Está en la página 1de 10

RELACIONES PRIMAL - DUAL

Universidad Autónoma del Caribe Programa de Ingeniería Industrial Investigación de Operaciones I

RELACIONES PRIMAL - DUAL

La teoría de la dualidad es importante, tanto desde el punto de vista teórico como desde el punto de vista práctico. Para cada modelo lineal se puede escribir el modelo dual asociado. Veremos que resolviendo uno de los modelos se obtiene la solución de ambos; en la tabla óptima del modelo resuelto aparece también la solución óptima del dual asociado. Algunas razones por las que conviene tener en cuenta la dualidad son las

siguientes:

1. Teniendo en cuenta que el número de iteraciones del algoritmo simplex depende más del número de restricciones del modelo que del número de variables, y dado que resolviendo un modelo lineal se obtiene también la solución del dual asociado, se puede elegir el modelo que conviene resolver para obtener la solución de ambos.

  • 2. La dualidad permite hacer la interpretación económica del problema lineal. La solución

del problema dual da información acerca de la solución del primal.

  • 3. Teniendo en cuenta las propiedades de la dualidad se construye un nuevo algoritmo,

el simplex dual, que es más eficaz que el simplex para calcular la solución óptima de algunos modelos lineales. Este nuevo algoritmo se aplica en el análisis de sensibilidad y

la programación entera que se presentan en temas posteriores.

RELACIÓN ENTRE EL PROBLEMA DUAL Y

EL PRIMAL

RELACIÓN ENTRE EL PROBLEMA DUAL Y EL PRIMAL

RELACIÓN ENTRE EL PROBLEMA DUAL Y

EL PRIMAL

RELACIÓN ENTRE EL PROBLEMA DUAL Y EL PRIMAL

SOLUCIÓN DEGENERADA:

Casos Especiales

La degeneración ocurre cuando en alguna iteración del método simplex existe un empate en la selección de la variable que sale. Este empate se rompe arbitrariamente. Si se presenta un empate en la variable que sale de forma repetida, una variable básica

tomara valor cero, esto hace que la solución sea degenerada. Lo anterior es debido a la

existencia de a lo menos una restricción redundante.

MULTIPLES SOLUCIONES OPTIMAS:

Se presenta cuando la función objetivo es paralela a una restricción activa (se satisface

como igualdad en la solución optima), en este caso hay infinitas soluciones. Desde el

punto de vista practico permite escoger la solución que mejor se adapte a la situación. Cuando la función objetivo es paralela a una restricción que se satisface en el sentido de la igualdad a través de la solución óptima, la función objetivo tomará el mismo valor óptimo en más de un punto de la solución. Por esta razón reciben el nombre de Múltiples alternativas óptimas.

Casos Especiales

SOLUCIONES NO ACOTADA:

Se presenta cuando el espacio de soluciones no esta acotado en la dirección hacia donde aumenta o disminuye la función objetivo, según el modelo sea de

maximización o minimización. Si en cualquier iteración

del método simplex los coeficientes de las restricciones de una variable no básica son no positivos, entonces el

modelo no esta acotado en la dirección de esa variable. Si el coeficiente de la función objetivo es negativo en maximización o positivo en minimización, entonces el valor de la función objetivo tampoco esta acotado. En

algunos modelos de Programación Lineal, los valores

de las variables, se pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin solución cuando menos en una dirección. Como resultado, el valor de la función objetivo puede crecer (Maximización) o decrecer (Minimización) en forma indefinida. En este caso, decimos que el espacio en el cual se espera sea resuelto el modelo, y el valor óptimo de la función objetivo no tiene solución.

SOLUCIÓN INFACTIBLE:

Ocurre cuando las restricciones no se pueden satisfacer de forma simultanea. Este tipo de solución no se presenta si todas las restricciones son del tipo , en

otro tipo de restricciones hace falta el uso

de variables artificiales, lo que puede dar lugar a soluciones no factibles. Un modelo con solución infactible puede significar que ha sido mal planteado o que las restricciones no estén destinadas a cumplirse simultáneamente, por lo que haría falta una estructura diferente del modelo.

RELACIÓN ENTRE EL PROBLEMA DUAL Y

EL PRIMAL

RELACIÓN ENTRE EL PROBLEMA DUAL Y EL PRIMAL

RELACIÓN ENTRE EL PROBLEMA

DUAL Y EL PRIMAL

RELACIÓN ENTRE EL PROBLEMA DUAL Y EL PRIMAL
RELACIÓN ENTRE EL PROBLEMA DUAL Y EL PRIMAL
RELACIÓN ENTRE EL PROBLEMA DUAL Y EL PRIMAL

RELACIÓN ENTRE EL PROBLEMA

DUAL Y EL PRIMAL

Si

una solución óptima del primal

tiene

una variable de

holgura o

exceso > 0 en una restricción (es decir, es variable básica > 0), la

variable dual asociada a esa restricción tiene valor 0.

Si una variable de holgura o exceso del primal es 0 en el óptimo, la variable dual asociada a dicha restricción puede tener valor distinto de 0 (positivo o negativo según corresponda al tipo de restricción y de función objetivo maximización o minimización) en el óptimo del problema dual.

Si

una variable

original

del

primal (no

las

de

holgura, exceso o

artificiales) en el óptimo tiene valor > 0, su correspondiente restricción del dual no tiene holgura (es decir, su variable asociada

del dual es 0).

Bibliografía

Hillier, Frederick y Lieberman, Gerald. (2009). Introducción Investigación de Operaciones. Octava Edición, México: McGraw Hill.

a

la

TAHA, Hamdy A. (2004) Investigación de Operaciones. 7a Edición. México: Pearson education.

E. De La Hoz, S. Vidal, V. Gaitan. Programación LIneal. Grafimpresos Donado. Primera Edición. 2006

Guillermo Jimenez Lozano. Cien Problemas de Programación Lineal. Dpto Publicaciones Universidad. Nacional. Primera Edición. 2009

González Ariza, Angel Leon. Manual Práctico de Investigación de Operaciones I. Tercera Edición. 2010.