UNIVERSIDADE CATÓLICA DE MOÇAMBIQUE

Faculdade de Educação e Comunicação

Licenciatura em Contabilidade e Auditoria 2º Ano, pós-laboral

Caso Especiais para o Método Simplex: Degeneração e Ciclagem; Solução Ilimitada;

Múltiplas Soluções Óptimas

Nampula, 12 de Setembro 2024

 UNIVERSIDADE CATÓLICA DE MOÇAMBIQUE

Faculdade de Educação e Comunicação

Licenciatura em Contabilidade e Auditoria 2º Ano, pós-laboral

Caso Especiais para o Método Simplex: Degeneração e Ciclagem; Solução Ilimitada;

Múltiplas Soluções Óptimas

Discente:

Trabalho Da cadeira de Investigação

Operacional, a ser submetido na Faculdade
de Educação e Comunicação-UCM, para fins
avaliativos, 2o Semestre 2024. Docente:

Nampula, 12 de Setembro 2024

2
Índice
Introdução.................................................................................................................................4
Objetivo Geral..........................................................................................................................5
Objetivos Específicos...............................................................................................................5
Metodologia..............................................................................................................................5
Casos Especiais para o Método Simplex................................................................................6
Método Simplex................................................................................................................................6
Casos Especiais para o Método Simplex: Degeneração e Ciclagem; Solução Ilimitada;
Múltiplas Soluções Ótimas......................................................................................................7
1. Degeneração..................................................................................................................................9
2. Ciclagem......................................................................................................................................10
3. Solução Ilimitada.........................................................................................................................13
4. Múltiplas Soluções Ótimas...........................................................................................................15
Conclusão................................................................................................................................17
Referências Bibliográficas.....................................................................................................18

3
Introdução
O Método Simples é uma das técnicas mais amplamente utilizadas para a solução de
problemas de programação linear. Desenvolvido por George Dantzig em 1947, ele fornece
uma solução sistemática para encontrar a solução óptima de um problema com várias
restrições lineares e uma função objectivo a ser maximizada ou minimizada. No entanto,
durante o processo de solução, podem ocorrer casos especiais, como degeneração e
Ciclagem, soluções ilimitadas e múltiplas soluções óptimas. Esses casos representam
situações em que o comportamento do algoritmo se desvia do padrão esperado, exigindo
maior atenção por parte dos analistas. O entendimento desses fenómenos é crucial para
garantir a correta interpretação dos resultados e a aplicação adequada do método.

4
Objetivo Geral
Analisar e compreender os casos especiais que podem surgir durante a aplicação do Método
Simplex, com foco na degeneração, ciclagem, solução ilimitada e múltiplas soluções ótimas.

Objetivos Específicos
 Definir e explorar o conceito de degeneração no Método Simplex.
 Compreender a ciclagem e suas implicações no processo de solução.
 Identificar os cenários em que ocorrem soluções ilimitadas.
 Analisar as condições que levam à existência de múltiplas soluções ótimas.
 Revisar métodos e estratégias para lidar com cada um desses casos especiais.

Metodologia
A metodologia deste trabalho científico inicia-se com uma revisão bibliográfica que será
conduzida através da consulta a fontes académicas reconhecidas, como artigos científicos
publicados em periódicos de alta relevância, livros especializados na área de Investigação
operacional, além de relatórios técnicos e documentos institucionais que abordem o tema.
Essa pesquisa permitirá a identificação dos principais conceitos, métodos e abordagens
utilizadas de casos especiais de simplex, bem como a compreensão de degeneração e
ciclagem; solução ilimitada; múltiplas soluções óptimas

5
Casos Especiais para o Método Simplex

Método Simplex
O método simplex é um algoritmo fundamental em programação linear, utilizado para
encontrar a solução ótima de problemas de otimização. Ele é especialmente útil quando
lidamos com um grande número de variáveis e restrições (Bland, 1977).

Otimização:

Encontrar o valor máximo ou mínimo de uma função linear, sujeita a um conjunto de

restrições lineares.

Alocação de recursos:

Decidir como alocar recursos limitados para maximizar o lucro ou minimizar o custo.

Planeamento de produção:

Determinar os níveis de produção de diferentes produtos para maximizar o lucro,

considerando as restrições de capacidade e demanda.

Para Taha (2017), o Método Simplex é um procedimento iterativo que fornece a solução de
qualquer modelo de PL em um número finito de iterações. Indica, também, se o modelo tem
solução ilimitada, se não tem solução, ou se possui infinitas soluções.

Segundo Taha (2017), há duas etapas na aplicação do Método Simplex, após colocar o
modelo de PL na forma-padrão:

Etapa (A) - Teste de Otimalidade da solução ou identificação de uma solução ótima;

Etapa (B) - Melhoria da solução ou obtenção de solução básica viável (s.b.v.) melhor que a
atual.

O método simplex funciona iterativamente, "caminhando" pelos vértices de uma região

viável até encontrar a solução ótima tal com afirma (Taha, 2017). Cada iteração consiste em:

 Verificar a otimalidade: Verifica se a solução atual é a melhor possível.

 Selecionar uma variável: Escolhe uma variável que, se aumentada, melhorará a
função objetivo.
6
  Determinar o passo: Calcula o quanto a variável selecionada pode ser aumentada
sem violar as restrições.
 Atualizar a solução: Atualiza a solução para refletir a mudança na variável
selecionada.

Exemplo 1:

Imagine uma fábrica que produz dois produtos, A e B. Cada produto requer diferentes
quantidades de matéria-prima e tempo de produção. O objetivo é maximizar o lucro,
considerando as limitações de matéria-prima e tempo disponível. O método simplex pode ser
usado para determinar a quantidade ideal de cada produto a ser produzido.

Sendo o Método Simplex uma técnica utilizada para se determinar, numericamente, a solução
ótima de um modelo de Programação Linear. Será desenvolvido inicialmente para Problemas
de Programação Linear, na forma padrão, mas com as seguintes características para o sistema
linear de equações de acordo com (Hillier & Lieberman, 2010).

i) Todas as variáveis são não-negativas:

ii) Todos os bi’ são não-negativos;
iii) Todas as equações iniciais do sistema são do tipo “ ≤ “. Assim, na forma padrão,
só encontra-se variáveis de folga. Se uma das características vistas não ocorrer,
então, casos especiais do método devem ser considerados

Casos Especiais para o Método Simplex: Degeneração e Ciclagem; Solução Ilimitada;

Múltiplas Soluções Ótimas
O método simplex é um algoritmo que procura pela solução óptima de um PPL, realizando
duas operações elementares sobre as linhas do problema:

Multiplicar todos os coeficientes de uma linha por uma constante não-nula.

Substituir uma linha por outra, obtida a partir de uma combinação linear de duas linhas do
problema (Hillier & Lieberman, 2010)

Estas operações elementares, quando são feitas sobre equações, não alteram o conjunto de
soluções factíveis do problema (ou seja, não altera a solução do problema).

7
Exemplo 2:
(a): 3x1 – 7x2 = -21 2(b) + (a): 5x1 – 5x2 = -17 4

(b): x1 + x2 = 2 x1 = 2 – x2 (b): 4x1 + 4x2 = 8 x1 = (8 – 4x2)/4 = 2

– x2
3(2 – x2) – 7x2 = -21
5(2 – x2) – 5x2 = -17
-10x2 = -27 x2 = 27/10
-10x2 = -27 x2 = 27/10
x1 = 2 – 27/10 = -7/10
x1 = 2 – 27/10 = -7/10

Mas, em geral, um PPL é um conjunto de inequações e, neste caso, estas duas operações
elementares, normalmente, alteram o conjunto de soluções viáveis. Exemplo 3 :

(a): x1 ≥ 0 (a) + 2(b): x1 + 2x2 ≥ 0

(b): x2 ≥ 0 (b): x2 ≥ 0

Figura número 1- Apresentação gráficas método simplex

Esta seção considera quatro casos especiais que podem surgir na utilização do método
simplex.

1. Degeneração

2. Ciclagem

3. Solução Ilimitada

4. Múltiplas Soluções Ótimas

8
1. Degeneração
A degeneração no Método Simplex ocorre quando uma ou mais variáveis básicas assumem
valor zero em uma solução básica viável. Isso pode acontecer quando uma restrição tem um
limite inferior ou superior que coincide com a solução atual, ou quando há uma interseção de
restrições. Embora o algoritmo ainda prossiga, a degeneração pode levar a uma situação em
que o método continue gerando soluções que não melhoram a função objetivo, resultando em
um processo lento. Segundo Hillier e Lieberman (2010), a degeneração pode ocorrer devido à
presença de restrições redundantes ou à existência de vértices coincidentes no espaço viável.

Na aplicação da condição de viabilidade do método simplex pode ocorrer um empate na

razão mínima, quando isso acontece, no mínimo uma variável básica será zero na iteração
seguinte, e diz-se que a nova solução é degenerada, isso revela que o modelo tem no mínimo
uma restrição redundante.

Exemplo 4:

Maximizar z = 3 x1 + 9 x2

sujeito a

x1 + 4x2 ≤ 8

x1 + 2x2 ≤ 4

x1 , x2 ≥ 0

Dadas as variáveis de folga x3 e x4, a tabela seguinte dá as iterações simplex do problema.

Iteração Base x1 x2 x3 x4 solução

0 z -3 -9 0 0 0

Entra x2 X3 1 4 1 0 8

Sai x3 x4 1 2 0 1 4

1 z -3/4 0 9/4 0 18

9
 Entra x1 X2 1/4 1 1/4 0 2

Sai x4 x4 1/2 0 -1/2 1 0

2 z 0 0 3/2 3/2 18

(ótima) x2 0 1 1/2 -1/2 2

x1 1 0 -1 2 0

Na iteração 0, x3 e x4 empatam no critério que determina a variável que sai, o que leva a
degeneração na iteração I porque a variável básica x4 assume valor igual a zero.

A solução gráfica abaixo ilustra a implicação prática da degeneração:

 Três retas passam pelo ponto ótimo (0,2).

 O ponto está superdeterminado e uma das restrições é redundante.

Figura 2 – Degeneração do problema de PL no exemplo 4

2. Ciclagem
A ciclagem, embora rara, pode ocorrer em situações de degeneração. Nesse caso, o Método
Simplex pode revisitar as mesmas soluções básicas repetidamente, sem alcançar uma solução
ótima. Dantzig introduziu regras de pivotamento para evitar a ciclagem, como a Regra de
10
Bland (Bland, 1977), que garante que o algoritmo eventualmente encontre uma solução
ótima, mesmo que esteja preso em ciclos. Este é um aspecto importante na teoria de
otimização, pois a ciclagem pode resultar em um algoritmo que nunca termina, prejudicando
a eficiência e a praticidade do Método Simplex.

Segundo Bland (1977), a ciclagem pode ser visualizada como um comportamento em que o
algoritmo entra em um loop infinito, alternando entre um conjunto de soluções básicas sem
nunca sair do ciclo. Esse comportamento é particularmente problemático porque pode fazer
com que o Método Simplex não encontre a solução ótima ou demore um tempo excessivo
para concluir.

Seja o PPL na forma padrão: min { z(x) = cx | Ax = b, x ≥ 0 }. Seja B uma base para este
problema.

B é uma base não-degenerada se todas as variáveis básicas são diferentes de zero (ou seja,
são positivas); ! Caso contrário, B é uma base degenerada.

Quando um pivotamento degenerado ocorre, o algoritmo simplex move-se de uma base para
outra, ambas representando a mesma solução. No caso geral, pode haver uma seqüência de
bases B1, ..., Bk tal que Bk = B1, o que leva ao problema de ciclagem.

VB x1 x2 x3 x4 x5 x6 x7 b A solução ótima deste

problema é:
x1 1 0 0 1/4 -8 -1 9 0
x* = (3/4, 0, 0, 1, 0,1, 0)T
x2 0 1 0 1/2 -12 -1/2 3 0 com z* = -5/4

x3 0 0 1 0 0 1 0 1

-z 0 0 0 -3/4 20 -1/2 6 0

Note que: SVB1 = (0, 0, 1, 0, 0,

0, 0)T

11
 VB x1 x2 x3 x4 x5 x6 x7 b SVB2 = (0, 0, 1, 0, 0, 0,
0)T
x4 4 0 0 1 -32 -4 36 0

x2 -2 1 0 0 4 3/2 -15 0

x3 0 0 1 0 0 1 0 1

-z 3 0 0 0 -4 -7/2 33 0

VB x1 x2 x3 x4 x5 x6 x7 b SVB3 = (0, 0, 1, 0, 0, 0,
0)T
x4 -12 8 0 1 0 8 -84 0

x5 -1/2 1/4 0 0 1 3/8 -15/4 0

x3 0 0 1 0 0 1 0 1

-z 1 1 0 0 0 -2 18 0

VB x1 x2 x3 x4 x5 x6 x7 b SVB4 = (0, 0, 1, 0,

x6 -3/2 1 0 1/8 0 1 -21/2 0 0, 0, 0)T

x5 1/16 -1/8 0 -3/64 1 0 3/16 0

x3 3/2 -1 1 -1/8 0 0 21/2 1

-z -2 3 0 1/4 0 0 -3 0

Observemos que para diferentes bases pode-se ter a mesma solução viável básica.

12
VB x1 x2 x3 x4 x5 x6 x7 b

x6 2 -6 0 -5/2 56 1 0 0 SVB5 = (0, 0, 1, 0,

0, 0, 0)T
x7 1/3 -2/3 0 -1/4 16/3 0 1 0

x3 -2 6 1 5/2 -56 0 0 1

-z -1 1 0 -1/2 16 0 0 0

VB x1 x2 x3 x4 x5 x6 x7 b
SVB6 = (0, 0, 1, 0,
x1 1 -3 0 -5/4 28 1/2 0 0
0, 0, 0)T

x7 0 1/3 0 1/6 -4 -1/6 1 0

x3 0 0 1 0 0 1 0 1

-z 0 -2 0 -7/4 44 1/2 0 0

VB x1 x2 x3 x4 x5 x6 x7 b

x1 1 0 0 1/4 -8 -1 9 0 SVB7 = (0, 0, 1, 0, 0,

0, 0)T

x2 0 1 0 1/2 -12 -1/2 3 0

x3 0 0 1 0 0 1 0 1

-z 0 0 0 -3/4 20 -1/2 6 0

Note que esta tabela é idêntica à primeira o que caracteriza a ciclagem.

3. Solução Ilimitada
Um problema de programação linear apresenta uma solução ilimitada quando a função
objetivo pode ser maximizada (ou minimizada) indefinidamente sem violar nenhuma das
restrições. Isso geralmente ocorre quando há uma direção no espaço de solução em que a
13
função objetivo aumenta continuamente e não há limites impostos pelas restrições. No
Método Simplex, isso se manifesta quando, ao tentar aumentar a função objetivo, todas as
direções possíveis levam a um aumento infinito, sem encontrar uma solução ótima finita
(Bazaraa, Jarvis & Sherali, 2013).

Em alguns problemas de PL, os valores das variáveis podem ser aumentados indefinidamente
sem violar nenhuma das restrições, Isso significa que a região de soluções é ilimitada em no
mínimo uma variável e o resultado é que o valor da função objetivo pode crescer (ou
decrescer) indefinidamente.

A falta de limites indica a possibilidade de o modelo ter sido mal construído, a irregularidade
mais provável em tais modelos é que uma ou mais restrições não redundantes deixaram de ser
levadas em conta e os parâmetros de algumas restrições podem não ter sido estimados
corretamente.

Os exemplos apresentados a seguir mostram como a falta de limites na região de soluções,

bem como no valor da função objetivo, pode ser reconhecida na tabela simplex.

Exemplo 5:

Maximizar z = 2 x1 + x2

sujeito a

x1 - x2 ≤ 10

2 x1 ≤ 40

x1 , x2 ≥ 0

Iteração inicial

Base x1 x2 x3 x4 solução

z -2 -1 0 0 0

14
 x3 1 -1 1 0 10

x4 2 0 0 1 40

Na tabela inicial, ambas, x1 e x2, têm coeficientes negativos na equação z, por conseguinte
qualquer uma pode melhorar a solução. como x1 tem o coeficiente mais negativo,
normalmente ela é selecionada como a variável que entra.

Contudo, todos os coeficientes das restrições sob x 2 são negativos ou zero, isso significa que
não há nenhuma variável que saia e que x2 possa ser aumentada indefinidamente sem violar
nenhuma das restrições.

Como cada aumento unitário em x2 aumentará z em 1, um aumento infinito em x 2 resultará

em um aumento infinito em z, assim, o problema não tem nenhuma solução limitada, esse
resultado pode ser visto na figura 3

 A região de soluções é ilimitada na direção de x 2 e o valor de z pode ser aumentado

indefinidamente.

Figura 3 – Solução ilimitada do problema de PL no exemplo 5.

15
4. Múltiplas Soluções Óptimas
Múltiplas soluções ótimas surgem quando há mais de uma solução que maximiza ou
minimiza a função objetivo de forma equivalente. Isso ocorre quando a linha de contorno da
função objetivo é paralela a uma das restrições ativas no ponto ótimo, resultando em várias
combinações de variáveis básicas que satisfazem as condições ótimas (Taha, 2017). Nesse
caso, o Método Simplex pode encontrar uma solução ótima, mas outras soluções igualmente
válidas podem existir e precisam ser identificadas.

Esses múltiplas soluções óptimas têm implicações importantes em problemas práticos, como
quando diferentes combinações de produção geram o mesmo lucro, mas podem ter diferentes
custos de operação ou outros fatores externos a serem considerados.

Soluções múltiplas

Nota: Escolha aleatória da coluna pivô (regra de entrada)

Evidência em termos do algoritmo do Simplex: existência, no quadro óptimo, de um

coeficiente nulo na linha da função objectiva, associado a uma variável não básica.

16
Evidência em termos gráficos:

Rectas paralelas à recta correspondente à função objectivam (evidência antecipada por se ter
restrições com coeficientes iguais, ou múltiplos, aos coeficientes correspondentes da função
objectivo)

Conclusão

Os casos especiais do Método Simplex,

como a degeneração, ciclagem, solução
ilimitada e múltiplas soluções óptimas, são situações que exigem uma compreensão detalhada
para evitar erros na aplicação do algoritmo. A degeneração e a ciclagem podem desacelerar o
processo ou impedir a convergência, enquanto as soluções ilimitadas e múltiplas óptimas
impactam directamente a interpretação dos resultados. Técnicas como a Regra de Bland para
evitar ciclagem e a análise cuidadosa dos coeficientes da função objectivo podem ser
ferramentas essenciais para lidar com esses casos. A abordagem correta a esses fenómenos
permite que o Método Simplex continue sendo uma ferramenta eficiente e confiável para
resolver problemas de optimização linear.

17
Referências Bibliográficas

Bazaraa, M. S., Jarvis, J. J., & Sherali, H. D. (2013). Programação linear e fluxos em redes
(4ª ed.). John Wiley & Sons.

Bland, R. G. (1977). Novas regras de pivotamento finito para o método simplex. Matemática
de Operações de Pesquisa, 2(2), 103-107. https://doi.org/10.1287/moor.2.2.103

Hillier, F. S., & Lieberman, G. J. (2010). Introdução à pesquisa operacional (9ª ed.).
McGraw-Hill.

Taha, H. A. (2017). Pesquisa operacional: Uma introdução (10ª ed.). Pearson.

18
19