Otimização dos Sistemas

Elétricos de Potência

Regiane Silva de Barros

Elisa Bastos Silva

1ª Edição | Junho | 2014

Impressão em São Paulo / SP
 Otimização dos Sistemas
Elétricos de Potência

Coordenação Geral Projeto Gráfico, Capa

Nelson Boni
Coordenação de Projetos
Leandro Lousada
Professor Responsável
Mariana Battochio
e Diagramação
Marilia Lopes
Revisão Ortográfica
Elisete Teixeira
1a Edição: Junho de 2014
Impressão em São Paulo/SP

Copyright © EaD KnowHow 2011

Nenhuma parte dessa publicação pode ser reproduzida por
qualquer meio sem a prévia autorização desta instituição.

Catalogação elaborada por Glaucy dos Santos Silva - CRB8/6353

 Sobre As Autoras

Regiane Silva de
Barros é graduada em en-
genharia elétrica (2009),
pela Universidade Fede-
ral de Mato Grosso. É
mestre em Planejamento
de Sistemas Energéticos,
pela Universidade Esta-
dual de Campinas (2011). Participou de projetos de
P&D com empresas do setor elétrico, como: CESP e
Grupo Rede. Atualmente é doutoranda no curso de
Planejamento de Sistemas Energéticos, na Unicamp.
Suas áreas de interesse são: planejamento energéti-
co, mercado de energia elétrica, eficiência energética,
usinas hidrelétricas e eólicas.
Elisa Bastos Silva pos-
sui graduação em Análise
de Sistemas (2008) e mes-
trado em Planejamento de
Sistemas Energéticos pela
Universidade Estadual de
Campinas (2011). Duran-
te cinco anos trabalhou na
Companhia Energética do
Estado de Goiás (CELG).
Atuou como docente assistente em curso de MBA
em gestão de energia elétrica, bem como em orien-
tações de trabalho de conclusão de cursos na área
de energia elétrica. Atualmente cursa doutorado no
curso de Planejamento de Sistemas Energéticos na
Unicamp. Tem experiência na área de Ciência da
Computação, atuando principalmente nos seguintes
temas: comercialização de energia elétrica, leilões de
energia elétrica, portfólio, otimização e simulação.
 Apresentação

Este livro tem por objetivo apresentar e contex-

tualizar alguns dos ramos da pesquisa operacional
que faz uso de modelos matemáticos e algoritmos de
programação. Os problemas de pesquisa operacio-
nal, sobretudo, são usados nos processos de tomada
de decisão e geralmente tem grande aplicabilidade
no dia-a-dia de um engenheiro, cientista, economis-
ta, empresário, etc. No que se diz respeito à progra-
mação linear, uma breve abordagem do algoritmo
simplex e sua aplicabilidade são apresentadas.
Também objetivou contemplar os conceitos de
dualidade, demonstrando sua visão e aplicabilidade
nas interpretações econômicas dos problemas de pro-
gramação linear, bem como introduzir a análise da
pós-otimização, verificando a sensibilidade do mo-
delo ao perturbar determinados parâmetros e ver o
efeito econômico que tais modificações implicam.
De uma maneira conceitual foi demonstrado às teo-
rias, bases e algumas metodologias dos problemas de
programação não linear.
Uma abordagem destinada à pesquisa do Fluxo
Ótimo de Potência foi considerada analisando os as-
pectos referentes à formulação matemática desse tipo
de problema. Além do mais são descritas as princi-
pais equações que podem ser consideradas nesse tipo
de abordagem, e assim fechamos este material que
foi desenvolvido com base nas referências principais
dos temas de cada capítulo, condensando as princi-
pais informações e conceitos.

Elisa Bastos Silva e

Regiane Silva de Barros
 Sumário

Unidade 01 11
Programação Linear
1.1. Breve Histórico
1.2. Pesquisa Operacional
1.3. Programação Linear
1.4. Formulação Matemática
1.6. Representação Gráfica dos Problemas de Pl
1.7. Problemas de Programação Linear
1.8. Algoritmo Simplex
Exercícios

Unidade 02 45
Dualidade e Sensibilidade
2.1 Dualidade
2.2. Teorema da Dualidade
2.2.1. Teorema da Dualidade Fraca
2.2.2. Teorema da Dualidade Forte
Exercícios

Unidade 03 75
Programação Não Linear
3.1. Funções não Lineares
3.2. Problemas de Programação não Linear
3.3 Programação Não Linear Irrestrita
3.2.2. Método Gradiente
3.4. Programação Não Linear Restrita
 3.4.1. Método Do Gradiente Projetado
3.5. Condições de Otimalidade
3.6. Restrições de Igualdade
3.7. Restrições de Desigualdade
3.7.1. Condições Necesárias de Kuhn-Tucker
Exercícios

Unidade 04 103
Fluxo de Potência Ótimo
4.1. Contextualização
4.2. Fluxo de Potência Ótimo
4.3. Formulação do Fluxo De Potência Ótimo
4.3.1. Função Objetivo
4.3.2. Variáveis do Fluxo de Potência Ótimo
4.3.3 Restrições de Igualdade do Fluxo de Potência Ótimo
4.3.4. Restrições De Desigualdade Do Fluxo De Potência
Ótimo
4.3.5. Equacionamento das Restrições De Desigualdade
4.4. Linearização das Equações do Problema de Fluxo de
Potência Ótimo
Exercícios

Referências Bibliográficas
 Unidade 01
Programação Linear

Nesta unidade iremos conhecer o problema da

Programação Linear. No primeiro momento, uma
breve introdução sobre o que motivou as pesquisas
que envolvem os problemas de Programação Line-
ar e Pesquisa Operacional é apresentada. Em segui-
da, descrevem-se as principais características desse
tipo de problema. E, por fim, uma breve introdução
sobre o algoritmo Simplex é apresentada. Ao final
desta unidade, esperamos que o leitor seja capaz de
formular e solucionar os problemas relacionados à
Programação Linear.
Bons estudos!

Conteúdos da Unidade
Acompanhe os conteúdos desta unidade. Se
preferir, vá assinalando os assuntos, à medida que
for estudando.

• Breve histórico
• Programação Linear (PL)
• Representação gráfica dos problemas de PL
• Problemas de programação linear
• Algoritmo Simplex

11
 1.1. Breve Histórico

A Programação Linear (PL) é um dos mais im-

portantes ramos da Pesquisa Operacional (PO) e
pode ser usada para resolver problemas que envol-
vem o planejamento da distribuição de produtos, a
maximização do lucro de uma empresa, a minimiza-
ção do custo de operação de uma usina, a minimi-
zação das perdas de produção de uma indústria, etc.
A Programação Linear é um caso particular dos
modelos de programação matemática. Nesse tipo de
abordagem tanto a função objetivo quanto as restri-
ções (equações e inequações) do problema são re-
presentadas por relações lineares.
Nesse contexto, a busca por técnicas de mo-
delagem matemática capazes de resolver problemas
relacionados à Programação Linear tem sua origem
nos séculos XVII e XVIII. Em 1759, o economista
François Quesnay, publicou o Tableau Économique,
um dos primeiros trabalhos que buscavam modelar
a economia. Em 1826, o matemático e físico Jean-
-Baptiste Fourier publicou os primeiros estudos que
versavam sobre métodos de resolução de sistemas
lineares de inequações. Em 1874, Marie-Ésprit-Léon
Walras publica a Teoria do equilíbrio geral. Esse tra-
balho é tido como um considerável avanço na busca
de interpretar a economia como um todo (Ramalhe-
te et al.,1985).

12
 Desse modo, podemos observar que os proble-
mas relacionados à PL existem de longa data. No en-
tanto, passaram a ser tratados com mais atenção em
meados da década de 40. Isso se deve, ao desafio de
serem desenvolvidas técnicas capazes de solucionar
os problemas de logística da segunda Guerra Mun-
dial (Bixby, 2012).
Esses problemas tinham como principal objeti-
vo minimizar o custo das operações militares. Além
de definirem a melhor estratégia a ser usada para ga-
rantir sucesso nas baixas dos inimigos. Para isso era
necessário fazer o uso eficiente dos recursos mili-
tares disponíveis como radares, canhões antiaéreos,
escoltas navais, etc.
Assim, o ano de 1947 é tido por muitos auto-
res como o marco da Programação Linear. Foi nesse
ano que o matemático George Dantzig publicou o
seu trabalho sobre o Método Simplex. Dantzig tra-
balhava para as forças armadas dos EUA durante a
segunda Guerra Mundial. E foi nesse período que
desenvolveu o Método Simplex para solucionar os
problemas de logística das forças aéreas americanas.
Esse algoritmo é capaz de resolver diversos proble-
mas de PO, em especial, aqueles de baixa complexi-
dade (Bixby, 2012).
O progresso tecnológico após o período pós-
-guerra, atribuído principalmente ao poder de pro-
cessamento dos computadores, resultou em avanços

13
significativos nos estudos da Programação Linear.
Além disso, muitas indústrias encontraram na PL
uma poderosa ferramenta de gestão empresarial
para maximizar seus lucros. Por isso, a PL ainda é
muito usada, atualmente, para resolver problemas
relacionados à tomada de decisão.
A técnica de modelagem matemática de complexos problemas
de engenharia, economia e gestão que busca auxiliar o processo
de tomada de decisão é conhecida como Pesquisa Operacional.

1.2. Pesquisa Operacional

Já conhecemos um pouco da história da Pro-

gramação Linear. Dando continuidade no assunto
faremos uma breve apresentação de alguns concei-
tos que irão nos ajudar a compreender algumas das
aplicações da PL.
Sabemos que o processo de tomada de decisão
começa com a definição/formulação do modelo
matemático. Nele definimos as variáveis do siste-
ma e identificamos as relações que são necessárias
para descrever o comportamento do sistema. Desse
modo, pode-se compreender qual é a melhor manei-
ra de operar esse sistema. A Figura 1 ilustra algumas
das fases que envolvem o processo de tomada de
decisão na PO.

14
 Fonte: Rardin, 1998.

Segundo Rardin (1998), o processo de tomada de

decisão começa com a modelagem do problema. Nessa
etapa, são definidas as variáveis do problema, as res-
trições e o objetivo a ser atingido. Deste modo, o uso
de ferramentas matemáticas é necessário para uma ade-
quada análise do modelo. Para completar o processo de
tomada de decisão, é necessário avaliar os resultados
que foram gerados pelo modelo matemático.
Nesse sentido, o modelo matemático tem por
objetivo estabelecer as relações que são necessárias
para que a decisão do problema seja tomada com a
máxima racionalidade. As etapas clássicas para elabo-
rar um modelo matemático são (Kagan et al., 2009):
• Função objetivo: indica o critério de otima-
lidade do modelo. É representada pela relação das
variáveis de decisão do problema.
• Variáveis de decisão: indicam a solução do
problema.

15
 • Espaço das soluções: é delimitado através de
um conjunto de equações e inequações denomina-
das de restrições do problema.
• Restrições: garantem que a solução encontra-
da estará de acordo com as limitações atribuídas ao
problema.
Como se pode observar, os modelos mate-
máticos na PO são formados por um conjunto de
equações e inequações que ajudam a medir a efi-
ciência do sistema para cada solução proposta, e
ainda ajudam a descrever as limitações técnicas do
sistema. Vale ressaltar que um modelo matemáti-
co é apenas uma representação simplificada de um
problema real. Logo, quanto mais variáveis de deci-
são forem incorporadas ao modelo, mais complexa
será a tarefa de solucioná-lo.
No mundo existem vários grupos de pesquisa
e sociedades profissionais que trabalham com pes-
quisa operacional. Esses grupos de pesquisa reúnem
cientistas interessados no desenvolvimento e no uso
de técnicas que solucionem os problemas estratégi-
cos (reais) de PO (Marins, 2011).
Pesquise sobre algumas das sociedades profissionais ligadas à
pesquisa operacional: IFORS1, EURO2 e SOBRAPO3 e conhe-
ça um pouco mais sobre as aplicações dessa área de pesquisa.

1 The Internacional Federation of Operational Research

Societes
2 European Operational Research Society
3 Sociedade Brasileira de Pesquisa Operacional

16
 1.3. Programação Linear

A Programação Linear é uma técnica de mo-

delagem robusta que permite formular muitos dos
problemas relacionados à pesquisa operacional
como, por exemplo, o controle, operação, planeja-
mento, análise econômica e regulação de sistemas
de potência (Gómez-Expósito, et al., 2011). Dentre
essas aplicações podemos citar:
• Mix de produção (escolha das usinas para ge-
ração de energia elétrica)
• Mistura de matérias-primas na indústria pe-
trolífera
• Modelos de equilíbrio econômico
• Carteira de investimentos
Kagan et al. (2009) define a Programação
Linear como o clássico problema da alocação de
recursos limitados a atividade em competição, de
forma ótima. Assim, a PL busca encontrar a me-
lhor solução para problemas que tenham modelos
definidos por expressões lineares. Por isso, a sua
aplicabilidade e simplicidade devem-se a linearida-
de do modelo (Marins, 2011).
Os problemas que envolvem a Programação
Linear geralmente buscam otimizar (maximizando
ou minimizando) uma determinada função objetivo,
que caracteriza-se por ser uma função linear. Essa
função objetivo está sujeita a um conjunto de res-

17
trições representadas por equações (ou inequações)
lineares. Isto posto, um modelo de PL deve ter as
seguintes características:

• Proporcionalidade: A quantidade de recurso consu-

mido por uma dada atividade deve ser proporcional ao
nível de atividade na solução final do problema.
• Não-negatividade: Deve sempre ser possível desen-
volver uma determinada atividade em qualquer nível
não negativo. Além disso, qualquer proporção de um
determinado recurso deve sempre poder ser utilizada.
• Aditividade: O custo total é a soma das parcelas asso-
ciadas a cada atividade.
• Separabilidade: Pode-se identificar de forma separada
o custo específico das operações de cada atividade (Gol-
dbarg e Luna, 2005).

1.4. Formulação Matemática

A forma padrão de um problema de PL pode

ser representada pela forma matricial, onde temos
uma apresentação mais compacta.
Max “ou “ Min z=”c x” (1)
“ sujeito a “
“A x = b “ (2)
“x ≥ 0 “ (3)
“b ≥ 0 “ (4)

18
 Onde:
Z é a função objetivo do problema.
c é o vetor de custos do problema, nele estão os
coeficientes de custo da função objetivo.
x é o vetor de decisão do problema, ele contém a
lista das variáveis de decisão consideradas no problema.
A é uma matriz de dimensão (m×n), denomi-
nada matriz das restrições ou a matriz dos coeficien-
tes. É nela que estão os coeficientes tecnológicos
que compõem as restrições do problema.
b é o vetor conhecido com lado direito das
restrições (right side) ou vetor das necessidades, ele
indica a disponibilidade de recursos que estão asso-
ciados a cada restrição do problema.

Nesse caso uma solução seria viável para o pro-

blema se houver um vetor não-negativo x que sa-
tisfaça as restrições Ax = b. Por sua vez, a região
factível do modelo é um conjunto de variáveis de
decisão que satisfaz todas as restrições do modelo.
Por sua vez, as restrições de um problema de
PL compõem um conjunto viável ou a região factí-
vel do problema. A Figura 2 ilustra a região factível
de um problema com duas variáveis de decisão, qua-
tro restrições lineares (R1,R2,R3 e R4) e as condições
de não negatividade x1,x2 ≥0 .

19
 Fonte: Elaboração própria.

Por fim, a solução ótima é representada por um

conjunto de variáveis de decisão factíveis cujo valor
da função objetivo é no mínimo igual a qualquer ou-
tra solução que satisfaça todas as restrições (Rardin,
1998). A Figura 3 representa a solução ótima de um
problema de PL.

Fonte: Elaboração própria.

20
 Na Figura 3, pode-se observar que existe uma
única solução que satisfaz todas as restrições do
problema. A região sombreada é o conjunto de
pontos (x1 e x2) que satisfazem simultaneamente as
duas restrições do problema (R1 e R2), por isso é
chamada de região factível.
Dessa forma, uma classe especial de subcon-
juntos que desempenha um papel fundamental na
PL é a dos conjuntos convexos. Por definição um
conjunto convexo é um conjunto tal que o segmento
de reta que une dois quaisquer dos seus pontos está
contido no conjunto (Ramalhete et al.,1985).
Assim sendo, o espaço definido pelo conjunto
de restrições lineares é convexo, ou seja, qualquer
combinação linear de duas soluções quaisquer per-
tencentes a este espaço também é viável (Kagan et
al., 2009). A Figura 4 ilustra alguns exemplos de
conjuntos convexos.

Fonte: Elaboração própria.

21
 Por sua vez, os conjuntos não convexos são
aqueles em que pelo menos dois pontos de um seg-
mento de reta não estão totalmente contidos no
conjunto. A Figura 5 mostra alguns destes exemplos.

Fonte: Elaboração própria.

1.5. FORMA CANÔNICA

Um problema de PL pode ser formulado por

um modelo matemático que busca determinar valores
não negativos para as variáveis de decisão (x 1,...,xn) a
fim de satisfazer um sistema de equações ou inequa-
ções lineares que maximizem ou minimizem o valor
de uma função linear dessas variáveis (Ramalhete et
al.,1985). A seguir é indicada, algebricamente, a forma
padrão canônica de problema de PL com m restrições
e n variáveis de decisão (Bazaraa et al., 1990).
Max C1 X1 +C2 X2 +....+ Cn Xn (5)
“sujeito a “
A11 X1 +A12 X2 +....+ A1n Xn (≤,≥,=) b1 (6)

22
A21 X1 +A22 X2 +....+ A2n Xn (≤,≥,=) B2 (7)
Am1 X1 +Am2 X2 +...+ Amn Xn (≤,≥,=) Bm (8)
Xi “ ≥ “ 0” (9)
Bm “ ≥ “ 0” (10)
i “= 1,...,n (11)

Onde:
(5) é a função objetivo do problema.
(6), (7) e (8) indicam as restrições lineares do
problema, que podem ser representadas tanto por
equações quanto por inequações.
x1,...,xn representam as variáveis de decisão do
problema.
c1,...,cn são os coeficientes da função objetivo.
bi é o termo independente da equações/inequa-
ções lineares.
xi ≥ 0 garante a condição de não-negatividade.
bm ≥ 0 garante que a constante do lado direito
das restrições é não-negativa.

Nos modelos de maximização as restrições mais fre-

quentes são as do tipo ≤.
Nos modelos de minimização as restrições mais fre-
quentes são as do tipo ≥.

Um problema de PL pode ser resolvido tanto

pela forma canônica quanto pela forma padrão. Sen-
do assim, um problema formulado na forma canôni-

23
ca pode ser escrito na forma padrão, sem perda das
suas propriedades matemáticas. Goldbarg e Luna
(2005) e Ramalhete et al. (1985) descrevem algumas
das operações que podem ser usadas nesse processo
de transformação, são elas:

• Mudança no critério de otimização: Transfor-

mar um problema de maximização em minimização
e vice-versa. Fazemos essa transformação através da
seguinte propriedade
Min f(x)≡ Max (-f(x) ) (12)
Max f(x)≡ Min (-f(x) ) (13)

• Transformar uma restrição de desigualdade

em igualdade e vice-versa. Nesse caso temos duas
situações a serem analisadas:
a) Transformar uma restrição de desigualdade
do tipo ≤ em uma restrição de igualdade. Neste caso,
devemos introduzir uma variável de folga x(n+1) ca-
paz de completar a desigualdade. Indicado por:
x1+ x2+ ...+ xn ≤b (14)
x1+ x2+...+ xn + x(n+1)=b, x(n+1)≥0 (15)

b) Transformar uma restrição de desigualdade

do tipo ≥ em uma restrição de igualdade. Neste caso,
devemos introduzir uma variável de folga x(n+1) com
coeficiente negativo capaz de completar a desigual-
dade. Indicado por:

24
 x1+ x2+...+ xn ≥b (16)
x1+ x2+ ...+ xn- x(n+1)=b,x(n+1) ≥0 (17)

• Transformar uma variável livre em uma vari-

ável não negativa: Neste caso é necessário substituir
a variável livre por duas variáveis auxiliares, ambas
maiores ou iguais a zero e cuja soma seja igual à va-
riável original. Indicado por:
xn= xn1 - xn2 (18)
xn1 ≥0,xn2 ≥0,

1.6. Representação Gráfica

dos Problemas de Pl

Quando se tem problemas de PL com apenas

duas variáveis de decisão é possível resolvê-los por
meio de uma representação gráfica. Geralmente, os
modelos de PL com apenas duas variáveis são bem
simples. Todavia, esse tipo de representação permite
colocar em evidência alguns conceitos importantes
da PL como região factível e solução ótima. A fim
de compreender esses conceitos, iremos resolver um
modelo de PL com duas variáveis de decisão.

Ex:
Adaptado de Rardin (1998)
A empresa Lambda fabrica turbinas eólicas
para geração de energia. A fábrica possui duas linhas

25
de produção disponíveis. A linha A produz uma tur-
bina eólica em 10 horas, ao custo de R$500,00. A
linha B produz a mesma turbina eólica em 20 horas,
ao custo de R$100,00. O gerente de planejamento da
empresa, deseja saber qual é a forma mais eficiente
para produzir três turbinas eólicas em 40 horas. Ou
seja, ele deseja minimizar seu custo de produção.
Para fins de formulação considerar que x1 e x2
sejam variáveis inteiras.

Modelagem do problema:

As variáveis de decisão do problema são repre-

sentadas por x1 e x2, ou seja, a quantidade de turbi-
nas produzida por cada linha de produção.
Trata-se de um problema de minimização de
custos, logo a função objetivo do problema é repre-
sentado por: Min 500x1+ 100x2
As restrições do problema são representadas por:
Número de horas disponíveis para fabricação
das turbinas:
10x1+ 20x2 ≤40.
Quantidade de turbinas produzidas: x1+ x2=3.
O número de turbinas produzidas deve perten-
cer ao conjunto dos números naturais: x1,x2ε Ν.
Restrição de não-negatividade: x1,x2≥0.
Deste modo, a formulação do problema seria:

26
 Min 500x1+ 100x2 (19)
sujeito a
10x1+ 20x2 ≤40 (20)
x1+ x2=3 (21)
x1,x2≥0 (22)
ε
x1,x2 Ν (23)

Agora, iremos encontrar a região factível do

problema, ou seja, o conjunto dos pares (x1,x2) que
satisfazem todas as restrições do modelo. A primeira
restrição a ser atendida é a restrição de não-negati-
vidade. Essa restrição corresponde ao primeiro qua-
drante, do espaço de pontos x1 e x2.
Já a segunda restrição refere-se ao número de
horas disponíveis para fabricação das turbinas eó-
licas (20). E por fim, tem-se a restrição que assegu-
ra que o número de turbinas produzidas deverá ser
igual a três (21). Para isso, é necessário determinar
quais são os pontos de intersecção destas retas nos
eixos x1 e x2. Assim temos:

10x1+ 20x2 ≤40 ÷10 x1+ x2=3

x1+ 2x2 ≤4

Para: x1=0 → x2=2 Para: x1=0 → x2=3

Para: x2=0 → x1=4 Para: x2=0 → x1=3

27
 O gráfico da Figura 6 ilustra esse conjunto de
restrições e a respectiva região factível do problem

Fonte: Elaboração própria.

Na Figura 6, pode-se visualizar a região factível

do problema, representada pela região sombreada.
Os pontos contidos nessa área satisfazem todas as
condições de otimalidade do problema.
A solução ótima de um PL, geralmente, está
contida nos vértices do conjunto factível. Nesse
caso, têm-se quatro possíveis soluções factíveis e
apenas uma delas é a solução ótima. Para determinar
a solução ótima devem-se testar cada par de pontos
(x1 e x2), como indicado a seguir.

28
Pontos: x_1=0 e x_2=0
Restrição n.º de Restrição geração Restrição de
horas energia conjunto
10x1+ 20x2 ≤40 x1+ x2=3 x1, x2 ε Ν
0+ 0 ≤40 0+ 0=3" " 0,0 ε Ν
0 ≤40 0=3" "
Restrição satisfeita Restrição violada Restrição satisfeita

Pontos: x_1=0 e x_2=2

Restrição geração Restrição de con-
Restrição nº de horas
energia junto
10x1+ 20x2 ≤40 x1+ x2=3 x1,x2 ε Ν
0+(20×2) ≤40 0+ 2=3" " 0,2 ε Ν
40 ≤40 2=3" "

Restrição satisfeita Restrição violada Restrição satisfeita

Pontos: x_1=2 e x_2=1

Restrição n.º de Restrição geração Restrição de con-
horas energia junto
10x1+ 20x2 ≤40 x1+ x2=3 x1,x2 ε Ν
(10 ×2)+(20×1) ≤40 2+ 1=3 2,1 ε Ν
40 ≤40 3=3
Restrição satisfeita Restrição satisfeita Restrição satisfeita

Pontos: x_1=3 e x_2=0

Restrição geração Restrição de con-
Restrição nº de horas
energia junto
10x1+ 20x2 ≤40 x1+ x2=3 x1,x2 ε Ν
(10 ×3)+(20×0) ≤40 3+ 0=3 3,0 ε Ν
30 ≤40 3=3
Restrição satisfeita Restrição satisfeita Restrição satisfeita

29
 Dessa análise observa-se que o conjunto de
pontos: (x1=2,x2=1) e (x1=3,x2=0) satisfizeram to-
das as restrições do problema. Agora, deve-se anali-
sar quais deles minimizam o valor da função objeti-
vo. Logo, tem-se:

Análise do valor da função objetivo: Min z=

500x1+ 100x2

Para:(x1=2,x2=1) Para: (x1=3,x2=0)

Min (2,1)= (500×2)+ (100 ×1) Min (3,0)= (500×3)+ (100 ×0)

Min (2,1)= 1100 Min (3,0)= 1500

Dessa análise, pode-se concluir que a função

objetivo tem seu valor minimizado quando as variá-
veis x1 e x2 assumem os valores de dois e um respec-
tivamente. Logo, essa é a solução ótima para produ-
ção das turbinas eólicas na empresa Lambda. Assim,
a linha A deverá produzir duas turbinas e a linha B
uma turbina eólica.

1.7. Problemas de Programação

Linear

O propósito dessa seção é apresentar alguns

problemas que envolvem a PL. Dessa forma, o leitor

30
 poderá compreender melhor a aplicabilidade dessa
ferramenta de modelagem matemática.

Ex:
O Problema da dieta, para redução calórica,
tem por objetivo determinar a quantidade de certos
alimentos que deverão ser ingeridos diariamente,
desde que determinados requisitos nutricionais se-
jam atendidos a um mínimo custo.
Considere que, certa dieta alimentar está restri-
ta ao consumo de carne vermelha magra, peixe, leite
e saladas. Os requisitos nutricionais são expressos em
termos de vitaminas A, C e D controlados por suas
quantidades mínimas (em miligramas). Formule o
problema de otimização que satisfaça as condições
impostas pelo problema. A tabela abaixo relaciona
os requisitos nutricionais necessários ao organismo,
a quantidade existente em cada um dos alimentos e
os respectivos custos unitários dos alimentos (Gold-
barg e Luna, 2005).
Requisito
Carne
Peixe Leite Salada nutricional
Vitamina vermelha
(kg) (litro) (100mg) mínimo
magra (kg)
(mg)
A 2 mg 10 mg 2 mg 20 mg 11
C 20 mg 10 mg 50 mg 30 mg 70
D 70 mg 10 mg 80 mg 80 mg 250
Custo (R$) 2 4 1,5 1
Fonte: Goldbarg e Luna (2005).

31
 Modelagem:
Variáveis de decisão:
xj: quantidade do alimento j presente na dieta.
Onde j=1,2,3,4.
(Quantidade de carne vermelha, peixe, leite e salada).

Função objetivo: Min z=2x1+4x2+1,5x3+ x4

Restrições:
Demanda de vitamina A: 2x1+10x2+2x3+
20x4≥11
Demanda de vitamina C: 20x1+10x2+ 50x3+
30x4≥70
Demanda de vitamina D: 70x1+10x2+ 80x3+
80x4≥250
Não-negatividade: x1,x2,x3,x4 ≥0

Ex:
Uma refinaria de petróleo precisa misturar
quatro derivados do petróleo que são usados para
composição de três tipos de gasolina (extra, super
e comum). Para garantir a qualidade de cada tipo
de gasolina, é necessário manter a porcentagem
dos derivados do petróleo dentro dos limites espe-
cificados. Os preços de venda de cada tipo de ga-
solina por barril estão indicados na Tabela 2. As
informações sobre os custos e disponibilidade dos
derivados do petróleo estão na Tabela 3. O objeti-

32
vo do problema é maximizar o lucro (Goldbarg e
Luna, 2005) e (Marins, 2011)

Derivados Quantidade má- Custo por barril/

petróleo xima disponível dia (US$)
(barril/dia)
1 3.000 3
2 2.000 6
3 4.000 4
4 1.000 5
Tabela 2: Dados sobre os derivados de petróleo
Fonte: Goldbarg e Luna (2005) e (Marins, 2011).
Preço de venda
Tipo de gasolina Especificações
(US$)
Não mais que
30% de 1
Não mais que
Extra 5,5
50% de 3
Não mais que
40% de 2
Não mais que
50% de 1
Super 4,5
Não mais que
10% de 2
Não mais que
Comum 3,5
70% de 1
Tabela 3: Dados sobre os preços e especificações da gasolina-
Fonte: Goldbarg e Luna (2005) e (Marins, 2011).

Modelagem:
Variáveis de decisão:
xij: quantidade do derivado de petróleo i (1, 2,
3, 4) na gasolina j (extra (E), super (S) e comum(C)).

33
 Variáveis de auxiliares:
XE= ∑XiE ; XS= ∑XiS ; XC= ∑XiC ; para i=1,2,3,4.

X1= ∑X1j ; X2= ∑X2j ; X3= ∑X3j ; X4= ∑X4j para j=E,S,C

Função objetivo:
A função objetivo do problema é maximizar o
lucro da refinaria. Que pode ser representado por:

Max z= ∑(Pv ×quant.vendida)-∑(Cderivado ×quant.comprada)

Pv: preço de venda de cada tipo de gasolina

Cderivado: custo de cada tipo de derivado
Assim temos:
Max L= 5,5XE+4,5XS+ 3,5XC- 3X1- 6X2- 4X3- 5X4

Restrições:
Quantidades máximas dos derivados de petróleo:
∑X1j ≤3.000; ∑X2j ≤2.000; ∑X3j ≤4.000 ∑X4j ≤1.000

Especificações das gasolinas:

X1A ≤0,3 XA X2A ≥0,4 XA; X3A ≤0,5 XA
X1B ≤0,5 XB; X2B ≥0,1 XB
X1C ≤0,7 XC

Não-negatividade:
xij ≥0 todo i=1,2,3,4 e j=S,E,C.

34
 1.8. Algoritmo Simplex

De acordo com Goldbarg e Luna (2005), um

modelo de PL reduz um sistema real a um conjunto
de equações sou inequações onde se pretende otimi-
zar uma função objetivo. Esse conjunto de equações
deverá ser, em princípio, um conjunto indetermina-
do de forma que o número de soluções factíveis é in-
finito. Sabe-se que alguma solução ótima deverá ser
encontrada em um ponto extremo do conjunto das
soluções factíveis. Contudo, esse número de pontos
extremos pode ser muito grande.

É nesse contexto que o algoritmo Simplex, pro-

posto por Dantzig, em 1947, destaca-se como umas
das grandes contribuições da PL. Dantzig estabele-
ceu uma forma sistemática de resolução dos proble-
mas de PL recorrendo à teoria das equações lineares,
ao conceito de independência de vetores e à álgebra
matricial (Matousek e Gärtner, 2007).
O algoritmo Simplex parte de uma solução viá-
vel do sistema de equações que constituem as restri-
ções do problema de PL. Quase sempre essa solução
é um dos vértices do conjunto factível. A partir des-
sa solução inicial o algoritmo vai identificando novas
soluções viáveis de valor igual ou melhor que a so-
lução atual. Dessa forma, pelo critério de escolha do
algoritmo sempre novos e melhores vértices serão

35
encontrados. Além disso, é possível determinar se
o vértice escolhido é ou não um vértice ótimo, ou
seja, se ele indica a solução ótima do problema de PL
(Goldbarg e Luna, 2005) e (Nash, 2000). A Figura 7
apresenta o fluxograma do método Simplex.

Fonte: Elaboração própria

A Figura 8, por sua vez ilustra como ocorre o

processo de busca do algoritmo Simplex. Esse mé-
todo consiste em se movimentar de vértice em vérti-
ce da região factível, até que seja comprovado que o
valor da função objetivo não pode sofrer melhoria,
ou seja, o valor ótimo da função foi determinado
(Kagan et al., 2009).

36
 Fonte: Elaboração própria

Para se movimentar de um vértice para o outro,

o procedimento de busca consiste em retirar uma
variável básica da base e inserir uma variável não-bá-
sica (nula) na base. Esse processo repete-se até que o
valor ótimo do problema seja encontrado (Matousek
e Gärtner, 2007). Kagan et al. (2009) descrevem o
que ocorre em cada passo para se obter a base ótima
do espaço factível após a escolha da base inicial.

• Escolha da variável que entra na base:

A variável escolhida para entrar na base é
aquela que permite o maior ganho unitário positivo
na função objetivo.
• Escolha da variável que sai na base:
A variável escolhida para sair da base é aque-
la que permite o maior acréscimo na variável que

37
entra na base. Essa variável é aquela que atinge em
primeiro lugar o limite inferior (geralmente zero).
• Condição de otimalidade:
Essa condição é atingida quando o vértice ou
aresta do poliedro é tal que não exista ganho positivo
da entrada de qualquer variável não básica na base.

No método Simplex as variáveis diferentes de

zero são chamadas de variáveis básicas e as iguais
a zero de variáveis não básicas. As variáveis básicas
são aquelas cuja coluna tem um valor igual a um e os
demais iguais a zero.
O método simplex requer que um problema de
PL seja escrito na forma padrão. Ou seja, é neces-
sário transformar um sistema de ‘M’ restrições de
desigualdades lineares em um sistema de ‘M’ restri-
ções de igualdades (equações). Com esse propósito,
adicionam-se a cada uma das desigualdades uma va-
riável de folga.
A fim de verificar se uma solução é ótima, faz-
-se necessário analisar os valores dos coeficientes
das variáveis não básicas. Assim sendo, uma solução
é ótima quando os seguintes critérios são satisfeitos:
• Se todos os coeficientes das variáveis não bá-
sicas forem negativos a solução é ótima.
• Se houverem valores positivos nos coefi-
cientes das variáveis não básicas a solução ainda
não é ótima.

38
 • Se houverem valores negativos e nulos a solu-
ção é ótima, mas não é única.

Ex:
Adaptado de Rardin (1998).
Forma canônica
Max 12x1 +9x2 (23)
sujeito a
x1 ≤ 1000 (24)
x2 ≤ 1500 (25)
x1+ x2 ≤ 1750 (26)
4x1+ 2x2 ≤ 4800 (27)
x1 ,x2 ≥ 0 (28)

Para reescrever esse problema na forma pa-

drão é necessário acrescentar as variáveis de fol-
ga. Sendo assim, tende-se seguir o problema de
PL na forma padrão.

Forma padrão
Max 12x1 +9x2 (29)
sujeito a
x1+x3 = 1000 (30)
x2+ x4 = 1500 (31)
x1+ x2 + x5 = 1750 (32)
4x1+ 2x2 + x6 = 4800 (33)
x1,...,x6 ≥ 0 (34)

39
 Agora que as variáveis de folga foram acres-
centadas é possível resolver o problema usando o
Tableau do Simplex.

X1 X2 X3 X4 X5 X6 b
1 0 1 0 0 0 1.000
0 1 0 1 0 0 1.500
1 1 0 0 1 0 1.750
4 2 0 0 0 1 4.800
12 9 0 0 0 0
N N B B B B

Neste primeiro Tableau, podemos identificar

as variáveis não-básicas (N): x1 e x2. E as variáveis
de folga também conhecidas como variáveis bási-
cas (B): x3, x4, x5, x6. As variáveis básicas assumem
os seguintes valores: x1=1000, x2=1500, x3=1750
e x4=4800.
Agora, deve-se determinar qual variável sai da
base, ou seja, qual variável não-básica tem o maior
custo associado. Nesse caso, é a variável x1 cujo cus-
to é igual a 12.
O próximo passo é calcular o valor da relação
bi⁄aij Para determinarmos o valor do menor passo.
Logo, tem-se: 1000⁄1, 1500⁄0, 1750⁄1, 4800⁄4. Dessa
relação identificamos a variável que irá sair entrar na
base e aquela que irá sair da base.

40
 X1 X2 X3 X4 X5 X6 b
1 0 1 0 0 0 1.000
0 1 0 1 0 0 1.500
1 1 0 0 1 0 1.750
4 2 0 0 0 1 4.800
12 9 0 0 0 0
NB NB B B B B
Tableau 1

O quociente com menor valor não-negativo é o

da variável x1. Logo, essa será a variável que irá entrar
na base e x3 irá sair da base. É necessário calcular a
nova matriz de coeficientes executando as operações
matemáticas convenientes na linha do pivô, destacada
no Tableau 1. Esses procedimentos serão repetidos
até que a solução ótima seja encontrada. A seguir,
X1 X2 X3 X4 X5 X6 b
1 0 1 0 0 0 1.000
0 1 0 1 0 0 1.500
0 1 -1 0 1 0 750
0 2 -4 0 0 1 800
0 9 -12 0 0 0 -12.000
B NB NB B B B
Tableau 2
X1 X2 X3 X4 X5 X6 b
1 0 1 0 0 0 1.000
0 0 2 1 0 -1/2 1.100
0 0 1 0 1 -1/2 350
0 1 -2 0 0 1/2 400
0 0 6 0 0 -4,5 -15.600
B B NB B B NB
Tableau 3

41
 X1 X2 X3 X4 X5 X6 b
1 0 0 0 -1 1/2 650
0 0 0 1 -2 1/2 400
0 0 1 0 1 -1/2 350
0 1 0 0 2 -1/2 1.100
0 0 0 0 -6 -1,5 -17.700
B B B B NB NB
Tableau 4

No Tableau 4, os coeficientes das variáveis não-

-básicas são todos negativos, logo temos uma solução
ótima. O Tableau apresenta uma série de informações
relativas ao problema. É possível identificar o valor
das variáveis x1 e x2, por exemplo, x1=650 e x2 =1100.
Quando esses valores são substituídos na função ob-
jetivo do problema, tem-se o valor da solução ótima.

Max 12x1 +9x2= (12 ×650) + (9 ×1.100)=17.700 (35)

Pode-se observar que o valor ótimo da função

objetivo é o mesmo valor apresentado pelo Tableau
4, como era de se esperar.

Você pode resolver os problemas de PL usando al-

guns softwares como o Solver (Excel) e o LINDO.
Procure saber um pouco mais sobre esses softwares.

42
 Exercícios

1. Defina programação linear e cite alguns

exemplos da sua aplicação.

2. Defina conjunto convexo.

3. Dado o seguinte problema de PL, colocá-lo

na forma padrão.

Max 4x1 +2x2

sujeito a
x1- 4x2 + x3 ≤ 12
9x1+ 6x3 ≥15
5x1+ 9x2 ≤ 5
x1 ,x2 ≥ 0

4. A respeito do Método Simplex, julgue os

itens a seguir como verdadeiro (V) ou falso (F):
( ) Têm-se tantas variáveis de folga quantas
forem as restrições.
( ) Adiciona-se a cada restrição de desigualda-
de uma variável não-negativa.
( ) As variáveis iguais a zero são as variáveis
básicas.
( ) As variáveis diferentes de zero são as variá-
veis não-básicas.

43
 5. Temos o Tableau final de um problema de
PL. Identifique:
X1 X2 X3 X4 X5 b
1 0 2 0 5 4
0 0 1/5 1 2/3 1
0 1 0 0 1 3
0 0 -5 0 -1/3 -23

a) As variáveis básicas e não-básicas.

b) Os valores de x1, x2, x3, x4 e x5.
c) O valor da função objetivo.

44
 Unidade 02
Dualidade e Sensibilidade

Agora que já aprendemos sobre otimização,

seus conceitos e aplicações, e também, sobre pro-
gramação linear e o método simplex, vamos abor-
dar a dualidade de problemas lineares e a análise de
sensibilidade dos problemas de otimização. Como
será aprendido neste capítulo, cada problema origi-
nal possui um problema dual e, resolvendo um deles
(original ou dual), é possível identificar a solução do
outro. Já o tópico de análise de sensibilidade apre-
senta uma metodologia a fim de verificar as possíveis
soluções do modelo, caso exista alteração em seus
parâmetros, porém, sem ter que resolver o proble-
ma de programação linear novamente. Este material
foi preparado seguindo as notações e conceituações
propostas, principalmente, por Thie(1938).
Bons estudos!

Conteúdos da Unidade
Acompanhe os conteúdos desta unidade. Se
preferir, vá assinalando os assuntos, à medida que
for estudando.

• Dualidade
• Método Dual Simplex
• Teorema da Dualidade

45
• Teorema da dualidade fraca
•Teorema da dualidade forte
•Análises de sensibilidade

46