INVESTIGAÇÃO OPERACIONAL

PROGRAMAÇÃO NÃO LINEAR

(Exercícios)
( Texto revisto para o ano lectivo 2001-2002 )

António Carlos Morais da Silva

Professor de I.O.
 Recomendações

1. Fazer dez exercícios ou o mesmo exercício 10 vezes ?

Em regra obtém-se melhor rendimento executando várias vezes o mesmo

exercício, com critério e sentido da descoberta, do que resolvendo vários
exercícios com o objectivo enganador de “acertar na solução “.

2. Exercício feito, tarefa pronta ?

Rever criticamente a “história” da execução de um exercício melhora

substancialmente a capacidade pessoal de identificação dos problemas e de
arquitectar o plano de aplicação do “ferramental” técnico necessário (o quê ;
quando ; como).
A Programação Matemática apela ao “engenho e arte” de quem quer mesmo
utilizá-la.

3. Sim ou não ao software da disciplina ?

O “passado escolar” ensina que o recurso intensivo ao software académico,

desenhado especificamente para apoio do ensino desta disciplina, traduz-se
rapidamente na melhoria do rendimento porque além de permitir exercitar a
curiosidade intelectual (vertente fundamental) garante a obtenção rápida de
respostas rigorosas e detalhadas para exercícios propostos pelo professor ou
gizados pelo próprio aluno (aumento da produtividade).
 Exercícios de PNL

1. Métodos da Bissecção e do Gradiente

1.1. Calcular o Máximo livre de f(x) = - 2x6 - 3x4 + 12x pelo Método da Bissecção ( tolerância = 0.01)

1.2. Calcular o Máximo livre de f(x) = - 0.25x4 + x3 - 2x2 + 2x pelo Método da Bissecção ( tolerância = 0.02)

1.3. Calcular o Máximo livre de f(x1,x2) = 4x1 + 6x2 - 2x12 - 2x1x2 - 2x22 pelo Método do Gradiente

1.4. Calcular o Máximo livre de f (x1 , x2) = 2x1 x2 + 2x2 - x12 - 2x2 2 pelo Método do Gradiente.

1.5. Calcular o Máximo livre de f (x1 , x2) = 8x1 - x12 - 12x2 - 2x22 + 2x1x2 pelo Método do Gradiente.

1.6. Calcular o Mínimo livre de f (x1 , x2) = x12x22 + 2x12 + 2x22 - 4x1 + 4x2 pelo Método do Gradiente.

1.7. Elabore um fluxograma do Método da Bissecção.

1.8. Fundamente e descreva o Método do Gradiente.

INVESTIGAÇÃO OPERACIONAL (MS) 1-1

 Exercícios de PNL

2. Método dos Multiplicadores de Lagrange

2.1. Descrever o Método dos Multiplicadores de Lagrange à luz do respectivo Teorema.

2.2. Se (X,λ) são soluções das condições de Lagrange para um problema de PNL (maximização) só com restrições
de igualdade, pode concluir-se que são todos pontos onde a função atinge o máximo ?

2.3. Calcular pelo Método dos Multiplicadores de Lagrange:

Max f(x1,x2) = x1x2 + 2x1

s.a. 4x1 + 2x2 = 60

2.4. Deduza as condições de 1ª ordem para extremo de:

Max f(x)
s.a. x ≥ 0

2.5. Usando o Método dos Multiplicadores de Lagrange deduza as condições de 1ª ordem para extremo de:
Max f(x)
s.a. g(x) ≤ b

2.6. Calcular pelo Método dos Multiplicadores de Lagrange:

Max f(x1,x2) = 5x1 - 2x12 + 3x1x2 - 2x22

s.a. x1 + x2 ≤ 2

2.7. Calcular pelo Método dos Multiplicadores de Lagrange:

Max f(x1,x2) = 3x12 + x22 + 2x1x2 + 6x1 + 2x2

s.a. 2x1 - x2 = 4
O ponto óptimo é extremo global da função ?

2.8. Calcular pelo Método dos Multiplicadores de Lagrange o extremo da função:

Min f(x1,x2) x1 - x2

s.a. x12 + x22 = 1

INVESTIGAÇÃO OPERACIONAL (MS) 2-1

 Exercícios de PNL

3. Programação Não Linear (alguns conceitos fundamentais)

3.1. Classifique e compare as soluções de modelos de PL e de PNL.

3.2. A solução óptima de um modelo de PNL pode ser atingida em ponto da fronteira do convexo de soluções ?

3.3. A solução óptima de um modelo de PNL pode ser atingida em ponto interior do convexo de soluções ?

3.4. Em PNL o espaço de solução pode não ser convexo ?

3.5. Partindo das respostas ás 4 questões anteriores, aponte as principais diferenças entre soluções de PL e PNL.

3.6. Considere o modelo de PNL:

Max f(x1 , x2 , ... . xn)

s.a. g1 (x1 , x2 , ... . xn) (≤,=,≥) b1

g2 (x1 , x2 , ... . xn) (≤,=,≥) b2

.............................. ................ .....

gm(x1 , x2 , ... . xn) (≤,=,≥) bm

Admitindo que o espaço de soluções é convexo em que circunstâncias pode afirmar-se que um máximo local
da função-objectivo é solução óptima do modelo de PNL?

3.7. Apresente a matriz Hessiana da função f = (x13 + 2x1x2 + x24)

3.8. Considere a função não linear f(x1 , x2 , ... . xn) com segundas derivadas parciais contínuas no conjunto “S”.

Indique as condições a que deve obedecer a matriz Hessiana da função para poder concluir que esta é côncava.

3.9. Considere a função não linear f(x1 , x2 , ... . xn) com segundas derivadas parciais contínuas no conjunto “S”.

Indique as condições a que deve obedecer a matriz Hessiana da função para poder concluir que esta é
convexa.

3.10. Uma empresa produz dois modelos M1 e M2 da mesma máquina.

As funções de procura são as seguintes:

modelo M1 : 150 - 2p1 - p2

modelo M2 : 200 - p1 - 3p2

em que p1 e p2 são os preços de venda de cada um dos modelos.

Calcular os preços de venda que maximizam a receita.

3.11. Verificar se a função f= x12 + x22 + 2x32 - x1x2 - x2x3 - x1x3 é convexa.

3.12. Considere a função quadrática f(x1,x2) = 2x1 x2 + 3x2 - x12 - x22

a. Calcular o gradiente da função no ponto X1 = (2,3)T.

b. Sendo f= 8 no ponto anterior, calcular o valor aproximado da função no ponto X2 = (2.1,3.2)T com uma

série de Taylor.

INVESTIGAÇÃO OPERACIONAL (MS) 3-1

 Exercícios de PNL

3.13. Considerar a função quadrática anterior.

Calcular o vector “V” resultante da diferença dos gradientes da função nos pontos X1 e X2 do problema

anterior recorrendo exclusivamente à matriz hessiana da função.

3.14. Considere a função f (x1,x2) = 15x1 + 30x2 - 4x1x2 - 2x12 - 4x22

a. Apresentar a função na forma quadrática.

3-2 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL

4. Condições de Karush-Kuhn-Tucker (condições KKT)

4.1. Deduza as condições KKT a partir da função de Lagrange:

Max f(x1,x2) = 2x1 + 3x2 - x12 - x22

s.a. 2x1 + 2x2 ≤ 4

4.2. Deduza as condições KKT a partir da função de Lagrange:

Max f(x1,x2) = 2x1 + 3x2 - x12 - x22

s.a. 2x1 + 2x2 = 4

4.3. Deduza as condições KKT a partir da função de Lagrange e calcule a solução óptima.

Min f(x1,x2) x12 + 2x1 + x22 - 4x2 + 5

s.a. x1 - 2 ≤ 0

x2 - 1 ≤ 0

x1,x2 ≥ 0

4.4. Considere o seguinte problema de programação não linear :

Max f(x1,x2) = ln (x1 +1) + x2

s.a. x12 + x22 = 1

x1 , x2 ≥ 0

a. Estabeleça as condições KKT

b. Calcule a solução óptima.

4.5. Considere o seguinte problema de programação não linear :

Max f(x1,x2) 2x1 + 3x2 - x12 - x22

s.a. 2x1 + 2x2 ≤ 4

x1,x2 ≥ 0

a. Demonstre que o problema é de programação convexa.

b. Calcule a solução óptima pelo Método do Simplex modificado por Wolfe.
c. Verifique geometricamente a solução calculada (a figura apresenta a projecção horizontal das curvas de
nível da função).

INVESTIGAÇÃO OPERACIONAL (MS) 4-1

 Exercícios de PNL

4.6. Considere o seguinte problema de programação não linear :

Max f(x1,x2) = 15x1 + 30x2 + 4x1x2 - 2x12 - 4x22

s.a. x1 + 2x2 ≤ 30

x1,x2 ≥ 0

a. Demonstre que o problema é de programação convexa.

b. Calcule a solução óptima pelo Método do Simplex modificado por Wolfe.
c. Verifique geometricamente a solução calculada (a figura apresenta a projecção horizontal das curvas de
nível da função).

4.7. Considere o seguinte problema de programação não linear :

Max f(x1,x2) = ln (x1 +1) - x22

s.a. x1 + 2x2 ≤ 3

x1 , x2 ≥ 0

a. Demonstre que o problema é de programação convexa.

b. Estabeleça as condições KKT.
c. Demonstre que o ponto de coordenadas (3,0) é o ponto onde f(x1,x2) atinge o máximo.

4.8. Considere o seguinte problema de programação convexa :

Min f(x1,x2x3) = 2x1 + x23 + x32

s.a. x12 + 2x22 + x32 ≥ 4

xj ≥ 0 (j=1 a 3)

a. Recorrendo ás condições KKT verifique se x1=1, x2=1, x3=1 pode ser a solução óptima.

4-2 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL

4.9. Descrever a solução óptima de Max f(x) para a ≤ x ≤ b recorrendo ás condições KKT sabendo que f´(x) existe
para qualquer valor no intervalo [ a,b ].

4.10. Considere o seguinte problema de programação não linear :

Min f(x1,x2) = (x1 -1)2 + (x2-2)2 - 3(x1+x2)

s.a. 4x1 + x2 ≤ 20

x1 + 4x2 ≤ 20

x1 , x2 ≥ 0

a. Sabendo que o ponto óptimo X* não pertence à fronteira do convexo de soluções, calcule a solução óptima
com base nas condições KKT.
b. Verifique geometricamente a solução calculada (a figura apresenta a projecção horizontal das curvas de
nível da função).

20

15

10

-5

-10
-10 -5 0 5 10 15 20

4.11. Considere o seguinte problema de programação convexa :

Min f(x1,x2) = x12 + 2x1 + 2x1x2 + 4x22

s.a. 2x1 + x2 ≥ 10

x1 + 2x2 ≥ 10

x1,x2 ≥ 0

a. Calcule a solução óptima pelo Método do Simplex modificado por Wolfe.

INVESTIGAÇÃO OPERACIONAL (MS) 4-3

 Exercícios de PNL

4.12. Considere o seguinte problema de programação não linear :

Min f(x1,x2) = 2x12 + x22

s.a. x1 + x2 = 10

x1,x2 ≥ 0

a. Demonstre que o ponto de coordenadas (10/3 , 20/3) é o ponto onde f(x1,x2) atinge o mínimo.

b. Calcule a solução óptima pelo Método do Simplex modificado por Wolfe.

c. Verifique geometricamente a solução calculada (a figura apresenta a projecção horizontal das curvas de
nível da função).

4.13. Considere o seguinte problema de PNL :

Max f(x1,x2) = 3x1 + x2

s.a. x12 + x22 ≤ 5

x1 - x2 ≤ 1

a. Calcule a solução óptima recorrendo exclusivamente ás condições KKT.

4.14. Considere o seguinte problema de PNL :

Max f(x) = x1

s.a. x2 - (1 - x1 )3 ≤ 0

x1 ,x2 ≥ 0

a. Verifique que as condições KKT “falham “no ponto óptimo e explique porquê.

4-4 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL

4.15. Descreva o Método de Lemke (utilizado na Programação Quadrática.).

4.16. Calcule a solução óptima do exercício 4.5 utilizando o Método de Lemke.

4.17. Calcule a solução óptima do exercício 4.6 utilizando o Método de Lemke.

4.18. Calcule a solução óptima do exercício 4.11 utilizando o Método de Lemke.

INVESTIGAÇÃO OPERACIONAL (MS) 4-5

 Exercícios de PNL

5. Métodos de Frank-Wolfe e SUMT

5.1. Descreva e fundamente o método de Frank-Wolfe (direcções viáveis).

5.2. Considere o seguinte problema de programação convexa :

Min f(x1,x2) = x12 - 6x1 + x23 - 3x2

s.a. x1 + x2 ≤ 1

x1,x2 ≥ 0

a. Determine a solução óptima pelo método de Frank-Wolfe.

5.3. Considere o seguinte problema de programação não linear:

Max f(x1,x2) = 15x1 + 30x2 + 4x1x2 - 2x12 - 4x22

s.a. x1 + 2x2 ≤ 30

x1,x2 ≥ 0

a. Considere x1=5 e x2=5 como ponto tentativa inicial. Efectue 3 iterações do método de Frank-Wolfe.

5.4. Considere o seguinte problema de programação não linear :

Max f(x1,x2) = 32x1 - x14 + 8x2 - x22

s.a. 3x1 + x2 ≤ 7

x1 - x2 ≤ 1

x1,x2 ≥ 0

a. Calcule a solução óptima recorrendo ao método de Frank-Wolfe, utilizando o programa distribuído

(BL.EXE).

5.5. Descreva e fundamente o método SUMT (Sequential Unrestricted Minimization Technique).

5.6. Considere o seguinte problema de programação não linear :

Max f(x1,x2) = 32x1 - x14 + 8x2 - x22

s.a. 3x1 + x2 ≤ 7

x1 - x2 ≤ 1

x1,x2 ≥ 0

a. Calcule a solução óptima recorrendo ao método SUMT, utilizando o programa distribuído (BL.EXE).

INVESTIGAÇÃO OPERACIONAL (MS) 5-1

 Exercícios de PNL

6. Modelos de Programação Não Linear

6.1. Uma empresa pretende iniciar a produção e venda de dois novos computadores A e B com preços de venda p1
e p2 respectivamente.
A relação entre o número de computadores a produzir do tipo A e os preços de venda é a seguinte:
x1 = 4000 - 10 p1 + p2

Notar que se o preço de venda p1 sobe 1 unidade o total da produção reduz-se em 10 computadores; se no

computador do tipo B aumenta o preço de venda em 1 unidade, tal conduz à produção de mais um
computador do tipo A.
A relação entre o número de computadores a produzir do tipo B e os preços de venda é a seguinte:
x2 = 2000 - 9p2 + 0.8 p1

Das disponibilidades escassas indicam-se as necessidades para cada um dos tipos de aparelho:

Mão de obra (horas) Chips

Tipo A 2 3
Tipo B 3 1
Disponibilidade 5000 4500

a. Calcular o Plano Óptimo de Produção ( e respectivos preços de venda) recorrendo ás condições KKT.
b. Indicar o contributo interno de 1 hora adicional de mão de obra.
c. Se a empresa decidir não produzir e vender o stock de chips qual o preço a praticar ? Justifique.

6.2. Uma empresa pretende iniciar a produção e venda de três novos tipos de secretária A, B e C com preços de
venda respectivamente de p1 ,p2 e p3 para o que pode disponibilizar, mensalmente, 150 horas/máquina e 280

horas de mão de obra.

As relações entre nível da produção e preços de venda são as seguintes:

• nível da produção de A = 18 - p1

• nível da produção de B = 9 + 1/3 p1 - p2

• nível da produção de C = 13 - p3

Os consumos por unidade produzida são os seguintes:

Tipo Horas/máquina Mão de obra (horas)

A 0.3 0.4
B 0.4 1
C 0.6 0.7

Os preços unitários de produção são, respectivamente, 5, 12 e 9 u.m.

a. Apresentar o modelo de PNL para calcular o Plano Óptimo de Produção.

6.3. Uma empresa tem disponíveis “T” horas de trabalho e “C” unidades monetárias sendo seu objectivo produzir
T2/3.C1/3 máquinas.
O custo a suportar por hora de trabalho é de 2 u.m. sendo de 1 u.m. por cada unidade de capital aplicado.
Disponibilizando 30 u.m. para a produção quantas máquinas podem ser produzidas?

6.4. Considere-se que no problema anterior se pretende produzir apenas 6 máquinas.

INVESTIGAÇÃO OPERACIONAL (MS) 6-1

 Exercícios de PNL

Calcular o capital mínimo a disponibilizar para a produção.

6.5. Uma empresa produz a mesma máquina em Portugal e Espanha.

Se aplicar x1 unidades monetárias na promoção em Portugal a previsão de vendas é de 6x11/2.

Se aplicar x2 unidades monetárias na promoção em Espanha a previsão de vendas é de 4x21/2.

O lucro unitário é de 5 u.m. nos dois países.

a. Dispondo de 100 u.m. para promoção como pode a empresa maximizar o lucro?
b. Qual é o aumento de lucro associado ao aumento de 1 u.m. para promoção?

6.6. Uma empresa tem 2 clientes para o mesmo produto "A".

Se produzir x1 unidades para o cliente X, o preço de venda é de 70-4x1 u.m. ; se produzir x2 unidades para o

cliente Y, o preço de venda é de 150-15x2 u.m..

Para produzir P unidades tem um custo de 100 + 15P (P>0).

Quantas unidades produzir para cada um dos clientes ?

6-2 INVESTIGAÇÃO OPERACIONAL (MS)

INVESTIGAÇÃO OPERACIONAL

PROGRAMAÇÃO NÃO LINEAR

(Soluções dos exercícios)

( Texto revisto para o ano lectivo 2001-2002 )

António Carlos Morais da Silva

Professor de I.O.
 Exercícios de PNL – Soluções detalhadas

1.

1.1.
Controlo da Tentativa Inicial
Método da Bissecção OK. df/dx em A é Positiva 12
OK
FUNÇÃO OK. df/dx em B é Negativa -468
Coeficientes Tolerância OK
Var. Coef. 0.01
x6 -2
x5 Pontos Tentativa SOLUÇÃO
x4 -3 A B
x3 0.00 2.00 f(x) = 7.8838682
x2 EXTREMO ÓPTIMO
x 12 0.8281250
Const. ABCISSA 0.8359375
0.8437500

Esq(Dir) Dir(Esq) Médio

ÁREA DE CÁLCULO Ponto "a" Ponto "b" M OK ? Valor f( M )
K (df/dx)M Lado de 0.000000 2.000000 1.0000000 Não 7.0000000
1 -12.00 b 0.000000 1.000000 0.5000000 Não 5.7812500
2 10.13 a 0.500000 1.000000 0.7500000 Não 7.6948242
3 4.09 a 0.750000 1.000000 0.8750000 Não 7.8438644
4 -2.19 b 0.750000 0.875000 0.8125000 Não 7.8671807
5 1.31 a 0.812500 0.875000 0.8437500 Não 7.8829082
6 -0.34 b 0.812500 0.843750 0.8281250 Não 7.8815042
7 0.51 a 0.828125 0.843750 0.8359375 Sim 7.8838682

Book Bissec.xls. Sheet Sol. 1.1

Analise o gráfico da função:

INVESTIGAÇÃO OPERACIONAL (MS) 1-1

 Exercícios de PNL – Soluções detalhadas

1.2.
Controlo da Tentativa Inicial
Método da Bissecção OK. df/dx em A é Positiva 2,00
OK
FUNÇÃO OK. df/dx em B é Negativa -4,14
Coeficientes Tolerância OK
Var. Coef. 0,02
x6
x5 Pontos Tentativa SOLUÇÃO
x4 -0,25 A B
x3 1 0,00 2,40 f(x) = 0,7499805
x2 -2 EXTREMO ÓPTIMO
x 2 0,9750000
Const. ABCISSA 0,9937500
1,0125000

Esq(Dir) Dir(Esq) Médio

ÁREA DE CÁLCULO Ponto "a" Ponto "b" M OK ? Valor f( M )
K (df/dx)M Lado de 0,000000 2,400000 1,2000000 Não 0,7296000
1 -0,21 b 0,000000 1,200000 0,6000000 Não 0,6636000
2 0,46 a 0,600000 1,200000 0,9000000 Não 0,7449750
3 0,10 a 0,900000 1,200000 1,0500000 Não 0,7487484
4 -0,05 b 0,900000 1,050000 0,9750000 Não 0,7496874
5 0,03 a 0,975000 1,050000 1,0125000 Não 0,7499219
6 -0,01 b 0,975000 1,012500 0,9937500 Sim 0,7499805

Book Bissec.xls Sheet Sol. 1.2

Analise o gráfico da função:

1-2 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

1.3. Considerando como ponto tentativa inicial X0 = (1,1) e a tolerância de 0.01, da aplicação do Método do

Gradiente resulta o seguinte:

Quadro 1 - Determinação das coordenadas de Xk+1 em ordem ao parâmetro “t”

Ponto Tentativa X0 Gradiente em X0 Abcissa de Xk+1 Ordenada de Xk+1

Iter. x1 x2 x1 x2 a bt c dt
1 1.00000 1.00000 -2.00000 0.00000 1.00000 -2.00000 1.00000 0.00000
2 0.50000 1.00000 0.00000 1.00000 0.50000 0.00000 1.00000 1.00000
3 0.50000 1.25000 -0.50000 0.00000 0.50000 -0.50000 1.25000 0.00000
4 0.37549 1.25000 -0.00195 0.24902 0.37549 -0.00195 1.25000 0.24902
5 0.37500 1.31262 -0.12523 -0.00048 0.37500 -0.12523 1.31262 -0.00048
6 0.34385 1.31250 -0.00042 0.06228 0.34385 -0.00042 1.31250 0.06228
7 0.34375 1.32815 -0.03129 -0.00009 0.34375 -0.03129 1.32815 -0.00009
8 0.33596 1.32813 -0.00008 0.01558 0.33596 -0.00008 1.32813 0.01558
9 0.33594 1.33203 -0.00780 0.00002
Book Gradient.xls Sheet 1.3

Na iteração 9 as derivadas parciais de f(x1,x2) têm valor absoluto inferior à tolerância 0.01 (termina processo

iterativo).

Solução : x1 = 0.33594 ; x2 = 1.33203 ; f (x1, x2 ) = 4.6663

Nota: A solução exacta é x1 = 1/3 ; x2 = 4/3 ; f(x1,x2) = 14/3.

Para cada uma das iterações foi organizada a função f (x1,x2) com x1 e x2 parametrizados e calculado

o seu máximo. Os resultados obtidos são apresentados no quadro seguinte:

Quadro 2 - Determinação do valor óptimo “t* ” onde f (x1,x2) atinge o máximo

Iter. t2 t Constante t* (óptimo) Valor de f(x1 , x2)

1 -8.000 4.000 4.0000 0.251 4.00000
2 -2.000 1.000 4.5000 0.251 4.50000
3 -0.500 0.250 4.6250 0.250 4.62500
4 -0.123 0.062 4.6562 0.252 4.65625
5 -0.031 0.016 4.6641 0.249 4.66406
6 -0.008 0.004 4.6660 0.252 4.66602
7 -0.002 0.001 4.6665 0.250 4.66650
8 0.000 0.000 4.6666 0.251 4.66663
Book Gradient.xls Sheet 1.3

INVESTIGAÇÃO OPERACIONAL (MS) 1-3

 Exercícios de PNL – Soluções detalhadas

Nas figuras seguintes apresentam-se o gráfico da função e a projecção horizontal das curvas de nível da
função.

f(x1, x2)

x2

x1

x2

Máximo

x1

1-4 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

1.4. Considerando como ponto tentativa inicial X0 = (0.1,0.1) e a tolerância de 0.01, da aplicação do Método do

Gradiente resulta o seguinte:

Quadro 1 - Determinação das coordenadas de Xk+1 em ordem ao parâmetro “t”

Ponto Tentativa X0 Gradiente em X0 Abcissa de Xk+1 Ordenada de Xk+1

Iter. x1 x2 x1 x2 a bt c dt
1 0.10000 0.10000 0.00000 1.80000 0.10000 0.00000 0.10000 1.80000
2 0.10000 0.27719 0.35438 1.09125 0.10000 0.35438 0.27719 1.09125
3 0.19784 0.57849 0.76128 0.08174 0.19784 0.76128 0.57849 0.08174
4 0.63738 0.62568 -0.02339 0.77203 0.63738 -0.02339 0.62568 0.77203
5 0.63175 0.81154 0.35959 0.01733 0.63175 0.35959 0.81154 0.01733
6 0.83351 0.82126 -0.02450 0.38197 0.83351 -0.02450 0.82126 0.38197
7 0.82785 0.90949 0.16327 0.01774 0.82785 0.16327 0.90949 0.01774
8 0.93952 0.92163 -0.03578 0.19253 0.93952 -0.03578 0.92163 0.19253
9 0.93230 0.96044 0.05628 0.02284 0.93230 0.05628 0.96044 0.02284
10 0.98625 0.98234 -0.00782 0.04315 0.98625 -0.00782 0.98234 0.04315
11 0.98469 0.99095 0.01252 0.00559 0.98469 0.01252 0.99095 0.00559
12 0.99707 0.99647 -0.00119 0.00824
Book Gradient.xls Sheet 1.4

Na iteração 12 as derivadas parciais de f(x1,x2) têm valor absoluto inferior à tolerância 0.01 (termina

processo iterativo)

Solução : x1 = 0.99707 ; x2 = 0.99647 ; f (x1 ,x2 ) = 0.99988

Nota : A solução exacta é x1 = 1 ; x2 = 1 ; f(x1,x2) = 1.

Para cada uma das iterações foi organizada a função f (x1,x2) com x1 e x2 parametrizados e calculado

o seu máximo. Os resultados obtidos são apresentados no quadro seguinte.

Quadro 2 - Determinação do valor óptimo “t* ” onde f (x1, x2) atinge o máximo

Iter. t2 t Constante t* (óptimo) Valor de f(x1 , x2)

1 -6.480 3.240 0.190 0.099 0.19000
2 -1.733 1.316 0.446 0.277 0.44615
3 -0.467 0.586 0.677 0.578 0.67744
4 -1.233 0.597 0.860 0.241 0.85975
5 -0.115 0.130 0.932 0.562 0.93216
6 -0.316 0.146 0.968 0.232 0.96790
7 -0.020 0.027 0.985 0.685 0.98514
8 -0.095 0.038 0.994 0.203 0.99354
9 -0.001 0.004 0.998 0.960 0.99764
10 -0.005 0.002 1.000 0.200 0.99967
11 0.000 0.000 1.000 0.990 0.99988
Book Gradient.xls Sheet 1.4

INVESTIGAÇÃO OPERACIONAL (MS) 1-5

 Exercícios de PNL – Soluções detalhadas

Nas figuras seguintes apresentam-se o gráfico da função e a projecção horizontal das curvas de nível da
função.

f(x1, x2)

x2

x1

Máximo

1-6 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

1.5. Considerando como ponto tentativa inicial X0 = (0.1,0.1) e a tolerância de 0.01, da aplicação do Método do

Gradiente resulta o seguinte:

Quadro 1 - Determinação das coordenadas de Xk+1 em ordem ao parâmetro “t”
Ponto Tentativa X0 Gradiente em X0 Abcissa de Xk+1 Ordenada de Xk+1
It x1 x2 x1 x2 a bt c dt
1 0,10000 0,10000 8,00000 -12,20000 0,10000 8,00000 0,10000 -12,20000
2 1,61563 -2,21133 0,34609 0,07656 1,61563 0,34609 -2,21133 0,07656
3 1,70891 -2,19069 0,20080 0,18058 1,70891 0,20080 -2,19069 0,18058
4 1,73636 -2,16600 0,19527 0,13673 1,73636 0,19527 -2,16600 0,13673
5 1,76458 -2,14624 0,17835 0,11413 1,76458 0,17835 -2,14624 0,11413
6 1,79036 -2,12975 0,15979 0,09970 1,79036 0,15979 -2,12975 0,09970
7 1,81346 -2,11533 0,14242 0,08825 1,81346 0,14242 -2,11533 0,08825
8 1,83376 -2,10275 0,12697 0,07853 1,83376 0,12697 -2,10275 0,07853
9 1,85162 -2,09171 0,11335 0,07007 1,85162 0,11335 -2,09171 0,07007
10 1,86734 -2,08199 0,10135 0,06264 1,86734 0,10135 -2,08199 0,06264
11 1,88119 -2,07343 0,09076 0,05609 1,88119 0,09076 -2,07343 0,05609
12 1,89342 -2,06587 0,08142 0,05032 1,89342 0,08142 -2,06587 0,05032
13 1,90439 -2,05909 0,07304 0,04514 1,90439 0,07304 -2,05909 0,04514
14 1,91409 -2,05309 0,06563 0,04056 1,91409 0,06563 -2,05309 0,04056
15 1,92281 -2,04771 0,05897 0,03644 1,92281 0,05897 -2,04771 0,03644
16 1,93053 -2,04294 0,05307 0,03280 1,93053 0,05307 -2,04294 0,03280
17 1,93747 -2,03864 0,04777 0,02952 1,93747 0,04777 -2,03864 0,02952
18 1,94372 -2,03478 0,04299 0,02657 1,94372 0,04299 -2,03478 0,02657
19 1,94935 -2,03130 0,03869 0,02391 1,94935 0,03869 -2,03130 0,02391
20 1,95434 -2,02822 0,03488 0,02156 1,95434 0,03488 -2,02822 0,02156
21 1,95883 -2,02544 0,03145 0,01944 1,95883 0,03145 -2,02544 0,01944
22 1,96289 -2,02294 0,02835 0,01752 1,96289 0,02835 -2,02294 0,01752
23 1,96654 -2,02068 0,02556 0,01580 1,96654 0,02556 -2,02068 0,01580
24 1,96984 -2,01864 0,02304 0,01424 1,96984 0,02304 -2,01864 0,01424
25 1,97276 -2,01683 0,02081 0,01286 1,97276 0,02081 -2,01683 0,01286
26 1,97540 -2,01520 0,01879 0,01161 1,97540 0,01879 -2,01520 0,01161
27 1,97779 -2,01373 0,01697 0,01049 1,97779 0,01697 -2,01373 0,01049
28 1,97994 -2,01240 0,01532 0,00947 1,97994 0,01532 -2,01240 0,00947
29 1,98189 -2,01119 0,01384 0,00855 1,98189 0,01384 -2,01119 0,00855
30 1,98365 -2,01011 0,01249 0,00772 1,98365 0,01249 -2,01011 0,00772
31 1,98523 -2,00913 0,01128 0,00697 1,98523 0,01128 -2,00913 0,00697
32 1,98666 -2,00824 0,01019 0,00630 1,98666 0,01019 -2,00824 0,00630
33 1,98796 -2,00744 0,00920 0,00569 1,98796 0,00920 -2,00744 0,00569
Book Gradient.xls Sheet 1.5

Na iteração 33 as derivadas parciais de f(x1,x2) têm valor absoluto inferior à tolerância 0.01 (termina

processo iterativo)
Solução : x1 = 1.98796 ; x2 = -2.00744 ; f (x1,x2) = 19,9999234

Nota : A solução exacta é x1 = 2 ; x2 = -2 ; f(x1,x2) = 20

Para cada uma das iterações foi organizada a função f (x1,x2) com x1 e x2 parametrizados e calculado

o seu máximo pelo método da Bissecção.

INVESTIGAÇÃO OPERACIONAL (MS) 1-7

 Exercícios de PNL – Soluções detalhadas

Nas figuras seguintes apresentam-se o gráfico da função e a projecção horizontal das curvas de nível da
função.

f(x 1 , x 2)

x2

x1

Máximo

1-8 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

1.6. Considerando como ponto tentativa inicial X0 = (0,0) e a tolerância de 0.01, da aplicação do Método do

Gradiente, na função simétrica, resulta o seguinte:

Quadro 1 - Determinação das coordenadas de Xk+1 em ordem ao parâmetro “t”

Ponto Tentativa X0 Gradiente em X0 Abcissa de Xk+1 Ordenada de Xk+1

Iter. x1 x2 x1 x2 a bt c dt
1 0.00000 0.00000 4.00000 -4.00000 0.00000 4.00000 0.00000 -4.00000
2 0.76800 -0.76800 0.02203 -0.02203 0.76800 0.02203 -0.76800 -0.02203
3 0.77111 -0.77111 -0.00143 0.00143 0.77111 -0.00143 -0.77111 0.00143
Book Gradient.xls Sheet 1.6

Na iteração 3 as derivadas parciais de -f(x1,x2) têm valor absoluto inferior à tolerância 0.01 (termina

processo iterativo)
Solução : x1 = 0.77111 ; x2 = -0.77111 ; f (x1 ,x2 ) = -3.437

Nota :Para cada uma das iterações foi organizada a função -f (x1,x2) com x1 e x2 parametrizados e calculado

o seu máximo. Os resultados obtidos são apresentados no quadro seguinte:

Quadro 2 - Determinação do valor óptimo “t* ” onde f(x1,x2) atinge o máximo

Iter. t4 t3 t2 t Constante t* (óptimo) Valor de f(x1 , x2)

1 -256.000 0.000 -64.000 32.000 0.000 0.192 0.00000
2 0.000 0.000 -0.003 0.001 3.437 0.141 -3.43681
3 0.000 0.000 0.000 0.000 3.437 0.141 -3.43688
Book Gradient.xls Sheet 1.6

INVESTIGAÇÃO OPERACIONAL (MS) 1-9

 Exercícios de PNL – Soluções detalhadas

Nas figuras seguintes apresentam-se o gráfico da função e a projecção horizontal das curvas de nível da
função.

f(x1,x2)

x2

x1

1-10 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

1.7. O método da bissecção determina a abcissa do extremo de uma função monovariável no intervalo [a,b].
Fluxograma do método:

Fixar tolerância “ε“

Escolher 2 pontos-tentativa "a" e "b" tal que:
f ´(a).f ´(b) < 0 (por exº f ´(a) > 0 e f ´(b) < 0)

a+b
m =
2

Sim
f ´(m) = 0 ?

Não

f ´(m) > 0 ? Sim a=m

Não

b=m

Não

a - b ≤ 2ε ?

Sim

Abcissa óptima = m
Fim

A figura seguinte visualiza os pontos “a” , “b” e “m” da primeira iteração:

1ª Hipótese 2ª Hipótese
Reduzir intervalo com a = m Reduzir intervalo com b = m

f(x) f(x)

a m b a m b

INVESTIGAÇÃO OPERACIONAL (MS) 1-11

 Exercícios de PNL – Soluções detalhadas

1.8. Aspectos essenciais que fundamentam o método:

1. O valor do gradiente da função num ponto Xk , indica a direcção e sentido de crescimento da função

naquele ponto.
2. O vector-gradiente, no ponto Xk , é perpendicular à curva de nível da função a que pertence Xk e indica a

direcção e sentido de maior aumento da função o que não deve ser confundido com caminho mais curto
para atingir o extremo desta (ver figura).

2.5

1.5
Max

X1
0.5

0 X0

0 0.5 1 1.5 2
3. No ponto Xk , conhecendo a direcção e sentido de maior aumento da função, é necessário calcular o

tamanho do deslocamento (passo) para atingir o ponto Xk+1 de coordenadas:

Xk+1 = Xk + p ∇fXk

onde a função tem o seu maior valor naquela direcção e sentido(ver figura).
Com as coordenadas de Xk+1 expressas em função de “p”:

• coloca-se f(X) em ordem a “p” (dispõe-se de uma função monovariável h(p) para maximizar);
• pelo método da bissecção calcula-se o valor óptimo de “p”;
• calculam-se as coordenadas de Xk+1 por substituição de “p”.

4. Em Xk+1 calcula-se o valor do gradiente da função ( que se sabe ser nulo no óptimo) e compara-se com a

tolerância fixada. Se satisfaz é interrompido o cálculo (regra de paragem) repetindo-se o procedimento

descrito no caso contrário.

1-12 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

Fluxograma do Método do Gradiente:

Escolher ponto-tentativa Xk

Calcular ∇f em Xk

Xk+1= Xk + p∇fXk

Construir h(p) = f(Xk+1)

Max h(p) por bissecção

(obter valor óptimo de "p")

Calcular Xk+1

Calcular ∇f em Xk+1

Sim
∇f Xk+1 ≤ Tolerância ? Fim

Não

Xk = Xk+1

INVESTIGAÇÃO OPERACIONAL (MS) 1-13

 Exercícios de PNL – Soluções detalhadas

2.

2.1 Teorema dos multiplicadores de Lagrange

Dado o problema de PNL:
Max f0(X)

s.a. fi (X) = 0 (i = 1, ..., m)

se :
• X* é um máximo local, e
• n > m ( há mais variáveis do que restrições), e
• fi têm primeiras derivadas parciais contínuas em ordem a xj, e

• os gradientes ∇fi (X*) são vectores linearmente independentes,

então há um vector λ = [ λ1 , λ2 , ...,λm ]T tal que :

m
∇ f0 (X * ) − ∑ λ i∇ fi (X * ) = 0
i =1

em que:
- λ1 , λ2 , ..., λm são denominados multiplicadores de Lagrange;

- a condição da independência linear de ∇fi (X*) é denominada restrição de qualificação.

O teorema sugere o seguinte método para resolver problemas de PNL só com restrições de igualdade:
• Verificar se n > m e se todas as fi têm derivadas parciais contínuas

• Considerar a Função de Lagrange :

m
L ( X ,λ ) = f 0 ( X ) − ∑ λ i f i ( X )
i =1

• Calcular todas as soluções (X* , λ*) para o sistema de equações algébricas não lineares:
m
∇L ( X , λ ) = ∇f 0 ( X ) − ∑ λ i ∇f i ( X ) = 0 ( n equações)
i =1

∂ L( X , λ )
= − f i ( X ) = 0 (i = 1,..., m) ( m equações)
∂λ i
Estas equações representam as condições de Lagrange sendo os pontos (X,λ) os pontos de
Lagrange.
• Analisar cada uma das soluções (X*, λ*) para verificar se é maximizante.

2.2 A resposta é negativa pois que o teorema não garante que as soluções das condições de Lagrange são pontos
óptimos (onde a função-objectivo atinge o máximo) ou mesmo que sejam pontos de estacionaridade; o que o
teorema garante é que qualquer ponto onde não se verifiquem as condições de Lagrange não é
garantidamente ponto-óptimo. Resumindo, as condições de Lagrange são condição necessária para uma
solução ser considerada óptima mas não são condição suficiente excepto no caso de solução única em que
pode concluir-se imediatamente que a mesma é óptima.

INVESTIGAÇÃO OPERACIONAL (MS) 2-1

 Exercícios de PNL – Soluções detalhadas

2.3
1. n=2 e m=1 portanto tem-se n > m
O gradiente da restrição é:

∇f1 = 4

2
pelo que ∂ fi / ∂ xj é contínua.

2. Construir a função Lagrangeana:

L (x1,x2,λ) = f(x1,x2) - λ ( 4x1 + 2x2 - 60 ) = x1x2 + 2x1 - λ ( 4x1 + 2x2 - 60 )

(Notar que sendo ( 4x1 + 2x2 - 60 )= 0 maximizar “L” é maximizar a função-objectivo)

3. Calcular as derivadas parciais de 1ª ordem, igualar a zero e resolver o sistema de equações:

∂ L / ∂ x1 = x2 + 2 - 4λ = 0 x1 = 8

∂ L / ∂ x2 = x1 - 2λ = 0 x2 = 14

∂L/∂λ = -4x1 - 2x2 + 60 = 0 λ=4

A solução que satisfaz as condições de Lagrange é única pelo que é óptima (Max f = 128):

X= 8 e λ= 4
14

A figura seguinte apresenta a projecção horizontal das curvas de nível da função.

x
302

25

20

Ponto Óptimo
15

10

5
f = 128

0
0 5 10 15 20 25 30
x1

2-2 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

2.4 Sendo a variável não negativa as situações possíveis são:

1ª Situação 2ª Situação

f(x) f(x)
Max Max

ou

0 x 0 x

df/dx = 0 df/dx = 0
x >0 x=0

3ª Situação

f(x)

Max

Max

0 x
df/dx < 0
x=0

A não negatividade das variáveis independentes, determina as seguintes condições de 1ª ordem para um
ponto maximizante (extremo condicionado):

df/dx ≤ 0
x (df/dx) = 0

Naturalmente para f( x1,x2, ...,xn) com x1,x2,...,xn ≥ 0 tem-se:

∂ f / ∂ xj ≤ 0 ( j =1 a n )

xj (∂ f / ∂ xj ) = 0

INVESTIGAÇÃO OPERACIONAL (MS) 2-3

 Exercícios de PNL – Soluções detalhadas

2.5 Considere-se o modelo na forma:

Max f(x)
s.a. g(x) +s = b
s ≥ 0

A função Lagrangeana é:
L = f(x) - λ [(g(x) + s - b)]
Atendendo a que “s” é variável não negativa, as condições de 1ª ordem para extremo de L (x,λ) são:

∂L/∂x = 0
∂L/∂s ≤ 0
s (∂ L / ∂ s) = 0
∂L/∂λ = 0 (notar que ∂L / ∂λ = -g(x) - s + b = 0

Notar que:
• (∂ L / ∂ s) = -λ o que implica: λ ≥ 0 (multiplicador de Lagrange deve ser não negativo)
• s (-λ ) = 0. Como -s = g(x) - b resulta: λ[ g(x) - b)] = 0 (note que “λ“ é complementar da variável
de folga da restrição pelo que é a variável Dual associada...)

2.6
Verificação da concavidade da função:

∇f= ∂ f / ∂ x1 = 5 - 4x1 + 3x2

∂ f / ∂ x2 3x1 - 4x2

Hf = ∂ 2f / ∂ x12 ∂ 2f / ∂ x1x2 = -4 3

∂ 2f / ∂ x2x1 ∂ 2f / ∂ x22 3 -4

Na matriz Hessiana os menores principais Hk com k=1,2 são:

H1 = -4 e -4 (diagonal principal) ; H2 = (-4)(-4) - (3)(3) = 7

Como os determinantes têm o sinal de (-1)k (são respectivamente negativo e positivo) a matriz é Definida
Negativa podendo concluir-se que a função é côncava.
A função Lagrangeana é:
L = 5x1 - 2x12 + 3x1x2 - 2x22 - λ ( x1 + x2 + s - 2 )

As condições a satisfazer pelo extremo (ver problema 2.5) são:

∂ L / ∂ x1 = 0 ⇒ 5 - 4x1 + 3x2 - λ = 0 (1)

∂ L / ∂ x2 = 0 ⇒ 3x1 - 4x2 - λ = 0 (2)

∂L/∂s ≤ 0 ⇒ -λ ≤ 0 (3)
s (∂ L / ∂ s) = 0 ⇒ - sλ = 0 (4)
∂L/∂λ = 0 ⇒ -x1 -x2 -s + 2 = 0 (5)
Estas condições podem tomar a forma mais simples:

2-4 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

5 - 4x1 + 3x2 - λ = 0 (1)

3x1 - 4x2 - λ = 0 (2)

λ ( x1 + x2 -2 ) = 0 (3)

λ;s ≥ 0 (4)
(Notar a condição de não negatividade do multiplicador “λ“)
Se λ = 0 tem-se de (1) e (2) x1 = 20/7 e x2 = 15/7 que não satisfaz x1 + x2 + s = 2 com s ≥ 0 pelo que se

conclui que λ ≠ 0.
Para λ ≠ 0 então em (3) tem-se x1 + x2 = 2 ou seja x1 = 2 - x2

Substituindo em (1) e (2) tem-se:

5 - 8 + 4x2 + 3x2 - λ = 0 e 6 - 3x2 - 4x2 - λ = 0 que permite calcular x2 = 9/14 e λ = 3/2.

Em (1) ou (2) tem-se x1 = 19/14.

O ponto ( 19/14 , 9/14 ) é o ponto óptimo onde Max f(x1,x2) = 137/28.

Nas figuras seguintes apresentam-se o gráfico da função e a projecção horizontal das curvas de nível da
função.

5
2
f(x1,x2) 0

-5 1.5

0 1
x2
0.5
1 0.5
x1
x1 1.5
20

1.5

0.5

0
0 0 5 1 1 5 2

2.7 A matriz Hessiana é:

INVESTIGAÇÃO OPERACIONAL (MS) 2-5

 Exercícios de PNL – Soluções detalhadas

Hf = ∂ 2f / ∂ x12 ∂ 2f / ∂ x1x2 = 6 2

∂ 2f / ∂ x2x1 ∂ 2f / ∂ x22 2 2

Como os determinantes menores principais (1ª e 2ª ordem) são positivos a matriz é Definida Positiva
podendo concluir-se que a função é convexa.
A função Lagrangeana é:
L = 3x12 + x22 + 2x1x2 + 6x1 + 2x2 - λ ( 2x1 - x2 - 4 )

As condições a satisfazer pelo extremo são:

∂ L / ∂ x1 = 0 ⇒ 6x1 + 2x2 + 6 - 2λ = 0 (1)

∂ L / ∂ x2 = 0 ⇒ 2x2 + 2x1 + 2 + λ = 0 (2)

∂L/∂λ = 0 ⇒ -2x1 + x2 + 4 = 0 (3)

A solução do sistema de equações é x1 = 7/11 ; x2 = -30/11 ; λ = 24/11.

Porque a função é convexa só se pode concluir que foi atingido um ponto de estacionaridade.

2-6 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

Nas figuras seguintes apresentam-se o gráfico da função e a projecção horizontal das curvas de nível da
função.

80
60
f(x1,x2) 40
2
20
0
0
-2 x2

0
x1
x -2
1
2

-1

-2

-3

-4
-3 -2 -1 0 1 2 3

INVESTIGAÇÃO OPERACIONAL (MS) 2-7

 Exercícios de PNL – Soluções detalhadas

2.8 A função-objectivo é linear (côncava e convexa)

A função Lagrangeana é:
L = x 1 - x 2 - λ ( x 1 2 + x2 2 - 1 )

As condições a satisfazer pelo extremo são:

∂ L / ∂ x1 = 0 ⇒ 1 - 2λx1 = 0 (1)

∂ L / ∂ x2 = 0 ⇒ -1 - 2λx2 = 0 (2)

∂L/∂λ = 0 ⇒ -x1 2 - x2 2 + 1 = 0 (3)

1
Do sistema calcula-se λ=± pelo que há 2 soluções:
2
2 2 2
1. x1 = − ; x2 = ;λ = − ; f = −141421
.
2 2 2
2 2 2
2. x1 = ; x2 = − ;λ = ; f = 141421
.
2 2 2
Da sua análise verifica-se que o valor óptimo da função é atingido no primeiro destes pontos:

2 2
x1 = − ; x2 = ; Min f = −141421
.
2 2
A figura seguinte esclarece a situação:

Ponto óptimo x2
1

∇(-f)

1
x1

2-8 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

3.

3.1 As soluções de um modelo de PL podem ser agrupadas do seguinte modo:

• não admissível
ou
• admissível com valor óptimo finito atingido no ponto óptimo
ou
• admissível com valor óptimo ilimitado
Na Programação Não Linear são possíveis as 3 situações e uma 4ª hipótese:
• admissível com valor limitado para a função-objectivo mas não há ponto óptimo
Veja-se por exemplo Min f = 1/x com x ≥ 0 que tem pontos admissíveis sendo zero o maior
limite inferior do valor da função-objectivo. Contudo este limite nunca é atingido em ponto
admissível pelo que não há ponto óptimo.

INVESTIGAÇÃO OPERACIONAL (MS) 3-1

 Exercícios de PNL – Soluções detalhadas

3.2 É possível como o exemplo seguinte demonstra:

Minimizar f(x1 ,x2) = (x1 - 4)2 + (x2 - 4)2

s.a. 2x1 + 3x2 ≥ 6

-3x1 - 2x2 ≥ - 12

x1, x2 ≥ 0

A solução óptima é x1 =28/13, x2=36/13 e Min f= 64/13.

As figuras mostram que, no convexo de soluções, o Ponto óptimo NÃO É EXTREMO (o que não se passa
em Programação Linear).

f(x1,x2)

30
8
20
10 6
0
0 4
2
2
x2
4
6
x1
80

Min Livre

Min Condicionado

3-2 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

3.3 É possível como o exemplo seguinte demonstra:

Minimizar f(x1,x2) = (x1 - 4)2 + (x2 - 4)2

s.a. x1 + x 2 ≥ 5

-x1 ≥-5
-2x2 ≥ -12

x1 ,x2 ≥ 0

A solução óptima é x1 = 4, x2 = 4 e Min f= 0.

As figuras mostram que, no convexo de soluções, o Ponto óptimo É INTERIOR ( o que não se passa em
Programação Linear).

f(x1,x2)

30
8
20
10 6
0
0 4
2
2
x2
4
6
x1
80

Min Condicionado

INVESTIGAÇÃO OPERACIONAL (MS) 3-3

 Exercícios de PNL – Soluções detalhadas

3.4 É possível como o exemplo seguinte demonstra:

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

s.a. -x12 + 4x1 - x2 ≤ 0

2x1 + 3x2 ≤ 12

x1 , x2 ≥ 0

Nota: O espaço de solução não é convexo ( 2 conjuntos : áreas I e II ).

Na área I, é no ponto P que a função tem maior valor (5.508). Veja-se que tal é apenas máximo
local pois na área II a função tem maior valor em qualquer ponto sendo o ponto (6,0) o extremo
onde a função atinge o máximo(f(X)=12).

3.5 CONCLUSÕES SOBRE DIFERENÇAS ENTRE PNL E PL :

• Em PNL, qualquer ponto do espaço de solução pode ser óptimo. A procura do ponto óptimo não pode
ficar limitada aos extremos como na PL.
• O número de restrições técnicas saturadas, no óptimo, pode ser nulo.
(ver problema 3.3 onde nenhuma restrição é satisfeita como igualdade).
• O deslocamento contínuo numa dada direcção pode não conduzir a valores crescentes (ou decrescentes)
da função-objectivo ao contrário do que se verifica na PL.
• O espaço de solução pode não constituir um conjunto convexo (ver problema 3.4).
• Um óptimo local pode não ser um óptimo global ( ver problema 3.4).

3.6 Só no caso de f(X) ser côncava ou seja, no conjunto de soluções S para qualquer par de pontos X´ e X´´ do
conjunto S verifica-se:
f(cX´ + (1-c)X´´ ≥ cf(X´) + (1-c)f(X´´) (1)
para valores de “c” tal que 0 ≤ c ≤ 1.

3-4 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

A figura seguinte visualiza a situação para uma função monovariável:

f(x)
C
f(cx´ + (1-c)x´´ ))

f(x´´ )
D
cf(x´ )+ (1-c) f(x´´ ))
B
f(x´ )
A

x´ cx´ + (1-c)x´´ x´´ x

Nota: Coordenadas de B obtidas por combinação linear convexa dos extremo do segmento AD.
Veja-se que a função é côncava porque se verifica a condição (1) o que geometricamente corresponde
a que o segmento que une qualquer par de pontos da curva da função está sempre abaixo desta.

3.7 A matriz Hessiana de f(x1, x2, ..., xn) é uma matriz de ordem “n” em que cada elemento (i,j) é igual a:

∂ 2f
∂ xi x j

Para a função proposta tem-se H = 6x1 2

2 12x22

3.8 A função é CÔNCAVA em “S” se e só se para qualquer ponto X∈S , os menores principais não nulos da

matriz Hessiana têm o sinal de (-1)k sendo “k” a ordem do menor.

3.9 A função é CONVEXA em “S” se e só se para qualquer ponto X∈S , os menores principais da matriz
Hessiana são positivos.

3.10 Considerando d1 e d2 as funções da procura, o objectivo é Maximizar a função-objectivo f = p1d1 + p2d2

ou seja f= p1(150 - 2p1 - p2) + p2(200 - p1 - 3p2) = 150 p1 - 2p12 - 2p1p2 + 200p2 - 3p22.

A matriz Hessiana é: -4 -2
-2 -6
sendo os seus menores principais:

H1 = -4 e -6 (ambos negativos)

H2 = 24 - 4 = 20 (positivo)

pelo que a matriz é definida negativa, podendo concluir-se que a função-objectivo é Côncava.
Anulando o gradiente da função tem-se:

∇f= 150 - 4p1 - 2p2 = 0 ⇒ p1 = p2 = 25 u.m. com Max f= 4375

-2p1 + 200 - 6p2 0 com d1 = 75 e d2 = 100 (unidades)

3.11

INVESTIGAÇÃO OPERACIONAL (MS) 3-5

 Exercícios de PNL – Soluções detalhadas

2 -1 -1
A matriz Hessiana é: -1 2 -1
-1 -1 4

Os menores principais são :

H1 = 2, 2, 4 (positivos)

H2 = 8-1=7>0

H2 = 8-1=7>0

H2 = 4-1=3>0

H3 = 6>0

Dado que todos os menores principais de H são positivos a matriz é definida positiva pelo que a função é
Convexa.

3.12 a. Sendo X1 = (2,3) o valor do gradiente neste ponto é:

∇f= 2x2 - 2x1 = 2

2x1 + 3 - 2x2 1

b. A função é quadrática pelo que a série de Taylor terá 3 termos:

1
f ( X 2 ) = f ( X 1 ) + ∆X T ∇f X 1 + ∆X T H X 1 ∇X
2

2  1 − 2 2   0.1 
= 8 + [0.1 0 .2]   + [0.1 0.2]   0.2 
1
  2  2 − 2  

1  0.1 
= 8 + 0.4 + [0.2 − 0.2]   = 8.39
2 0.2 

− 2 2   0.1   0.2 
3.13 V = ∇f X 2 − ∇f X1 = H ( X 2 − X 1 ) =   = 
 2 − 2  0.2  − 0.2 

1 T
3.14 f = CX + X HX
2

 x1  1  − 4 − 4   x1 
= [15 30]   + [ x1 x2 ]   
 x2  2 − 4 − 8   x 2 
em que :
C = matriz dos coeficientes das variáveis xii, na função-objectivo

H = matriz hessiana de f(X)

X = vector coluna das variáveis de decisão

3-6 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

4.

4.1 L (x1,x2, λ) = 2x1 + 3x2 - x12 - x22 - λ ( 2x1 + 2 x2 + s - 4)

s.a. s≥0
O termo “ -λ ( 2x1 + 2 x2 + s - 4) “ é nulo pelo que maximizar a função L é maximizar a função proposta.

As condições de 1ª ordem para extremo da função Lagrangeana são:

∂ L / ∂ x1 = 0 ⇒ 2 - 2x1 -2λ = 0

∂ L / ∂ x2 = 0 ⇒ 3 - 2x2 - 2λ = 0

∂ L / ∂s ≤ 0 ⇒ -λ ≤ 0
s(∂ L / ∂ s) = 0 ⇒ s (-λ) = 0
∂L/∂λ = 0 ⇒ -2x1 - 2x2 - s + 4 = 0

As condições KKT são:

• 1ª condição:

2 - 2x1 -2λ = 0

3 - 2x2 - 2λ = 0

• 2ª condição: Dado que -s = 2x1 + 2x2 - 4 e que -sλ = 0, deduz-se a condição seguinte:

λ(2x1 + 2x2 - 4) = 0

• 3ª condição: A restrição técnica do modelo

2x1 + 2x2 - 4 ≤ 0

• 4ª condição:

λ ≥ 0

4.2 Nesta situação, dado que a restrição é do tipo “=“ não é utilizada qualquer variável de folga pelo que a
variável “λ“ é livre.
As condições KKT são:
• 1ª condição:

2 - 2x1 -2λ = 0

3 - 2x2 - 2λ = 0

• 2ª condição: A restrição técnica do modelo

2x1 + 2x2 - 4 = 0

INVESTIGAÇÃO OPERACIONAL (MS) 4-1

 Exercícios de PNL – Soluções detalhadas

4.3 Considerando s1 e s2 variáveis de folga (não negativas) das primeira e segunda restrições técnicas, a função

de Lagrange é:
L (x1,x2,s1,s2,λ1,λ2) = f(x1,x2) - λ1 ( x1 - 2 + s1 ) - λ2 ( x2 -1 + s2 )

Nesta situação é necessário atender à condição de não negatividade das variáveis x1, x2, s1, s2 e ao ambiente

de Minimização.
Adoptando abordagem semelhante à exposta no problema 2.4, conclui-se que as condições de 1ª ordem para
extremo são:

• ∂L / ∂xj ≥ 0 e xj (∂L / ∂xj ) = 0

• ∂L / ∂si ≥ 0 e si (∂L / ∂si ) = 0

• ∂L / ∂λi = 0

Da condição ∂L / ∂si ≥ 0 deduz-se λi ≤ 0 ( de facto λi é a variável Dual associada à restrição “i” ; como as

duas restrições são do tipo “≤“ em ambiente de Minimização, as variáveis duais associadas são não
positivas).
Da condição si (∂L / ∂si ) = 0 deduz-se λi ( gi (x1,x2) - bi) = 0.

As condições KKT são:

(1) 2x1 +2 - λ1 (1) ≥ 0

(2) x1 (2x1 +2 - λ1 ) = 0

(3) 2x2 - 4 - λ2 (1) ≥ 0

(4) x2 (2x2 - 4 - λ2 ) = 0

(5) x1 - 2 ≤ 0

(6) λ1 (x1 - 2) = 0

(7) x2 - 1 ≤ 0

(8) λ2 (x2 - 1) = 0

(9) x1 , x2 ≥ 0

(10) λ1 , λ2 ≤ 0

Das condições de ortogonalidade tem-se:

• se λi ≠ 0 então gi (X) = 0 e se gi (X) ≠ 0 então λi = 0

Explorando uma das condições até estabelecer incompatibilidade (contradição) com as restantes condições
será possível concluir se é nulo o multiplicador λi ou gi (X) ou ambos. Deste modo como se vai concluindo

quais as restrições activas e inactivas, as desigualdades KKT que se verificam como igualdades e os
multiplicadores que são nulos a complexidade do problema reduz-se progressivamente.

4-2 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

Tomando a condição (6) tem-se:

x1 - 2 = 0 x1 - 2 ≠ 0

x1 = 2 λ1 = 0

λ1 ≠ 0 λ1 = 0 x1 = 0 x1 ≠ 0
Satisfaz (1),(2),(5),(6),(9),(10)

Em (2): λ1 = 6 Em (2): x1 = -1 Em (2): x1 = -1

Não admissível Contradição Não admissível

1ª Conclusão : x1 = 0 ; λ1 = 0 satisfaz as condições KKT.

Tomando a condição (7) tem-se:

x2 - 1 = 0 x2 - 1 ≠ 0

x2 = 1 λ2 = 0

λ2 ≠ 0 λ2 = 0 x2 = 0 x2 ≠ 0
Em (3) : -4 ≥ 0. Falso Em (4) x2 = 2
Em (4): λ2 = -2 Em (4): x2 = 2 Em (7) : 1 ≤ 0. Falso
Satisfaz (3),(4),(7),(8),(9),(10) Contradição

2ª Conclusão : x2 = 1 ; λ2 = -2 satisfaz as condições KKT.

A solução x1 = 0 ; x2 = 1; λ1 = 0 ; λ2 = -2 satisfaz todas as condições KKT o que é suficiente para afirmar

tratar-se da solução óptima.

Acresce ainda que sendo Convexa a função proposta para optimizar em espaço Convexo (restrições são
lineares) é condição necessária que a solução satisfaça integralmente as condição KKT.
O ponto óptimo é pois x1 = 0 ; x2 = 1 sendo Min f = 2.

Nota: Poder-se-ia ter optado por Maximizar a função simétrica -x12 - 2x1 - x22 + 4x2 - 5 com o que se

obteria o ponto-solução : x1 = 0 ; x2 = 1 ; λ1 = 0 ; λ2 = 2.

O multiplicador λ2 é agora não negativo porque a restrição associada é típica no ambiente de

maximização .

INVESTIGAÇÃO OPERACIONAL (MS) 4-3

 Exercícios de PNL – Soluções detalhadas

As figuras seguintes apresentam o gráfico da função proposta, e a projecção horizontal das curvas de nível.

f=2

Ponto óptimo

4.4
a. Substituindo a restrição de igualdade pelas desigualdades x12 + x22 ≤ 1 e -x12 - x22 ≤ -1 as condições KKT

são :

∂ f m ∂ gi (1) [1 / (x1 + 1) ] - λ1 (2x1) - λ2 (-2x1) ≤ 0

−∑λi ≤0
∂ x j i =1 ∂ x j (2) 1 - λ1 (2x2) - λ2 (-2x2) ≤ 0

∂ f m ∂ gi (3) x1 {[1 / (x1 + 1) ] - λ1 (2x1) - λ2 (-2x1) } = 0

xj ( −∑λi )=0
∂ x j i =1 ∂ x j (4) x2 [1 - λ1 (2x2) - λ2 (-2x2) ] = 0

g i − bi ≤ 0 (5) x 1 2 + x2 2 - 1 ≤ 0
(6) - x12 - x22 + 1 ≤ 0

λ i ( g i − bi ) = 0 (7) λ1 (x12 + x22 - 1) = 0

(8) λ2 (-x12 - x22 + 1) = 0

λi ≥ 0 (9) λ1 , λ2 ≥ 0

xj ≥ 0 (10) x1 , x2 ≥ 0

4-4 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

b.
De (1) deduz-se que λ1 ≠ 0 e x1 ≠ 0.

De (3) deduz-se que λ1 ≠ 0 e x2 ≠ 0.

Os multiplicadores λ1 e λ2 são complementares pelo que λ2 = 0 . De facto considerando a restrição na

forma de igualdade seria utilizado apenas um multiplicador “λ“ sem restrição de sinal que poderia ser
considerado λ = λ1 - λ2 com λ1 , λ2 ≥ 0 . Ora nesta situação, verifica-se no óptimo, se existe, λ1λ2 = 0.

Tem-se assim o sistema de equações:

[1 / (x1 + 1) ] - 2λ1x1 = 0

1 - 2λ1 x2 = 0

x 1 2 + x2 2 - 1 = 0

com solução x1 = 0.543689 ≈ 0.54 ; x2 = 0.839287 ≈ 0.84 ; λ = 0.595744 ≈ 0.6 ; Max f = 1.273462.

As figuras seguintes apresentam o gráfico da função proposta, e a projecção horizontal das curvas de nível.

Ponto óptimo

4.5
a. No problema proposto, o espaço “S” de soluções admissíveis é um conjunto convexo pelo que se a função
for côncava qualquer máximo local é solução óptima do problema.
A Hessiana de f(x1,x2) é a matriz quadrada de ordem 2:

H= ∂2 f / ∂x12 ∂2 f / ∂x1x2 = -2 0

∂2 f / ∂x2x1 ∂2 f / ∂x22 0 -2

A função f(x1,x2) é côncava no espaço de solução “S” se e só se para qualquer par (x1,x2) ∈ S, em H todos

os menores principais diferentes de zero têm sinal de (-1)k sendo “k” a ordem do menor.

INVESTIGAÇÃO OPERACIONAL (MS) 4-5

 Exercícios de PNL – Soluções detalhadas

Nota: O menor principal de ordem “i” de uma matriz quadrada de ordem “n” é o determinante de
qualquer matriz de ordem “i” obtida quando se eliminam “n-i” linhas e as correspondentes “n-i”
colunas da matriz.
Na matriz H têm-se os menores principais:
• de ordem 1 : -2 e -2 (têm o sinal de -11 )
• de ordem 2: (-2)(-2) - (0)(0) = 4 ( tem o sinal de -12 )
pelo que H é uma matriz definida negativa, pelo que f(x1,x2) é côncava.

O problema é portanto de programação convexa : função côncava e espaço de soluções convexo.

b. O método do Simplex modificado por Wolfe pode ser utilizado em programação convexa quadrática (caso
do problema proposto) sendo necessário recorrer às condições KKT:
(1) 2 - 2x1 - 2λ ≤ 0

(2) x1 (2 - 2x1 - 2λ ) = 0

(3) 3 - 2x2 - 2λ ≤ 0

(4) x2 (3 - 2x2 - 2λ ) = 0

(5) 2x1 + 2x2 - 4 ≤ 0

(6) λ (2x1 + 2x2 - 4) = 0

(7) x1 , x2 , λ ≥ 0

Colocando as condições (1), (3) e (5) na forma de igualdade tem-se:

2x1 + 2λ - e1 = 2

2x2 + 2λ - e2 = 3

2x1 + 2x2 + s1 = 4

Atendendo a que:
• -e1 = 2 - 2x1 - 2λ, deduz-se da condição (2) que o produto x1 e1 = 0.

• -e2 = 3 - 2x2 - 2λ, deduz-se da condição (4) que o produto x2 e2 = 0.

• -s1 = 2x1 + 2x2 - 4, deduz-se da condição (6) que o produto λ s1 = 0

pode estabelecer-se a restrição de complementaridade x1e1 + x2e2 +λs1 = 0 .

As condições KKT são equivalentes a :

2x1 + 2λ - e1 = 2

2x2 + 2λ - e2 = 3

2x1 + 2x2 + s1 = 4

x1 e1 + x2 e2 + λ s1 = 0 (restrição de complementaridade)

x1 , x2 , λ , e1 , e2 , s1 ≥ 0

Analisando a restrição de complementaridade verifica-se que não é linear e impõe:

• as variáveis ei , xi não podem ser simultaneamente positivas;

• a variável auxiliar (folga ou excedentária) da restrição “i” e λi não podem ser simultaneamente

positivas.

4-6 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

O método Simplex modificado por Wolfe recorre ao 1º passo do Método dos 2 Passos considerando a
seguinte regra para calcular soluções que satisfaçam a restrição de complementaridade :
• não formar base em que as variáveis complementares ei , xi sejam simultaneamente variáveis

básicas positivas (na maior parte dos casos se uma é VB a outra não pode entrar para a base);
• não formar base em que a variável auxiliar (folga ou excesso) da restrição “i” e λi (que são

complementares) sejam simultaneamente variáveis básicas positivas (na maior parte dos casos se
uma é VB a outra não pode entrar para a base);
No exemplo proposto, é necessário utilizar variáveis Artificiais nas duas primeiras restrições e Minimizar a
sua soma executando o 1º passo do Método dos 2 Passos:
2x1 + 2λ - e1 + A1 = 2

2x2 + 2λ - e2 + A2 = 3

2x1 + 2x2 + s1 = 4

Min fa = A1 + A2

A1 , A2 ≥ 0

Aplicando o método Simplex modificado por Wolfe tem-se:

VB x1 x2 λ e1 e2 s1 A1 A2 VSM Obs.

A1 2 0 2 -1 0 0 1 0 2 “λ“ não pode entrar para a

A2 0 2 2 0 -1 0 0 1 3 base (complementaridade com

s1 2 2 0 0 0 1 0 0 4 s1). Entra x1 ou x2.

-fa 0 0 0 0 0 0 1 1 0

-fa -2 -2 -4 1 1 0 0 0 -5

x1 1 0 1 -1/2 0 0 1/2 0 1 “λ“ não pode entrar para a

A2 0 2 2 0 -1 0 0 1 3 base (complementaridade com

s1 0 2 -2 1 0 1 -1 0 2 s1). Entra x2.

-fa 0 -2 -2 0 1 0 1 0 -3

x2 0 1 -1 1/2 0 1/2 -1/2 0 1 Entra λ.

x1 1 0 1 -1/2 0 0 1/2 0 1

A2 0 0 4 -1 -1 -1 1 1 1

-fa 0 0 -4 1 1 1 0 0 -1

λ 0 0 1 -1/4 -1/4 -1/4 1/4 1/4 1/4 Sol. óptima.

x2 0 1 0 1/4 -1/4 1/4 -1/4 1/4 5/4

x1 1 0 0 -1/4 1/4 1/4 1/4 -1/4 3/4

-fa 0 0 0 0 0 0 1 1 0
Solução Óptima: x1 = 3/4 ; x2 = 5/4 ; Max f(x1 , x2) = 25/8

Nota: “λ“ é a variável dual associada à restrição razão porque λs1 = 0 (complementaridade das

folgas).Neste caso a restrição está saturada.

As figuras seguintes apresentam o gráfico da função proposta, e a projecção horizontal das curvas de nível.

INVESTIGAÇÃO OPERACIONAL (MS) 4-7

 Exercícios de PNL – Soluções detalhadas

f(x1, x2)

x2

x1

f=25/8

4.6 a.
A Hessiana de f(x1,x2) é a matriz quadrada de ordem 2:

H= ∂2 f / ∂x12 ∂2 f / ∂x1x2 = -4 4

∂2 f / ∂x2x1 ∂2 f / ∂x22 4 -8

H1 = -4 e -8 < 0

Matriz H é Definida Negativa

H2 = 16 > 0 A função é Côncava

O problema é de programação convexa porque:

• a função-objectivo é Côncava e diferenciável

• a função da restrição técnica é convexa e diferenciável ( restrição linear ≡ função côncava e

convexa)

4-8 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

b. Condições KKT:

∂ f m ∂ gi (1) 15 + 4x2 - 4x1 -λ(1) ≤ 0

−∑λi ≤0
∂ x j i =1 ∂ x j (2) 30 + 4x1 - 8x2 - λ(2) ≤ 0

∂ f m ∂ gi (3) x1[15 + 4x2 - 4x1 -λ(1)] = 0

xj ( −∑λi )=0
∂ x j i =1 ∂ x j (4) x2[30 + 4x1 - 8x2 - λ(2)] = 0

g i − bi ≤ 0 (5) x1 + 2x2 -30 ≤ 0

λ i ( g i − bi ) = 0 (6) λ( x1 + 2x2 -30) = 0

λi ≥ 0 (7) λ≥0

xj ≥ 0 (8) x 1 , x2 ≥ 0

Para usar o método Simplex, estabelece-se o sistema de equações:

4x1 - 4x2 + λ - e1 + A1 = 15

-4x1 + 8x2 + 2λ - e2 + A2 = 30

x1 + 2x2 + s1 = 30

x1e1 + x2e2 + λs1 = 0 (restrição de complementaridade)

Min fa = A1 + A2

x1 , x2 , e1 , e2 , s1 , λ, A1 , A2 ≥ 0

Aplicando o método Simplex modificado por Wolfe tem-se:

VB x1 x2 λ e1 e2 s1 A1 A2 VSM Obs.
A1 4 -4 1 -1 0 0 1 0 15 Entra x2 (pode porque e2 é VNB)
A2 -4 8 2 0 -1 0 0 1 30
s1 1 2 0 0 0 1 0 0 30

-fa 0 0 0 0 0 0 1 1 0
-fa 0 -4 -3 1 1 0 0 0 -45
x2 -1/2 1 1/4 0 -1/8 0 0 1/8 15/4 Entra x1 (pode porque e1 é VNB)
A1 2 0 2 -1 -1/2 0 1 1/2 30 Notar que λ não é seleccionável pois
s1 2 0 -1/2 0 1/4 1 0 -1/4 45/2 s1 é VB e não sai da base por troca

-fa -2 0 -2 1 1/2 0 0 1/2 -30 com λ.

x1 1 0 -1/4 0 1/8 1/2 0 -1/8 45/4 Entra λ (pode porque s1 é VNB)
x2 0 1 1/8 0 -1/16 1/4 0 1/16 75/8
A1 0 0 5/2 -1 -3/4 -1 1 3/4 15/2

-fa 0 0 -5/2 1 3/4 1 0 1/4 -15/2

λ 0 0 1 -2/5 -3/10 -2/5 2/5 3/10 3
x1 1 0 0 -1/10 1/20 2/5 1/10 -1/20 12
x2 0 1 0 1/20 -1/40 3/10 -1/20 1/40 9

-fa 0 0 0 0 0 0 1 1 0 Solução óptima.

Solução Óptima: x1 = 12 ; x2 = 9 ; Max f(x1 , x2) = 270

INVESTIGAÇÃO OPERACIONAL (MS) 4-9

 Exercícios de PNL – Soluções detalhadas

Nota: “λ“ é a variável dual associada à restrição razão porque λs1 = 0 (complementaridade das

folgas).Neste caso a restrição está saturada.

As figuras seguintes apresentam o gráfico da função proposta, e a projecção horizontal das curvas de nível.

f(x1,x2)

x2

x1

Ponto Óptimo

12

4.7 a.
A Hessiana de f(x1,x2) é a matriz quadrada de ordem 2:

H= ∂2 f / ∂x12 ∂2 f / ∂x1x2 = -1/(x1+1)2 0

∂2 f / ∂x2x1 ∂2 f / ∂x22 0 -2

H1 < 0

Matriz H é Definida Negativa

H2 > 0 Função Côncava

4-10 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

O problema é de programação convexa porque:

• a função-objectivo é Côncava e diferenciável

• a função da restrição técnica é convexa e diferenciável ( restrição linear ≡ função côncava e

convexa)

b. Condições KKT:

∂ f m ∂ gi (1) 1/(x1+1) -λ(1) ≤ 0

−∑λi ≤0
∂ x j i =1 ∂ x j (2) -2x2 - λ(2) ≤ 0

∂ f m ∂ gi (3) x1[1/(x1+1) -λ(1)] = 0

xj ( −∑λi )=0
∂ x j i =1 ∂ x j (4) x2[-2x2 - λ(2)≤ ] = 0

g i − bi ≤ 0 (5) x1 + 2x2 -3 ≤ 0

λ i ( g i − bi ) = 0 (6) λ(x1 + 2x2 -3) = 0

λi ≥ 0 (7) λ≥0

xj ≥ 0 (8) x 1 , x2 ≥ 0

Verificação das condições KKT no ponto (3 , 0);

(1) 1/(x1+1) -λ(1) ≤ 0 1/4 - λ ≤ 0 λ ≥ 1/4 O.k. condição (7)

(2) -2x2 - λ(2) ≤ 0 -2λ ≤ 0 λ≥0 O.k. condição (7)

(3) x1[1/(x1+1) -λ(1)] = 0 3[(1/4) - λ] = 0 λ = 1/4 O.k. condições (1),(2),(3),(7)

(4) x2[-2x2 - λ(2)≤ ] = 0 0=0 O.k.

(5) x1 + 2x2 -3 ≤ 0 3+0-3≤0 0≤0 O.k.

(6) λ(x1 + 2x2 -3) = 0 1/4(3-3) = 0 0=0 O.k.

(7) λ≥0 Verificada

(8) x 1 , x2 ≥ 0 Verificada

O problema é de programação convexa e as condições KKT verificam-se no ponto (3,0) o que é condição
necessária e suficiente para afirmar que (3 , 0) é o ponto óptimo.

INVESTIGAÇÃO OPERACIONAL (MS) 4-11

 Exercícios de PNL – Soluções detalhadas

4.8 Considerando o modelo na forma:

Max [-f(x)] = -2x1 - x23 - x32

s.a. -x12 - 2x22 - x32 ≤ -4

x1, x2, x3 ≥ 0

as condições KKT são:

∂ f m ∂ gi (1) -2+2λx1 ≤ 0
−∑λi ≤0
∂ x j i =1 ∂ x j (2) -3x22 +4λx2 ≤ 0
(3) -2x3 +2λx3 ≤ 0

∂ f m ∂ gi (4) x1 (-2+2λx1) = 0
xj ( −∑λi )=0
∂ x j i =1 ∂ x j (5) x2(-3x22 +4λx2) = 0
(6) x3(-2x3 +2λx3) = 0

g i − bi ≤ 0 (7) -x12 - 2x22 - x32 +4 ≤ 0

λ i ( g i − bi ) = 0 (8) λ(-x12 - 2x22 - x32 +4)=0

λi ≥ 0 (9) λ≥0

xj ≥ 0 (10) x 1 , x2 ≥ 0

Verificação das condições KKT no ponto (1, 1, 1);

(1) -2+2λx1 ≤ 0 -2+2λ ≤ 0 λ≤1

(2) 2
-3x2 +4λx2 ≤ 0 -3+4λ ≤ 0 λ ≤ 4/3
(3) -2x3 +2λx3 ≤ 0 -2+2λ ≤ 0 λ≤1
(4) x1 (-2+2λx1) = 0 -2+2λ = 0 λ=1 Contradição nos valores de λ
(5) x2(-3x22 +4λx2) = 0 -3+4λ = 0 λ = 3/4
(6) x3(-2x3 +2λx3) = 0 -2+2λ = 0 λ=1
(7) -x12 - 2x22 - x32 +4 ≤ 0

(8) λ(-x12 - 2x22 - x32 +4) = 0

(9) λ≥0
(10) x 1 , x2 ≥ 0

As condições KKT não se verificam no ponto (1, 1, 1) pelo que o ponto proposto não é o ponto-óptimo
(notar que o problema é de programação convexa).

4-12 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

4.9 No intervalo [ a , b ] tem-se, no óptimo, f ´( a ) ≤ 0 , ou f ´(x) = 0 ou f ´(b) ≥ 0 como se pode verificar nas
figuras seguintes:

a a x b b

O modelo proposto é:
Max f(x)

s.a. -x ≤ -a
x ≤ b
ou seja:
Max f(x)

s.a. -x + s1 + a = 0

x + s2 - b = 0

s1 , s2 ≥ 0

A função Lagrangeana é:
L = f(x) - λ1 ( -x + s1 + a ) - λ2 ( x + s2 - b )

Não havendo condição de não negatividade para a variável “ x “ têm-se as condições de 1ª ordem para
extremo:
• L´(x) = 0 ou seja f ´(x) + λ1 - λ2 = 0

• L´(s1) = -λ1 ≤ 0 e s1 [ L´(s1 ) ] = - λ1 s1 = 0 (1) (porque s1 é variável não negativa)

• L´(s2) = -λ2 ≤ 0 e s2 [ L´(s2 ) ] = - λ2 s2 = 0 (2) (porque s2 é variável não negativa)

Sendo -s1 = -x + a , substituindo em (1) fica : λ1 ( -x + a ) = 0

Sendo -s2 = x - b , substituindo em (2) fica : λ2 ( x - b ) = 0

As condições obtidas são :

(1) f ´(x) + λ1 - λ2 = 0

(2) λ1 ( -x + a ) = 0

(3) λ2 ( x - b ) = 0

(4) λ1 ≥ 0

(5) λ2 ≥ 0

Resta agora verificar se estas condições conduzem ás soluções possíveis anteriormente obtidas
geometricamente :

INVESTIGAÇÃO OPERACIONAL (MS) 4-13

 Exercícios de PNL – Soluções detalhadas

λ1 λ2 Condição Solução

1º caso 0 0 f ´(x) = 0 ←
2º caso >0 0 -x + a = 0 ⇒ x = a ⇒ f ´(x) + λ1 = 0

f ´(a) = -λ1 ≤ 0 ←

3º caso 0 >0 x-b=0⇒x=b ⇒ f ´(x) - λ2 = 0

f ´(b) = λ2 ≥ 0 ←

4º caso >0 >0 -x + a = 0 ⇒ x = a ⇒ Impossível porque a ≠ b

x-b=0⇒x=b ⇒

Dado que as restrições são lineares se a função f(x) for Côncava então a solução óptima ocorre no ponto “a”
ou “b” ou em ponto interior do intervalo.

4.10 O problema equivalente é:

Max [-f(x1,x2)] = - (x1 -1)2 - (x2-2)2 + 3(x1+x2)

s.a. 4x1 + x2 ≤ 20

x1 + 4x2 ≤ 20

x 1 , x2 ≥ 0

As condições KKT são:

∂ f m ∂ gi (1) - 2x1 + 5 - 4λ1 - λ2 ≤ 0

−∑λi ≤0
∂ x j i =1 ∂ x j (2) -2x2 + 7 - λ1 -4λ2 ≤ 0

∂ f m ∂ gi (3) x1 ( - 2x1 + 5 - 4λ1 - λ2 ) = 0

xj ( −∑λi )=0
∂ x j i =1 ∂ x j (4) x2 (-2x2 + 7 - λ1 -4λ2 ) = 0

g i − bi ≤ 0 (5) 4x1 + x2 -20 ≤ 0

(6) x1 + 4x2 -20 ≤ 0
λ i ( g i − bi ) = 0 (7) λ1 (4x1 + x2 -20) = 0
(8) λ2 (x1 + 4x2 -20) = 0
λi ≥ 0 (9) λ1 , λ2 ≥ 0

xj ≥ 0 (10) x 1 , x2 ≥ 0

Se o ponto óptimo não pertence à fronteira do convexo de soluções então tem-se:

• em (7) 4x1 + x2 < 20 pelo que λ1 é obrigatoriamente nulo porque é complementar da variável de folga.

• em (8) deduz-se que λ2 = 0 pela mesma razão.

4-14 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

Com λ1 = λ2 = 0 as condições KKT ficam reduzidas a:

(1) - 2x1 + 5 ≤ 0

(2) -2x2 + 7 ≤ 0

(3) x1 ( - 2x1 + 5 ) = 0

(4) x2 (-2x2 + 7) = 0

(5) 4x1 + x2 - 20 ≤ 0
(6) x1 + 4x2 - 20 ≤ 0

(10) x 1 , x2 ≥ 0

De (3) deduz-se x1=0 ou (5-2x1) = 0. Para x1 = 0 a condição (1) é violada pelo que (5-2x1) = 0 ou seja

x1=5/2.

De (4) deduz-se x2=0 ou (-2x2+7) = 0. Para x2= 0 a condição (2) é violada pelo que (-2x2+7) = 0 ou seja

x2=7/2.

Com x1 = 5/2 e x2 = 7/2 todas as condições KKT são satisfeitas.

A função maximizada é -f=5x1 - x12 - x22 + 7x2 - 5 que é côncava. As restrições técnicas são lineares pelo

que o problema é de Programação Convexa situação em que as condições KKT são condição necessária e
suficiente para x1 = 5/2 e x2 = 7/2 ser garantidamente o ponto óptimo onde a função atinge o seu mínimo

condicionado (Min f = -13.5).

b.

20

15

10

5 Ponto Óptimo

-5

-10
-10 -5 0 5 10 15 20

INVESTIGAÇÃO OPERACIONAL (MS) 4-15

 Exercícios de PNL – Soluções detalhadas

A figura seguinte apresenta o gráfico da função:

f(x1,x2)

400 20

200
10
0
-10
x2
0 0

x1 10

20 -10

4.11 O problema equivalente é:

Max [-f(x1,x2)] = - x1 2 - 2x1 - 2x1x2 - 4x22

s.a. - 2x1 - x2 ≤ - 10

- x1 - 2x2 ≤ - 10

x1,x2 ≥ 0

As condições KKT são:

∂ f m ∂ gi (1) - 2x1 - 2 - 2x2 +2λ1 + λ2 ≤ 0

−∑λi ≤0
∂ x j i =1 ∂ x j (2) -2x1 - 8x2 + λ1 + 2λ2 ≤ 0

∂ f m ∂ gi (3) x1 (- 2x1 - 2 - 2x2 +2λ1 + λ2) = 0

xj ( −∑λi )=0
∂ x j i =1 ∂ x j (4) x2 (-2x1 - 8x2 + λ1 + 2λ2) = 0

g i − bi ≤ 0 (5) -2x1 - x2 +10 ≤ 0

(6) - x1 - 2x2 + 10 ≤ 0
λ i ( g i − bi ) = 0 (7) λ1 (-2x1 - x2 +10) = 0
(8) λ2 (- x1 - 2x2 + 10) = 0
λi ≥ 0 (9) λ1 , λ2 ≥ 0

xj ≥ 0 (10) x 1 , x2 ≥ 0

4-16 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

Colocando as condições (1), (2), (5) e (6) na forma de igualdade tem-se:

- 2x1 - 2x2 +2λ1 + λ2 + s1 = 2

-2x1 - 8x2 + λ1 + 2λ2 + s2 = 0

2x1 + x2 - e1 = 10

x1 + 2x2 - e2 = 10

com s1, s2, e1, e2 ≥ 0

Atendendo ao valor das variáveis auxiliares s1 , s2, e1 , e2 e à restrição de complementaridade as condições

KKT são equivalentes a:

- 2x1 - 2x2 +2λ1 + λ2 + s1 = 2

-2x1 - 8x2 + λ1 + 2λ2 + s2 = 0

2x1 + x2 - e1 = 10

x1 + 2x2 - e2 = 10

x1s1 + x2s2 + λ1e1 + λ2e2 = 0 (restrição de complementaridade)

x1 , x2 , λ1, λ2, s1, s2, e1 , e2 ≥ 0

Para utilizar o método Simplex é necessário utilizar variáveis Artificiais nas 3ª e 4ª igualdades e Minimizar
a sua soma pelo que se tem:
- 2x1 - 2x2 +2λ1 + λ2 + s1 = 2

-2x1 - 8x2 + λ1 + 2λ2 + s2 = 0

2x1 + x2 - e1 + A1 = 10

x1 + 2x2 - e2 + A2 = 10

Min fa = A1 + A2

A1 , A2 ≥ 0

Aplicando o método Simplex modificado por Wolfe:

VB x1 x2 λ1 λ2 e1 e2 s1 s2 A1 A2 VSM Obs.

s1 -2 -2 2 1 0 0 1 0 0 0 2 Entra x2 pois s2 pode sair

s2 -2 -8 1 2 0 0 0 1 0 0 0 garantindo-se x2s2 = 0

A1 2 1 0 0 -1 0 0 0 1 0 10

A2 1 2 0 0 0 -1 0 0 0 1 10

-fa 0 0 0 0 0 0 0 0 1 1 0

-fa -3 -3 0 0 1 1 0 0 0 0 -20
• • • • • • • • • • • • • • • • • • •
x1 1 0 -3/4 0 0 -1/2 -1/2 1/4 0 1/2 4

x2 0 1 3/8 0 0 -1/4 1/4 -1/8 0 1/4 3

λ2 0 0 5/4 1 0 -3/2 1/2 1/4 0 3/2 16

e1 0 0 -9/8 0 1 -5/4 -3/4 3/8 -1 5/4 1 Solução óptima

-fa 0 0 0 0 0 0 0 0 1 1 0

INVESTIGAÇÃO OPERACIONAL (MS) 4-17

 Exercícios de PNL – Soluções detalhadas

Solução Óptima: x1 = 4 ; x2 = 3 ; Max f(x1 , x2) = 84

As figuras seguintes apresentam o gráfico da função proposta, e a projecção horizontal das curvas de nível.

f(x1,x2)
1500

1000
10
500
0
0
-10 x2

0
-10
x1
10

10

Ponto Óptimo

-5

-10
-10 -5 0 5 10

4-18 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

4.12 O problema equivalente é:

Max [-f(x1,x2)] = - 2x12 - x2 2

s.a. x1 + x2 ≤ 10

-x1 - x2 ≤ -10

x1,x2 ≥ 0

a. As condições KKT são:

∂ f m ∂ gi (1) - 4x1 -λ1 + λ2 ≤ 0

−∑λi ≤0
∂ x j i =1 ∂ x j (2) -2x2 - λ1 + λ2 ≤ 0

∂ f m ∂ gi (3) x1 (- 4x1 -λ1 + λ2) = 0

xj ( −∑λi )=0
∂ x j i =1 ∂ x j (4) x2 (-2x2 - λ1 + λ2) = 0

g i − bi ≤ 0 (5) x1 + x2 - 10 ≤ 0
(6) - x1 - x2 + 10 ≤ 0
λ i ( g i − bi ) = 0 (7) λ1 (x1 + x2 - 10) = 0
(8) λ2 (- x1 - x2 + 10) = 0
λi ≥ 0 (9) λ1 , λ2 ≥ 0

xj ≥ 0 (10) x 1 , x2 ≥ 0

No ponto (10/3,20/3) todas as condições KKT são satisfeitas.

O problema é de programação convexa pelo que aquele ponto é óptimo.
b. Colocando as condições (1), (2), (5) e (6) na forma padrão Simplex tem-se:
- 4x1 - λ1 + λ2 + s1 = 0

-2x2 - λ1 + λ2 + s2 = 0

x1 + x2 + s3 = 10

x1 + x2 - e1 = 10

com x1 , x2 , λ1, λ2, s1, s2, s3 , e1 ≥ 0

Atendendo ao valor das variáveis auxiliares estabelece-se a restrição de complementaridade:

x1s1 + x2s2 + λ1s3 + λ2e1 = 0

Para utilizar o método Simplex é necessário utilizar uma variável Artificial na 4ª igualdade e Minimizar a
função artificial fa(A1) = A1 pelo que se tem:

Min fa = A1

- 4x1 - λ1 + λ2 + s1 = 0

-2x2 - λ1 + λ2 + s2 = 0

x1 + x2 + s3 = 10

x1 + x2 - e1 + A1 = 10

com x1 , x2 , λ1, λ2, s1, s2, s3 , e1, A1 ≥ 0

Aplicando o método Simplex modificado por Wolfe:

INVESTIGAÇÃO OPERACIONAL (MS) 4-19

 Exercícios de PNL – Soluções detalhadas

VB x1 x2 λ1 λ2 s1 s2 s3 e1 A1 VSM Obs.

s1 -4 0 -1 1 1 0 0 0 0 0 Entra x1 pois pode sair a

s2 0 -2 -1 1 0 1 0 0 0 0 variável complementar s1.

s3 1 1 0 0 0 0 1 0 0 10 Notar que a11 tem coeficiente

A1 1 1 0 0 0 0 0 -1 1 10 negativo e θmin = 0.

-fa 0 0 0 0 0 0 0 0 1 0

-fa -1 -1 0 0 0 0 0 1 0 -10

x1 1 0 1/4 -1/4 -1/4 0 0 0 0 0 Entra x2 pois pode sair a

s2 0 -2 -1 1 0 1 0 0 0 0 variável complementar s2.

s3 0 1 -1/4 1/4 1/4 0 1 0 0 10 Notar que a22 tem coeficiente

A1 0 1 -1/4 1/4 1/4 0 0 -1 1 10 negativo e θmin = 0.

-fa 0 -1 1/4 -1/4 -1/4 0 0 1 0 -10

x2 0 1 1/2 -1/2 0 -1/2 0 0 0 0 Entra λ2 (pode entrar porque

x1 1 0 1/4 -1/4 -1/4 0 0 0 0 0 a variável complementar é VNB).

s3 0 0 -3/4 3/4 1/4 1/2 1 0 0 10 Sai A1.

A1 0 0 -3/4 3/4 1/4 1/2 0 -1 1 10

-fa 0 0 3/4 -3/4 -1/4 -1/2 0 1 0 -10

λ2 0 0 -1 1 1/3 2/3 0 -4/3 4/3 40/3

x2 0 1 0 0 1/6 -1/6 0 -2/3 2/3 20/3

x1 1 0 0 0 -1/6 1/6 0 -1/3 1/3 10/3

s3 0 0 -3/2 0 0 0 1 1 -1 0 Solução óptima

-fa 0 0 0 0 0 0 0 0 1 0

Solução Óptima: x1 = 10/3 ; x2 = 20/3 ; Max f(x1 , x2) = 66 + 2/3

4-20 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

As figuras seguintes apresentam a projecção horizontal das curvas de nível e o gráfico da função proposta.

10

Ponto Óptimo
8

-2

-4

-4 -2 0 2 4 6 8 10

f(x1,x2)
300

200 10

100
5
0
-5
x2
0 0

5
x1
10 -5

4.13 A função Lagrangeana é :

L = 3x1 + x2 - λ1 ( x12 + x22 + s1 - 5 ) - λ2 ( x1 - x2 + s2 - 1 ).

Tendo em atenção que só as variáveis de folga utilizadas são não negativas, as condições de primeira ordem
para extremo são as seguintes:

• 3 - 2λ 1 x 1 - λ 2 = 0 (derivada parcial em ordem a x1)

• 1 - 2λ 1 x 2 + λ 2 = 0 (derivada parcial em ordem a x2 )

• -x12 - x22 - s1 + 5 = 0 (derivada parcial em ordem a λ1 )

• -x1 + x2 - s2 + 1 = 0 (derivada parcial em ordem a λ2 )

• - λ1 ≤ 0 (derivada parcial em ordem a s1 )

• - λ1 s1 = 0 ( complementaridade)

• - λ2 ≤ 0 ( em ordem a s2 )

• - λ2 s2 = 0 ( complementaridade)

INVESTIGAÇÃO OPERACIONAL (MS) 4-21

 Exercícios de PNL – Soluções detalhadas

Substituindo o valor das variáveis de folga, têm-se as condições KKT :

(1) 3 - 2λ1 x1 - λ2 = 0

(2) 1 - 2λ1 x2 + λ2 = 0

(3) x12 + x22 - 5 ≤ 0

(4) λ1 (x12 + x22 - 5) = 0

(5) x 1 - x2 - 1 ≤ 0

(6) λ2 (x 1 - x2 - 1) = 0

(7) λ1 , λ2 ≥ 0

Estudo:
1ª Hipótese : λ1 = 0

Da condição (2) tem-se λ2 = -1 que não é admissível, concluindo-se que λ1 ≠ 0

2ª Hipótese : λ1 ≠ 0 ; λ2 = 0

Da condição (4) tem-se x12 + x22 = 5

Da condição (1) tem-se (3 - 2λ1 x1 ) = 0 ou seja x1 = 3/ 2λ1

Da condição (2) tem-se (1 - 2λ1 x2 ) = 0 ou seja x2 = 1/ 2λ1

2
Substituindo “x1” e “x2” por estes valores em x12 + x22 =5 tem-se λ1 = ( porque λ1 ≥ 0 )
2
1
O valor de x 1 = 3/ 2λ1 é então x1 = e3 y =
2 2
Estes valores das variáveis não verificam a condição (5) pelo que se conclui que λ2 é diferente de zero.

3ª Hipótese : λ1 ≠ 0 ; λ2 ≠ 0

Das condições (4) e (6) tem-se o sistema de equações:

x12 + x22 = 5

x1 - x2 = 1

com 2 soluções : x1= -1 ; x2 = -2 e x1 = 2 ; x2 = 1.

Para x1 = -1 ; x2 = -2 obtém-se em (1) e (2) : λ1 = - 2/3 que não é admissível.

A solução x1 = 2 ; x2 = 1 permite calcular λ1 = 2/3 ; λ2 = 1/3 no mesmo sistema de equações

Com x 1= 2 ; x2 = 1 ; λ1 = 2/3 ; λ2 = 1/3 todas as condições KKT são observadas pelo que se conclui que o

valor máximo da função-objectivo é 7. A figura seguinte permite verificar o exposto:

x2
f=7

x1 - x 2 = 1
(2,1)

x1

4-22 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

4.14 Se x1 > 1 então ( 1 - x1 ) 3 < 0 o que conduziria a x2 < 0. Conclui-se assim que o valor óptimo de f(x) não

pode exceder 1.
Dado que x1 = 1 ; x2 = 0 é admissível , o ponto com estas coordenadas deve ser a solução óptima.

Uma das condições KKT é:

1 - 3λ(1 - x1 ) 2 ≤ 0

Para x1 =1 e x2 = 0 tem-se por substituição :

1 - 3λ ( 0 ) 2 ≤ 0
1 ≤ 0 ( não satisfaz)
Conclusão : A condição KKT testada “falha” no ponto óptimo.

g(x1,x2)

10000

0 20
-10000 10

0
-20
-10
-10 x2
0
10 -20
x1
20

A figura seguinte apresenta as curvas de nível da função de restrição:

X2

10
Ponto Óptimo (x1= 1 ;x2 = 0 )

-10

-20

-20 -10 0 10 X1

As condições KKT podem “falhar” no ponto-óptimo quando não forem linearmente independentes os
gradientes associados às restrições saturadas.

INVESTIGAÇÃO OPERACIONAL (MS) 4-23

 Exercícios de PNL – Soluções detalhadas

No ponto (1,0) a restrição técnica x2 - (1-x1)3 ≤ 0 e a restrição lógica -x2 ≤ 0 estão saturadas ou seja

verificam-se como igualdades.

Neste ponto os valores dos gradientes destas restrições são:

∇( x2 - (1-x1)3 ) = 3(1-x1)2 = 0 [
∇ x 2 − (1 − x 1 ) 3 ]
1 1
∇( f )

∇( -x2 ) = 0 x1=1 ; x2 = 0

-1
∇( − x 2 )

Dado que [ 0 1 ]T + [ 0 -1 ]T = [ 0 0 ]T estes gradientes não são linearmente independentes.

Tenha-se então em atenção que:
“Sendo X* a solução óptima de um PNL, se os gradientes das restrições saturadas (técnicas e lógicas)
formarem um conjunto de vectores linearmente independentes, verificam-se as condições KKT “.
“Se o espaço de solução for definido exclusivamente por restrições lineares as condições KKT vigoram
sempre no óptimo”.

4.15 Resumo do método de Lemke:

• Ambiente : Programação quadrática
• Finalidade : Cálculo da solução das condições KKT
• Forma do modelo para estabelecer as condições KKT:
Max f(x)
s.a. AX ≤ B
X≥0
Se o objectivo é Minimizar, maximizar a função simétrica.
Se uma restrição é do tipo “ ≥“, passá-la a “≤“ multiplicando por “-1”.
Se uma restrição é do tipo “=“, substituí-la por duas restrições: uma do tipo “≤“ e outra do tipo “≥“.
• Técnica de cálculo : método Simplex modificado por Lemke
• Descrição
1. Organizar o seguinte sistema de equações a partir das condições KKT:
∂f m ∂ gi
− ∑λi + Ej =0
∂ x j i =1 ∂ x j
AX + S i = B
E j , Si ≥ 0

em que:
Ej = variável de folga na condição associada à derivada parcial em ordem a xj

A = matriz tecnológica
Si = variável de folga da restrição técnica “i”

B = vector-coluna dos segundos membros das restrições técnicas

4-24 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

2. Acrescentar aos segundos membros das equações precedentes a variável auxiliar “α“ ficando o
sistema de equações:
∂f m ∂ gi
− ∑λi + Ej −α = 0
∂ x j i =1 ∂ x j
AX + S i − α = B
α ≥0

As equações obtidas em 1. (forma-padrão do Simplex) são satisfeitas se e só se α=0. O recurso a esta

variável é assim a forma engenhosa apresentada por Lemke para cálculo da solução das condições
KKT. Recorrendo ao método Simplex, procura-se por combinação linear uma solução em que a
variável “α“ seja nula e as restantes variáveis tenham valor não negativo garantindo a satisfação da
restrição de complementaridade:
x j E j + λ i Si = 0
Para tal adoptam-se as seguintes regras para o processo iterativo:
1ª Iteração
• Entra para a base a variável “α“.
• Sai da base a variável com valor negativo de maior valor absoluto
Restantes Iterações
• Entra para a base a variável complementar da que acabou de sair da base.
• Sai da base a variável associada ao valor “θmin “ usual em Simplex

Regra de Paragem
• O processo iterativo termina se “α“ é VNB (valor nulo) ou não é possível obter “θmin ≥ 0”.

No primeiro caso (α = 0) há solução para as condições KKT enquanto no segundo o problema

não tem solução.

4.16 As condições KKT são:

(1) 2 - 2x1 - 2λ ≤ 0

(2) x1 (2 - 2x1 - 2λ ) = 0

(3) 3 - 2x2 - 2λ ≤ 0

(4) x2 (3 - 2x2 - 2λ ) = 0

(5) 2x1 + 2x2 - 4 ≤ 0

(6) λ (2x1 + 2x2 - 4) = 0

(7) x1 , x2 , λ ≥ 0

O sistema de equações de Lemke é formado a partir das condições (1), (3) e (5):

- 2x1 - 2λ + e1 - α = -2

3 - 2x2 - 2λ + e2 - α = -3

2x1 + 2x2 + s1 = 4

Recorrendo ao método Simplex tem-se:

INVESTIGAÇÃO OPERACIONAL (MS) 4-25

 Exercícios de PNL – Soluções detalhadas

VB x1 x2 λ e1 e2 s1 α VSM Obs.

e1 -2 0 -2 1 0 0 -1 -2 Entra α.
e2 0 -2 -2 0 1 0 -1 -3 Sai e2

s1 2 2 0 0 0 1 -1 4

α 0 2 2 0 -1 0 1 3 Saiu e2 ⇒ Entra x2

e1 -2 2 0 1 -1 0 0 1 Sai e1

s1 2 4 2 0 -1 1 0 7

x2 -1 1 0 1/2 -1/2 0 0 1/2 Saiu e1 ⇒ Entra x1

α 2 0 2 -1 0 0 1 2 Sai s1

s1 6 0 2 -2 1 1 0 5

x1 1 0 1/3 -1/3 1/6 1/6 0 5/6 Saiu s1 ⇒ Entra λ

x2 0 1 1/3 1/6 -1/3 1/6 0 4/3 Sai α

α 0 0 4/3 -1/3 -1/3 -1/3 1 1/3

λ 0 0 1 -1/4 -1/4 -1/4 3/4 1/4 Solução óptima pois “α“ é VNB
x1 1 0 0 -1/4 1/4 1/4 -1/4 3/4

x2 0 1 0 1/4 -1/4 1/4 -1/4 5/4

Solução Óptima: x1 = 3/4 ; x2 = 5/4 ; Max f(x1 , x2) = 25/8

4.17
Condições KKT:

∂ f m ∂ gi (1) 15 + 4x2 - 4x1 -λ(1) ≤ 0

−∑λi ≤0
∂ x j i =1 ∂ x j (2) 30 + 4x1 - 8x2 - λ(2) ≤ 0

∂ f m ∂ gi (3) x1[15 + 4x2 - 4x1 -λ(1)] = 0

xj ( −∑λi )=0
∂ x j i =1 ∂ x j (4) x2[30 + 4x1 - 8x2 - λ(2)] = 0

g i − bi ≤ 0 (5) x1 + 2x2 -30 ≤ 0

λ i ( g i − bi ) = 0 (6) λ( x1 + 2x2 -30) = 0

λi ≥ 0 (7) λ≥0

xj ≥ 0 (8) x 1 , x2 ≥ 0

O sistema de equações de Lemke é formado a partir das condições (1), (2) e (5):

- 4x1 + 4x2 - λ + e1 - α = -15

4x1 - 8x2 - 2λ + e2 - α = -30

x1 + 2x2 + s1 - α = 30

Recorrendo ao método Simplex tem-se:

VB x1 x2 λ e1 e2 s1 α VSM Obs.

4-26 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

e1 -4 4 -1 1 0 0 -1 -15 Entra α.
e2 4 -8 -2 0 1 0 -1 -30 Sai e2

s1 1 2 0 0 0 1 -1 30

α -4 8 2 0 -1 0 1 30 Saiu e2 ⇒ Entra x2

e1 -8 12 1 1 -1 0 0 15 Sai e1

s1 -3 10 2 0 -1 1 0 60

x2 -2/3 1 1/12 1/12 -1/12 0 0 5/4 Saiu e1 ⇒ Entra x1

α 4/3 0 4/3 -2/3 -1/3 0 1 20 Sai s1

s1 11/3 0 7/6 -5/4 1/6 1 0 95/2

x1 1 0 7/22 -5/22 -1/22 3/11 0 285/22 Saiu s1 ⇒ Entra λ

x2 0 1 13/44 -3/44 -5/44 2/11 0 435/44 Sai α

α 0 0 10/11 -4/11 -3/4 -4/11 1 30/11

λ 0 0 1 -2/5 -3/10 -2/5 11/10 3 Solução óptima pois “α“ é
x1 1 0 0 -1/10 1/20 2/5 -7/20 12 VNB

x2 0 1 0 1/20 -1/40 3/10 -13/40 9

Solução Óptima: x1 = 12 ; x2 = 9 ; Max f(x1 , x2) = 270

4.18 O problema equivalente é:

Max [-f(x1,x2)] = - x1 2 - 2x1 - 2x1x2 - 4x22

s.a. - 2x1 - x2 ≤ - 10

- x1 - 2x2 ≤ - 10

x1,x2 ≥ 0

As condições KKT são:

∂ f m ∂ gi (1) - 2x1 - 2 - 2x2 +2λ1 + λ2 ≤ 0

−∑λi ≤0
∂ x j i =1 ∂ x j (2) -2x1 - 8x2 + λ1 + 2λ2 ≤ 0

∂ f m ∂ gi (3) x1 (- 2x1 - 2 - 2x2 +2λ1 + λ2) = 0

xj ( −∑λi )=0
∂ x j i =1 ∂ x j (4) x2 (-2x1 - 8x2 + λ1 + 2λ2) = 0

g i − bi ≤ 0 (5) -2x1 - x2 +10 ≤ 0

(6) - x1 - 2x2 + 10 ≤ 0
λ i ( g i − bi ) = 0 (7) λ1 (-2x1 - x2 +10) = 0
(8) λ2 (- x1 - 2x2 + 10) = 0
λi ≥ 0 (9) λ1 , λ2 ≥ 0

xj ≥ 0 (10) x 1 , x2 ≥ 0

O sistema de equações de Lemke é formado a partir das condições (1), (2) (5) e (6):

- 2x1 - 2x2 + 2λ1 + λ2 + e1 - α = 2

INVESTIGAÇÃO OPERACIONAL (MS) 4-27

 Exercícios de PNL – Soluções detalhadas

-2x1 - 8x2 + λ1 + 2λ2 + e2 - α = 0

-2x1 - x2 + s -10

- x1 - 2x2 + s1 - α = 10

Recorrendo ao método Simplex tem-se:

VB x1 x2 λ1 λ2 e1 e2 s1 s2 α VSM Obs.

e1 -2 -2 2 1 1 0 0 0 -1 2 Entra α
e2 -2 -8 1 2 0 1 0 0 -1 0 Sai s1 (ou s2)

s1 -2 -1 0 0 0 0 1 0 -1 -10

s2 -1 -2 0 0 0 0 0 1 -1 -10

α 2 1 0 0 0 0 -1 0 1 10 Saiu s1 ⇒ Entra λ1

e1 0 -1 2 1 1 0 -1 0 0 12 Sai e1

e2 0 -7 1 2 0 1 -1 0 0 10

s2 1 -1 0 0 0 0 -1 1 0 0

λ1 0 -1/2 1 1/2 1/2 0 -1/2 0 0 6 Saiu e1 ⇒ Entra x1

α 2 1 0 0 0 0 -1 0 1 10 Sai s2

e2 0 -13/2 0 3/2 -1/2 1 -1/2 0 0 4

s2 1 -1 0 0 0 0 -1 1 0 0

x1 1 -1 0 0 0 0 -1 1 0 0 Saiu s2 ⇒ Entra λ2

λ1 0 -1/2 1 1/2 1/2 0 -1/2 0 0 6 Sai e2

α 0 3 0 0 0 0 1 -2 1 10
e2 0 -13/2 0 3/2 -1/2 1 -1/2 0 0 4

λ2 0 -19/3 0 1 -1/3 2/3 -1/3 0 0 8/3 Saiu e2 ⇒ Entra x2

x1 1 -1 0 0 0 0 -1 1 0 0 Sai λ1

λ1 0 5/3 1 0 2/3 -1/3 -1/3 0 0 14/3

α 0 3 0 0 0 0 1 -2 1 10
x2 0 1 3/5 0 2/5 -1/5 -1/5 0 0 14/5 Saiu λ1 ⇒ Entra s1

λ2 0 0 13/5 1 7/5 -1/5 -6/5 0 0 74/5 Sai α

x1 1 0 3/5 0 2/5 -1/5 -6/5 1 0 14/5

α 0 0 -9/5 0 -6/5 3/5 8/5 -2 1 8/5

• • • • • • • • •

4-28 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

VB x1 x2 λ1 λ2 e1 e2 s1 s2 α VSM Obs.

s1 0 0 -9/8 0 -3/4 3/8 1 -5/4 5/8 1 Solução óptima pois “α“ é

x2 0 1 3/8 0 1/4 -1/8 0 -1/4 1/8 3 VNB

λ2 0 0 5/4 1 1/2 1/4 0 -3/2 3/4 16

x1 1 0 -3/4 0 -1/2 1/4 0 -1/2 3/4 4

Solução Óptima: x1 = 4 ; x2 = 3 ; Max f(x1 , x2) = 84

INVESTIGAÇÃO OPERACIONAL (MS) 4-29

 Exercícios de PNL – Soluções detalhadas

5.

5.1 Considere-se o problema de programação convexa:

Max f(X)
s.a. AX ≤ B
X≥0
em que X = [ x1, x2, ... , xn ]T , f(X) é a função-objectivo não linear, Amxn é a matriz tecnológica e B é o

vector-coluna dos segundos membros das restrições técnicas que são lineares.
Sendo X0 um ponto-tentativa inicial, o valor de f(X) no intervalo de X0 a X é a série de Taylor em potências

de (X-X0 ):

∞ f k (X 0 )
f (X ) = ∑ (X − X 0 )k
k =1 k!
O valor de f(X) na proximidade de X pode ser obtido pela aproximação linear:
f ( X ) ≈ f ( X 0 ) + ∇f ( X 0 )( X − X 0 )
Dado que f ( X 0 ) e ∇f ( X 0 )( X 0 ) são valores constantes, pode construir-se a função:

h( X ) = ∇f ( X 0 )( X )
que sendo linear permite calcular, pelo método Simplex, um ponto XPL que é solução admissível do modelo

original e solução óptima do modelo:

Max h(X)
s.a. AX ≤ B
X≥0
O valor da função linear h(X) aumenta necessariamente ao longo do segmento de extremos X0 e XPL mas

dada a distância que pode haver entre estes dois pontos nada garante que o mesmo se verifique com f(X)
pelo que é necessário determinar qual o ponto X* onde f(X) atinge o maior valor.
O ponto X* pertencente ao segmento tem coordenadas:
X* = X0 + t(XPL - X0) com 0 ≤ t ≤ 1,

pelo que é necessário calcular Max f [(X0 + t(XPL - X0)] para o que se recorre a qualquer dos métodos de

optimização livre de funções monovariáveis (método da bissecção por exemplo).

Em X* tem-se f(X*) ≥ f(X0) pelo que:

• se f(X*) = f(X0) então X0 é a solução óptima do modelo de programação não linear

• se f(X*) > f(X0) então X* passa a constituir novo ponto-tentativa onde se repete o procedimento

descrito
O cálculo termina quando se verificar uma das seguintes situações:
• Xk = Xk-1 com Xk-1 como solução óptima

• quando dois pontos sucessivos estiverem suficientemente próximos (uso de tolerância),no caso de
a função-objectivo aumentar sempre ao longo do processo iterativo

INVESTIGAÇÃO OPERACIONAL (MS) 5-1

 Exercícios de PNL – Soluções detalhadas

Fluxograma do método Frank-Wolfe:

Escolher Ponto-Tentativa Xk
(deve ser admissível)

Calcular ∇f(Xk )

Construir a função:
h(X) = ∇f(Xk ).X

Calcular XPL optimizando:

Max h(X)
s.a. AX ≤ B
X≥0

Definir X*=Xk + t(XPL-Xk )

Calcular:
Max f(t)=Xk+t(XPL-Xk)

X*=Xk ?
ou Sim Xk é Óptimo
X*- Xk ≤ Tolerância ? FIM

Não
Xk=X*

5.2 Considerando o modelo na forma:

Max (-f(X)) = -x12 + 6x1 - x23 + 3x2

s.a. x1 + x2 ≤ 1

x 1 , x2 ≥ 0

tem-se ∇(-f) = -2x1 + 6

-3x22 + 3

5-2 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

Considerando para ponto-tentativa inicial X1 = (0 , 0) que é admissível , calcula-se:

∇[-f(0 , 0)] = 6
3

Organiza-se a função linear h(X) = 6x1 + 3x2 e optimiza-se pelo método Simplex:

Max h(X) = 6x1 + 3x2

s.a. x1 + x2 ≤ 1
x 1 , x2 ≥ 0
com solução óptima XPL = (1 , 0 ).

O valor máximo de -f(X) é um ponto X* (igual a X1+ t(XPL - X1) = ( t , 0) com 0 ≤ t ≤ 1), do segmento:

(0,0) (1,0)
Calcula-se Max(-f(X*)) = -x12 + 6x1 - x23 + 3x2 = -t2 + 6t.

Recorrendo, por exemplo, ao método da bissecção determina-se o valor óptimo de t* = 1 a que corresponde
X*=(1,0) onde a função atinge o maior valor. Como X1 e X* são diferentes e muito afastados, considera-se o

ponto (1,0) como novo ponto-tentativa X2 .

Calcula-se novamente:

∇[-f(1 , 0) = 4
3

Organiza-se a função linear h(X) = 4x1 + 3x2 e optimiza-se pelo método Simplex:

Max h(X) = 4x1 + 3x2

s.a. x1 + x2 ≤ 1
x 1 , x2 ≥ 0
com solução óptima XPL = (1 , 0 ).

O valor máximo de -f(X) é atingido no ponto X* = X2+ t(XPL - X2) = ( 1 , 0) com 0 ≤ t ≤ 1.

Calcula-se Max(-f(X*))= -x12 + 6x1 - x23 + 3x2 = 5.

Como X2 e X* são iguais e a função -f(x) é côncava conclui-se que o ponto de coordenadas x1=1, x2=0 é

solução óptima com Min f(X) = - 5.

5.3
1. Calcula-se o gradiente da função no ponto tentativa X1 = (5,5):

∇f = 15+4x2-4x1 = 15

30+4x1-8x2 10

2. Optimiza-se recorrendo ao método Simplex:

Max h(X) = 15x1 + 10x2

s.a. x1 + 2x2 ≤ 30

x1 , x 2 ≥ 0

A solução óptima é XPL = (30 , 0).

INVESTIGAÇÃO OPERACIONAL (MS) 5-3

 Exercícios de PNL – Soluções detalhadas

5   30 5  5 + 25t 

3. Calcula-se X* = X1 + t(XPL - X1) =   + t    −    =  
5   0  5   5 − 5t 

4. Maximiza-se a função f(X*) = -1850t2 + 325t + 175, obtendo-se t* = 0.088 a que corresponde:

 7.196
X* =  
 4.561

 7.196
5. Porque X* ≠ X1 considera-se para novo ponto-tentativa X2 = X* =  
 4.561
6. Recalcula-se o gradiente da função no ponto tentativa X2 :

∇f = 15+4x2-4x1 = 4.459

30+4x1-8x2 22.3

7. Optimiza-se recorrendo ao método Simplex:

Max h(X) = 4.459x1 + 22.3x2

s.a. x1 + 30x2 ≤ 30

x1 , x 2 ≥ 0

A solução óptima é XPL = (0 , 15).

 7.196   0   7.196   7.196 − 7.196t 

8. Calcula-se X* = X2 + t(XPL - X2) =   + t   −   =  
 4.561  15  4.561   4.561 + 10.44t 

9. Maximiza-se a função f(X*) = -840t2 + 201t + 189, obtendo-se t* = 0.119 a que corresponde:

 6.337
X* =  
 5.807 

 6.337
10. Porque X* ≠ X2 considera-se para novo ponto-tentativa X3 = X* =  
 5.807 
11. Recalcula-se o gradiente da função no ponto tentativa X3 :

∇f = 15+4x2-4x1 = 12.88

30+4x1-8x2 8.89

12. Optimiza-se recorrendo ao método Simplex:

Max h(X) = 12.88x1 + 8.89x2

s.a. x1 + 30x2 ≤ 30

x1 , x 2 ≥ 0

A solução óptima é XPL = (30 , 0).

 6.337   30  6.337   6.337 + 23.667t 

14. Calcula-se X* = X3 + t(XPL - X3) =   + t   −   =  
 5.807    0   5.807    5.807 − 5.807t 

15. Maximiza-se a função f(X*) = -1804t2 + 253t + 201, obtendo-se t* = 0.07 a que corresponde:

 7.996
X* =  
 5.4 

 7.796
16. Porque X* ≠ X3 considerava-se para novo ponto-tentativa X4 = X* =  
 5.4 

5-4 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

5.4 Solução óptima no ponto x1 = 1.695 ; x2 = 1.914

5.5 O método SUMT é caracterizado pela simplicidade e versatilidade embora propenso a instabilidade
numérica.
O problema original é substituído por uma sequência de problemas livres cujas soluções convergem para um
máximo local do problema original (máximo global em programação convexa).
Para um modelo do tipo:
Max f(x1 , ..., xn)

s.a. AX ≤ B
X≥0
estabelece-se uma função-barreira B(X) que para X admissível, satisfaz as seguintes condições:
• B(X) tem valores reduzidos se X é um ponto afastado das fronteiras do espaço de solução
• B(X) tem valores muito elevados em pontos próximos da fronteira daquele espaço tendendo para
“∞ “ quando a distância do ponto X à fronteira tende para zero.
A função B(X) utilizada pelo método é:
m n
1 1
B( X ) = ∑ +∑
bi − gi ( X ) j = 1 x j
i =1

em que: m = número de restrições técnicas

n = número de variáveis de decisão
bi = segundos membros das restrições técnicas

gi(X) = primeiros membros das restrições técnicas

Para valores admissíveis de X, o denominador de cada termo é proporcional à distância de X à fronteira
associada à restrição pelo que B(X) funciona como fronteira de repulsão.
Cada um dos problemas livres a resolver sequencialmente envolve a optimização de :
Max P(X,r) = f(X) - rB(X)
em que “r” tem valores estritamente positivos sucessivamente decrescentes tendendo para zero.
A redução sucessiva do valor de “r” é estabelecida por recorrência (valor seguinte igual ao anterior
multiplicado por “θ“ que satisfaz 0 < θ < 1 sendo típico usar θ=0.01).
Se Xk é um máximo de P(X,r) então:

P(Xk ,r) = f(Xk ) - rB(Xk )

e se X* for óptimo de f(X) então:

f(X*) ≥ f(Xk ) - rB(Xk )

f(X*) ≤ f(Xk ) + rB(Xk )

donde resulta que tendendo “r” para zero, Xk tende para X* .

O processo iterativo termina quando rB(X) ≤ ε (tolerância).

Casos particulares:
1. Minimização de f(X) : maximiza-se Max (-f(X))
2. Restrição técnica do tipo “ ≤ “ : transforma-se em restrição do tipo “ ≥ “

−[bi − gi ( X )]
2
−r
3. Restrição técnica do tipo “ = “ : substituir por na expressão de P(X,r).
bi − gi ( X ) r

INVESTIGAÇÃO OPERACIONAL (MS) 5-5

 Exercícios de PNL – Soluções detalhadas

5.6 Solução óptima no ponto x1 = 1.695 ; x2 = 1.914

5-6 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

6.

6.1 Variáveis de Decisão : x1 ( produção do computador A) ; x2 (produção do computador B)

Função Objectivo: Max f = p1 x1 + p2 x2

Restrições técnicas :

2x1 + 3x2 ≤ 5000 ( mão de obra)

3x1 + x2 ≤ 4500 (chips)

Restrições lógicas : x1 , x2 ≥ 0 e Inteiro

As relações das variáveis de decisão com os preços de venda permitem obter por substituição:
Max f = 4000p1 -10p12 + 1.8 p1 p2 + 2000p2 - 9p22

Esta função é Côncava o que conjugado com restrições lineares permite concluir que as condições KKT
vigoram no óptimo.
Condições KKT:
(1) 4000 - 20p1 + 1.8 p2 +17.6 λ1 + 29.2 λ2 ≤ 0

(2) 1.8 p1 + 2000 -18 p2 +25λ1 + 6 λ2 ≤ 0

(3) p1 (4000 - 20p1 + 1.8 p2 +17.6 λ1 + 29.2 λ2 ) = 0

(4) p2 (1.8 p1 + 2000 -18 p2 +25λ1 + 6 λ2 ) = 0

(5) -17.6 p1 - 25 p2 ≤ -9000

(6) -29.2 p1 -6 p2 ≤ -9500

(7) λ1 (-17.6 p1 - 25 p2 + 9000 ) = 0

(8) λ2 (-29.2 p1 -6 p2 + 9500 ) = 0

(9) p1 , p2 ≥ 0

(10) λ1 , λ2 ≥ 0

1ª Hipótese : λ1 = 0 ; λ2 ≠ 0

λ2 ≠ 0 ⇒ -29.2p1 - 6p2 + 9500 = 0

p1 ≠ 0 ⇒ 4000 - 20p1 + 1.8 p2 +17.6 λ1 + 29.2 λ2 = 0

p2 ≠ 0 ⇒ 1.8 p1 + 2000 -18 p2 +25λ1 + 6 λ2 = 0

Resolvendo o sistema tem-se p1 = 292.8093 u.m. ; p2 = 158.3231 u.m. ; λ2 = 53.80807 u.m. que é uma

solução admissível a que corresponde x1 = 1230 computadores do tipo A, x2 = 809 computadores do tipo B e

f= 488358.4 u.m.
Não há outro ponto que satisfaça as condições KKT pelo que o calculado é a solução óptima.
a. Plano óptimo de produção: 1230 computadores do tipo A ; 809 computadores do tipo B com preços de
venda de p1 = 292.81 u.m. e p2 = 158.33 u.m. respectivamente.

A receita máxima da venda será de 488358.36 u.m.

b. Preço-sombra da hora de mão de obra =λ1 = 0

c. Preço-sombra do chip = λ2 = 53.81 u.m.

INVESTIGAÇÃO OPERACIONAL (MS) 6-1

 Exercícios de PNL – Soluções detalhadas

6.2
• Variáveis de Decisão : x1 , x2 , x3 ( nível de produção de A, B, C respectivamente)

Tem-se assim :
x1 = 18 - p1 ; x2 = 9 + 1/3 p1 - p2 ; x3 = 13 - p3

• Restrições técnicas :

3x1 + 4x2 + 6x3 ≤ 150 (horas máquina)

4x1 + 10x2 + 7x3 ≤ 280 (horas de trabalho)

• Restrições lógicas : x1 , x2 ,x3 ≥ 0 e Inteiro

• Função-objectivo : Max f = (13x1 - x12 ) + ( 3x2 - (1/3) x1x2 - x22 ) + ( 4x3 - x32 )

Nota sobre a organização da função objectivo:

Secretária do tipo A:
• total do lucro = total da venda - total do custo de produção = p1 x1 - 5x1 = x1 (18 - x1) - 5x1

= 13x1 -x12

Secretária do tipo B:
• total do lucro = total da venda - total do custo de produção = p2 x2 - 12x2 =

= x2 (9 + 1/3 p1 - x2 ) - 12x2 = x2 [ 9 + (1/3) (18-x1) - x2 ] -12x2 =

= 3x2 - (1/3) x1x2 - x22

Secretária do tipo C:
• total do lucro = total da venda - total do custo de produção = p3 x3 - 9x3 = 4x3 - x32

6.3 O modelo de PNL é:

Max f (T,C) = T2/3.C1/3
s.a. 2T + C ≤ 30
T,C≥0
2 1
Para maximizar a função pode maximizar-se ln f (T , C ) = ln T + ln C , dado que ln é uma função
3 3
crescente.
As condições KKT são:
2
(1) − 2λ ≤ 0
3T
 2 
(2) T  − 2λ  = 0
 3T 

1
(3) −λ ≤ 0
3C
 1 
(4) C  − λ = 0
 3C 

(5) 2T + C - 30 ≤ 0
(6) λ ( 2T + C - 30 ) = 0

(7) λ, T, C ≥ 0

6-2 INVESTIGAÇÃO OPERACIONAL (MS)

 Exercícios de PNL – Soluções detalhadas

2T
Admitindo 2T+C-30 ≠ 0 então λ=0 e em (2) tem-se = 0 o que é falso pelo que se conclui que λ≠0 e que
3T
2
2T+C-30 = 0. Se T=0 tem-se em (1) o que não é possível pelo que T≠0.
0
 2 
Então em (2) fica  − 2λ  = 0 .
 3T 

 1 
De (4) conclui-se que C≠0 pelo que  − λ = 0 .
 3C 

Dispõe-se assim do sistema de equações:

2T+C-30 = 0
 2 
 − 2λ  = 0
 3T 

 1 
 − λ = 0
 3C 

com solução λ=1/30 ; T=10 ; C=10 a que corresponde f(T,C) = 10 máquinas.

6.4 Do sistema de equações organizado no problema anterior tem-se:

1 1
T= e C=
3λ 3λ
Considerando “x” o capital mínimo a determinar tem-se a restrição 2T+C=x. Substituindo T e C fica:
 1 1 1 x x x
2  + = x pelo que λ = . Resulta assim T = e C= pelo que f = = 6 , implica x=18.
 3λ  3λ x 3 3 3
A solução é portanto 18 unidades de capital como mínimo para produzir 6 máquinas.

6.5
a. O modelo de PNL é:
Max f(x1 , x2) = 30x11/2 + 20x21/2

s.a. x1 + x2 ≤ 100

x1 , x2 ≥ 0

Recorrendo ás condições KKT :

15
(1) −λ ≤ 0
x1

 15 
(2) x1  − λ  ≤ 0
 x1 

10
(3) −λ ≤ 0
x2

 10 
(4) x2  − λ  ≤ 0
 x2 

(5) x1 + x2 ≤ 100

(6) λ(x1 + x2 -100) = 0

(7) λ, x1 , x2 ≥ 0

INVESTIGAÇÃO OPERACIONAL (MS) 6-3

 Exercícios de PNL – Soluções detalhadas

Admitindo x1 , x2 , λ diferentes de zero, tem-se o sistema de equações:

15
− λ = 0 ⇒ λ x1 = 15
x1

10
− λ = 0 ⇒ λ x2 = 10
x2

x1 + x2 = 100

com solução x1 = 69.231 u.m. ; x2 = 30.769 u.m. ; λ = 1.803 ; Max f= 360.555 u.m.

b. Aproximadamente λ = 1.803 (em rigor, 1.798 pois a função não é linear…).

6.6
a. O modelo de PNL é:
Max f ( X ) = (70 − 4 x1 )x1 + ( 150 − 15 x2 )x2 − ( 100 + 15 x1 + 15 x2 ) =
= 55 x1 − 4 x12 + 135 x2 − 15 x22 − 100
O estudo da função conduz a:

 55 − 8 x1  − 8 0 
∇f =   ; H =  0 − 30 
135 − 30 x 2   
A matriz H é definida negativa pelo que a função é côncava.
Recorrendo à condição de 1ª ordem para extremo tem-se:

 55 − 8 x1 = 0  x1 = 558
  ; Max f ( X ) = 392.81 u.m.
135 − 30 x2 = 0  x2 = 2
9

6-4 INVESTIGAÇÃO OPERACIONAL (MS)