Método Simplex simplificado

Guilherme H. Polo Gonçalves

Departamento de Informática
Universidade Estadual de Maringá (UEM) – Maringá, PR – Brasil
ggpolo@gmail.com

1. Introdução 6

A Otimização Linear se enquadra como ferra-

5
menta básica de Pesquisa Operacional para mo-
Restrição 2
delagem e resolução de problemas de otimização.
4 A
Para a resolução há diversos métodos, como o de
pontos interiores, elipsóide ou o simplex. Esse úl- C D Restrição 3
x2 3
timo, assunto desse trabalho, é um procedimento
algébrico para resolução de problemas de Otimi-
2 E
zação Linear.
Re
st
riç
1 ão
2. Conceitos base e exemplo geométrico 1

Antes de entender o método simplex, é necessário G F B

0
0 1 2 3 4 5 6
apresentar alguns termos e conceitos subjacentes.
x1
Dado um problema qualquer, modelado da se-
guinte maneira: Figura 1. Representação geométrica

maximizar f (x1 , x2 ) = x1 + 2x2

sujeito a
x1 + x2 ≤ 4
x1 ≤2
x2 ≤ 3
e o equivalente para a terceira restrição obtemos
x1 , x2 ≥ 0
Chamamos x1 e x2 de variáveis de decisão,
f (x1 , x2 ) de função objetivo, as desigualdades
nesse exemplo são as restrições do problema
e a última linha apresenta as restrições de não-
negatividade. No exemplo acima queremos ma-
ximizar a função objetivo, solucionando o pro-
blema modelado e definindo valores para as va-
riáveis de decisão.
Podemos enumerar as restrições do problema
de cima para baixo e, juntamente com as restri-
ções de não-negatividade, consegue-se chegar a
representação geométrica da figura 1.
Tomando x1 e x2 como eixos, as restrições de
não-negatividade limitam a representação ao pri-
meiro quadrante. Combinando a segunda res-
trição com a não-negatividade de x1 , e fazendo
as respectivas retas na representação. Para ob-
ter a reta da restrição 1 fazemos algo seme-
lhante. Combina-se a primeira equação com a
não-negatividade de x1 , obtendo o ponto A =
(0, 4). Em seguida o mesmo é feito com a não-
negatividade de x2 e obtém-se o ponto B = (4, 0).
A área em azul representa a região factível do
problema, constituindo todas as soluções aceitas
para o mesmo e é delimitada a partir da forma das
restrições.
Tendo a representação geométrica explicada,
falta determinar a solução ótima para o pro-
blema. Para isso contamos com o seguinte
teorema:

Teorema 1. Se um problema de otimização linear
tem uma solução ótima, então existe um vértice
ótimo.
Com isso, basta encontrar os vértices perten-
centes a região factível e calcular f (x, y) para cada
um1 . O maior (ou menor se fosse um problema
de minimização) destes valores é a solução ótima
que procuramos. Um vértice é determinado por
duas retas. No caso da figura 1, temos 5 vérti-
ces (em vermelho) na região factível. Os vértices
G, C e F já são conhecidos, para determinar D
resolvemos o sistema de equações formado pelas
restrições 1 e 3 pois são as suas retas que se inter-
sectam em D. Para encontrar E fazemos o mesmo
trabalho com as restrições 1 e 2. Calculando, en-
contramos que o vértice D = (1, 3) é ótimo, por-
tanto x1 = 1 e x2 = 3, e f (D) = 7.
3. O método Simplex
Problemas que requerem mais de duas variáveis
de decisão são mais difíceis de serem representa-
dos geometricamente, além disso a resolução na
forma geométrica é muito custosa computacional-
mente. De forma a amenizar esses problemas, uti-
lizamos o método simplex. Mais algumas nota-
ções são introduzidas antes de iniciarmos a des-
crição desse método.
De forma a realizar o processo de forma efi-
ciente, convertemos as restrições de desigualda-
des do problema para restrições de igualdade.
Nessa tarefa, variáveis de folga são introduzi-
das de forma a manter a equivalência das equa-
ções. Relembrando a primeira restrição no exem-
plo modelado acima: x1 + x2 ≤ 4, podemos fa-
zer: x1 + x2 − 4 ≤ 0, e multiplicando por −1:
−x1 − x2 + 4 ≥ 0. Nesse ponto introduzimos uma
variável de folga x3 , onde −x1 − x2 + 4 = x3 e
x3 ≥ 0. Reorganizando, obtemos: x1 + x2 + x3 = 4.
De forma semelhante trabalhamos sobre as de-
mais restrições, resultando no que é chamado de
1
Isso é uma simplificação
forma aumentada do modelo:
max z = x1 + 2x2
s.a
x1 + x2 + x3 =4
x1 + x4 =2
x2 + x5 = 3
As restrições de não-negatividade são aumentadas
para conter x3 ≥ 0, x4 ≥ 0 e x5 ≥ 0.
Com esse modelo aumentado é possível deter-
minar uma solução inicial de forma trivial. Con-
siderando as variáveis x1 e x2 como 0, temos que
x3 = 4, x4 = 2 e x5 = 5. Essa solução inicial
é chamada de básica viável (BV), significando
que é uma solução factível em ponto extremo na
forma aumentada. Ainda, as variáveis definidas
em 0 são chamadas de não básicas, enquanto que
as demais de básicas. Aqui termina a preparação
para a aplicação do método simplex.
A resolução do modelo aumentado ocorre por
meio de iterações. Antes do inicio de uma ite-
ração é verificado se a solução BV atual não é
ótima. Realizar esse teste equivale a verificar se
existem variáveis na função objetivo com coefici-
entes positivos, se existir pelo menos uma, então,
a solução atual não é ótima. Após essa verificação
falhar, inicia-se uma iteração. Todas as iterações
do simplex são divididas em 3 passos:
1. Escolher a variável não básica com coe-
ficiente mais positivo em z para entrar no
conjunto de variáveis básicas;
2. Determinar qual variável básica sairá por
meio do teste da razão mínima;
3. Obter uma nova solução BV e reescrever
as restrições na forma apropriada para eli-
minação gaussiana.
Os passos 2 e 3 merecem explicações. To-
mando o modelo aumentado acima, verifica-se
que x2 apresenta o coeficiente mais positivo na
função objetivo (2 > 1), ou seja, x2 é a variá-
vel que entra. Para realizar o teste da razão mí-
nima verificamos quanto cada restrição permite
que x2 cresça. Naquela que permitir menor cres-
cimento teremos uma variável básica que será es-
colhida para sair do conjunto de variáveis básicas.
Aplicando o teste da razão mínima garantimos
que nenhuma variável se torne negativa. Conside-
rando que x1 = 0, da primeira restrição obtemos:
x3 = 4 − x2 ∴ x2 ≤ 4; a segunda restrição não
envolve x2 e ela não entra nesse teste; na terceira
restrição: x5 = 3 − x2 ∴ x2 ≤ 3. A última restri-
ção permite o menor crescimento, portanto x5 é a
variável básica que sai e concluímos a explicação
do passo 2.
O passo 3 é necessário para a verificação do
teste de otimalidade antes de uma possível pró-
xima iteração. Para isso, reescrevemos as restri-
ções e a função objetivo numa forma apropriada
para a eliminação gaussiana. Basicamente, to-
mando a variável básica que sai (no caso x5 ) e
variável básica que entra (x2 ), replicamos os co-
eficientes da coluna de x5 na coluna de x2 . Uti-
lizamos as operações elementares sobre sistemas
lineares para fazer essa tarefa. Tomamos como
pivô aquela restrição que apresentar coeficiente 1
em x5 , dividindo a mesma pelo coeficiente de x2
naquela mesma linha. Após isso, trabalhos com
as outras linhas sobre essa pivô. Como feito ante-
riormente, seguimos com a resolução do exemplo
dado. As restrições 2 e 3 já estão de acordo com
o nosso requisito, x5 e x2 apresentam os mesmos
coeficientes nessas equações. A equação 1 precisa
ser reescrita, e assim a operação Eq.(1) − Eq.(3)
é realizada. A equação 0, correspondendo a fun-
ção objetivo, também precisa ser reescrita. Antes
de aplicar qualquer operação nela, observamos:
z = x1 + 2x2 ∴ z − x1 − 2x2 = 0 e, então, fazemos:
Eq.(0) + 2 × Eq.(1). Ao final dessas operações
obtemos um novo conjunto de restrições e a nova
função objetivo:
z −x1 + 2x5 = 6
x1 + x3 − x5 = 1
x1 + x4 =2
x2 + x5 = 3
Ou seja, x1 e x5 são variáveis não básicas e, assim,
z = 6 nesse momento. Reescrevendo a nova fun-
ção objetivo na forma: z = x1 − 2x5 + 6, verifica-
se que o teste de otimalidade ainda obtém sucesso
(coeficiente de x1 é positivo) e portanto o processo
continua.
4. Restrições em outras formas
Até o momento o foco foi dado a inequações na
forma ai1 x1 + · · · + ain xn ≤ bi . Porém, é possí-
vel que o modelo original contenha igualdades ou
inequações de maior-igual. No primeiro caso, se
não alterarmos o modelo, uma solução inicial não
é trivialmente obtida. No segundo, a variável de
folga introduzida teria sinal negativo e não satis-
faria a condição de não negatividade quando utili-
zada na solução inicial. Esses problemas são tra-
tados nessa seção.
Uma restrição de igualdade qualquer poderia
ser reescrita utilizando duas inequações, uma de
menor-igual e outra maior-igual. Mas ao fazer
isso, o segundo problema (mencionado anterior-
mente) passa a existir aqui. A solução utilizada
é o emprego de variáveis artificiais. Nesse caso,
uma restrição na forma ai1 x1 +· · ·+ain xn = bi seria
reescrita como: ai1 x1 + · · · + ain xn + xn+1 = bi . En-
tretanto, o simplex, como descrito acima, precisa
de um “acréscimo” para permitir a resolução de
modelos com variáveis artificiais. Entre as formas
estudadas é destacado o método do grande nú-
mero (Big M), onde tal variável é introduzida com
o coeficiente M na função objetivo. Esse símbolo
M representa um número muito grande, e nega-
tivo no caso de problemas de maximização, fa-
zendo com que uma variável artificial nunca seja
escolhida no passo 1 das iterações do método sim-
plex. Para aplicar o método Big M é necessário
apenas alterar a parte inicial do simplex acima,
fazendo com que tais variáveis sejam eliminadas,
através da aplicação de operações elementares so-
bre sistemas lineares, da função objetivo. Um in-
dicativo de se ter chegado a solução ou não, nesse
caso, é o desaparecimento de M no valor da fun-
ção objetivo.
 Restrições na forma ai1 x1 + · · · + ain xn ≥ bi 6. Conclusão
são tratadas agora. Inicialmente introduzimos
Entre os métodos existentes para resolução de
uma nova variável da seguinte forma: ai1 x1 +
problemas de otimização linear, destacamos ra-
· · · + ain xn − bi ≥ 0, sendo xn+1 ≥ 0 fazemos
pidamente a forma geométrica seguida pelo sim-
ai1 x1 + · · · + ain xn − bi = xn+1 e, com isso, che-
plex. A primeira apresenta maior utilidade para
gamos a: ai1 x1 + · · · + ain xn − xn+1 = bi . A va-
problemas de exemplo, sendo capaz de demons-
riável xn+1 é chamado de variável excedente por
trar os conceitos subjacentes ao método simplex.
subtrair o excedente do lado esquerdo no lado di- O segundo possibilita a resolução de problemas
reito. Após esse passo, uma variável artificial é de forma eficiente em computadores.
introduzida seguindo o paragrafo anterior.
Inicialização, teste de otimalidade e iterações
5. Outras situações com três passos resumem o funcionamento do
simplex. De acordo com as adaptações discutidas,
Para concluir esse trabalho, mais dois casos são
restrições na forma de inequações maior-igual ou
discutidos. O primeiro é o fato de também existir
de igualdades requerem o uso de variáveis artifi-
problemas de minimização, porém desde o inicio
ciais. Consequentemente, a inicialização do mé-
o modelo foi de maximização. O segundo diz res-
todo é ajustada de acordo com o funcionamento
peito a variáveis negativas na modelagem.
de um método que faz o tratamento desse tipo de
O método simplex aplica-se a problemas de variável. Mencionamos o método do grande nú-
maximização, porém a conversão de um problema mero, que insere as variáveis artificias na função
de minimização para esse é simples. Dada uma objetivo acompanhada de um coeficiente muito
função objetivo qualquer: grande (ou muito pequeno na minimização) e em
n
X seguida as remove com a aplicação de operações
min z = cjxj elementares sobre sistemas lineares.
j=1

temos que ela é equivalente a:

n
X
max −z = − cjxj
j=1

Tratamos a segunda situação agora. Há a pos-

sibilidade de existirem variáveis com permissão
para assumirem valores negativos. Sendo L j uma
constante negativa e x j ≥ L j , prosseguimos da se-
guinte maneira:

x −L ≥0
|j{z }j
x′j

x′j = x j − L j
x j = x′j + L j
Sendo assim, trocamos todas as ocorrências de
x j no modelo por x′j + L j e garantimos a não-
negatividade.