Académique Documents
Professionnel Documents
Culture Documents
Introdu
c
ao `
a Programac
ao Linear (2002): vers
ao 3.3
Le
onidas de Oliveira Brand
ao
http://www.ime.usp.br/leo
http://www.matematica.br
31 de julho de 2012
Sum
ario
Indice Remissivo
I
Conceitos b
asicos
I.1 Convencoes . . . . . . . . . . . . . . . . . . . . . . . . . .
I.1.1 Representando matrizes e vetores . . . . . . . . . .
I.1.2 Limitantes, m
aximos, mnimos, supremos e nfimos
I.2 Demonstrac
oes . . . . . . . . . . . . . . . . . . . . . . . .
I.2.1 Inspec
ao . . . . . . . . . . . . . . . . . . . . . . . .
I.2.2 Logica . . . . . . . . . . . . . . . . . . . . . . . . .
I.2.3 Contradic
ao . . . . . . . . . . . . . . . . . . . . . .
I.2.4 Induc
ao . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4
4
4
4
5
5
5
6
7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8
8
9
10
11
12
13
13
13
13
14
1 Matrizes e Vetores
1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Propriedades e conceitos . . . . . . . . . . . . . . . . . . . . .
1.1.2 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.3 Matriz Adjunta de A . . . . . . . . . . . . . . . . . . . . . .
1.1.4 Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 Atualizac
ao de base . . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Soluc
oes b
asicas e degeneradas . . . . . . . . . . . . . . . . .
1.3.3 Espacos e transformac
oes vetoriais . . . . . . . . . . . . . . .
1.4 Retas e hiperplanos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Poliedros e sistemas lineares . . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Transformac
ao de poliedros genericos em poliedros canonicos
1.6 Referencias bibliogr
aficas . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
15
15
17
17
18
19
20
20
22
23
24
25
27
28
0 Introdu
c
ao
0.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . .
0.1.1 Um mercado de dois agentes . . . . . . . . . .
0.1.2 Exemplos . . . . . . . . . . . . . . . . . . . . .
0.1.3 Formas de um problema de programacao linear
0.1.4 Hiperplanos e Semi-espacos . . . . . . . . . . .
0.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . .
0.2.1 Exemplo 1: Transporte . . . . . . . . . . . . .
0.2.2 Exemplo 2: Problema de producao . . . . . . .
0.2.3 Exemplo 3: Encontrando o vertice otimo . . .
0.3 Perguntas a serem respondidas . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Indice Remissivo
(funcao objetivo dual), 9
(funcao objetivo), 9, 12
nfimo [Cap. I]
,4
base [Cap. 1]
base da inducao, 7
, 20
cofator [Cap. 1]
comutatividade [Cap. 1]
contra-exemplo, 5
custos, 13
, 17
, 15
Decomposicao [Cap. 1]
degenerada [Cap. 1]
Delta de Kronecker, 16
Desigualdade de Cauchy-Schwarz [Cap. 1]
Determinante [Cap. 1]
Distancia euclidiana [Cap. 1]
dual, 9
, 16
, 23
Leis de De Morgan, 5
limitante inferior [Cap. I]
limitante superior [Cap. I]
linearmente dependente [Cap. 1]
linearmente independente [Cap. 1]
lucro, 13
maximo [Cap. 1]
maximo [Cap. I]
mnimo [Cap. I]
Matriz
decomposicao, 16
produto, 16
matriz [Cap. 1]
matriz adjunta de A [Cap. 1]
Matriz identidade [Cap. 1]
Matriz nula [Cap. 1]
Matrizes
produto, 16
matrizes, 4
maximizacao, 8
modelar, 8
, 19
, 17
, 19
, 15, 16
, 22
, 19
, 23
Forma canonica:, 12
Forma geral:, 11
hipoteses, 5
hiperplano, 12
hiperplano [Cap. 1]
, 24
injetora [Cap. 1]
inversvel [Cap. 1]
, 20
, 18
, 16
l.d. [Cap. 1]
l.i. [Cap. 1]
, 19
, 19
semi-espacos, 12
Simplex [Cap. 1]
solucao basica [Cap. 1]
subespaco [Cap. 1]
2
,4
,4
, 19
, 19
, 22
,4
,4
,
,
,
,
15
18
16
15
, 18
, 22
, 22
, 22
, 16
, 16
, 19
, 21
, 23
, 23
3
supremo [Cap. I]
teoria dos jogos, 8
tese, 5
Transposta [Cap. 1]
variaveis artificiais [Cap. 1]
variavel de folga [Cap. 1]
vetor, 4
viaveis, 10
,4
, 15
, 27
, 27
Captulo I
Conceitos b
asicos
I.1
I.1.1
Conven
co
es
Representando matrizes e vetores
Para representar um vetor, utilizaremos sempre um tipo diferente de fonte: v , por exemplo, e um vetor e 00
corresponde ao vetor nulo. Sempre os interpretaremos como sendo vetores-coluna. Ja matrizes, escreveremos da
seguinte forma: A e um exemplo de matriz e O corresponde `a matriz nula.
Sendo assim, cada coluna de uma matriz pode ser entendida como um vetor-coluna que denotaremos como a i , e
cada linha sera interpretada como o tranposto de um vetor-coluna e sera escrita como a i .
Dados dois vetores x , y IRn , dizemos que:
< y hi, x < y ou x = y i (ou equivalentemente: h6 i {1, 2, . . . , n} : x > y i)
x=
i
i
i
i
i
i
< y e x 6= y (se n=1, x y = x < y)
x y x =
I.1.2
Limitantes, m
aximos, mnimos, supremos e nfimos
< i.
f (bb) =
a A tal que f (a
a) = i.
m
aximo : e um m
aximo de f (A) IR h e ls e a
supremo : e supremo de f (A) IR h e ls e ls de f (A)
< i.
=
<
=
i.
<
=
f (bb) i.
I.2 Demonstra
c
oes
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 5
Destas definicoes poderamos demonstrar alguns corolarios: um maximo e limitante superior e um mnimo e
limitante inferior; o supremo e o menor dos limitantes superior e o nfimo e o maior dos limitantes inferiores.
Uma outra maneira de T
definir supremos e nfimos e usar o calculo: e supremo de f (A) h bb A
f (bb) e > 0, B( , ) f (A) 6= 1 i.
>
=
I.2
Demonstra
co
es
Nesta secao apresentaremos uma breve discussao sobre teoremas: demonstracoes e contra-exemplos.
Uma sentenca matem
atica pode estar errada ou correta. No primeiro deve existir um contra-exemplo para a
mesma (um exemplo no qual a sentanca n
ao seja valida), enquanto que no segundo deve ser possvel demonstrar
a inexistencia de contra-exemplos.
teses
Estas sentencas prop
oem uma tese a partir da suposicao de algumas hipo
Teorema: conjunto de hipoteses = tese.
e o processo de demonstrac
ao, consiste em encadear argumentos logicos que comprovem a correcao da tese.
A seguir apresentaremos algumas das tecnicas de demonstracoes mais u
teis.
I.2.1
Inspec
ao
n
X
x1 , x 2 , x 3 , ..., x n }.
ci xi , x {x
i=1
I.2.2
L
ogica
Nesta tecnica devemos utilizar argumentos logicos baseados em resultados ja conhecidos, definicoes ou axiomas.
Para isso sao u
teis resultados de l
ogica como os seguintes:
A = B B = A.
Leis de De Morgan:
(A e B) A ou B
(A ou B) A e B
1
, ) = B (
) := {bb IRn : k
b k < }, para alguma norma k.k do IRn .
B(
I.2 Demonstra
c
oes
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 6
n
2 todos os n
umeros s
ao pares todos
os n
umeros
ao s
ao pares
3 a A
aB
alguns n
umeros n
ao s
ao pares
00
a A 6 a B ou
aA a6B
a A : a 6 B 00
Note que na linha 3, a primeira sentenca equivale a A B, a segunda a A B = e a terceira a A 6 B (ou
B \ A 6= ).
Exemplo: A = {x IN : n m
ultiplo de 4} , que colocado na forma de expressoes logica equivale a A
B = {x IN : n par}
(i.e, se x A, entao x B).
.......................................................
.............
.....................
............
..........
..........
........
........
.......
......
......
.
.
.
.
.....
...
.
.
.
.
.....
............................................
.
.
.
.
.
.
.
...
.
.....
.
.
.
.
.
.
........
...
......
.
.
..
.
.
.
.
.
.
.
....
...
....
.
.
.....
.
..
...
....
.
...
.
.
....
.
..
.
...
.
.
......
..
....
.
...
.
.
.........
.
.
.
.
.
.
.....
....................
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
....
.....
...
.....
.....
......
......
.......
.......
........
........
.
..........
.
.
.
.
.
.
.
...
.............
.............
.....................
......................................................
I.2.3
Contradic
ao
I.2 Demonstra
c
oes
I.2.4
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 7
Induc
ao
Captulo 0
Introdu
c
ao
Resumo
Os conceitos iniciais de Programac
ao Linear apareceram por volta de 1940, motivados por questoes economicas
e belicistas. Entre os primeiros trabalhos que levaram a esta grande area, podemos destacar John von Neumann
que em 1928 publicou um artigo sobre teoria dos jogos1 e George B. Dantzig que de fato formalizou a teoria,
que depois veio a chamar Programac
ao Linear (Linear Programming), em 1951 um artigo tratando da maximi
za
cao de funcoes lineares sujeitas a restric
oes tambem lineares2 . Apesar de nao existir um premio Nobel para a
Matematica, o premio de 1975 foi recebido Koopmans (economista) e Kantorovich (matematico da ent
ao Uni
ao
Sovietica), basicamente por trabalhar sobre a teoria formalizada por Dantzig.
0.1
Introdu
c
ao
Para ilustrar um modelo de problema linear, vamos considerar uma hipotetica fabrica que produz n diferentes
tipos de produtos, utilizando m tipos de insumos. O que poderia interessar aos administradores/planejadores ?
Primeiro e necessario estabelecer qual o problema. Num tal exemplo podemos estar interessados em maximizar
o lucro pela venda dos produtos ou minimizar o gasto na producao (com insumo e eventualmente com estocagem,
dentre outros custos). Resumidamente, podemos ter as seguintes variaveis norteando a producao:
xi
uj
ci
aji
bj
0.1 Introdu
c
ao
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 9
sujeito a:
<
=
<
=
b1
b2
<
=
bm
0.1.1
Mas antes de discutirmos como resolver o problema acima, vamos pensar que existam apenas dois agentes no
mercado, a fabrica e seus fornecedores. Neste modelo podemos obter uma interpretacao dual `a (P).
Vamos admitir que os fornecedores desejem determinar o melhor preco {uj }m
j=1 para seus insumos. Como os
fornecedores compram toda a produc
ao da f
abrica, precisam levar em consideracao as caractersticas dessa.
Para fazer uma unidade do produto do i, a referida fabrica gastaria em insumos a1i u1 +a2i u2 + +ami um (reais),
sendo que cada unidade deste seria vendida por ci (reais). Logo os fornecedores podem desejar calcular o valor
agregado de seus produtos (insumos), exigindo que o valor gasto pela fabrica numa unidade do produto i, com
insumos, seja ao menos ci , ou seja, os fornecedores desejam que o preco total dos insumos usados na manufatura
de uma unidade do produto i seja tal que
a1i u1 + a2i u2 + + ami um
>
=
ci .
(1)
(2)
sujeito a:
>
=
>
=
c1
c2
>
=
cm
Assim, temos um novo problema para ser resolvido e desde ja fica a indagacao das possveis relac
oes existentes
entre ambos os problemas. Nesta formulac
ao, (P) e denominado problema primal e (D) seu dual.
0.1 Introdu
c
ao
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 10
Para entendermos melhor o que ocorre podemos fazer o que e sempre recomendavel numa tal situacao: analisarmos
alguns casos particulares ou inst
ancias dos problemas.
0.1.2
Exemplos
Nesta secao examinaremos dois exemplos de problemas lineares. O primeiro deles e muito simples, permitindo
uma resolucao grafica. O segundo e baseado em um caso concreto vivido pela Digital Equipament Corporation
(DEC) - que hoje faz parte da Compaq (vide Bertsimas&Tsitsiklis-1997).
< b , x > 0 } e D = {u
> c , u > 0 }, sendo
x IR2 : Ax
x=
u IR2 : A0u =
Exemplo 0.1.1 Seja P = {x
=
=
1
1
4
2
A :=
, b :=
e c :=
.
1 1
2
1
otimo igual a c 0x = 7,
Examinando a figura abaixo podemos concluir que o
otimo em P e x = (3, 1)0 , com valor
enquanto o ponto
otimo em D e u = (3/2, 1/2)0 , com valor
otimo b 0u = 7.
..
......
..
......
.....
.....
.....
.....
.....
.....
.
..
...
..........
.
...............
...
. . ..
.
.. .................
...
.
...... ...............
...
...........................
.
.........
.. .. .. .. .. .....
...
.
.. ...
. ..... ................................ ..........
... .. ... .. ... ... ...................... . . . . . . . .
.
.
.
.
. .. .. ... .. ...... .. .. ...... .....
... . .. .. ...... .. ... ........ ......
.....
. .. .......... ... ... .......
.....
......... . . . .......
.....
.
.....
.....
...
.....
....
.
.
.
.
.
..
... .........
.......
<
....... 1
2 =
...
.
...
.
...
.
... 0
.
...
.
u = (3/2, 1/2)0
c = (2, 1)0
x = (3, 1)0
x1 + x2
x x
<
=
..........
.
.
.
.....
.
.....
.
.....
.
......
.
........
.
......
...........
..... ..
.
...... ..
.
. ......
.
...............
.
... ......
.
.
.
. .....
.... . . ..
.
..... ... .. ...
... ......
.
...... ... .. ... ..
.....
.
.
...... .. .. .. ..
.....
.
...
. ...............................
.....
.
.
.....
...
. ........ ... ... ... ... ... ..
.....
.
..... .. ......................................
...
..... ...... .. .. .. .. .. .. .. ..
........ .. .. .. .. .. .. .. .. .
.
.
.
.
...
.
.
.
. .. .. .. .. .. .. .. ..
.
..... ........... .. .. .. .. .. .. .
....... .......
.....
.....
..... ...........
.....
.
.
.
...
.....
.......
.....
.....
.... ...
.
.
.
.
.....
.
.
..
...
...
.
.....
.
.
.
.
.
...
.....
........
....
.
.
.
.
.
.
.
.
.
..... 1
.
.
.....
...
...
.
0
...
.
...
.
... 0
.
u1 u2
u + u2
>
=
..........
.
>
=
bb = (4, 2)
h : 2h1 + h2 = 0}
H := {h
h : 4h1 + 2h2 = 0}
H := {h
Preco
$60 000
$40 000
$30 000
$60 000
$60 000
0.1 Introdu
c
ao
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 11
0.1.3
<
=
<
=
<
=
<
=
<
=
<
=
<
=
>
=
>
=
>
=
>
=
7
8
3
1.8
0.3
3.8
3.2
0.5
0.5
0.4
0.
Um problema de programac
ao linear pode ser apresentado em sua forma normal ou em sua forma can
onica. Temos,
abaixo, um exemplo para cada tipo de apresentacao:
0.1 Introdu
c
ao
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 12
x
max/min c x
Forma geral:
o objetivo)
(fun
ca
> b1
x=
sujeito a: Ax
x = b2
Bx
< b3
x=
Cx
nica:
Forma cano
o objetivo)
(fun
ca
x=b
sujeito a : Ax
> 0
x=
0
Para podermos elaborar alguns argumentos geometricos sobre problemas lineares, precisaremos de algumas definicoes, apresentadas na pr
oxima subsec
ao.
0.1.4
Hiperplanos e Semi-espacos
Para melhor entendermos os problemas envolvidos num programa linear, serao necessarios conhecimentos de
Algebra
Linear, Vetores e Geometria e C
alculo. Para comecar precisamos definir o conjunto de restric
oes lineares,
que e um poliedro: uma intersecc
ao (finita) de semi-espacos e hiperplanos.
x : c 0x = z}
Hiperplano Hc ,z = {x
< z}
x : c 0x =
Semi-espaco Sc ,z = {x
Chamamos de hiperplano a generalizac
ao no IRn da nocao que temos de uma reta no IR2 e de um plano no IR3 ,
em que c 0 e um vetor n
ao nulo pertencente ao IRn e z e um escalar. Um hiperplano divide uma regi
ao em dois
semi-espa
cos, cuja uni
ao formaria todo o IRn .
Na figura abaixo, temos um poliedro, ou seja, a interseccao finita de semi-espacos e de hiperplanos:
.....
....
x....1 + x2
<
=
.....
.....
.....
.....
.....
.....
.....
.
.
.....
....
....
.
.
...
..
....
.
.....
.
.
.............
...
.
.
.
.
.
.
.
.
..
..... .............
...
.
.
.
.
.
.
.....
...
....
..
....
.
.
....
.
.
.
..
............
.
.
.....
.....
..... ......... 1
....
....
.
...
.....
.........
....
....
....
.
..
.
.
.
.
.
.
.
.
..
..... .........
..
...
..
..
.
.
.
.
.
.
.
.
.
.
.
.....
.
..
....
.
....
.....
...
....
.......
.....
.....
. ......... .....
.....
.....
.....
...
........... ...
.....
.....
.....
.....
..
.....
.....
.......... ... ..
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
..... ....
.
...
.
.
.
..... ..... ... ..
.
.
.
.
.
.
...
......
...
.
.
.
.
.
.
.
.....
.........
...
.
.
.....
.
.
..
.....
.....
.....
.....
...
.....
.....
.....
x x2
x2
<
=
<
=
1
1
. Quais os pontos x 1 Hc ,1 e x 2 Hc ,2 que
0.2 Exemplos
0.2
0.2.1
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 13
Exemplos
Exemplo 1: Transporte
Neste exemplo, temos n pontos de distribuicao e n consumidores. Chamaremos de cij o custo relativo a levar o
produto do ponto de distribuic
ao i ate o consumidor j. Como exemplo, vamos utilizar o de uma companhia que
processa cafe em m f
abricas e distribui o produto para n mercados. Vamos supor, neste caso, que o custo para
transportar o cafe da f
abrica i para o mercado j seja cij . Chamaremos de ai a capacidade de produc
ao da f
abrica
i, e de bj a demanda do produto no mercado j. Temos que encontrar um xij que minimize o custo de transporte,
sendo i = 1, ..., m e j = 1, ..., n.
Temos, abaixo, uma representac
ao gr
afica deste problema:
Fabricas
Consumidores
.........
.............
........... .... ....
.... .... .................
........ .. ..
..................
............
............................................... ............
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.................. ..........
.
.............
..................
... ... ...
.... .... .........
................ .....
............ ......
........
......
......
......
......
......
......
......
......
......
......
......
......
......
........
...............
.
.
.
.
.
.
... ...
........... ..............
..... ....
.
... ...
.............
..... ......
.
....
a1
a2
..
.
.
am
b1
b2
.
.
.
bn
0.2.2
Neste exemplo, temos 2 tipos de produtos e de insumos. Chamaremos de aij a quantidade de insumo j no produto
i. Os custos estar
ao relacionados ao problema se minimizar c 0x , e o lucro ao de maximizar c 0x .
Qual seria o lucro ? + ? E se trocarmos o problema para maximizar x1 + 2x2 ? Qual seria uma func
ao objetivo
c que resulte numa soluc
ao que n
ao produza o produto tipo 2 ?
pppp
x2
<
=
.....
.....
.....
.....
.....
........
........
.....
.....
.
.
.
.
..
..... ........
.
..........
.....
.....
.....
.....
.....
ppppppp
x1
<
=
.....
.....
.....
0.2.3
Exemplo 3: Encontrando o v
ertice
otimo
>
=
0, x2
>
=
0, x2
<
=
2, x1 + x2
<
=
4, x1 x2
<
=
2}.
2
Qual a solucao para c =
? E para c =
?
1
0
0
2
3
2
Sejam x 1 =
, x2 =
, x3 =
, x4 =
, x5 =
0
2
2
1
0
2
1
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 14
x P e x 6= x 4 ! Por que?
Temos que c 0x 4 > c 0x , x
1
Se colocarmos c =
?
2
x P . Verifique!
Temos c 0x 3 = 6 > c 0x , x
O ponto de otimo est
a sempre num vertice ? O que e um vertice ?
Pode existir ilimitac
ao ? (apague as restric
oes x1 + x2
0.3
<
=
4 e x1 x2
<
=
2)
A partir do que foi examinado nos exemplos acima, podemos destacar varias questoes a serem discutidas num
curso de Programac
ao Linear, a saber:
1. Como provar que vertices s
ao os principais candidatos a ponto otimo? (estudo de convexidade)
2. Como reconhecer um ponto
otimo ? E uma ilimitacao ? (condic
oes de otimalidade)
3. Como gerar vertices ? (caracterizac
ao de vertices)
4. Como automatizar a resoluc
ao ? (algoritmo Simplex - depende de 2 e 3)
5. O que ocorre quando mudamos levemente c ou b ? (dual e an
alise de sensibilidade)
Captulo 1
Matrizes e Vetores
Neste texto faremos uma r
apida revis
ao de conceitos fundamentais de matrizes e vetores. Recomendamos `
aqueles
que tiverem d
uvidas que consultem, por exemplo, a secao 1.5 de Bertsekas-1997 ou o captulo 2 de Hadley-1962
(ou Hadley-1982, em Portugues). Para um estudo mais completo do assunto sugerimos textos de Algebra
Linear,
como Monteiro-1969 ou Hoffman&Kunze-1970.
1.1
Matrizes
Uma matriz Am,n com m linhas e n colunas (sobre o corpo dos reais) e uma tabela retangular de escalares [ai,j ].
Representando por a i e por a j , respectivamente, a i-esima coluna e j-esima linha de A, temos
A=
a1,1
a2,1
..
.
a1,2
a2,2
a1,n
a2,n
..
.
= a1 a2 an =
1.1.1
a1
a2
..
.
am
Propriedades e conceitos
- A + B = B + A (comutatividade da soma)
- A = A
haij = aij ,
15
1.1 Matrizes
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 16
1 0
a )
a1
(a
1
.
n
0
a = .. A = ... = [(a
a1 )0 | |(a
am )0 ]
= a | |a
a n )0
am
(a
Amn
( de Kronecker )
2. Produto de matrizes
Sejam A IRmn e B IRnp , se C := Amn Bnp , entao
C IR
mp
, com cij :=
n
X
aik bkj .
k=1
0 0
.. , O
- sendo O = ...
tm A = Otn
.
0 0
e AOnt = Omt
2 3
1 0
1
2
1 0
2 1
, compute A0 B, B0 A, BC,
e C=
, B=
1 3
0 2
2
CB.
Note que o produto matricial n
ao e comutativo: com matrizes quadradas, AB nao necessariamente equivale
a BA.
Decomposi
c
ao e produto : se tormarmos matrizes Amn e Bnt , tais que m = r + s, n = p + q, t = u + v
e
Crp Drq
Amn :=
Esp Fsq
p
Cpu Dpv
r
s
Bnt :=
Equ Fqv
CC + DE CD + DF
AB =
EC + FE ED + FF
mt
1.1 Matrizes
1.1.2
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 17
Determinantes
i<j
e pi > pj }.
n
X
i=1
1.1.3
aij A ij =
n
X
ajiA ji ,
i {1, 2, . . . , n}.
(1.1)
i=1
Matriz Adjunta de A
Teorema 1.1 Se uma matriz D contem duas linhas (colunas) iguais, ent
ao det(D) = 0.
Demonstra
c
ao Como D tem uma linha (coluna) repetida, sem perda
de generalidade, podemos usar uma matriz auxiliar A para construir D.
Sendo d i e d k as linhas repetidas, podemos escrever D como no exemplo
ao lado, ou seja, d j := a j , j 6= k e d k := a i . Deste modo, a kesima linha da matriz de cofatores de D coincide a corresponde linha de
cofatores de A,
D :=
a1
..
.
ai
..
.
ai
..
.
an
Dkj = A kj
(1.2)
1.1 Matrizes
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 18
n
X
dkj Dkj
ai
d k =a
j=1
n
X
(1.2)
aij Dkj =
j=1
n
X
aij A kj = 0.
j=1
finalizando a demonstrac
ao.
Este teorema leva a um resultado interessante, que induz a definicao de uma nova matriz que e construida a partir
de uma matriz quadrada qualquer: dada A IRnn , a matriz Adj(A) obtida transpondo-se os cofatores de A e a
matriz adjunta de A , ou seja, se B := Adj(A), entao bij = A ji .
Teorema 1.2 Seja A IRnn , ent
ao
AAdj(A) = det(A)I.
Demonstra
c
ao Fixando-se qualquer linha (coluna) i de A, podemos construir uma matriz D repetindo-se a linha
(coluna) i como no teorema anterior. Deste modo,
n
X
aij A kj =
j=1
n
X
ajiA jk = 0,
para i 6= k.
(1.3)
j=1
n
X
aij A ij =
j=1
n
X
ajiA ji ,
j=1
j=1
n
X
j=1
ou seja,
1.1.4
aij bjk =
n
X
(?)
aij A kj = |A|ki ,
j=1
AAdj(A) = |A|In .
Inversa
B = A1 AB = I = BA
- A e inversvel (n
ao singular ) det(A) 6= 0
- B = A1 =
1
Adj(A)
|A|
(?)
1.2 Vetores
1.2
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 19
Vetores
- Espa
co gerado
x IRn :
O espaco gerado por a e S = {x
a, IR}.
x = a
x=
k
X
ix i , IRn }.
i=1
- Soma de vetores c = a + b ci = ai + bi .
..
......
... ..
...
.....
.....
.....
.
.
.
.
....
....
.....
.....
.. .....
..... ..... ..... ..... ..... ..... ..... ..... ..... .....................
....... ...
..... .
..... ...
.....
.
.
...
.
.
..
.
.....
...
.....
.....
.
.
.
.
.
..... ..... ..... ..... ..... .............
...
.
.
.
.
.
.
.
........
.
.
.
.
.
...
... ...
.
.
.
.
.
...
.
.
.
.
.
.
...
..
...
.
.
.
.
.
...
.
.
.
.
.
...
.
..
...
.
.
.
.
.
...
...
.
...
.
.
.
.
...
.
.
.
.
.
...
...
....
.
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.
.
.
.
..
.....
.....
.....
.....
.....
x2
x
..
......
... ..
x2
x1
c = a +b
....
......................
. ..... .........
.. .... .......... ...
... ...
.
.
.
.
.
.
.
.
.
.
.
.....
.... ..
...
.....
..... .
.
......
. .....
..
......
.. ....
.
.... ...
......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..... ......
.....
.
. ..... .........
.....
...
... ....
.
......
.... ..
..
.
......
..... .
..
...
......
.
.
.
.
.
.
.
.
.
.
.
.
......
.. ....
...
...
... ...
.....
.
...
.... ..
......
...................
..
............
......
............
..
...............
.
.....
.
.
.
.
.
.
.
.
.
.
.
.......
.
.
.
.
.
.......
.......
......
...
..........
.......
......
..........
.......
...
.....
..........
.......
... ......
..........
.......
.. .......... ...................
.......
.
....... ....... ..........
....... ...............
..........
.....
.......
a b
..........
.......
a=
n
X
ai e i
i=1
x1
x
- Produto escalar
n
X
0
a, b i = a b =
ha
ai bi
i=1
Propriedades:
> 0
a, a i =
- ha
a, a i = 0 a = 00
ha
> 0
a 0a =
0
a 0 (bb + c ) = a 0b + a 0c
a, b + c i = ha
a, b i + ha
a, c i
- ha
a0 )bb = a 0 (bb)
(a
a, b i = ha
a, bbi = ha
a, b i
- ha
a, b i = ha
a , A0 b i
- hAa
a)0b = a 0 A0b )
(Aa
1
a, b ) = ka
a b k = ha
a b, a bi 2
- Dist
ancia euclidiana : d (a
< ka
a, b i | =
ak kbbk
- Desigualdade de Cauchy-Schwarz : | ha
> 0
a bb, a bbi =
ha
- Dependencia linear
n
n
a1 2
Um conjunto de vetores do IR
Pn, V :=i {a , a , . . . , a }, e linearmente dependente (l.d. ) se, e somente
n
IR : 6= 00 e
se,
0. Ou seja, V e l.d. se, e somente se o vetor nulo pode ser escrito
i=1 ia = 0
como uma combinac
ao linear (a coeficiente nao nulos) de V .
ai }ni=1 n
Se o conjunto {a
ao e l.d., e linearmente independente (l.i. ).
1.3 Bases
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 20
a1 , a 2 , a
a1 } e l.d. se 6= 0.
Exerccio 4 Prove que {a
a1 = (1 + 3 )a
a 1 + 2 a 2
Solu
c
ao: 0 = 1a 1 + 2a 2 + 3 a
1
Seja 2 = 0 e 3 = .
1.3
Bases
1a 1 + . . . + na n = x ;
...
.....
.....
.....
.
.
.
.
....
....
.....
.....
..... .........
.
..... ..... ..... ..... ..... ..... ..... ..... ..... .............
.
....... ...
..... .
..... ...
....
.
.
.
.
.
...
...
.....
...
.....
.....
.
..... ..... ..... ..... ..... .................
...
.
.
.
.
.
.
.........
.
.
.
.
.
...
... ...
.
.
.
.
.
...
.
.
.
.
.
...
...
...
.
.
.
.
.
...
.
.
.
.
.
...
.
..
...
.
.
.
.
.
...
...
.
.
...
.
.
.
...
.
.
.
.
.
...
...
....
.
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.....
.....
.....
....
.....
x2
x
..
......
... ..
x2
x1
c = a +b
...
...............
..... ...............
. ..... .......... ..
.
.. ....
.
.
.
.
.
.
.
.
.
.
.
.....
.... ..
...
.....
..... .
.
......
. .....
..
......
.. ....
.
......
... ...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..... ........
......
.
. ..... ..........
.....
...
... ....
......
..
.... ..
.
......
..... .
...
...
.....
.
.
.
.
.
.
.
.
.
.
.
.
......
.. ....
...
...
... ...
......
...
.
.... ..
.....
...................
.....
......
...
............
....................
.
.....
.
.
.
.
.
...
.
.
.
.
.
.
.
.
.......
...
....
.......
..........
...
......
.......
..........
.......
... ..........
..........
.......
..
..........
..
.......
.. .......... ....................
.
.......
.
....... ..........................
....... ...............
...........
.....
......
a b
...........
......
a=
n
X
aie i
i=1
x1
x
1.3.1
Atualizac
ao de base
x E , !
IR :
x
x=
n
X
i=1
i a i
1.3 Bases
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 21
6= , ent
(por contradicao, suponha
ao 00 = x x =
n
X
ai , com 6= 00 |).
(i i )a
i=1
n
X
aj }j6=i
j a j . Se i 6= 0, ent
ao {a
} e
{
j=1
l.i.
Demonstra
c
ao Por simplicidade, suporemos que seja i = n, entao qualquer que seja IRn , como V e l.i., se
n1
n1
n
n1
X
X
X
X
a j + n n a n ,
00 =
j a j + n =
j a j + n
j a j =
(j + n j )a
j=1
j=1
j=1
j=1
entao,
j + n j = 0,
n n = 0.
j {1, 2, . . . , n 1} e
(?)
(??)
Como veremos mais tarde, este e um resultado importante para o metodo Simplex , principalmente por responder
a questao seguinte:
a1 , . . . , a m } e um base do IRm e := a k (k 6 B), como escrever
sendo B um conjunto de ndices tais que {a
m
a1 , . . . , a m1 , }?
b IR na base {a
Observa
c
ao 1.3.1 Vamos aplicar o teorema acima em um caso em que desejamos trocar de base: sejam
P B :=
{1, 2, . . . , m 1, m} e B := {1, 2, . . . , m 1, k} ndices de colunas de A que formam base, sendo a k = iB ia i
e m 6= 0,
x = b , com i = 0, para todo i 6 B, e
conhecemos uma soluc
ao x = para Ax
, com i = 0, para todo i 6 B.
desejamos uma soluc
ao x =
Seja IRn , tal que b =
ia i =
1 k
1
a
m
m
b=
m1
X
i=1
ak =
Note que ha
i a i =
i=1
iB
segue que a m =
m
X
m1
X
m1
X
ia i + ma m . Como a k =
i=1
X
iB
ia i =
m
X
ia i , com m 6= 0,
i=1
ia i . Logo,
i=1
i i + m
m1
1 X
1 k
a
ia i
m
m
i=1
!
=
m1
X
i=1
m
m k
i
i a i +
a .
m
m
(1.4)
k
B = A1
ai }iB base). Deste modo, uma vez conhecida
ia i = AB B i h
otese: {a
B a i (hip
iB
m
m .
m
m i ,
i B \ {m},
1.3 Bases
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 22
Esta operacao, se aplicada na matriz todo, corresponde a um pivoteamento (ou escalonamento ). Na figura
abaixo, representamos graficamente a operacao de escalonamento acima: vamos escalonar a matriz IRnn+2 ,
1
k
e1 | |eem1 | |eem | |A1b ], sendo
[AB | |akk | |bb] para obtermos [ee1 | |eem | |A1
B a | |AB b ] e depois [e
B
* A = b = A1b
+
B
B
1
AB = a k = AB a k .
b
AB = b = A1
B
.....
.....
.....
.....
.....
.....
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
AB
ak
A1
B pppp
k
A1
B a
1
q
AB b
Im1
pppppp
.....
.....
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
.....
.....
....................................................................
...................................................................
....................................................................
...................................................................
..............
.....
....................................................................
...................................................................
..
.
..
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
entra a k
sai a m pp pp
pppp
Im1 e m
li li
...
...
........
i
m lm
entra a k
sai a m pp pp
pppp
lm
1
m lm
m 6= 0
1
AB
b
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
1.3.2
Soluc
oes b
asicas e degeneradas
ai }ni=1 ).
O posto de uma matriz Amn (r(A) rank) e o n
umero maximal de colunas l.i. da matriz ({a
Quando r(A) = m, dizemos que o posto e m
aximo ou pleno .
ai }ni=1 podemos conseguir?
Se Amn e m < n, quantos subconjuntos l.i. de {a
n
umerototal
combinacoes (1 ,
1 , . . ., n ),
i {0, 1}, e
de
n
n
n
n
+
= 2n
+ ... +
+
2
n1
n
1
(i = 1 = coluna i esta no subconjunto)
Usando os resultados da sec
ao anterior e f
acil mostrar que: se Amn tem posto P
maximo, entao para todo b IRn ,
m
i
a }iB e l.i. e iB xia i = b .
existe B {1, 2, . . . , n} e um u
nico x IR tais que #B = m, {a
x = b na forma
Neste caso pode-se re-escrever o sistema Ax
xB
x = [AB |AN ]
b = Ax
= AB x B + AN x N ,
xN
que equivale a forma: b =
n
X
i=1
xi a i =
X
iB
xi a i +
xi a i ,
B N = {1, 2, . . . , n}.
iN
1
x = b x B = A1
A partir desta identidade devemos notar que: Ax
B b + AB AN x N .
1.3 Bases
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 23
(1.5)
x = b a partir da express
Da identidade (1.5), e possvel notar a maior facilidade de obtencao de solucao para Ax
ao
`a direita: basta chutar x N = 00 e pegar o x B dado pela expressao.
x = b, se {a
ai }iB e l.i., entao x, definido por xB = A1
Para qualquer sistema Ax
0, e denominada
B b e xN = 0
solu
c
ao b
asica .
Se, para algum i B, xi = 0 ent
ao a soluc
ao basica e degenerada .
Uma consequencia relevante sobre soluc
oes degeneradas, junto com o teorema (1.3), e a possibilidade de existencia
de diferentes bases para uma mesma soluc
ao. Isto e, podem existirem bases B e B tais que B 6= B, mas x = x ,
1
x
b
x
x
b xN := 00i.
sendo hx B := AB N := 00i e hx B := A1
B
Podemos apresentar um exemplo disso usando o exemplo discutido na secao 1.3.1.
1.3.3
Espacos e transformac
oes vetoriais
e IR, tivermos
e x + y S.
(1.6)
Um subespa
co de S e qualquer subconjunto S de S fechado em relacao `a soma e ao produto por escalar, i.e, se
para todo elemento de S vale a equac
ao (1.6) - trocando-se S por S .
Teorema 1.4 Se S e um subspaco qualquer, ent
ao o vetor nulo pertence a S .
=0
Exemplo 1.3.2 Uma reta passando pela origem e subespaco vetorial do IRn .
x, para algum x IRn , logo x + y = x + x
x=
Sejam x e y da reta r e IR, como a reta tem dimens
ao 1, y = x
x r e x
xr
(1 + )x
Exerccio 6 Como gerar o subespaco do IRn tal que x2 = x3 ?
Solu
c
ao: Basta tomar x := x1e 1 + x2 (ee2 + e 3 ) + x4e 4 + . . . + xne n , para todo (x1 , x2 , x4 , x5 , . . . , xn ) IRn1 .
1.4
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 24
Retas e hiperplanos
c 0x = } e um hiperplano do IRn .
No IR2 , dois vetores l.i. definem unicamente um hiperplano. Podemos escrever este hiperplano de modos, diretamente como os x tais que c 0x = ou como a soma vetorial de um ponto com n 1 vetores l.i., como indicada a
seguir.
Seja x := x + (yy x ). Se tomarmos um c IR2 tal que c 0 (yy x ) = 0,
= c0x
ent
ao IR : = c 0x , IR.
0
0
0
c x = c x + cc (yy x ) = c 0x
ppppp
x
ppppppp
p
pp
ppppp.p y
pp p
pppppp ppppppp p.p...
ppp p p pppppppppp pppppppppp pppp ....
...
p ppppppppp
pppppppp
.ppppp
.
..
. ppppppppp
p
..
..
p
p
.
p
p
.
p
.
pppppppppp
...
.
pppppppppp ...
.
...
ppp..
... .p
...
..... .. y x
.
.
.
.
.
.
..
...
.... ...
..... .
.
.. ..... .....
...
....... ..
Hc , = x 1 + 1h 1 + 2h 2 + + n1h n1 ,
Exerccio 8 Mostre que, de fato, e possvel construir um tal c (cc0h i = 0, i {1, 2, . . . , n 1}).
Dica: Note que hcc0h i = 0, i {1, 2, . . . , n 1}i equivale ao sistema linear H0c = 00, sendo que H0 IRn1n e
h i := x 1 x i+1 .
x Rn : c 0x = } um hiperplano do IRn . Vamos comparar H e H2 para c fixo. Qual a relac
Seja Hc , = {x
ao ?
x : x H }, pois c 0 (2x) = 2cc0x = 2
H2 = {2x
x + (h
h2 h 1 ) : x H , pois c 0 (x
x + h 2 h 1 ) = c 0x + c 0h 2 c 0h 1 = + 2 = 2
H2 = {x
z H0 : kzz k = 1
h1 + z : z H0 } = {h
h1 + zz , IR}
H = {h
2
h + z : z H0 } = {h
h2 + zz , IR}.
H2 = {h
ao l.d. (e portanto c = cc, com 6= 0), ent
ao
Exerccio 9 Se c e c s
x IRn :
para todo IR, existe IR para o qual {x
Solu
c
ao: = c 0x = (cc)0x = cc0x = .
c0x = } = {x
x IRn :
c0x = }.
2
x Hc, .
Exerccio 10 Se x Hc, ent
ao x
x = x Hc, .
Solu
c
ao: x Hc, c 0x = (cc0 )x
1
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 25
ppppp
.
...
.
...
.
...
.
...
.
...
.
.
.....
.....
....
.
.
...
....
........
.
...
..... ....
.
....
.....
....
.
.... .. ....
...
....
.
....
...
...
...
.
.
....
...
.
...
...
.
.
...
.
...
.
....
...
.
....
...
.
p pp p p
cppppppppp p
p
ppppp
ppppp
p
p
p
p
ppp
ppppp
c 0x = > kcck2
pppppppp
c0x = kcck2
1.5
b , x = 0 }. E possvel olhar como um vetor (de dimensao n) de produtos escalares com as linhas de A, e inclinac
ao
definida por b . Mas tambem e possvel examinar b como combinacao a coeficientes das colunas de A (e portanto
de dimensao m).
< 0
x IRn : Ax
x = b, x =
Assim, se X := {x
0}, A IRmn , podemos:
x=
Ax
..
.
am1 am2 amn
a1
a2
x =
=
a
m
xn
x1
x2
..
.
b1
b2
..
.
bm
x=
Ax
..
.
am1 am2 amn
x1
x2
..
.
xn
Para ilustrar a diferenca entre as representacoes, vamos examinar um exemplo no IR2 . Seja X definido por
ax1 + bx2 = 1
cx1 + dx2 = 0.
Assim, a matriz A ficaria na forma
A=
a
c
b
d
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 26
>
=
x :
Generalizando, nessa interpretac
ao de matriz por coluna, para qualquer poliedro canonico na forma X := {x
1
n
>
x = b , x = 0 }, deve-se notar que x1a + + xna gera um cone de dimensao igual a quantidade de colunos l.i.
Ax
em A. Logo, para que um vetor x pertenca ao poliedro canonico X, e necessario e suficiente que b esteja dentro
a1 , a 2 , . . . , a n }.
do cone gerado pelos vetores {a
x) := {i {1, 2, . . . , n} : xi 6= 0}, fixando a matrix Amn e um vetor x em X, teremos
Assim, sendo I(x
X
X
X
x=
b = Ax
xi a i =
xi a i +
xi a i .
i{1,2,...,n}
i6I(x)
iI(x)
i6I(x) xia
= 0 e portanto
iI(x)
Usando uma ideia parecida com a decomposicao acima, podemos separar as colunas de A segundo qualquer
x=b
subconjunto de {1, 2, . . . , n}. Assim, tomando qualquer B {1, 2, . . . , n}, podemos escrever o sistema Ax
na forma separada
b = AB x B + AN x N = AB x B .
ai }iI e l.i., podemos computar
Mais que isso, se tivermos um subconjunto I {1, 2, . . . , n} tal que #I < m e {a
um x que resolve o sistema do seguinte modo: sejam2
B := I(x) J
N := {1, 2, . . . , n} \ (I(x) J)
ai }iB seja l.i. e k + #I(x) = m
J := {i1 , i2 , . . . , ik } : {a
1
A := AB ,
a ib , i B
0,
i N.
Sugest
ao de aprendizado: Para quem n
ao ficou satisfeito com as equivalencias acima, sugerimos que coloque
a mao na massa. Por exemplo, pegue o exemplo inicial, e substitua a, b, c, d por 1, 1, 1, 1. Trace a intersecc
ao
dos hiperplanos em IR2 . Ver
a que isto resulta em um u
nico ponto, que e um poliedro unitario (o ponto encontrado
e um vertice do poliedro - como veremos futuramente). Tente interpretar a matriz como coluna, trace os cones e
teste numericamente o u
ltimo resultado.
2
Note que, trabalhando com colunas de A estamos considerando o espaco onde o vetor lado-direito b se encontra, o IRm .
1.5.1
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 27
Transformac
ao de poliedros gen
ericos em poliedros can
onicos
Um resultado bastante u
til de PL e que qualquer poliedro (interseccao finita de hiperplanos e semi-espacos) pode
ser transformada na forma can
onica. A tecnica de transformacao se resume a dois casos, abaixo expostos.
Transformar restric
oes de desigualdade em restricoes de igualdade introduzindo uma vari
avel de folga n
ao
negativa:
< b i h(x
x IRn : a ix =
x; xri ) IRn IR+ : a ix + xri = bi i
hx
i
> b i h(x
x IRn : a ix =
x; xri ) IRn IR+ : a ix xri = bi i
hx
i
Transformar vari
aveis livres de sinal3 em variaveis nao negativas, trocando cada uma por um par de vari
aveis
artificiais : sejam a+ := max(a, 0) e a := min(x, 0) (entao a = a+ a ),
+
xi IR e xj , j {1, 2, . . . , n}\{i}
(xi , xi ) IR+ IR+ e xj , j {1, 2, . . . , n}\{i}
i
i
n
x1a1 + + xiai + + xnan x2 = b
x1a1 + + x+
i a xi a + + xn a x2 = b
< b . Queremos transform
x=
a-lo em um poliedro
Para ilustrar a tecnica, consideremos um poliedro na forma Ax
>
x : Ax
x = b , x = 00}). A primeira coisa a fazer, e criar uma variavel de folga para produzir a
canonico (X := {x
identidade (= b),
xri = bi a i x .
>
=
com
xi
>
=
0,
>
>
de variaveis artificiais, xi e xi (x+
ecnica de criacao de vari
aveis
i = 0 e xi = 0). Desta forma, aplicando a t
artificiais: definindo
x+
i := max(xi , 0) e xi := min(xi , 0),
teremos xi = x+
i xi .
Para um melhor entendimento das duas tecnicas expostas, e conveniente aplica-las a um exemplo. Considere o
< y + y < 1}. Devemos inicialmente eliminar as desigualdade: y + y > 0 e
poliedro Y = {yy IR2 : 0 =
1
2 =
1
2 =
<
y1 + y2 = 1. Aplicando a primeira tecnica de transformacao, obtemos as variaveis artificiais,
x1 := b1 a1y = 1 y1 y2
a1y + x1 = b1 , x1
ha
x2 := b2 + a 2y = y1 + y2 ,
a2y x2 = b2 ,
ha
>
=
>
x2 =
0 a1y
<
= b1 i,
0 a 2y
>
= b2 i.
1
1
1 1
, A :=
<
=
1 0
1 1
1 1
0 1 1
1 1
1
0 por xi
>
=
0, fazendo xi = xi .
e b :=
1
0
1.6 Refer
encias bibliogr
aficas
[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 28
< 1
y1 + y2 =
x
+
x
x
+
x
x
=
1
2
1
3
4
5
6
6
= y IR :
X = x IR+ :
< 0
y1 y2 =
x2 x3 + x4 x5 + x6 = 0
2
<
x
=
x
I
R
:
Ax
=b
= y IR : Ayy = b
+
Com estas definicoes, gere pontos em cada um dos poliedros e, aplicando as regras, obtenha o ponto correspondente
no outro.
1.6
Refer
encias bibliogr
aficas
Hadley-1962 George Hadley; Linear programming. Reading, Mass., Addison-Wesley Pub. Co., 1962.