Resumen del Tema 2 1

TEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA

1.- Introduccin
En los problemas de Programacin Lineal nos encontraremos con:
- Funcin Objetivo: es la meta que se quiere alcanzar, y que ser la funcin a optimizar.
- Restricciones: estas vendrn determinadas por las condiciones en las que nos encontramos a la
hora de optimizar la funcin.
- Linealidad: tanto la funcin objetivo como las restricciones, son funciones lineales de las
variables consideradas.
La Programacin Lineal, en trminos generales, va a consistir en:
Optimizar una funcin objetivo z=c.x
sujeto a unas restricciones Ax b
x 0

2.- Construccin de un modelo. Resolucin por el mtodo grfico.
Construccin del modelo:
Los pasos a seguir son los siguientes:
1.- En primer lugar hay que identificar las variables de decisin del problema.
2.- Buscar la funcin objetivo. Que es la funcin que queremos optimizar
3.- Encontrar las restricciones.
4.- Condicin de no negatividad: Esta es otra restriccin.
Por lo tanto: x
i
0 i

Grficos:
Normalmente los grficos no son el mejor mtodo para resolver los problemas de programacin
lineal del mundo real. No obstante, una solucin grfica nos sirve para entender mejor la
estructura de los modelos de programacin lineal.
Lo primero que haremos ser, representar el conjunto de los puntos que verifican las restricciones.
Para ello dibujamos las rectas que nos dan las restricciones y elegimos la regin de los puntos que
verifican la desigualdad.
Resumen del Tema 2 2
Entonces, el conjunto de los puntos que verifican todas las restricciones, (incluida la condicin de
no negatividad), ser la interseccin de todas estas regiones.
Este conjunto es un conjunto convexo, por ser interseccin de convexos, y como una funcin
lineal es una funcin convexa, sabemos que el ptimo de la funcin se obtiene en un punto
extremo del convexo. Entonces, basta calcular el valor de la funcin objetivo en estos puntos para
saber en cul de ellos se alcanza el ptimo.
Este mtodo de obtener la solucin no es prctico cuando tenemos muchos puntos extremos. Es
ms sencillo dibujar la recta de utilidad y ver para qu punto(s) de la regin que hemos
determinado se alcanza el ptimo.
Una vez obtenida una solucin hay que interpretarla. Es decir, explicar qu es lo mejor que se
puede hacer para optimizar nuestro objetivo.

3.- Resolucin de sistemas de ecuaciones simultneas.
El problema fundamental de la programacin lineal consiste en determinar una solucin para un
sistema de ecuaciones lineales simultneas (las desigualdades se transforman en igualdades), que
optimice una determinada funcin objetivo.
Vamos a ver ahora algunos conceptos como los de base y solucin bsica, que son fundamentales
para el desarrollo y comprensin de la programacin matemtica lineal.
Sea el sistema de ecuaciones lineales simultneas, con m ecuaciones y n variables (n > m):
a
11
x
1
+ ......... + a
1n
x
n
= b
1
a
21
x
1
+ ......... + a
2n
x
n
= b
2

....... ........ ...... ........ ....... ........
a
m1
x
1
+ ........ + a
mn
x
n
= b
m

que podemos escribir de forma matricial: Ax = b
donde
A =
|
|
|
|
|
.
|

\
|
mn m m
n
n
a a a
a a a
a a a
,...., ,
....
,...., ,
,...., ,
2 1
2 22 21
1 12 11
=( a
1
, a
2
, .... , a
n
) ; x=
|
|
|
|
|
.
|

\
|
n
x
x
x
...
2
1
; b=
|
|
|
|
|
.
|

\
|
m
b
b
b
...
2
1

Si suponemos que rango de A es r(A)=m, tomando cualquier submatriz B de A no singular de
orden m, y haciendo iguales a cero las restantes n-m variables asociadas a los vectores columna de
A que no estn en B, la solucin del sistema resultante
B.x
B
= b
Resumen del Tema 2 3
de m ecuaciones con m incgnitas, se denomina solucin bsica y la representaremos por x
B
.
Definicin.- Se denominan variables bsicas a las variables del vector x
B
formado por las m
variables asociadas con la solucin bsica y variables no bsicas a las n-m restantes variables que
se han igualado a cero.
Definicin.- Se denomina base o matriz bsica a toda matriz cuadrada B no singular de orden m,
formada por un conjunto de vectores a
i
de A.
Como B es no singular, sus columnas son linealmente independientes.
Las variables bsicas pueden tomar valores positivos, negativos o cero, y si en particular una o
ms variables bsicas toman el valor cero, la solucin bsica de denomina degenerada.
Notar que hay
|
|
.
|

\
|
m
n
posibles soluciones bsicas para el sistema de ecuaciones A.x=b.

4.- Forma general de los modelos de programacin lineal y formas equivalentes
A partir de la formulacin algebraica de los ejemplos anteriores, podemos establecer en forma
general el problema de programacin lineal como sigue:
determinar x=(x
1
,...,x
n
)
T
de
n
tal que:
optimice una funcin objetivo z=c.x
sujeto a unas restricciones Ax (=, )b
donde:
z : es la funcin objetivo o funcin econmica a optimizar.
x : es el vector de las variables de decisin o actividades.
c : es el vector de costos unitarios o vector de precios.
b : es el vector de disponibilidad de recursos.
A : es la matriz de coeficientes tecnolgicos.
Si en el modelo anterior todos los signos son igualdades, y los elementos de b son todos no
negativos, y se pide que las variables sean no negativas, se dice que el problema de programacin
lineal est en forma estndar.
Es decir: max ( min) z=c.x
s. a: Ax = b (b 0)
x 0
El mtodo del Simplex, que es el mtodo que utilizaremos para resolver los problemas de
programacin lineal, se aplica a problemas lineales en forma estndar.
Resumen del Tema 2 4
Sin embargo, la mayora de los problemas no son inicialmente modelizados en esa forma, sino
que tienen muchas restricciones de desigualdad. Por ello vamos a ver la forma cannica de un
problema lineal, y que es lo suficientemente general como para que cualquier programa lineal se
pueda poner de esa forma, para posteriormente estudiar su paso a la forma estndar.
La forma cannica de un problema de programacin lineal es aquella en la que:
- El objetivo es de maximizacin.
- Todas las restricciones son de desigualdad, del tipo ()
- Todas las variables son no negativas.
En forma matricial: max z=c.x
s. a: Ax b
x 0
Dado un problema escrito en forma cannica, siempre podemos escribirlo de forma equivalente
en forma estndar.
* Llamaremos variable de holgura, a una variable que introducimos en el sistema para pasar de
una desigualdad a una igualdad.

5.- Terminologa ( definiciones y teoremas)
Basndonos en el problema de Max. z = c.x
s. a: A.x + y = b
x 0
Es decir : Max z = c
1
x
1
+ ............ + c
n
x
n

s. a: a
11
x
1
+ ......... + a
1n
x
n
+ x
n+1
= b
1

....... ........ ...... ........ ....... ........ ......
a
m1
x
1
+ ......... + a
mn
x
n
+ x
n+m
= b
m

x = (x
1
, ...... , x
n
, x
n+1
, ..... , x
n+m
) 0
( las variables de holgura tienen costo cero en la funcin objetivo)

* Diremos que un punto x
n
es una solucin factible, o posible, sii verifica las restricciones
del problema.
* Una solucin factible, es bsica, cuando tiene a lo sumo m componentes positivas, (m= n de
restricciones) .
* Una solucin factible, se dice que es bsica no degenerada, sii tiene exactamente m
componentes positivas.
Resumen del Tema 2 5
* Diremos que B es una base factible sii B
-1
b 0
* Llamamos regin de factibilidad, K, al conjunto de puntos de
n
que verifican las restricciones.
( K = { soluciones factibles} ). Si K= , el problema lineal asociado se denomina infactible.

Como hemos notado, una base B est formada por m vectores linealmente independientes de A,
B=(b
1
, b
2
, ... ,b
m
), y cada columna a
j
de A que no est en B, (columna no bsica), se puede poner
como combinacin lineal de los elementos de la base.
Es decir: a
j
=

=
m
i
i ij
b y
1
. = B.y
j

Como B es no singular, se puede escribir que: y
j
= B
-1
.a
j

donde y
j
= (y
1j
, y
2j
, ... ,y
mj
)
T
, e y
ij
es un escalar en el que el subndice i se refiere al vector
columna b
i
de B, y el j al vector columna a
j
de A.
Otro escalar de inters, es z
j
, asociado a cada vector a
j
de A y que se define:
z
j
= c
B
.y
j
=

=
m
i
Bi ij
c y
1

La diferencia c
j
- z
j
, va a ser fundamental en la conduccin del mtodo del Simplex.
* Llamamos solucin ptima, a aquella solucin factible en la que se alcanza el ptimo.
Un problema de programacin lineal se dice no acotado, cuando no tiene un ptimo finito ( es
decir: max z = min z =)
Un problema de programacin lineal se dice que tiene soluciones ptimas alternativas o
mltiples, si tiene ms de una solucin ptima.

Vamos a dar ahora una serie de resultados y definiciones que se utilizarn posteriormente:
Teorema 1.- La regin de factibilidad, K, es un conjunto convexo y cerrado o es el vaco. (Si es
no vaco se denomina politopo)
Definicin.- Dos puntos extremos x
1
, x
2
de K, con x
1
x
2
, son puntos extremos adyacentes, sii el
segmento que los une es una arista del conjunto (convexo) K.
Teorema 2.-Sea A una matriz m x n, con r(a)=m, y sea b un vector mx1. Sea K el poliedro
convexo formado por los vectores x que verifican:

=
0
.
x
b x A
. Un vector x es una solucin
bsica factible del sistema anterior, si y solo si x es un punto extremo (vrtice) de K.
Teorema 3.- La funcin objetivo de un problema de programacin lineal estndar (factible
acotado), alcanza su ptimo en un punto extremo de la regin de factibilidad.
Resumen del Tema 2 6
Conclusiones de los teoremas:
1.- Cada solucin factible bsica de un problema de programacin lineal, corresponde a un punto
extremo de la regin de factibilidad.
2.- Cada punto extremo, tiene asociados un conjunto de m vectores linealmente independientes.
3.- Existe un punto extremo de la regin de factibilidad en el que se alcanza el ptimo.
El mtodo del Simplex, que es el algoritmo que vamos a estudiar, es un algoritmo sistemtico de
bsqueda de la solucin que de una manera eficiente evala una parte del conjunto de soluciones
bsicas factibles, y garantiza la convergencia en un nmero finito de etapas, detectando adems la
infactibilidad, no acotacin o la existencia de soluciones ptimas alternativas.

6.- Variables artificiales.
En la fase inicial del mtodo del Simplex, necesitaremos disponer de una solucin bsica factible,
de forma rpida. Mediante la introduccin de las variables de holgura, esto es sencillo, pero hay
situaciones en las que esto no es as.
Para resolver este problema, hay varios mtodos, el ms conocido de todos es el de las variables
artificiales.
El mtodo comienza poniendo el problema de forma estndar, aadiendo las variables de holgura
necesarias.
A continuacin, se suman variables artificiales w
i
, a las restricciones que originalmente fueran
igualdades, y a aquellas en las que se introdujo la variable de holgura con signo negativo (las de
). Es decir:
Si la restriccin era:
p
n
j
j pj
b x a

=1
, pasar a ser:

=
n
j
j pj
x a
1
- s
p
+ w
p
= b
p

Si la restriccin era:

=
n
j
j pj
x a
1
= b
p
, pasar a ser:

=
n
j
j pj
x a
1
+ w
p
= b
p

Como cualquier solucin bsica factible del sistema transformado, en el que las variables
artificiales tomen el valor cero, es una solucin bsica factible del sistema original, intentaremos
llevar a cero las variables artificiales lo antes posible, para que no aparezcan en la solucin final.
Una forma de llevar a cero las variables artificiales, consiste en asignarles como coeficiente en la
funcin objetivo del problema transformado un valor muy grande negativo(en el caso de
maximizacin), que representaremos por M, de modo que sea demasiado costoso mantener esas
variables en la base. (Mtodo de penalizacin)