Académique Documents
Professionnel Documents
Culture Documents
Elétricos de Potência
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
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
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
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.
14
Fonte: Rardin, 1998.
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.
16
1.3. Programação Linear
17
trições representadas por equações (ou inequações)
lineares. Isto posto, um modelo de PL deve ter as
seguintes características:
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.
19
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.
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.
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.
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:
24
x1+ x2+...+ xn ≥b (16)
x1+ x2+ ...+ xn- x(n+1)=b,x(n+1) ≥0 (17)
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:
26
Min 500x1+ 100x2 (19)
sujeito a
10x1+ 20x2 ≤40 (20)
x1+ x2=3 (21)
x1,x2≥0 (22)
ε
x1,x2 Ν (23)
x1+ 2x2 ≤4
27
O gráfico da Figura 6 ilustra esse conjunto de
restrições e a respectiva região factível do problem
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
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:
Min (2,1)= (500×2)+ (100 ×1) Min (3,0)= (500×3)+ (100 ×0)
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).
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)
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:
Restrições:
Quantidades máximas dos derivados de petróleo:
∑X1j ≤3.000; ∑X2j ≤2.000; ∑X3j ≤4.000 ∑X4j ≤1.000
Não-negatividade:
xij ≥0 todo i=1,2,3,4 e j=S,E,C.
34
1.8. Algoritmo Simplex
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.
36
Fonte: Elaboração própria
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.
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)
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
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
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
42
Exercícios
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
44
Unidade 02
Dualidade e Sensibilidade
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