquisa Operacional Uma abordagem bsica.
1a edio. So Paulo: Editora Atlas, 1979.
Cap_5.indd 150 03/09/2011 00:00:49

6
INTRODUO TEORIA DE FILAS: MODELOS MARKOVIANOS
6.1. INTRODUO
A Teoria das Filas tem como objetivo principal o desenvolvimento de mo-

delos 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 siste-
mas 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.
Em ambas as situaes, uma mudana seria recomendvel do ponto de vis-
ta 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 com-
portamento 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.
Cap_6.indd 151 27/08/2011 21:54:43

6.2. 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, dis-
ciplina 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 t > 0, o nmero de indivduos que solicitaram servio no
intervalo (0, t).
Trata-se, portanto, de um processo de contagem e ele poder ser caracteri-
zado atravs da distribuio dos Intervalos de Tempo entre Chegadas Suces-
sivas, ou atravs da distribuio do Nmero de Chegadas em intervalos
disjuntos.
Figura 1 Estrutura de um Sistema de Filas
Sistema
FONTE unidades Estao unidades

Fila de
que chegam Servio servidas
(populao)
Disciplina de
Atendimento
Em sistemas industriais automatizados, por exemplo, numa fbrica de be-

bidas, as garrafas chegam nos pontos de envasamentos, ou colocao de tampas
e rtulos em intervalos constantes, o que caracteriza que o nmero de chegadas
Cap_6.indd 152 27/08/2011 21:54:45

Introduo Teoria de Filas: Modelos Markovianos | 153
(garrafas) nos postos de atendimento (envazador) tem um comportamento

determinstico. Mas, em geral, estes intervalos de tempo so variveis aleat-
rias, 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 ped-
gio. Neste texto, estas variveis sero consideradas independentes e identi-
camente 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 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 transpor-
tados em nibus, que chegaro em instantes aleatrios, com o nmero de pas-
sageiros 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 Atendimen-
tos 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 atendimento, dado
que existem pessoas sendo atendidas, so variveis aleatrias independentes e
identicamente distribudas.
Cap_6.indd 153 27/08/2011 21:54:45

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 Atendi-

mento 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 che-
gada, 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 1o lugar da fila (por
exemplo, consultas mdicas com hora marcada), um caso extremo de priori-
dade aquele no qual o servio que est sendo executado interrompido para
atendimento do cliente prioritrio, como ocorre em casos de emergncia em
hospitais. A 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 univer-
salmente adotada e est ilustrada no Exemplo 1.
Segundo a notao de Kendall, um modelo de filas descrito por uma su-
cesso de smbolos, colocados em campos delimitados por barras inclinadas.
Cap_6.indd 154 27/08/2011 21:54:45

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 so-
bre 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.
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 probabi-
lidades Exponencial para os tempos de servio;
GI Para Processo de Chegadas independentes, diferente do de Poisson;
Ek 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 aten-
dentes, 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.
Como, em geral, estas variveis so aleatrias, pois dependem do compor-

tamento das chegadas e dos atendimentos, uma maneira de conseguir medir o
Cap_6.indd 155 27/08/2011 21:54:45

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 Ls) Valor mdio do nmero de clientes no sistema (inclui os que

esto sendo servidos);
Lq Valor mdio do nmero de clientes na fila (exclui os que esto sendo
servidos);
W (ou Ws) Valor mdio do tempo que um cliente gasta no sistema;
Wq Valor mdio do tempo que um cliente gasta na fila;
Pn Probabilidade de que o nmero de clientes no sistema seja n.
6.3. 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 clas-
sificados 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.
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 tor-

nam-se independentes do tempo, isto ,
lim Pn (t ) = Pn , onde Pn(t) = probabilidade de ter n clientes no sistema, no

t
instante t.
Cap_6.indd 156 27/08/2011 21:54:45

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: Sejam n = o nmero de clientes no sistema e funo nulo

0 (t )
lim = 0 com:
t 0 t
(I) Postulado de Nascimento
Dado que o sistema est no estado En (n = 0, 1, 2,...) no instante t, a proba-

bilidade que ocorra exatamente um nascimento no intervalo (t, t+t) dado

por n t + 0(t) com n > 0 (constante);
(II) Postulado de Morte
Dado que o sistema est no estado En (n = 0,1,2,...) no instante t, a proba-

bilidade que ocorra exatamente uma morte no intervalo (t, t + t) dado por,

n t + 0(t) onde 0 = 0 e n > 0 (constante) para n > 0;
(III) Postulado do Salto Mltiplo
Dado que no instante t, o sistema est no estado En (n = 0, 1, 2,...), a proba-

bilidade que o nmero de nascimentos e mortes exceda 1 durante o intervalo
(t, t + t) dado por 0(t).
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 En no instante (t, t + t) pode ter sido alcan-
ado a partir de quatro situaes mutuamente exclusivas, conforme Quadro 1.
Cap_6.indd 157 27/08/2011 21:54:45

Quadro 1 Transies Possveis de Estado
Eventos em
Estado em t Probabilidade correspondente
(t, t +t)
En-1 1 nascimento [
Pn-1 (t). n-1.t + 0(t) ] (1)
En+1 1 morte [
Pn+1 (t). n+1.t + 0(t) ] (2)
En Nenhum evento [
Pn (t). 1 n.t n.t + 0(t) ] (3)
Outro Eventos mltiplos 0(t) (4)
Pn (t + t) = (1) + (2) + (3) + (4)
O que resulta em:

Pn (t + t ) = Pn1 (t ).n1 .t + Pn+1 (t ).n+1 .t +
+ Pn (t ). 1 n .t n .t + 0(t ) + 0(t ),
0 (t )
com lim =0
t 0 t
Ou ainda:
Pn (t + t ) Pn (t )
= n1 .Pn1 (t ) + n+1.Pn+1 (t ) (n + n ).Pn (t ) (1)
t
Pn (t ).0 (t ) + 0 (t )
+
t
Considerando-se o limite quando t tende a zero, para ambos os lados da

equao (1), resulta na equao (2):
Pn (t + t ) Pn (t )
lim = n1 .Pn1 (t ) + n+1 .Pn+1 (t ) (n + n )Pn (t ) (2)
t 0 t
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):
Cap_6.indd 158 27/08/2011 21:54:45

dPn (t )
Para n > 0, = n1 .Pn1 (t ) + n+1 .Pn+1 (t ) (n + n )Pn (t ) (3)
dt
d Po (t )
Para n = 0 : 0 = 0; P1 (t ) = 0 = 1P1 (t ) 0 P0 (t ) (4)
dt
As Solues em Regime Estacionrio para as equaes (3) e (4), ou seja,

d P (t )
quando o lim Pn (t) = Pn ou seja, n = 0, so:
t dt
Para n > 0 : n1 .Pn1 + n+1 .Pn+1 (n + n ).Pn = 0 (5)
0
Para n = 0, 1P1 0 P0 P1 = P0 (6)
1
Aps alguns ajustes, tem-se:
n Pn n1 Pn1 n1 n2 n1 ... 0
Pn+1 = Pn = = Pn2 = ... = P0
n+1 n n n1 n ...1
n1
(i )
i =0
ou ainda Pn = P0 n>0 (7)
n
(i )
i =1

Como sabe-se que
n =0
Pn = 1, tem-se que P0 +
n=1
Pn = , ou ainda:
n1
(i )

i =0

1
P0 + n
P0 = 1 P0 = n1
(8)
n=1
(i ) (i )
i =1
i =0
1+
n=1
n
(i )
i =1
Cap_6.indd 159 27/08/2011 21:54:45

Lembrando que P0 a proporo do tempo em que o sistema fica vazio,

ou seja, os atendentes ficam ociosos, com a expresso (7) possvel calcular os
valores de probabilidade de ter n clientes no sistema, ou seja, o valor de Pn.
Apresentam-se, na seqncia, alguns modelos de filas importantes:
6.4. MODELOS DE FILAS MARKOVIANAS
Nesta seo esto alguns dos principais modelos de filas conhecidas como
Markovianas, ou seja, tm as chegadas e os atendimentos seguindo as distri-
buies de Poisson e Exponencial.
(1) FILA M/M/1
Processo de Chegadas: Poisson, taxa n

Tempo de Servio: Exponencial, parmetro n
No de Atendentes: 1
Disciplina de Atendimento: PEPS
Observao: Como no h limitaes (na fila ou na fonte) as taxas de che-

gada e servio independem do estado do sistema, isto , n = e n = ,
n = 0, 1, 2,...
Usando as expresses (6) e (7), deduzidas anteriormente, para P0 e Pn,

tem-se: se < 1

1 1 1
P0 =
= = =1 , (9)
n

n 1
1+ n
1

n=1 n =0

n1
i n
i =0
Pn = P0 = P0 para n > 0. (10)

n
i
i =1
Cap_6.indd 160 27/08/2011 21:54:45


Aqui = denominado fator de utilizao e assim:

Pn = (1 )n , com n = 0, 1, 2... (11)
Com as expresses de P0 e Pn pode-se obter:

dn
L=
n =0
n Pn =

n =0
n (1 ) n = (1 )

(
n =0
)
n n1 = (1 ) n =0 d
=

d n d (1 )
1

= (1 ) n =0

= (1 ) = =
d d 1

assim, L = (12)

Lq = (n 1)P = n P
n=1
n
n=1

n
n=1
Pn = n P
n =0

n
n=1
Pn
2
= L (1 P0 ) =
( )
2
assim, Lq = (13)
( )
1
como, L = W (Frmula de Little) tem-se W = (14)

e como Lq = Wq (Frmula de Little) tem-se Wq = (15)
( )
(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
Cap_6.indd 161 27/08/2011 21:54:45

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:
, se n = 0,1,...,(N -1)
n = e n = , n = 1,2,...

0, se n N
c) No ser preciso a restrio < .
Seguindo a mesma seqncia do caso anterior, tem-se:
1 1 1
P0 = = = (16)
N*
n

N * +1
1 N *+1
1
n =0

1

1 n
Para n = 0, 1, 2, ... pode-se obter Pn = N * +1

1
N*
De L = n Pn tem-se:
n=0
L=

(N * +1) N * +1
e Lq = L (1 P0 ) . (17)
1 1 N *+1
Para este modelo de filas, o tempo mdio que um usurio passa no sistema
pode ser de dois tipos:
W 1 o tempo mdio, levando em conta todos os usurios, atribuindo-se

tempo zero aos usurios que foram recusados;
L
W1 = (18)

W 2 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
Cap_6.indd 162 27/08/2011 21:54:45

mostrar que a taxa de chegadas agora igual a (1 PN * ) e, portanto:

L w1
w2 = = (19)
(1 PN * ) (1 PN * )
(3) FILA M/M/1/N/N
Anlogo ao anterior com o Tamanho da Populao sendo N.
Hiptese: O padro de chegadas proporcional ao no de clientes que esto

fora do sistema.
Observao: agora se tem
(N n ), se n = 0,1,..., N
n =
0 , se n N ; n = 0 para n = 1,2...
1
P0 = (20)
N N ! n

n=0 (N n )!

n
N!
Pn = P , para n = 1,2,..., N
(N n )! 0
(21)
N
+
(1 P0 )
N
Lq = (n 1)Pn Lq = N

(22)
n=1
N

L = n Pn L = Lq + (1 P0 ) L = N (1 P0 )
N
(23)
n=1
(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: n = nc . 1 , n = 1,2,... e n = , n = 0, 1, 2,...
onde c = coeficiente de presso.
c) Nos modelos precedentes, c = 0.
Cap_6.indd 163 27/08/2011 21:54:46

Tem-se:
n

Pn = 1 c P0 , n = 0, 1, 2,...
1
(24) ; P0 = (25);
(n !)
n

1
8

n=0 (n !)
c
Lq
L
L = n Pn (26); Lq = L (1 P0 ) (27); W =
8
(28); Wq = (29)
n =0
(5) FILA M/M/S
Observao:
Neste caso, h S atendentes em paralelo (modelo de fila nica) para a mes-
ma fila, assim:
n , se 0nS
=
n S , se nS

onde = taxa de servio mdia por atendente ocupado,

n = , para n = 0, 1, 2,...
Aqui tem-se:
1
n

S

S 1
. 1
P0 = + . com < S (30)
n 0 n! S ! (1 S )

n

. P , se 0 n S
n ! 0
Pn = n (31)

nS . P0 , se n > S
S ! S
Cap_6.indd 164 27/08/2011 21:54:46

S

P0

Lq = (n S )Pn Lq = 2 , com = (32)
n=S S ! (1 ) S
Lq 1
Wq = (33); W = Wq + (34); L = Lq + (35).

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:
k

P (de ter que esperar na fila) = Pk = kS P0 (36)
k =S k =S S ! S
Substituindo o valor de P0, vem:

S
S 1
S! 1
P (de ter que esperar na fila) = , (37)
S S 1
k k
+
k =0 k ! k ! 1

que uma probabilidade importante em telefonia. Ela a probabilidade de que
nenhum tronco esteja livre, em um sistema de S troncos, ela conhecida como
Frmula C de Erlang.

Notao: C S,

(6) FILA M/M/S/N
Observao: para N S
, se 0 n N 1
Aqui: n =
0, se n N
n , se 0 n S
n =
S , se S + 1 n N
Cap_6.indd 165 27/08/2011 21:54:46

Tem-se ainda,
n

n ! P0 , se n = 0,1,..., S 1

Pn = (38)
S n
S P0 , se n = S,..., N
S!
0, se n > N

(S )
S
(1 )
N S +1 S 1
S
n
( ) ,

S ! (1 )
+
n =0 n!
se 1
P0 = (39)
S 1
S 1
S
n
S (N S + 1) +
S ! n =0 n !
, se =1
(S )S P
0
S ! (1 )2
( )
1 N S +1 (N S + 1)N S (1 ) , se 1
Lq = (40)
S S P0 (N S + 1)(N S )
, se =1
S! 2
1
= (1 PN ), W = Wq + , Wq = = Lq /

S 1
S
(
(S ) 1 N S+1 P0 )
L +
q n=1 nPn +
( S 1)! (1 )
, se 1
L= (41)
S 1
S S (N S + 1)
Lq + nPn +
(S 1)! 0
P, se = 1
n=1
(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:

W = [tempo total gasto no sistema por um usurio/h n usurios no
n=0
instante da sua chegada]. Pn.
Cap_6.indd 166 27/08/2011 21:54:46

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 1o, 2o, ou ksimo deste grupo. Admitindo que o posicionamento no
grupo aleatrio, com probabilidade 1/k o usurio ocupa qualquer uma das
possveis k posies. Logo, o tempo esperado de permanncia devido ao grupo
ser igual a:
1 1 k k +1
+ ... + ou seja
k 2
Portanto:
[tempo de permanncia no sistema / h n clientes no instante de chegada]
k +1 1
= n + ,e
2
1 k +1 1 k +1
W= n + P = n P + Pn
n=0 2 n=0 2 n = 0
n n

Mas, como: Pn = 1 e n Pn = L :
n=0 n=0
1 k +1
W= L+ (42)
2
Por outro lado, usando a relao L = W , com = k, pois cada chegada

k +1
consiste de k novos usurios para o sistema, tem-se que: W = kW + ou
2
k +1
W= (43)
2 ( k )
k (k + 1)
L = kW = (44)
2 ( k )
1 k +1 1
Wq = W = (45)
2 ( k )
Cap_6.indd 167 27/08/2011 21:54:46

Lq = kWq = 2k
(k + 1) k (46)
2 ( k )
(8) FILA M/M/1, com populao finita p
Observao:
Em alguns casos o nmero de clientes em potencial para a estao de ser-
vios pequeno. Se este valor for to pequeno que a chegada de um cliente
para ser atendido ou um atendimento afeta a probabilidade de futuras chega-
das, no ser mais vlido o pressuposto de uma populao infinita. Assim,
teremos:
(p n ), se 0 n p
n =
0, se n p
n = , se n = 1,2,...,
Podem-se obter as seguintes expresses:
1
P0 = , (47)
p ! n

n=0 ( p n )!

n
p!
Pn = P , para n = 1, 2,..., p
(p n )! 0
(48)

( + )
L = nPn = p (1 P0 ) (49); Lq = p (1 P0 ) (50)
n =0
L Lq
W= (51); Wq = com = (p L ) (52)

(9) FILA M/M/S, com populao finita p
Aqui tem-se: para 1 < S p
(p n ), se n = 0,1,..., p
n =
0, se n p
Cap_6.indd 168 27/08/2011 21:54:46

n, se n = 1, 2,..., S 1
n =
S, se n = S, S + 1,..., p
Podem-se obter:
1
P0 = (53)
S 1 p!
n
p p!
n
+ nS

n = 0 ( p n )! n ! n=S (p n )! S ! S

p!
n
P0 , se 0 n S
(p n )!n !
n
p!
Pn = nS
, se S n p (54)
(p n )! S ! S
0, se n > p

S 1 p
S 1
L = nPn + (n S )Pn + S 1 n=0
Pn =
n =0 n=S
(55)
S 1 p 1 p n
p n!
n
n + n nS P0

n =0 n S ! n=S n S
p S 1 p
n

Lq = ( ) n
n S P = L S + ( )n
S n P0 (56)
n=S

n =0

L Lq
W= (57); Wq = , com = (p L ) (58)

6.5. 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 servi-
o, a disciplina de atendimento, a capacidade do sistema e nmero de estaes
de servio.
Cap_6.indd 169 27/08/2011 21:54:46

Os modelos que permitem um estudo mais completo so os modelos de-

nominados 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 pro-
cesso 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 ex-
ponencial 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 distri-
buies de probabilidade;
(b) Estimao dos parmetros das distribuies dos intervalos entre che-
gadas 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 independe do tempo, e
testes para verificar se os intervalos de tempo entre chegadas so indepen-
dentes (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 anal-
ticos 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 in-
formao do que ocorreu no passado importante, alm do conhecimento do
estado atual do sistema.
Na resoluo destes problemas pode ser necessrio passar das tcnicas ana-
lticas para as de Simulao, embora deva ser destacado que as tcnicas analticas,
sendo viveis, sempre fornecero melhores resultados que as de Simulao.
Cap_6.indd 170 27/08/2011 21:54:46

A Simulao oferece uma alternativa para problemas no resolveis anali-

ticamente. A simulao, embora sendo uma arma poderosa e bastante prtica,
apresenta dois grandes inconvenientes:
Em primeiro lugar, no permite o conhecimento mais preciso da estru-

tura 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, 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 simu-
lao (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.
Cap_6.indd 171 27/08/2011 21:54:46

ANEXO
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 P0 para a Fila M/M/S
Po
1.0
s=1
s=2
0.1
s=3
s=4
s=5
s=7
0.01
s = 10
s = 15
s = 20
s = 25
0.001
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

=
s
Cap_6.indd 172 27/08/2011 21:54:47

Diagrama 2 Valores de L para a Fila M/M/S
100
5
s=2
10
s = 20
15
s=
1 0
s=
s =7
5
s=
4
1.0 s=
3
s=
2
s=
1
s=
0.1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

=
s
Cap_6.indd 173 27/08/2011 21:54:47

Diagrama 3 Valores de P0 para a Fila M/M/1 com taxa de atendimento dependente

do estado
1.0
0.9
0.8
0.7
0.6
0.5
c=
0.4
c=
0.2
0.0
c=
0.4
c=
0.3 0.6
0.2
0.1
0.0
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
0
s1
Cap_6.indd 174 27/08/2011 21:54:47

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

do estado
100
10 0.2
c=
c=0
.6
.4 c=0
c =0
1.0
0.1
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
0
s1
Cap_6.indd 175 27/08/2011 21:54:47

REFERNCIAS
HILLIER, F.S. e LIEBERMAN G.J. Introduo Pesquisa Operacional. 8a 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.
Cap_6.indd 176 27/08/2011 21:54:47

Introducao Pesquisa Operacional PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Introducao Pesquisa Operacional PDF

Hochgeladen von

Copyright:

Verfügbare Formate

INTRODUO PESQUISA

Prefaciais.indd 1 27/08/2011 21:57:49

Vice-Reitor no exerccio da Reitoria Julio Cezar Durigan

Pr-Reitora de Graduao Sheila Zambello de Pinho

Secretria Geral Maria Dalva Silva Pagotto

Prefaciais.indd 2 27/08/2011 21:57:50

Prefaciais.indd 3 27/08/2011 21:57:51

Ficha catalogrfica elaborada pela Coordenadoria Geral de Bibliotecas da Unesp

1. Pesquisa Operacional. I. Ttulo.

Pr-reitora Sheila Zambello de Pinho

Prefaciais.indd 4 31/08/2011 21:19:41

Considerando a importncia da produo de material didtico-peda-

Prefaciais.indd 5 27/08/2011 21:57:51

1 pesquisa operacional: origens, definies e reas 11

1.1. A Pesquisa Operacional e o Processo de Tomada de Deciso 11

1.2. O que a Pesquisa Operacional? 12

1.3. Origens da Pesquisa Operacional 13

1.4. Fases da Resoluo de um Problema pela Pesquisa Operacional 16

1.5. Consideraes Importantes 19

2.4. Resoluo Grfica 40

2.5. Forma Padro 46

2.6. Definies e Teoremas 49

2.7. Forma Cannica de um Sistema de Equaes Lineares 54

2.8. Mtodo Simplex 56

2.9. Mtodo Simplex com Duas Fases 72

3 introduo teoria dos grafos e a otimizao em redes 81

3.2. Conceitos Bsicos 84

4 o modelo de transporte simples 103

4.1. Histrico e Formulao Matemtica 103

4.2. Algoritmo do Stepping Stone Method 108

4.3. Resoluo pelo Mtodo Modificado (Modi) 115

Prefaciais.indd 7 27/08/2011 21:57:51

4.4. Mtodos para Encontrar uma Soluo Bsica Vivel Inicial

4.6. Degenerescncia 121

4.7. Condies Proibidas de Embarque ou Recepo 126

5 o modelo da designao 129

5.1. Introduo 129

5.2. Definies e Notaes 130

5.3. Modelo Matemtico 131

5.4. Mtodo Hngaro 131

6 introduo teoria das filas: modelos markovianos 151

6.1. Introduo 151

6.2. Estrutura Bsica de um Sistema de Filas 152

6.3. Processos de Nascimento e Morte 156

6.4. Modelos de Filas Markovianas 160

6.5. Comentrios Gerais 169

Prefaciais.indd 8 27/08/2011 21:57:51

A Pesquisa Operacional (PO) uma rea da Engenharia de Produo que

a) Conjunto de slides em PowerPoint com o contedo dos vrios captulos

Prefaciais.indd 9 27/08/2011 21:57:51

O autor agradece aos Professores Heleno do Nascimento Santos da UFV,

Guaratinguet, agosto de 2011.

Prefaciais.indd 10 27/08/2011 21:57:51

1.1. A PESQUISA OPERACIONAL E O PROCESSO DE TOMADA DE DECISO

Um profissional que assume uma funo em uma empresa logo se depara

Cap_1.indd 11 27/08/2011 21:51:26

demandas, capacidades (transporte, produo e armazenamento),

Neste contexto que a Pesquisa Operacional se insere, colaborando na

1.2. O QUE A PESQUISA OPERACIONAL?

Pode-se considerar que o nome Pesquisa Operacional (PO) de origem

Cap_1.indd 12 27/08/2011 21:51:27

de aplicaes bastante amplo o que justifica a existncia de vrias definies,

o uso do mtodo cientfico com o objetivo de prover departamentos