CENTRO DE TECNOLOGIA E URBANISMO - CTU

DEPARTAMENTO DE ENGENHARIA ELÉTRICA - DEEL

PROGRAMA MESTRADO EM ENGENHARIA ELÉTRICA - MEEL

Tópicos Especiais em Programação Linear

Aula No. 4

Prof. Luis Alfonso Gallego Pareja

luispareja@uel.br

Grupo de Pesquisa
Planejamento e Operação
Ótima de Sistemas
Elétricos

1
Conjuntos Convexos
Um conjunto X em En é chamado de conjunto convexo se dado dois pontos x1 e x2, o
ponto genérico 𝑥 = 𝜆𝑥1 + 1 − 𝜆 𝑥2 𝜖 𝑋 para cada 𝜆 𝜖 [0,1].

Convexo Convexo Não

Convexo

Interpretação geométrica: x1 x x2

𝑥 = 𝜆𝑥1 + 1 − 𝜆 𝑥2

2
Exemplos de conjuntos convexos:

 {𝑥: 𝐴𝑥 = 𝑏} donde A é uma matriz 𝑚 × 𝑛 e b é um vector de dimensão m.

 𝑥: 𝐴𝑥 = 𝑏; 𝑥 ≥ 0 donde A é uma matriz 𝑚 × 𝑛 e b é um vector de dimensão m.

 {𝑥: 𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0} donde A é uma matriz 𝑚 × 𝑛 e b é um vector de dimensão m.

3
Prova: provaremos que 𝑋 = {𝑥: 𝐴𝑥 = 𝑏} é um conjunto convexo.
Sejam 𝑥1 e 𝑥2 dois pontos que pertencem ao conjunto X. Então devemos provar que
X é um conjunto convexo, ou seja, provaremos que o ponto 𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2 ∈
𝑋.

Se 𝑥1 ∈ 𝑋 → 𝐴𝑥1 = 𝑏 ⇒ 𝜆𝐴𝑥1 =𝜆𝑏

Se 𝑥2 ∈ 𝑋 → 𝐴𝑥2 = 𝑏 ⇒ (1 − 𝜆)𝐴𝑥2 = (1 − 𝜆)𝑏
𝜆𝐴𝑥1 + 1 − 𝜆 𝐴𝑥2 = 𝜆𝑏 + (1 − 𝜆)𝑏
A 𝜆𝑥1 + 1 − 𝜆 𝑥2 = 𝑏
𝐴𝑥′ = 𝑏

Assim 𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2 ∈ 𝑋.
4
Pontos Extemos de um Conjunto Convexo
Um ponto 𝑥 pertence a um conjunto 𝑋 é chamado ponto extremo se esse ponto NÃO
pode ser representado como combinação estrita e convexa de dois pontos distintos
de 𝑋.

Assim 𝑥 = 𝜆𝑥1 + 1 − 𝜆 𝑥2 com 𝜆 𝜖 0,1 e 𝑥1 e 𝑥2 𝜖 𝑋 ⇒ 𝑥 = 𝑥1 = 𝑥2 se conclui

que 𝑥 é um ponto extremo.

Na figura 𝑥1 é um ponto extremo,

𝑥2 e 𝑥3 não são pontos extremos.

5
Tipos Especiais de Conjuntos Convexos
Hiperplano:
Um hiperplano H no espaço En é um conjunto convexo da forma:
𝐻 = {𝑥: 𝑝𝑥 = 𝑘}
onde p é um vetor diferente de zero e k é um escalar.

Outra forma de representar a equação de um hiperplano é a seguinte: seja 𝑥𝑜 ∈ 𝐻

então:
𝑝𝑥𝑜 = 𝑘
𝑝𝑥 = 𝑘
E das duas relações podemos facilmente obter uma forma alternativa de uma
equação de um hiperplano:
𝑝(𝑥 − 𝑥𝑜 ) = 0

6
Tipos Especiais de Conjuntos Convexos
Hiperplano:
Um hiperplano pode ser:
• Um ponto;
• Uma reta;
• Um plano, etc.

7
Tipos Especiais de Conjuntos Convexos
Hiperplano: Na geometria, um hiperplano pode ser um espaço vetorial,
transformação afim ou o sub-espaço de dimensão n-1. Em particular, num espaço
tridimensional um hiperplano é um plano habitual (2D). Num espaço bidimensional,
um hiperplano é uma reta. Num espaço unidimensional, um hiperplano é um ponto.

8
Semi-espaço:
Um semi-espaço é uma coleção de pontos da forma:
𝐻 + = {𝑥: 𝑝𝑥 ≥ 𝑘}
Ou também:
𝐻 − = {𝑥: 𝑝𝑥 ≤ 𝑘}
A união destes semi-espaços representam o espaço completo En. Assim um
hiperplano separa o espaço En em 2 regiões ou semi-espaços.

9
Raio:
Um raio é um conjunto de pontos com a seguinte propriedade:
𝑅 = {𝑥: 𝑥0 + 𝜆𝑑; 𝜆 ≥ 0}
onde d é um vetor diferente de zero e 𝑥0 é chamado de vértice do raio. Um raio
também pode ser um conjunto convexo.

10
Teorema: um raio é um conjunto convexo
Prova: Provaremos que o raio 𝑅 = {𝑥: 𝑥0 + 𝜆𝑑; 𝜆 ≥ 0} é um conjunto convexo:

Sean 𝑥1 e 𝑥2 𝜖 𝑅, então devemos provar que o ponto genérico:

𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2 ∈ 𝑅

Se 𝑥1 ∈ 𝑅 → 𝑥1 = 𝑥0 + 𝜆1 𝑑 𝜆1 ≥ 0
Se 𝑥2 ∈ 𝑅 → 𝑥2 = 𝑥0 + 𝜆2 𝑑 𝜆2 ≥ 0
Multiplicaremos a primeira equação por 𝜆, e a segunda (1 − 𝜆) e somando as duas
temos:
𝜆 𝑥1 = 𝜆𝑥0 + 𝜆𝜆1 𝑑
(1 − 𝜆)𝑥2 = (1 − 𝜆)𝑥0 +(1 − 𝜆)𝜆2 𝑑
𝜆 𝑥1 + (1 − 𝜆)𝑥2 = 𝜆𝑥0 + 𝜆𝜆1 𝑑 + (1 − 𝜆)𝑥0 + (1 − 𝜆)𝜆2 𝑑

11
 𝜆 𝑥1 + 1 − 𝜆 𝑥2 = 𝜆𝑥0 + 𝜆𝜆1 𝑑 + 1 − 𝜆 𝑥0 + 1 − 𝜆 𝜆2 𝑑
𝜆 𝑥1 + 1 − 𝜆 𝑥2 = 𝑥0 + [𝜆𝜆1 + 1 − 𝜆 𝜆2 ]𝑑

Com 𝜆1 ≥ 0, 𝜆2 ≥ 0 e 𝜆 𝜖 0,1 , fazendo as seguintes substituições:

𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥1
𝜆′ = [𝜆𝜆1 + (1 − 𝜆)𝜆2 ]

Podemos verificar facilmente que 𝜆′ ≥ 0 porque 1 − 𝜆 ≥ 0; 𝜆1 ≥ 0, 𝜆2 ≥ 0 , assim

fica demonstrado que é um ponto genérico;

𝑥 ′ = 𝑥0 + 𝜆′ 𝑑 com 𝜆′ ≥ 0 ⇒ 𝑥′ 𝜖 𝑅

Isto equivale a que R é um conjunto convexo.

12
Direções de um Conjunto Convexo:
Dado um conjunto convexo, um vetor 𝑑 ≠ 0 é chamado direção de esse conjunto
convexo se para cada ponto 𝑥0 de esse conjunto o raio:

𝑅 = {𝑥: 𝑥0 + 𝜆𝑑; 𝜆 ≥ 0}
Também pertence ao conjunto convexo. Existem raios em conjuntos convexos
ilimitados, e por tanto em esses conjunto existem direções.

Conjunto convexo limitado Conjunto convexo ilimitado

13
Exemplo:
Identificar as direções do seguinte conjunto convexo não vazio:
𝑋 = {𝑥: 𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0}
Supor que d é uma direção de X, e por tanto, cumpre-se que qualquer ponto 𝑥 ′ com a
seguinte propriedade:
𝑥 ′ = 𝑥0 + 𝜆𝑑, com 𝜆 ≥ 0

Com 𝑑 ≠ 0 e 𝑥0 𝜖 𝑋 deve ser um ponto de 𝑋, assim: 𝑥 ′ = 𝑥0 + 𝜆𝑑 𝜖 𝑋.

Se 𝑥 ′ 𝜖 𝑋 ⇒ 𝐴𝑥 ′ ≤ 𝑏 e 𝑥 ′ ≥ 0, então temos que:

𝐴 𝑥0 + 𝜆𝑑 ≤ 𝑏 ⇒ 𝐴𝑥0 + 𝜆𝐴𝑑 ≤ 𝑏
𝑥0 + 𝜆𝑑 ≥ 0
Como 𝑥0 𝜖 𝑋 então 𝐴𝑥0 ≤ 𝑏 e temos que:

𝜆𝐴𝑑 ≤ 0 ⇒ 𝐴𝑑 ≤ 0 porque 𝜆 ≥ 0

14
Também, levando em conta que 𝑥0 ≥ 0, temos:

𝜆𝑑 ≥ 0 ⇒ 𝑑 ≥ 0

Assim, o vetor d é uma direção de 𝑋 ⇔ 𝑑 ≠ 0; 𝑑 ≥ 0 e 𝐴𝑑 ≤ 0

15
Exemplo:
Identificar as direções do seguinte conjunto convexo não vazio:
𝑋 = {𝑥: 𝐴𝑥 = 𝑏; 𝑥 ≥ 0}
Supor que d é uma direção de X, e por tanto, cumpre-se que qualquer ponto 𝑥 ′ com a
seguinte propriedade:
𝑥 ′ = 𝑥0 + 𝜆𝑑, com 𝜆 ≥ 0

Com 𝑑 ≠ 0 e 𝑥0 𝜖 𝑋 deve ser um ponto de 𝑋, assim: 𝑥 ′ = 𝑥0 + 𝜆𝑑 𝜖 𝑋.

Se 𝑥 ′ 𝜖 𝑋 ⇒ 𝐴𝑥 ′ = 𝑏 e 𝑥 ′ ≥ 0, então temos que:

𝐴 𝑥0 + 𝜆𝑑 = 𝑏 ⇒ 𝐴𝑥0 + 𝜆𝐴𝑑 = 𝑏
𝑥0 + 𝜆𝑑 ≥ 0
Como 𝑥0 𝜖 𝑋 então 𝐴𝑥0 = 𝑏 e temos que:

𝜆𝐴𝑑 = 0 ⇒ 𝐴𝑑 = 0 porque 𝜆 ≥ 0

16
Também, levando em conta que 𝑥0 ≥ 0, temos:

𝜆𝑑 ≥ 0 ⇒ 𝑑 ≥ 0

Assim, o vetor d é uma direção de 𝑋 ⇔ 𝑑 ≠ 0; 𝑑 ≥ 0 e 𝐴𝑑 = 0

17
Exemplo:
Identificar as direções do seguinte conjunto convexo não vazio:
𝑥1 − 2𝑥2 ≥ −6
𝑥1 − 𝑥2 ≥ −2
𝑋=
𝑥1 ≥ 0
𝑥2 ≥ 1

O sistemas anterior é equivalente ao seguinte seguinte:

−𝑥1 + 2𝑥2 ≤ 6
−𝑥1 + 𝑥2 ≤ 2
𝑋= −𝑥2 ≤ −1
𝑥1 ≥ 0
𝑥2 ≥ 0

18
Exemplo:
−1 2 𝑑1
𝐴 = −1 1 , 𝑑=
𝑑2
0 −1

As condições que devem satisfazer o vetor d são as seguintes:

𝑑 ≠ 0; 𝑑 ≥ 0 e 𝐴𝑑 ≤ 0
Assim temos:
1
−1 2 𝑑 −𝑑1 + 2𝑑2 ≤ 0 𝑑2 ≤ 𝑑1
𝐴𝑑 ≤ 0 ⇒ −1 1
≤ 0 ⇒ −𝑑1 + 𝑑2 ≤ 0 ⇒ 2
1
𝑑2 𝑑2 ≤ 𝑑1
0 −1 −𝑑2 ≤ 0
𝑑2 ≥ 0
𝑑1 ≥ 0
𝑑≥0⇒
𝑑2 ≥ 0

19
Exemplo:
Assim, uma direção d de X é todo vetor que cumpre com as seguintes condições:

𝑑1 ≥ 0 1
𝑑 = 𝑑1 , 𝑑2 : 𝑑 ≠ 0, , e 𝑑2 ≤ 𝑑
𝑑2 ≥ 0 2 1

20
Geometricamente, o conjunto de direções pode ser encontrado simplesmente
transladando todos os hiperplanos, que definem X, paralelamente a se mesmo até
chegar ao origem.
𝐴𝑥 ≤ 𝑏 ⟺ 𝐴𝑑 ≤ 0

𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0 𝐴𝑑 ≤ 0; 𝑑 ≥ 0

21
Direções fatíveis associadas às restrições

22
Direções Extremas de um Conjunto Poliedral:

• As direções de um conjunto poliedral: 𝑋 = {𝑥: 𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0}

• São dadas pelos vetores que satisfazem a relação: 𝐷 = {𝑑: 𝐴𝑑 ≤ 0; 𝑑 ≥ 0; 𝑑 ≠ 0}

• Geometricamente, este conjunto pode ser encontrado simplesmente transladando

todos os hiperplanos, que definem X, paralelamente a se mesmo até chegar ao
origem. Lembre a semelhança:
𝐴𝑥 ≤ 𝑏 ⇔ 𝐴𝑑 ≤ 0
Para evitar a duplicação em representar as direções se pode normalizar os vetores d
empregando a seguinte norma:

𝑑1 + 𝑑2 + 𝑑3 + ⋯ + 𝑑𝑛 = 1 ∀ 𝑑 ≥ 0

23
Assim, o conjunto de vetores que são direções de X assumem as seguinte forma:

𝐷 = 𝑑: 𝐴𝑑 ≤ 0; 𝑑 ≥ 0; 𝑑 ≠ 0; 𝑑1 + 𝑑2 + 𝑑3 + ⋯ + 𝑑𝑛 = 1

Logicamente:

𝑑1
𝑑
𝑑= 2
⋮
𝑑𝑛

Propriedade importante: os pontos extremos de D são direções extremas de X.

24
Exemplo:
Encontrar o conjunto D e as direções extremas de X do seguinte problema:
−𝑥1 + 2𝑥2 ≤ −6
−𝑥1 + 𝑥2 ≤ −2
𝑋= −𝑥2 ≤ −1
𝑥1 ≥ 0
𝑥2 ≥ 0
O conjunto D tem a seguinte forma:
𝐷 = 𝑑: 𝐴𝑑 ≤ 0; 𝑑 ≥ 0; 𝑑 ≠ 0; 𝑑1 + 𝑑2 + 𝑑3 + ⋯ + 𝑑𝑛 = 1
Assim temos:
1
−1 2 𝑑 −𝑑1 + 2𝑑2 ≤ 0 𝑑2 ≤ 𝑑1
−1 1 1
≤ 0 ⇒ −𝑑1 + 𝑑2 ≤ 0 ⇒ 2
𝑑2 𝑑2 ≤ 𝑑1
0 −1 −𝑑2 ≤ 0
𝑑2 ≥ 0
𝑑1 ≥ 0
Ademais 𝑑2 ≥ 0
𝑑1 + 𝑑2 = 1

25
Resumindo e simplificando:
1
𝑑2 ≤ 𝑑
2 1
𝐷= 𝑑1 , 𝑑2 : 𝑑1 + 𝑑2 = 1
𝑑1 ≥ 0
𝑑2 ≥ 0

26
 Ponto extremo de D
(direção extrema de X)

Existem 2 pontos extremos em D, e pela propriedade mencionada anteriormente,

existem 2 direções extremas em X, as direções extremas de X (pontos extremos de
D) são as seguintes:
2
1 3
𝑑𝑎 = 𝑑𝑏 =
0 1
3

27
Funções convexas

Um função 𝑓(𝑥) do vetor 𝑥 = (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) é convexa se é verdadeira a

seguinte relação para 2 vetores 𝑥1 e 𝑥2 genéricos:

𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2
∀ 𝜆 𝜖 [0,1]
𝑓 𝜆𝑥1 + 1 − 𝜆 𝑥2 ≤ 𝜆𝑓(𝑥1 ) + 1 − 𝜆 𝑓(𝑥2 )

Interpretação: a combinação de dois soluções com função 𝑓(𝑥1 ) e 𝑓 𝑥2 da lugar

a uma nova solução (conserva a factibilidade) com função 𝑓 𝑥 ′ é menor ou igual
à combinação das funções 𝑓(𝑥1 ) e 𝑓 𝑥2 .

No processo de otimização está qualidade favorece a obtenção de novas soluções

que melhoram as existentes.

28
Funções convexas

𝜆𝑓(𝑥1 ) + 1 − 𝜆 𝑓(𝑥2 ) corresponde aos pontos de uma corda que une as funções
𝑓(𝑥1 ) e 𝑓 𝑥2

Em uma função convexa,

a corda tem uma altura
maior ou igual à f(x)

29
Funções côncavas

Um função 𝑓(𝑥) do vetor 𝑥 = (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) é côncava se é verdadeira a

seguinte relação para 2 vetores 𝑥1 e 𝑥2 genéricos:

𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2
∀ 𝜆 𝜖 [0,1]
𝑓 𝜆𝑥1 + 1 − 𝜆 𝑥2 ≥ 𝜆𝑓(𝑥1 ) + 1 − 𝜆 𝑓(𝑥2 )

Interpretação: a combinação de dois soluções com função 𝑓(𝑥1 ) e 𝑓 𝑥2 da lugar a

uma nova solução (conserva a factibilidade) com função 𝑓 𝑥 ′ é maior ou igual à
combinação das funções 𝑓(𝑥1 ) e 𝑓 𝑥2 .

30
Funções côncavas

Em uma função côncava, a

corda tem uma altura menor
ou igual à f(x)

Uma função 𝑓(𝑥) é côncava ⇔ −𝑓(𝑥) é convexa

31
 Nem convexa
f(x) f(x) f(x) Nem côncava
Côncava
Convexa

Diferençável x Diferençável x Diferençável x

f(x) f(x) f(x)
Nem convexa
Côncava Nem côncava

Convexa

x x x
Não diferençável Não diferençável Não diferençável

32
Convexa côncava

33
Definições Alternativas

Existem varias maneiras de demostrar que uma função 𝑓(𝑥) é convexa tais como:

1. Usando 2 vetores (pontos) genéricos, 𝑥1 e 𝑥2 e demostrando que:

𝑓 𝜆𝑥1 + 1 − 𝜆 𝑥2 ≥ 𝜆𝑓(𝑥1 ) + 1 − 𝜆 𝑓(𝑥2 )

2. Demonstrando que o epigrafo de 𝑓(𝑥) é um conjunto convexo.

3. Demonstrando que o Hessiano de 𝑓(𝑥), 𝐻(𝑥) é semidefinida positivamente.

34
 𝜕2 𝑓 𝑥 𝜕2 𝑓 𝑥 2𝑓
𝜕𝑓 𝑥 …𝜕 𝑥
𝜕𝑥12 𝜕𝑥1 𝜕𝑥2 𝜕𝑥1 𝜕𝑥𝑛
𝜕𝑥1
𝜕2 𝑓 𝑥 𝜕2 𝑓 𝑥 ⋯ 𝜕2 𝑓 𝑥
𝜕𝑓 𝑥
𝜕𝑥2 𝜕𝑥1 𝜕𝑥22 𝜕𝑥2 𝜕𝑥𝑛
𝛻𝑓 𝑥 = 𝜕𝑥2 𝐻 𝑥 =
⋮ ⋮ ⋮
⋮
𝜕𝑓 𝑥 2𝑓
𝜕2 𝑓 𝑥 𝜕2 𝑓 𝑥 ⋯𝜕 𝑥
𝜕𝑥𝑛 2
𝜕𝑥𝑛 𝜕𝑥1 𝜕𝑥𝑛 𝜕𝑥2 𝜕𝑥𝑛

Gradiente Matriz Hessiana

35
Se 𝜆𝑖 representa aos valores próprios da matriz Hessiana da função 𝑓(𝑥), então:

a. 𝑓 𝑥 é definida positiva se e só se 𝜆𝑖 > 0, ∀ 𝑖

b. 𝑓 𝑥 é definida negativa se e só se 𝜆𝑖 < 0, ∀ 𝑖

c. 𝑓 𝑥 é semidefinida positiva se e só se 𝜆𝑖 ≥ 0, ∀ 𝑖, sendo ao menos um 𝜆𝑗 = 0

d. 𝑓 𝑥 é semidefinida negativa se e só se 𝜆𝑖 , ≤ 0, ∀ 𝑖, sendo ao menos um 𝜆𝑗 = 0

e. 𝑓 𝑥 é indefinida se e só se algum 𝜆𝑖 > 0, e algum 𝜆𝑗 < 0

36
Funções Multimodais

• A solução encontrada é ótima local ou

ótima global?

• A função f(x) é côncava?

• A função f(x) é convexa?

• A função f(x) não é côncava nem

Mínimo global convexa?

• A região fatível é um conjunto convexo?

Mínimos locais

S = Região fatível

37
Conjuntos Poliedrais

Um conjunto poliedral é a interseção de um número finito de semi-espaços. Se o

conjunto poliedral es limitado, se denomina Polítopo. Um conjunto poliedral é um
caso especial de um conjunto convexo e pode ser definido da seguinte forma:
𝑋 = {𝑥: 𝐴𝑥 ≤ 𝑏}
Cada restrição do sistema anterior representa uma semi-espaço.

Conjunto Poliedral limitado Conjunto Poliedral ilimitado

38
Pontos Extremo:

• Se o conjunto poliedral: 𝑋 = {𝑥: 𝐴𝑥 ≤ 𝑏, 𝑥 ≥ 0}

• Se existem (m+n) hiperplanos associados com os semi-espaços de X, estes

hiperplanos são linearmente independentes (LI) se a matriz de coeficientes do
sistema é de rango completo. Então, 𝑥 é um ponto extremo se pertence a n
hiperplanos L.I. e pode ser fatíveis o infatíveis.

• Se 𝑥 é um ponto extremo de X (fatível) esta

definição de ponto extremo é equivalente a falar
𝑥 não pode ser escrito como uma combinação
convexa estrita de 2 pontos distintos a X.

39
Pontos Extremo:

• Se o conjunto poliedral: 𝑋 = {𝑥: 𝐴𝑥 ≤ 𝑏, 𝑥 ≥ 0}

• Se existem (m+n) hiperplanos associados com os semi-espaços de X, estes

hiperplanos são linearmente independentes (LI) se a matriz de coeficientes do
sistema é de rango completo. Então, 𝑥 é um ponto extremo se pertence a n
hiperplanos L.I. e pode ser fatíveis o infatíveis.

• Se 𝑥 é um ponto extremo de X (fatível) esta Infatível

definição de ponto extremo é equivalente a falar
𝑥 não pode ser escrito como uma combinação Fatível
convexa estrita de 2 pontos distintos a X.

40
Faces:

A face própria de X: é um conjunto de pontos X pertencem a um conjunto não vazio

de hiperplanos ativos.

Sejam r(F) o número máximo de hiperplanos L.I. ativos em todos os pontos da face F,
então define-se a dimensão de F da seguinte forma:

𝑑𝑖𝑚 𝐹 = 𝑛 − 𝑟 𝐹

Cada hiperplano ativo L.I. produz a perda de um grau de liberdade.

41
Consequências:
1. Um ponto extremo es uma fase própria de dimensão zero porque tem n
hiperplanos ativos L.I.

2. Uma aresta é uma face própria de dimensão 1 porque tem (n-1) hiperplanos
ativos L.I. Assim, uma borda é uma face própria de um grau de liberdade porque
tem somente (n-1) hiperplanos ativos L.I. (um hiperplano menos que o ponto
extremo). Assim, uma aresta é um conjunto de pontos que tem (n-1) hiperplanos
ativos L.I., ou seja, todos os pontos de uma aresta tem a seguinte característica:
em todos os pontos de uma aresta existem (n-1) hiperplanos ativos L.I.

3. 𝑑𝑖𝑚 𝑋 = 𝑛 − 𝑟 𝑋 = 𝑛 − 0 = 𝑛 ⇒ dimensão completa porque em esse caso

temos o conjunto de X e deve existir pelos menos um ponto no qual nem um
hiperplano está ativo (um ponto interior do conjunto poliedral). Assim, o conjunto
X e o conjunto vazio são chamados de faces improprias de X.

42
4. A face própria de maior dimensão, ou seja:

𝑑𝑖𝑚 𝐹 = 𝑑𝑖𝑚 𝑋 − 1
É chamado de faceta de X.

5. Dois pontos extremos de X são chamados de adjacentes se o segmento de reta

que os une é uma aresta. Assim, os pontos extremos adjacentes tem (n-1)
hiperplanos ativos L.I comuns.

43
• Faces próprias de X:
Ponto extremo degenerado
Face de dimensão 2
(um hiperplano
ativo) Face de uma dimensão
(dois hiperplano ativos)
Pontos extremo

Aresta Pontos extremos

adjacentes

44
Representação de Conjuntos Poliedrais

Nesta parte vamos a discutir uma propriedade muito importante que diz que um
conjunto poliedral pode ser completamente representado em função de seus pontos
extremos e sua direções extremas. Inicialmente vamos a analisar os casos especiais e
logo discutiremos o caso geral.

Caso Especifico: conjunto Poliedral Limitado – Polítipo

Propriedade: Qualquer ponto x de um conjunto poliedral limitado pode ser
representado por uma combinação convexa de seus pontos extremos. Está
representação convexa não é única.

45
 Isto caracteriza uma combinação convexa

x é uma combinação convexa de x1, x2 e x4

46
Caso Especifico: Conjunto Poliedral Ilimitado

Propriedade: Qualquer ponto x de um conjunto poliedral ilimitado pode ser

representado por uma combinação convexa de seus pontos extremos mais uma
combinação linear não negativa de sus direções extremas.

Representação de um conjunto poliedral ilimitado

47
x pode ser representado simplesmente por uma direção paralela a d2 e um y que é
uma combinação convexa dos pontos extremos x1 e x2:

𝑥 = 𝑦 + 𝜇𝑑2 = 𝜆𝑥1 + (1 − 𝜆)𝑥2 + 𝜇𝑑2 onde λ 𝜖 0,1 e 𝜇 > 0

Esta representação de x não é única

48
Caso Geral: Teorema da Representação
• Seja 𝑋 = { 𝑥 ∶ 𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0 } um conjunto poliedral não vazio.
• Seja { 𝑥1 , 𝑥2 , … , 𝑥𝑘 } o conjunto de pontos extremos não vazio e finito.
• Seja { 𝑑1 , 𝑑2 , … , 𝑑𝑘 } o conjunto direções extremas não vazio e finito.

• Então, 𝑥 𝜖 𝑋 ⇔ 𝑥 pode ser representado como uma combinação convexa dos

pontos extremos { 𝑥1 , 𝑥2 , … , 𝑥𝑘 } e mais uma combinação linear não negativa das
direções extremas { 𝑑1 , 𝑑2 , … , 𝑑𝑘 }, ou seja:
𝑘 𝑙

𝑥= 𝜆𝑗 𝑥𝑗 + 𝜇𝑗 𝑑𝑗
𝑗=1 𝑗=1
𝑘

𝜆𝑗 = 1
𝑗=1
𝜆𝑗 ≥ 0 𝑗 = 1,2, … , 𝑘
𝜇𝑗 ≥ 0 𝑗 = 1,2, … , 𝑙

49
• Se 𝑥 pode ser escrito como:
𝑘 𝑙

𝑥= 𝜆𝑗 𝑥𝑗 + 𝜇𝑗 𝑑𝑗
𝑗=1 𝑗=1
𝑘

𝜆𝑗 = 1
𝑗=1
𝜆𝑗 ≥ 0 𝑗 = 1,2, … , 𝑘
𝜇𝑗 ≥ 0 𝑗 = 1,2, … , 𝑙

• 𝑥 cumpre com a seguinte condição: 𝑥 𝜖𝑋 ⇒ 𝑥: 𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0

• Corolário
qualquer 𝑥 𝜖 𝑋 pode ser representado usando o como mínimo:

min{ 𝑛 + 1 , (𝑘 + 𝑙)}
Variáveis positivas 𝜆𝑖 𝑒 𝜇𝑖

50
• Se 𝑋 é um conjunto convexo ilimitado então 𝑥 𝜖 𝑋 pode ser representado pelo
mínimo por (n+1) pontos extremos e n direções extremas. Em 𝐸 𝑛 pode existir mais
de n direções extremas, mas para representar 𝑥 serão necessárias só n delas.

• Como existem (n+m) hiperplanos caracterizando 𝑋 e um ponto extremo é definido

pelo n hiperplanos então o número máximo pontos extremos é calculado pela
relação:

𝑚+𝑛 𝑚+𝑛 !
= <∞
𝑛 𝑛! 𝑚!

Exemplo:
No espaço Euclidiano 𝐸 2 , existem 5 pontos extremos em X então qualquer ponto
𝑥 𝜖 𝑋 , se X é limitado, pode ser representado empregando como mínimo: min(3,5)=3
de seus pontos extremos:

51
O teorema da geral da representação é o aspecto teórico mais importante
que justifica o funcionamento do algoritmo simplex para resolver
problemas de PL. Porem, os passos empregados para provar o teorema
também podem ser empregados para encontrar um pontos extremo a
partir de um ponto interior conhecido.

52