Tópico A • Tópico de Enriquecimento A: Degeneração
4.14 Tópico de enriquecimento A: Degeneração
Forma de restrição de igualdade
Ao otimizar programas lineares, o Solver utiliza o método
Simplex, projetado para lidar com modelos apenas com restri-
ções de igualdade. Para converter um modelo PL com restri-
ções de desigualdade em um modelo com restrições de igual-
dade, o Solver adiciona internamente novas variáveis, chama-
das de variáveis de folga e de sobra, para sua representação do
modelo PL. Como ilustração, lembre-se do modelo PL simpli-
ficado da Oak Products do Capítulo 3:
C = número de cadeiras Captain a serem produzidas e
vendidas e
M = número de cadeiras Mate a serem produzidas e vendidas.
Maximizar 56C + 40M (função objetiva)
sujeito a
8C + 4M ≤ 1280 (restrição de cavilhas longas)
4C + 4M ≤ 1600 (restrição de cavilhas curtas)
C + M ≥ 100 (produção mínima)
4C + 4M ≤ 760 (restrição das pernas)
C ≤ 140 (restrição dos assentos pesados)
M ≤ 120 (restrição dos assentos leves)
C=0 e M ≥ 0 (condições não-negativas) (4.1)
Esse modelo PL tem duas variáveis de decisão e seis restrições
(ignorando as restrições de não-negatividade), uma delas ≥ e
cinco delas ≤. Para converter esse modelo em um modelo equi-
valente na forma de restrição de igualdade, o Solver adiciona-
rá variáveis de folga à primeira, segunda, quarta, quinta e sex-
ta restrições (as restrições ≤) e subtrairá uma variável de sobra
da terceira restrição (a restrição ≥). Supondo que s1, s2, s3, s4, s5
e s6 representam as seis novas variáveis, obtemos o modelo
realmente otimizado pelo Solver.
Maximizar 56C + 40M
sujeito a
8C + 4M + s1 = 1280
4C + 4M + s2 = 1600
C + M – s3 = 100
4C + 4M + s4 = 760
C + s5 = 140
M + s6 = 120
C, M, s1, s2, s3, s4, s5, s6 ≥ 0 (4.2)
Observe que as restrições de não-negatividade nas novas variá-
veis as obriga a ser zero ou positivas. Portanto, as variáveis de
folga/sobra representam o valor extra que precisa ser adiciona-
do/subtraído do lado esquerdo para transformar as desigualda-
des em igualdades.
TEA-1
A discussão anterior demonstra dois pontos importantes:
Qualquer restrição ≤ pode ser convertida em uma igualdade adi-
cionando-se uma nova variável de folga não-negativa no lado es-
querdo.
Qualquer restrição ≥ pode ser convertida em uma igualdade sub-
traindo-se uma nova variável de sobra não-negativa do lado es-
querdo.
Essa forma interna do modelo ainda tem seis restrições, mas a
adição da folga e da sobra aumentou para oito o número de va-
riáveis de decisão utilizadas pelo Solver internamente, em vez
de duas. Observe que as variáveis de folga e sobra não apare-
cem explicitamente na função objetiva do Solver. Entretanto, já
que
56C + 40M = 56C + 40M + 0s1 + 0s2 + 0s3 + 0s4 + 0s5 + 0s6
é aceitável pensar nas variáveis de sobra e folga como se esti-
vessem incluídas na função objetivo, mas com coeficientes
zero.
Valores otimizados das variáveis de folga e sobra
Anteriormente, na Seção 4.2, utilizamos o método de solução
gráfica para mostrar que C* = 130, e que M* = 60 é a solução
para o modelo (4.1). Isso significa que os valores otimizados
das outras variáveis (variáveis de sobra e folga) no modelo de
restrição de igualdade (4.2) são dados por
s1* = 1280 – (8C* + 4M*) = 1280 – (1040 + 240) = 0
s2* = 1600 – (4C* + 4M*) = 1600 – (520 – 240) = 840
s3* = (C* + M*) – 100 = 130 + 60 – 100 = 90
s4* = 760 – (4C* + 4M*) = 760 – (520 + 240) = 0
s5* = 135 – C* = 135 – 130 = 5
s6* = 120 – M* = 120 – 60 = 60
Lembre-se de que uma restrição de vinculação é aquela para a
qual, na condição ótima, o lado esquerdo é igual ao lado direi-
to. Do ponto de vista geométrico, uma restrição de vinculação
é aquela na qual se encontra a solução otimizada. Vimos que,
no modelo Oak Products LP simplificado, as restrições de vin-
culação são a primeira e a quarta. O cálculo anterior mostra
que suas variáveis de folga (s1* e s4*) são zero. Por outro lado, as
outras restrições são de não-vinculação e suas variáveis de fol-
ga/sobra são positivas. Portanto, podemos fazer as seguintes
generalizações:
As restrições de vinculação são aquelas para as quais os valores
otimizados das variáveis de folga ou sobra são zero.
As restrições de não-vinculação são aquelas para as quais os va-
lores otimizados das variáveis de folga e sobra são positivos.
TEA-2 Tomada de Decisão em Administração com Planilhas Eletrônicas

Em particular, quando, na condição ótima, uma restrição tem

1
 a . Agora, considere a forma de restrição de igualdade do
um valor zero para a variável de folga ou sobra , significa dizer, mesmo modelo. Ela é
geometricamente falando, que a solução do modelo está nessa
restrição. Um breve exame sobre a geometria do nosso novo Max x1 + x2
modelo também revelará uma propriedade importante para in- s.a. 8x1 + 7x2 + s1 = 56 
terpretar corretamente as informações contidas no Relatório de
Sensibilidade do Solver. Essa propriedade está relacionada ao –6x1 – 10x2 – s2 = –60 
número de variáveis positivas em qualquer canto (e, em parti-
cular, em um canto otimizado) do conjunto de restrições. x1 + s3 = 6 
Vimos que todas as variáveis (variáveis de decisão, variá- –x1 + x2 + s4 = 6 
veis de folga e sobra) devem ser não-negativas (positivas ou ze-
ro). Ilustramos que, em qualquer canto do conjunto de restri- x1, x2, s1, s2, s3, s4 todas não-negativas (4.4)
ções (e, em particular, em um canto otimizado), o número má- O modelo original tinha quatro restrições e duas variáveis.
ximo de variáveis positivas (maiores do que zero), contando as A forma de restrição de igualdade tem o mesmo número de
variáveis de decisão, folga e sobra, é no máximo igual ao nú- restrições, mas seis variáveis. É importante observar que, ao
mero de restrições no modelo (sem contar as restrições não-ne- nos referirmos ao número de variáveis no modelo de restrição
gativas). de igualdade, contamos as variáveis de sobra e folga, bem co-
Para ilustrar essa propriedade de “contagem”, considere o mo as variáveis de decisão. Como (4.4) tem duas variáveis de
modelo mostrado em (4.3) : decisão e quatro variáveis de folga/sobra, há seis variáveis nes-
Max x1 + x2 sa forma do modelo. Além disso, ao nos referirmos ao número
de restrições, não contamos as restrições de não-negatividade.
s.a. 8x1 + 7x2 ≤ 56  Nossa representação geométrica de (4.4) é quase idêntica
à de (4.3), sendo a única diferença que cada restrição será rotu-
–6x1 – 10x2 ≥ –60  lada com sua variável de folga ou sobra. Isso é mostrado na Fi-
x1 ≤ 6  gura 4.36, em que, por conveniência, rotulamos os cinco can-
tos (com numerais romanos) e vários pontos também identifi-
–x1 + x2 ≤ 6  cados que serão de interesse.
x1, x2 ≥ 0 (4.3) Rotular as restrições com as variáveis de folga e sobra per-
mite fazer as seguintes observações “visuais”:
O conjunto de restrições para esse modelo está ilustrado na
Figura 4.35, na qual as restrições apropriadas são rotuladas de 1. Em qualquer ponto interno da região viável, todas as va-
riáveis são positivas. Isso é ilustrado pelo ponto P0 na Fi-
gura 4.36. Nesse ponto, você pode ler diretamente que x1
= 1 e x2 = 1. Utilizando os valores e as restrições em
1 (4.4), você poderia calcular explicitamente os valores de
No Capítulo 4, dissemos simplesmente que esse tipo de restrição tem folga
ou sobra zero, sem introduzir o conceito de variável de folga ou sobra. s1 s2, s3 e s4 em P0 e verificaria que esses valores também

x2
4

3
–6 6 7 10 x1

Figura 4.35 Conjunto de restrições para o modelo restrito de desigualdade (4.3).

 Tópico A • Tópico de Enriquecimento A: Degeneração TEA-3

x2

s4

II

s2

III

s1
P2

1 P0 IV
s3
P1

I 1 V x1

Figura 4.36 Conjunto de restrições para a forma de restrição de igualdade do modelo PL.

são positivos. Entretanto, você não precisa efetuar esse Para qualquer modelo PL na forma de restrição de igualdade, o
cálculo algébrico, pois o número mostra imediatamente número de variáveis positivas em qualquer canto é menor que ou
que todas as folgas e sobras são positivas em P0. igual ao número de restrições.

2. Em qualquer ponto no limite, pelo menos uma variável

será zero. Isso é ilustrado nos pontos P1 e P2. Em P1, po- Tabela 4.1 Contando variáveis positivas nos cantos
demos ver que X2 = 0; todas as outras variáveis são posi-
tivas. De maneira semelhante, em P2, que está na primei- Variáveis Variáveis Contagem
Canto zero positivas positiva
ra linha da restrição, somente s1 é zero. Os pontos espe-
ciais do limite de interesse são os cantos da região viá- I x1, x2 s1, s2, s3, s4 4
vel. Por exemplo, desde que o canto rotulado como III II x1, s2, s4 x2, s1, s3 3
está na primeira e segunda linhas da restrição, as duas III s1, s2 x1, x2, s3, s4 4
variáveis s1 e s2 são zero nesse canto, com todas as outras IV s1, s3 x1, x2, s2, s4 4
variáveis positivas. Esses exemplos mostram que as va- V x2, s3 x1, s1, s2, s4 4
riáveis zero no limite poderiam ser variáveis de decisão,
bem como variáveis de folga e sobra. O canto V, por
Esse resultado tem uma implicação importante para a so-
exemplo, mostra que uma variável de decisão (x2) e uma
lução do Solver de um modelo PL. Você talvez se lembre do
variável de sobra (s3) podem ser zero no limite.
Capítulo 4 que, em um modelo PL, se houver uma solução óti-
ma, sempre haverá uma solução de canto ótima (poderá haver
Soluções de canto e variáveis positivas otimização que não seja de canto também). O método Simplex,
utilizado pelo Solver para otimizar modelos PL, sempre produz
Com base nessas observações, podemos agora ilustrar o resul- um canto otimizado (supondo, naturalmente, que o modelo não
tado principal desta seção, contando as variáveis positivas em é inviável nem ilimitado). Além disso, o método Simplex resol-
cada um dos cinco cantos do conjunto de restrições. O resulta- ve um modelo na forma da restrição de igualdade e, para esse
do é mostrado na Tabela 4.1. O que essa tabela mostra, muito modelo, de acordo com a conclusão exibida acima: o número
simplesmente, é quais variáveis são positivas em cada canto e, de variáveis positivas em qualquer canto (daí, em um canto oti-
além disso, quantas variáveis são positivas em cada canto. mizado) é menor que ou igual ao número de restrições. Portan-
Lembre-se de que há quatro restrições no modelo (4.4). Assim, to, agora podemos ver uma razão por que a propriedade de
a tabela ilustra um fato geral importante: contagem apresentada é de interesse:
TEA-4 Tomada de Decisão em Administração com Planilhas Eletrônicas
A solução do Solver para um modelo PL sempre tem no máximo
m variáveis positivas, onde m é o número de restrições.
Temos uma necessidade prática para essa última conclu-
são, pela seguinte razão:
Quando a solução do Solver tiver menos do que m variáveis posi-
tivas, a solução é chamada de degenerada, e, nesse caso, deve-
se tomar um cuidado especial ao interpretar o Relatório de Sensi-
bilidade do Solver.
Degeneração e não-degeneração
Como as ramificações da degeneração são dignas de nota, va-
mos fazer uma breve pausa para definir o conceito formalmen-
te. Um canto, como II na Figura 4.36, onde o número de variá-
veis positivas é menor do que o número de restrições, é chama-
do de canto degenerado.2 Os cantos restantes, I, III, IV e V,
onde o número de variáveis positivas é exatamente igual ao nú-
mero de restrições, são chamados de cantos não-degenerados.
Se a solução ótima para uma PL tiver menos de m variáveis po-
sitivas, ela é chamada de solução degenerada, pois ocorre em
um canto degenerado. Da mesma forma, uma solução com exa-
tamente m variáveis positivas é chamada de solução não-dege-
nerada.
Agora já estamos familiarizados com o modelo PL que o
Solver otimiza, a saber, o modelo de restrição de igualdade. Vi-
mos uma propriedade importante desse modelo, a saber, que
qualquer solução ótima produzida pelo Solver terá, no máxi-
mo, m variáveis positivas (com exatamente m significando não-
2
A origem da expressão “canto degenerado” provém das características técni-
cas do método Simplex. Sua ocorrência não implica em nada ruim sobre o
modelo. Por outro lado, a conotação emotiva fornece uma maneira útil de
lembrar seu significado: em um canto, degeneração é o que acontece quando
muitas restrições ficam uma sobre a outra!
degenerada), onde m é o número de restrições no modelo; e
aprendemos que a interpretação correta do Relatório de Sensi-
bilidade do Solver exigirá a percepção de que a solução otimi-
zada é ou não degenerada.
Normalmente, uma solução otimizada degenerada de um
modelo PL é sinalizada no Relatório de Sensibilidade do Sol-
ver quando um dos intervalos Aumento Permitido ou Diminui-
ção Permitida para um preço-sombra é zero. Quando ocorre
uma solução ótima degenerada, podem ser tiradas as seguintes
conclusões gerais:
1. Os Custos Reduzidos e/ou Preços-Sombra do Relatório
de Sensibilidade (e seus intervalos) podem não ser úni-
cos. Ou seja, é possível que duas soluções diferentes do
Solver sejam geradas, cada uma com os mesmos valores
ótimos para as variáveis de decisão e valores da função
objetiva, mas com diferenças em alguns ou em todos os
Custos Reduzidos e/ou Preços-Sombra (e intervalos) nos
seus Relatórios de Sensibilidade. A ambigüidade resul-
tante pode causar problemas na aplicação de interpreta-
ções administrativas no Relatório de Sensibilidade desse
tipo de modelo.
2. Os coeficientes da função objetiva talvez precisem ser
substancialmente mais modificados do que o indicado
pelo Aumento Permitido ou pela Diminuição Permitida
no Relatório de Sensibilidade, antes que a solução ótima
se mova para outra solução de ponto de canto.
3. No Relatório de Sensibilidade, a ocorrência de um Au-
mento Permitido ou de uma Diminuição Permitida para
coeficientes da função objetiva não é confiável para sina-
lizar soluções ótimas alternativas.