Programacion Lineal Contenidos Actualizados Al 2010

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA CONTENIDO DIDCTICO DEL CUSO: 100404
4 PROGRAMACION LINEAL
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA PROGRAMA DE CIENCIAS BASICAS
AUTOR DEL MATERIAL GLORIA LUCIA GUZMAN ARAGON
100404 PROGRAMACION LINEAL EDGAR MAURICIO ALBA VALCARCEL (Director Nacional)
LUIS GERMANA HUERFANO Acreditador
SOGAMOSO Junio de 2010
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA CONTENIDO DIDCTICO DEL CUSO: 100404 PROGRAMACION LINEAL
ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO
El presente mdulo fue diseado en el ao 2004 por La Esp. Gloria lucia Guzmn Aragn, docente de la UNAD, y ubicado inicialmente en el CEAD de Neiva, ella es Licenciada en Matemticas y Fsica, Especialista en matemticas Avanzadas, Especialista en Docencia Universitaria, Magister en Direccin y Gestin de Recursos Humanos, Maestrante en educacin con especialidad en ONLINE, se ha desempeado como docente de la UNAD desde el 2004 y como tutor desde 1984 hasta la fecha, adems ha sido catedrtico de diversas Universidades de Cundinamarca y del Huila, ha desempeado cargos de docencia administrativa como Rectora de varios colegios, Coordinadora Acadmica, Asesora pedaggica y en la actualidad es investigadora principal de los grupos Delta 515 y generacin 21. El presente mdulo ha tenido cinco actualizaciones, desarrolladas por la docente Gloria Guzmn en los aos 2006, 2007, 2008 y 2009 con los aportes de la red de tutores que ella dirige y en 2010 por Edgar Mauricio Alba V. tutor del Cead Sogamoso y en equipo con el grupo de tutores del curso. Este documento se puede copiar, distribuir y comunicar pblicamente bajo las condiciones siguientes: Reconocimiento. Debe reconocer los crditos de la obra de la manera especificada por el autor o el licenciador (pero no de una manera que sugiera que tiene su apoyo o apoyan el uso que hace de su obra). No comercial. No puede utilizar esta obra para fines comerciales. Sin obras derivadas. No se puede alterar, transformar o generar una obra derivada a partir de esta obra. Al reutilizar o distribuir la obra, tiene que dejar bien claro los trminos de la licencia de esta obra. Alguna de estas condiciones puede no aplicarse si se obtiene el permiso del titular de los derechos de autor Nada en esta menoscaba o restringe los derechos morales del autor.
INDICE DE CONTENIDOS
INTRODUCCIN JUSTIFICACIN INTENSIONALIDADES FORMATIVAS a. PROPOSITOS OBJETIVOS Objetivo general Objetivos especficos: b. METAS c. COMPETENCIAS UNIDAD 1 INTRODUCCIN A LA PROGRAMACIN LINEAL CAPITULO 1 LA INVESTIGACION DE OPERACIONES Introduccin Leccin 1 Antecedentes y origen de la I.O Leccin 2 Qu es la Investigacin de operaciones? Leccin 3 Metodologa de la I.O. Leccin 4 Componentes de investigacin de Operaciones
CAPITULO 2 CONJUNTOS CONCAVOS Y CONVEXOS Introduccin Leccin 5 Concepto de conjunto convexo Leccin 6 Propiedades de los conjuntos convexos
Leccin 7 Ejercicios de aplicacin Leccin 8 Funciones cncavas convexas
CAPITULO 3. CONCEPTUALIZACION DE LA PROGRAMACION LINEAL Introduccin Leccin 9 Concepto Leccin 10 Formulacin del problema de programacin lineal Leccin 11 Modelo general de programacin lineal Leccin 12 Otras formas de modelos de P.L. Leccion 13 Terminologa y conceptos basicos UNIDAD 2 METODOS DE SOLUCION CAPITULO 1 METODO GRAFICO Leccin 14 Leccin 15 Leccin 16 Leccin 17 Leccion 18 Introduccin mtodo Grafico Definicin Concepto general del Mtodo Grafico Pasos para solucin mediante el mtodo grafico Ejemplos
CAPITULO 2 METODO ALGEBRAICO Introduccin Leccin 19 Pasos para utilizar un mtodo Algebraico Leccin 20 Ejemplos desarrollados Leccin 21 Taller CAPITULO 3 METODO SIMPLEX Introduccin Leccin 22 Pasos para desarrollar el mtodo Simplex
Leccin 23 Leccin 24 Leccin 25 Leccin 26 Leccin 27 Leccin 28 Leccin 29 Leccin 30 Leccin 31
Dualidad Comparacin entre el mtodo simplex y dual simplex Anlisis de sensibilidad Taller del mtodo Simplex Taller Dualidad Degeneracin Problemas de programacin lineal con variables acotadas Algoritmo de descomposicin La Programacin Lineal basada en los computa
INTRODUCCIN
El curso de Programacin Lineal Componente de Formacin Disciplinar y tiene carcter bsico en los programas de Ingeniera que oferta la UNAD, adems es de tipo terico. Tiene como objetivo Formular, obtener y analizar soluciones a problemas de programacin lineal, como apoyo a la industria y la ingeniera, optimizando los recursos disponibles y facilitando la toma de decisiones. El curso tiene 2 crditos acadmicos los cuales comprenden el estudio independiente y el acompaamiento tutorial, con el propsito de:
Comprender los elementos tericos que sustentan la programacin lineal. Identificar y utilizar los mtodos de programacin lineal para la solucin de problemas. Identificar y manejar los algoritmos utilizados en la optimizacin de funciones lineales sujetas a restriccin de tipo general. Identificar diferencias entre la formulacin de modelos y tcnicas de solucin.
Este curso est compuesto por dos Unidades didcticas a saber: Unidad 1. Introduccin a la Programacin Lineal donde se pretende que el estudiante valore la importancia que tiene la investigacin de operaciones en proporcionar herramientas para la construccin de modelos matemticos en particular los de programacin lineal, adems de la conceptualizacin y las diferentes formas de presentacin de un problema de programacin lineal. Unidad 2. Mtodos de Solucin se plantean los diferentes mtodos empleados para solucionar problemas a nivel grfico, algebraico, simplex, con los que se pretende que el estudiante posea herramientas para que busque la solucin
ptima a problemas simples y complejos que se le puedan presentar tanto en la cotidianidad como en el ejercicio de su vida profesional y/o laboral.
El curso es de carcter terico y la metodologa a seguir ser bajo la estrategia de educacin a distancia. Por tal razn es importante planificar el proceso de: Estudio independiente: Se desarrolla a travs del trabajo personal y del trabajo en pequeos grupos colaborativos de aprendizaje. Acompaamiento tutorial: Corresponde al acompaamiento que el tutor realiza al estudiante para potenciar el aprendizaje y la formacin. El Sistema de evaluacin del curso es a travs de la evaluacin formativa, que constituye diferentes formas de comprobar el avance en el auto aprendizaje del curso. En este sentido se realizarn tres complementarias, estas son: tipos de evaluacin alternativas y
Autoevaluacin: evaluacin que realiza el estudiante para valorar su propio proceso de aprendizaje. Coevaluacin: Se realiza a travs de los grupos colaborativos, y pretende la socializacin de los resultados del trabajo personal. Heteroevaluacin: Es la valoracin que realiza el tutor. El sistema de interactividades vincula a lo9s actores del proceso mediante diversas actividades de aprendizaje que orientan el trabajo de los estudiantes hacia el logro de los objetivos que se pretenden, de la siguiente manera: Tutor-estudiante: a trasvs del acompaamiento individual Estudiante-estudiante: mediante la participacin activa en los grupos colaborativos de aprendizaje. Estudiantes-Tutor: a travs del acompaamiento a los pequeos grupos colaborativos de aprendizaje. Tutor-Estudiantes: mediante el acompaamiento en el grupo de curso. Estudiantes-Estudiantes: en los procesos de socializacin que se realizan en el grupo de curso.
Para el desarrollo del curso es importante el papel que juega los recursos tecnolgicos como medio activo e interactivo, buscando la interlocucin durante todo el proceso de dilogo docente-estudiante
Los materiales impresos en papel, se han convertido en el principal soporte para favorecer los procesos de aprendizaje autodirigido. Sitios Web: propician el acercamiento al conocimiento, la interaccin y la produccin de nuevas dinmicas educativas. Sistemas de interactividades sincrnicas: permite la comunicacin a travs de encuentros presenciales directos o de encuentros mediados ( Chat, audio conferencias, videoconferencias, tutoras telefnicas) Sistemas de interactividades diferidas: permite la comunicacin en forma diferida favoreciendo la disposicin del tiempo del estudiante para su proceso de aprendizaje, mediante la utilizacin de correo electrnico, foros grupos de discusin, entre otros. El acceso a documentos adquiere una dimensin de suma importancia en tanto la informacin sobre el tema exige conocimientos y planteamientos preliminares, por tal razn es imprescindible el recurso a diversas fuentes documentales y el acceso a diversos medios como son: bibliotecas electrnicas, hemerotecas digitales o impresas, sitios Web especializados. En la medida en que usted adquiera el rol de estudiante, interiorice y aplique los puntos abordados anteriormente, podr obtener los logros propuestos en este curso, as como un aprestamiento en los enfoques y mtodos de la programacin lineal, mediante la estrategia de la educacin a distancia.
JUSTIFICACIN
No es del todo fcil definir qu es la investigacin de operaciones. Existen diversas definiciones en textos, pero se podra decir que la investigacin de operaciones es un enfoque cientfico interdisciplinario para la solucin de problemas, que envuelve la interaccin compleja, dinmica y sujetiva de hombres, mtodos y sistemas, a los cuales, en algunos casos no se les puede proporcionar una solucin exacta por medio de los procedimientos matemticos o por medio de tcnicas de ensayo y error. Utilizando modelos matemticos como un recurso primario, la metodologa de la investigacin de operaciones est diseada para cuantificar y acotar estos problemas dentro de un marco de restricciones especficas, medidas, objetivos y variables, de tal forma que se busquen controles ptimos de operacin, decisiones, niveles y soluciones. La programacin matemtica es quizs el rea ms desarrollada de la investigacin de operaciones. Cubre tpicos tales como: Programacin lineal, programacin de redes y programacin entera, adems de otras variantes de mtodos de programacin tales como programacin de metas, en este curso nos ocuparemos de la programacin lineal y sus diversos mtodos y tcnicas de solucin para una adecuada toma de decisin. Un modelo de programacin lineal proporciona un mtodo eficiente para determinar una decisin ptima, (o una estrategia ptima o un plan ptimo) escogida de un gran nmero de decisiones posibles. La decisin ptima es la que Satisface un objetivo de administracin, sujeto a varias restricciones. Las competencias que promueve el curso y que son necesarias son: COGNITIVA: Capacidad de apropiarse de un conjunto de conocimientos a travs del desarrollo, monitoreo y aplicacin de procesos de pensamiento. COMUNICATIVA: Capacidad de comprender, expresar mensajes y de desarrollar procesos argumentativos, apoyados por la asertividad en las relaciones interpersonales. CONTEXTUAL: Capacidad de ubicar el conocimiento en el contexto cientfico, poltico, cultural, tecnolgico, social y en el plano nacional e internacional, as
como la disposicin y capacidad para aplicarlo en procesos de transformacin que inciden en la calidad de vida de la poblacin.
VALORATIVA: Capacidad de apropiarse de valores como el respeto a la vida. La dignidad humana, la convivencia la solidaridad, la tolerancia y la libertad que orientan las acciones del individuo como persona, como ser social y como profesional. Para el logro de estas competencias, es necesario que se planifique de manera responsable el proceso de auto estudio por parte del estudiante si se quieren lograr resultados positivos en el aprendizaje de los conceptos incluidos en el curso, este proceso se puede planificar de la siguiente manera: Auto estudio: Estudio individual del material sugerido y consulta de otras fuentes ( documentales, consulta en biblioteca, Internet, bibliografa recomendada, consulta a bases de datos documentales, entre otros) Trabajo en grupo: Creacin de grupos de estudio o discusin con el propsi8to de preparar consultas estructuradas al docente tutor. Consultas al tutor de las inquietudes surgidas en el punto anterior. Retroalimentacin: Una vez el tutor haya resuelto las inquietudes, estudia nuevamente el tema, teniendo en cuenta las sugerencias o respuestas dadas por el tutor. Procesos de evaluacin: Una vez se halla realizado el proceso de retroalimentacin, desarrolle los diferentes momentos de evaluacin propuesta para el curso como son la auto evaluacin, la coevaluacin y la heteroevaluacin. De esta manera se pretende alcanzar los objetivos propuestos del curso y de la programacin lineal en la solucin de problemas de aplicacin.
INTENSIONALIDADES FORMATIVAS
PROPOSITOS Construir modelos de programacin lineal que permita describir una situacin dada en forma apropiada y as manipular los datos en forma ordenada y eficiente. Apropiarse de los diferentes mtodos y tcnicas para resolver problemas de programacin lineal. Operar las soluciones planteadas a travs de los diferentes mtodos y tener en cuenta las condiciones variables, es decir realizar el anlisis de sensibilidad correspondiente. Permitir que los estudiantes resuelvan problemas del campo de la ciencia, la tecnologa e ingeniera, con los conocimientos interiorizados del curso acadmico en mencin. Fomentar en el estudiante caractersticas que deben identificarlo en su desempeo y actuacin profesional de la Ingeniera.
OBJETIVO GENERAL Formular, obtener y analizar soluciones a problemas de programacin lineal, como apoyo a la industria y la ingeniera, optimizando los recursos disponibles y facilitando la toma de decisiones. OBJETIVOS ESPECFICOS: Comprender los elementos tericos que sustentan la programacin lineal. Identificar y utilizar los mtodos de programacin lineal para la solucin de problemas. Identificar y manejar los algoritmos utilizados en la optimizacin de funciones lineales sujetas a restriccin de tipo general. Identificar diferencias entre la formulacin de modelos y tcnicas de solucin.
METAS Al terminar el curso de programacin lineal, el estudiante: Identificar conceptos fundamentales de la programacin lineal Reconocer los diversos mtodos y tcnicas para solucionar problemas de programacin lineal. Valorar la importancia que tiene la programacin lineal en situaciones organizacionales para las empresas en el mundo moderno. Plantear y resolver problemas en diferentes campos del saber, haciendo un proceso de abstraccin de escenarios conocidos a escenarios desconocidos de las temticas estudiadas.
COMPETENCIAS El estudiante comprende e interpreta adecuadamente los conceptos de programacin lineal, como funcin objetivo, restricciones, variables, optimalidad, sensibilidad. El estudiante identifica y maneja los diferentes mtodos y tcnicas para solucionar problemas que involucran la programacin lineal. El estudiante aprende a compartir los conocimientos adquiridos con sus compaeros, con su tutor y en general con la comunidad educativa. El estudiante adquiere destreza en el manejo de las TIC, en su formacin acadmica, por medio del uso de medios y mediaciones que la UNAD le ofrece.
UNIDAD UNO INTRODUCCIN A LA PROGRAMACIN LINEAL
CAPITULO 1 LA INVESTIGACION DE OPERACIONES
INTRODUCCION LECCION 1 ANTECEDENTES Y ORIGEN DE LA I.O. LECCION 2 QUE ES LA INVESTIGACION DE OPERACIONES? LECCION 3 METODOLOGA DE LA I.O. LECCION 4 COMPONENTES DE LA I.O.
INTRODUCCION Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y la separacin de las responsabilidades administrativas en las organizaciones. Sin embargo esta revolucin creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchos de los componentes a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de Operaciones. La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para un problema de decisin con la restriccin de recursos limitados. En la Investigacin de Operaciones utilizaremos herramientas que nos permiten tomar una decisin a la hora de resolver un problema, tal es el caso de los modelos de Investigacin de Operaciones que se emplean segn sea la necesidad. Actualmente la investigacin de operaciones a incursionado en la administracin con muy buenos resultados en este campo pues el ambiente de negocios al que se est sometido y los mltiples cambios que ellos generan, los ciclos de vida de los productos se hacen ms cortos, la abrumadora y acelerada era de la nueva tecnologa y la internacionalizacin creciente, son razones suficientes para desarrollar modelos que optimicen los resultados en estos campos del saber
LECCION 1 ANTECEDENTES Y ORIGEN DE LA INVESTIGACION DE OPERACIONES La investigacin de operaciones se origino en la segunda guerra mundial como una necesidad de dar solucin a los problemas de carcter militar, los primeros interesados en estos aspectos fueron los britnicos y los americanos quienes asignaron esta tarea a un grupos de fsicos, matemticos, bilogos, estadstic os, psiclogos entre otros para emplear el mtodo cientfico en la solucin de problemas estratgicos y tcticos. Despus de la guerra atrajo la atencin de la industria que buscaba soluciones a problemas de complejidad y especializacin ascendente en las organizaciones. Los primeros esfuerzos se dedicaron a desarrollar modelos apropiados y procedimientos correspondientes para solucionar problemas que surgan en reas tales como: la programacin de refineras de petrleo, la distribucin de productos, la planeacin de productos, el estudio de mercados y la planeacin de inversiones. Un factor importante de la implantacin de la Investigacin de Operaciones en este periodo es el mejoramiento de las tcnicas disponibles en esta rea. Muchos de los cientficos que participaron en la guerra, se encontraron a buscar resultados sustanciales en este campo; un ejemplo sobresaliente es el mtodo Simplex para resolucin de problemas de Programacin Lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas utilizadas en la Investigacin de Operaciones como la Programacin Lineal, la Programacin Dinmica, Lneas de Espera y Teora de Inventarios fueron desarrolladas al final de los aos 50. Un segundo factor importante para el desarrollo de este campo fue el advenimiento de la revolucin de las computadoras. Para manejar los complejos problemas relacionados con esta disciplina, generalmente se requiere un gran nmero de clculos que llevarlos a cabo a mano es casi imposible. Por lo tanto el desarrollo de la computadora digital, fue una gran ayuda para la Investigacin de Operaciones. En la dcada de los 80 con la invencin de computadoras personales cada vez ms rpidas y acompaadas de buenos paquetes de Software para resolver problemas de Investigacin de Operaciones esto puso la tcnica al alcance de muchas personas. Hoy en da se usa toda una gama de computadoras, desde las computadoras de grandes escalas como las computadoras personales para la Investigacin de Operaciones.
LECCION 2. QUE ES LA INVESTIGACION DE OPERACIONES La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organizacin. Algunos aspectos relacionados con la definicin: Una organizacin es un sistema formado por componentes que se interaccionan, unas de estas interacciones pueden ser controladas y otras no. La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs de modelos matemticos, primero para representar al problema y luego para resolverlo.
La investigacin de operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones (o actividades) dentro de una organizacin. La investigacin de operaciones intenta encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo consideracin. Un enfoque de la investigacin de operaciones abarca: Construir un modelo simblico que por lo general es un modelo matemtico, pretende extraer los elementos fundamentales de un problema de decisin que es complejo e incierto de tal manera que pueda optimizar una solucin viable para la consecucin de los objetivos de acuerdo al analista. Examinar y analizar las relaciones que determinan las consecuencias de la decisin realizada y comparar el mtodo relativo de acciones alternas con los objetivos de quien va a tomar la decisin. Desarrollar una tcnica de decisin que comprenda teoras matemticas y que conduzca a la optimizacin de los resultados.
La investigacin de operaciones se aplica tanto a problemas tcticos como estratgicos de una organizacin. Los primeros tienen que ver con actividades diarias y los segundos tienen una orientacin y una planeacin organizada generalmente se apoyan en operaciones de carcter indirecto. LECCION 3. METODOLOGIA DE LA INVESTIGACION DE OPERACIONES El uso de mtodos cuantitativos para solucionar problemas, generalmente implica a mucha gente de toda la organizacin. Los individuos de un equipo de proyectos proporcionan informacin de sus reas respectivas respecto a diversos aspectos del problema. El proceso de aplicar mtodos cuantitativos requiere de una sucesin sistemtica de pasos:
Definicin del problema
Formulacin de un modelo matemtico.
Resolucin del modelo matemtico.
Solucin
Modelo modificado
NO
Es vlida la solucin?
Implementacin
LECCION 4. COMPONENTES DE LA INVESTIGACION DE OPERACIONES
4.1. DEFINICION Y FORMULACION DEL PROBLEMA:
Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio.
4.2 FORMULACION DE UN MODELO MATEMATICO: La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin.
4.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO Depende de las caractersticas del modelo. Los procedimientos de solucin pueden ser clasificados en tres tipos : a) analticos, que utilizan procesos de deduccin matemtica; b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo. Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. La seleccin del mtodo de solucin.
4.4 PRUEBA DEL MODELO: Antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se puedan presentar.
4.5 VALIDACION DEL MODELO: Es importante que todas las expresiones matemticas sean consistentes en las dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de los parmetros de entrada y/o de las variables de decisin, y comprobando que los resultados de modelo se comporten de una manera factible.
4.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION: Esta fase consiste en determinar los rangos de variacin de los parmetros dentro de los cuales no cambia la solucin del problema. Es necesario generar informacin adicional sobre el comportamiento de la solucin debido a cambios en los parmetros del modelo. Usualmente esto se conoce como ANLISIS DE SENSIBILIDAD. Esta fase consiste en determinar los rangos de variacin de los parmetros dentro de los cuales no cambia la solucin del problema. Es necesario generar informacin adicional sobre el comportamiento de la solucin debido a cambios en los parmetros del modelo. Usualmente esto se conoce como ANLISIS DE SENSIBILIDAD.
4.7 IMPLEMENTACION DE LA SOLUCION: El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones.
CAPITULO DOS CONJUNTOS CONVAVOS Y CONVEXOS
INTRODUCCIN LECCION 5. CONCEPTO DE CONJUNTO CONVEXO LECCION 6. PROPIEDADES DE LOS CONJUNTOS CONVEXOS LECCION 7. EJERCICIOS DE APLICACIN LECCION 8. FUNCIONES CONCAVAS CONVEXAS
. INTRODUCCIN
En el presente captulo podr valorar la importancia que tiene el anlisis de la convexidad de conjuntos as como los diferentes tipos de convexidad o concavidad de funciones toda vez que ellos constituyen los instrumentos fundamentales para el desarrollo de la Teora de la Optimizacin Matemtica. En primera instancia abordaremos el concepto de conjuntos convexos, su definicin y propiedades fundamentales para luego analizar el comportamiento de las combinaciones lineales convexas.
LECCION 5. CONCEPTO DE CONJUNTO CONVEXO.
Para analizar el concepto de conjunto convexo vamos a plantear el siguiente ejemplo
. EJEMPLO. Consideremos los siguientes CONJUNTOS:
CONJUNTO P
CONJUNTO Q
CONJUNTO R
CONJUNTO T.
Definimos la idea de conjunto convexo como aquel conjunto que contiene cualquier segmento que une dos puntos del conjunto. As por ejemplo segn esta idea GRAFICA, el conjunto P
x P y
Obsrvese que para cualquier par de puntos (x, y) que estn dentro del conjunto P, el segmento que une dichos puntos siempre queda dentro del conjunto, en consecuencia P sera un conjunto convexo.
Consideremos el conjunto Q:
Q x y
Obsrvese que para cualquier par de puntos (x,y) que estn dentro del conjunto Q, el segmento que une dichos puntos no queda dentro del conjunto, en consecuencia Q no sera un conjunto convexo. Consideremos el conjunto R:
En este caso para cualquier par de puntos (x,y) de esta recta R, el segmento que los une queda dentro del conjunto, en consecuencia R es un conjunto convexo. Por ltimo sea el conjunto T:
T y
Es claro grficamente que para cualquier par de puntos x, y, el segmento que los une est totalmente contenido en dicho conjunto. Consideremos un ltimo ejemplo en el plano, sea el conjunto T
(conjunto poligonal delimitado por los puntos (0,0),(5,3),(0,8),(7,4),(6,3),(7,1 ) Se puede ver que existen segmentos, como el indicado en la figura que se sale del conjunto por lo que este conjunto no sera CONVEXO.
EJERCICIOS Determinar si los siguientes conjuntos son o no convexos, dibujndoles previamente: a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1) b. Conjunto poligonal determinado por los puntos (1,1),(2,1),(2,3),(-1,2), 1,0),(1,1) (-
SOLUCION: a. es convexo
b. no es convexo
Podemos definir conjuntos en el plano de una manera ms compleja:
As por ejemplo si consideramos el conjunto
Qu hacemos para dibujar este conjunto?
Primero dibujamos la curva que delimita el conjunto. Para delimitar la regin del plano basta considerar un punto que no est en la curva, por ejemplo (1,2) si ese punto satisface la ecuacin entonces ese es el recinto a considerar, en nuestro caso como 2 s es mayor o igual que 1. Entonces el recinto es
Obsrvese que es claramente convexo pues cualquier par de puntos que estn en S3 el segmento que los une est claramente contenido en S3.
Qu sucedera si no podemos representar grficamente el conjunto, como sucede con conjuntos de dimensin superior a 3? En esos casos es necesario dar una definicin analtica de conjunto convexo, para lo cual efectuamos la siguiente definicin:
CONJUNTO CONVEXO: Diremos que un subconjunto S R n es convexo si para cualquier par de puntos y para cualquier [0,1] se cumple que por est
en S, es decir que si llamamos segmento de extremos
S es convexo si para cualesquiera
Cul es el significado de z= x+(1- )y? Vamos a verlo en un ejemplo:
EJEMPLO: Estudiar analticamente si el conjunto anterior
es un conjunto convexo. Para ello consideremos dos vectores de S 3 (x1,y1), (x2,y2),
Habra que comprobar si b(x1,y1)+(1-b)(x2,y2) es un vector que pertenece a S3 para cualquier valor de b en [0,1] Es decir tendremos que comprobar si .bx1+(1-b)x2 , by1+(1-b)y2 Como x1,y1 entonces bx1,by1 (pues b es positivo o cero) Y como x2,y2 entonces (1-b)x2,(1-b)y2 Sumando ambas expresiones se obtiene la desigualdad por tanto S 3 es un conjunto convexo.
Y comprobando si el vector
Que una vez simplificado nos da
Y al expandirle
Si es un vector del conjunto S3.
EJERCICIO Estudiar de forma grfica si los siguientes conjuntos son o no conjuntos convexos. a. b. SOLUCIONES: a. Lo hacemos grficamente, representando el conjunto. Para ello dibujamos los dos lmites del conjunto x 2+y2=1 y x2+y2=4 (circunferencias de radio 1 y radio 2) Definimos las expresiones
Y luego las representamos como aparece.
cul es el recinto? Ahora debemos determinar en que lado de las circunferencias se sita el conjunto.
Tomemos un punto fuera de ambas circunferencias, por ejemplo (0,0),. Y comprobemos si se verifica la primera desigualdad para ese punto
Efectivamente no se verifica, por tanto el conjunto se sita hacia fuera de la circunferencia. Por otro lado
Es cierta por tanto el conjunto es la corona circular situada entre la circunferencia de radio 1 y la circunferencia radio 2. Este conjunto es convexo? Claramente se ve que no, tomemos dos puntos cualesquiera por ejemplo (1,1/2) y (2,0), ambos pertenecen al conjunto, sin embargo el segmento que los une como se ve no pertenecen al conjunto.
b. Consideremos las expresiones que definen los lmites del conjunto:
Representemos ambas rectas:
Para saber cul es exactamente el recinto, tomemos un punto que no est en dichas rectas, por ejemplo (0,0). Comprobemos a qu lado de la recta x+y=1 se encuentra nuestro conjunto x+y=1, comprobamos para (0,0), y observamos que 0+0= 1 verifica la ecuacin, por tanto el recinto x+y=1 est al lado del (0,0).
Y por otro lado para determinar el conjunto x-y=1 comprobamos que 0-0= 1 por tanto tambin es de la recta hacia el (0,0), con lo cual tendremos que el recinto ser:
LECCION 6. PROPIEDADES DE LOS CONJUNTOS CONVEXOS. Vamos a estudiar qu sucede con la UNIN y la INTERSECCIN de conjuntos convexos. Comencemos con la INTERSECCIN de conjuntos convexos. INTERSECCIN DE CONJUNTOS CONVEXOS. EJEMPLO. Sean los siguientes conjuntos convexos:
Si los representamos tendremos:
Cul es la interseccin de estos dos conjuntos? Se puede ver que la interseccin es el conjunto
Se puede ver grficamente que es un conjunto convexo. Y este ejemplo se puede generalizar con la siguiente propiedad: LA INTERSECCIN DE CONJUNTOS CONVEXOS ES UN CONJUNTO CONVEXO. UNIN DE CONJUNTOS CONVEXOS.
A partir de los conjuntos convexos anteriores S y T, veamos cul es el conjunto unin.
Este conjunto no es convexo pues si considero dos puntos del conjunto por ejemplo (1.04, -1.57) y (2.43,-0.3) Si representamos el segmento que une dichos puntos editando
Obtenemos
Segmento que no est totalmente contenido en el conjunto. Luego: LA UNION DE CONJUNTOS CONVEXOS EN GENERAL NO ES UN CONVEXO
LECCION 7. EJERCICIOS DE APLICACION
CONJUNTOS CONCAVOS Y CONVEXOS Representar los siguientes conjuntos de R 2 e indicar cules son convexos: a. b. c. 2 d. R e. f. g. h. i. Probar que todo subespacio vectorial de R 3 es un conjunto convexo.
LECCION 8. FUNCIONES CONCAVAS Y CONVEXAS
Las funciones cncavas y convexas representan un papel fundamental en la Teora de la Optimizacin ya que pueden garantizarnos la GLOBALIDAD de los ptimos locales. Por ello vamos a iniciar este apartado introduciendo el concepto de funcin cncava y convexa para luego ms tarde introducir condiciones que nos permitan reconocer si una funcin es cncava o convexa dependiendo de sus propiedades de diferenciabilidad. EJEMPLO. Consideremos la siguiente funcin:
Si dibujamos esta funcin y obtenemos
Observemos la grfica de esta funcin en el intervalo [0,3 ]
Podemos ver que en esta grfica si dibujamos cualquier segmento que una dos puntos de la misma, ste siempre queda por debajo de la grfica. Por ejemplo, consideremos los puntos
Si dibujamos el segmento que une dichos puntos en la grfica obtenemos
Qu claramente queda por debajo de la grfica. Consideremos otros pares de puntos de la grfica por ejemplo: Al dibujar el segmento que une dichos puntos tenemos:
Consideremos otro par de puntos por ejemplo
Si los dibujamos considerando
Obtenemos
Se puede observar que para cualquier par de puntos de la grfica que toman valores en el segmento considerado el segmento que une dichos puntos siempre queda por debajo de la grfica por ello podemos efectuar la siguiente definicin: FUNCIONES ESTRICTAMENTE CONCAVAS Y CONCAVAS DEFINICIN: Diremos que una funcin f es estrictamente cncava en un conjunto M convexo si todo segmento que une dos puntos de la grfica esta estrictamente por debajo de la grfica. Diremos que una funcin es CONCAVA (no estricta) si no todas las cuerdas que unen puntos de la grfica en dicho intervalo quedan estrictamente por debajo. Vamos ahora a introducir el concepto de funcin CONVEXA. Consideremos el siguiente ejemplo: EJEMPLO. Consideremos la misma funcin anterior
pero ahora considerada en que debemos enfocarnos es:
Consideremos ahora nuevamente varios puntos de esta grfica en dicho intervalo por ejemplo
si dibujamos el segmento que los une por medio de la matriz
se obtiene
si ahora dibujamos el segmento que une los puntos
Obtendremos
Obsrvese que los segmentos quedan siempre por encima de la grfica de la funcin. En estos casos, diremos que la funcin es convexa en el intervalo dado. Por ello podemos realizar la siguiente definicin:
FUNCIN CONVEXA. DEFINICION: Sea f una funcin definida en un intervalo de R, diremos que dicha funcin es convexa en el intervalo si todo segmento que une dos puntos de la grfica queda por encima de la grfica. Si siempre queda estrictamente por encima decimos que la funcin es estrictamente convexa. EJERCICIO Estudiar el carcter de las siguientes funciones en los recintos que se indican: (a) En toda la recta real:
(b) En toda la recta real:
( C) En el intervalo (0,1 )
(d) En el intervalo (-1 ,0)
(e) En el recinto (-3 ,0)
(f) En el recinto (0,3 )
SOLUCIONES: a. ESTRICTAMENTE CONVEXA
b. ESTRICTAMENTE CONVEXA
c. ESTRICTAMENTE CONVEXA
d. ESTRICTAMENTE CONCAVA
e. estrictamente CONCAVA
f. ESTRICTAMENTE CONVEXA
CAPITULO 3 CONCEPTUALIZACION DE LA PROGRAMACION LINEAL
Introduccin LECCION 9. Concepto LECCION 10. Formulacin del problema de programacin lineal LECCION 11. Modelo general de programacin lineal LECCION 12. Otras formas de modelos de P.L. LECCION 13. Terminologa y conceptos bsicos INTRODUCCION Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances cientficos ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo industrias medianas en distintos pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Este problema de asignacin puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones productivas a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades.
LECCION 9. CONCEPTO El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la programacin lineal trata la planeacin de las actividades para obtener un resultado ptimo.
La programacin lineal es una tcnica de investigacin de operaciones para la determinacin de la asignacin optima de recursos escasos cuando la funcin objetivo y las restricciones son lineales. Es una manera eficiente de resolver estos problemas cuando se debe hacer una eleccin de alternativas muy numerosas que no pueden evaluarse intuitivamente por los mtodos convencionales.
LECCION 10. FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL 10.1 INTRODUCCION Los trminos clave son recursos y actividades, en donde m denota el nmero de distintos tipos de recursos que se pueden usar y n denota el nmero de actividades bajo consideracin. Z = valor de la medida global de efectividad. Xj = nivel de la actividad j (para j = 1,2,...,n). Cj = incremento en Z que resulta al aumentar una unidad en actividad j. el nivel de la
bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m). aij = cantidad del recurso i consumido por cada unidad de la actividad j.
10.2 ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL
1. Funcin objetivo. Consiste en optimizar el objetivo que persigue una situacin la cual es una funcin lineal de las diferentes actividades del problema, la funcin objetivo se maximizar o minimiza. 2. Variables de decisin. Son las incgnitas del problema. La definicin de las variables es el punto clave y bsicamente consiste en los niveles de todas las actividades que pueden llevarse a cabo en el problema a formular.
3. Restricciones Estructurales . Diferentes requisitos que debe cumplir cualquier solucin para que pueda llevarse a cabo, dichas restricciones pueden ser de capacidad, mercado, materia prima, calidad, balance de materiales, etc. 4. Condicin tcnica. Todas las variables deben tomar valores positivos, o en algunos casos puede ser que algunas variables tomen valores negativos.
LECCION 11. MODELO GENERAL DE PROGRAMACION LINEAL
Formulacin de modelos de Programacin Lineal. Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo sta puede aplicarse y formular el problema matemticamente. Una vez hecha esa parte, resolver el problema casi siempre es fcil. Para formular un problema en forma matemtica, deben expresarse afirmaciones lgicas en trminos matemticos. Esto se realiza cuando se resuelven problemas hablados al estudiar un curso de lgebra. Algo muy
parecido sucede aqu al formular las restricciones. Por ejemplo, considrese la siguiente afirmacin: A usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas disponibles, la restriccin ser: 3A + 2B = 100 Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio que se usen todos los recursos (en este caso, horas de mano de obra). Ms bien la limitacin es que se use, cuando mucho, lo que se tiene disponible. Para este caso, la afirmacin anterior puede escribirse como una desigualdad: 3A + 2B 100 Para que sea aceptable para PL, cada restriccin debe ser una suma de variables con exponente 1. Los cuadrados, las races cuadradas, etc. no son aceptables, ni tampoco los productos de variables. Adems, la forma estndar para una restriccin pone a todas las variables del lado izquierdo y slo una constante positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los trminos. Si, por ejemplo, la restriccin es que A debe ser por los menos el doble de B, esto puede escribirse como: A 2B A - 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido de esta desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan grande como B - 2, entonces: AB2 A B -2 Por ltimo B A 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por ejemplo: B-A2 es lo mismo que B-A+S=2
En donde S representa la diferencia, o la holgura, entre B - A y 2. S se llama variable de holgura. Por otro lado, se restara una variable de supervit en el caso siguiente: A - 2B 0 es lo mismo que A - 2B - S = 0
Algunos mtodos de solucin (como el Mtodo Simplex) y la mayora de los programas de computadora (como el MathProg, que viene en el ORCourseware, que acompaa al libro Introduccin a la Investigacin de Operaciones de los autores Hillier y Lieberman) requieren que todas las desigualdades se conviertan en igualdades. La metodologa de PL requiere que todas las variables sean positivas o cero, es decir, no negativas. Para la mayora de los problemas esto es real, no se querra una solucin que diga: prodzcanse menos dos cajas o contrtense menos cuatro personas. Mientras que no existe un lmite en el nmero de restricciones que puede tener un problema de PL, slo puede haber un objetivo. La forma matemtica del objetivo se llama funcin objetivo. Debe llevar consigo el maximizar o minimizar alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la contribucin marginal o los contactos con los clientes. Podra ser minimizar el costo, el nmero de empleados o el material de desperdicio. Con frecuencia el objetivo es evidente al observar el problema.
Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema, se usa la letra Z para representarlo. La funcin objetivo tendr, entonces, la forma: Maximizar Minimizar Z = 4A + 6B Z = 2x1 + 5x2
Se analiza una aplicacin para ilustrar el formato de los problemas de Programacin Lineal. FORMA ESTNDAR DE LOS MODELOS DE PROGRAMACIN LINEAL. Supngase que existe cualquier nmero (digamos m) de recursos limitados de cualquier tipo, que se pueden asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier clase. Etiqutense los recursos con nmeros (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisin) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de efectividad global seleccionada. Sea c j el incremento que resulta en Z por cada incremento unitario en xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por ltimo defnase aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo matemtico para el problema general de asignar recursos a actividades. En particular, este modelo consiste en elegir valores de x1, x2, ..., xn para: Maximizar Z = c1x1 + c2x2 + ... + c nxn, sujeto a las restricciones: a11x1 + a12x2 + ... + a1nxn b1 a21x1 + a22x2 + ... + a2nxn b2
am1x1 + am2x2 + ... + amnxn bm x1 0, x2 0, ..., xn 0
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan otras formas) para el problema de PL. Cualquier situacin cuya formulacin matemtica se ajuste a este modelo es un problema de PL. En este momento se puede resumir la terminologa que usaremos para los modelos de PL. La funcin que se desea maximizar, c 1x1 + c2x2 + ... + c nxn, se llama funcin objetivo. Por lo general, se hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas con una funcin del tipo ai1x1 + ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el nombre de restricciones funcionales . De manera parecida, las restricciones xj 0 se llaman restricciones de no negatividad. Las variables xj son las variables de decisin. Las constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo. LECCION 12. OTRAS FORMAS DE MODELOS DE PROGRAMACIN LINEAL. Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos problemas de programacin lineal. Las otras formas legtimas son las siguientes: 1. Minimizar en lugar de maximizar la funcin objetivo: Minimizar Z = c1x1 + c2x2 + ... + c nxn, 2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual: ai1x1 + ai2x2 + ... + ainxn, bi, para algunos valores de i,
3. Algunas restricciones funcionales en forma de ecuacin:
ai1x1 + ai2x2 + ... + ainxn, = bi,
para algunos valores de i,
4. Las variables de decisin sin la restriccin de no negatividad: xj no restringida en signo para algunos valores de j. Cualquier problema que incluya una, varias o todas estas formas del modelo anterior tambin se clasifica como un problema de PL, siempre y cuando stas sean las nicas formas nuevas introducidas. Puede ser que la interpretacin que se ha dado de asignacin de recursos limitados entre actividades que compiten no se aplique, pero independientemente de la interpretacin o el contexto, lo nico que se necesita es que la formulacin matemtica del problema se ajuste a las formas permitidas. Se ver que estas otras cuatro formas legales se pueden reescribir en una forma equivalente para que se ajuste al modelo que se present. Entonces, todo problema de PL se puede poner en nuestra forma estndar si se desea.
FORMULACION ALGEBRAICA: FORMA CANONICA Todo problema de PL puede representarse como:
Max (z) =c1x1+c2x2+...+cnxn sujeto a: a11x1 + a12x2 +...+ a1nxn b1 a21x1 + a22x2 +...+ a2nxn b2 ... am1x1 + am2x2 +...+ amnxn bm x1, x2, ...,xn 0
siendo:
xj: cj:
Nivel de actividad de la variable xj Contribucin unitaria de xj a funcin objetivo
aij: Coeficiente tcnico, unidades de recurso i que se consumen por unidad de variable j bi: Cantidad disponible de recurso i
Otra representacin:
M ax (z) c j x j
j1
sujeto a :
a x
j1 ij
bi
donde i 1, 2, ... m j 1, 2, ... n
xj 0
En forma matricial: Max (z) = C x sujeto a: Ax b x 0
A esta forma se la denomina forma cannica
IMPORTANCIA DE LA FORMA CANONICA
La forma cannica es importante porque todos los desarrollos e interpretaciones econmicas del problema pueden referirse a la misma. Es posible transformar un problema de PL a un problema equivalente en forma cannica. Un problema de PL puede consistir en: Buscar un mximo o un mnimo de la funcin objetivo
Restricciones de tipo , e = Variables positivas, negativas o no restringidas en signo Conversin de un problema lineal general a su forma cannica: Cambiar el sentido de la optimizacin Cambiar el sentido de la desigualdad Cambiar una desigualdad en igualdad Variable de holgura o slack Variable surplus Cambiar igualdades en desigualdades Cambiar variables sin restriccin de signo a otras de signo positivo o nulo
LECCION 13. TERMINOLOGIA Y CONCEPTOS BASICOS
Conjunto factible Es el conjunto de puntos que satisfacen simultneamente todas las restricciones (o filas) del problema Actividades, columnas o variables (xj) Representan los usos alternativos que deben competir entre s para obtencin de los recursos de forma que se optimice la funcin objetivo la
Recursos (bi) Son productos, tiempo, etc. Se cuantifican en el trmino independiente o Right Hand Side (RHS) del problema El conjunto factible de un problema de PL, si existe, es representable mediante un poliedro convexo
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
LECCION 14. INTRODUCCION METODO GRAFICO LECCION 15. DEFINICION LECCION 16. CONCEPTO GENERAL DEL METODO GRAFICO LECCION 17. PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO LECCION 18. EJEMPLOS
LECCION 14. INTRODUCCION METODO GRAFICO
Antes de entrarnos por completo en los mtodos analticos de la investigacin de operaciones es muy conveniente ver un poco acerca de las desigualdades de una ecuacin lineal. Por ejemplo tenemos la ecuacin
2X + 3Y = 60 en donde X, Y 0
Es decir que para que se cumpla la igualdad de la ecuacin nos tocara adquirir 15 unidades de X y 10 unidades de Y respectiva mente:
2(15) + 3(10) = 60
Y la solucin se dara por la misma lnea recta. Pero por otra parte si en la ecuacin no se quiere llegar a la totalidad del resultado se dar la ecuacin en una forma diferente llamada inecuacin: 2X + 3Y 60 en donde X, Y 0 Dndose como solucin factible un rea sombreada que depende del signo de la desigualdad. Si el signo es el la solucin ser el rea inferior esa se sombrear o si por el contrario el sigo es el rea a sombrear ser la de todos los puntos por encima de la lnea obtenida.
En la anterior grafica la solucin ms factible es la de los puntos ms cerca del eje X (bajo la recta de la solucin lineal ya que la ecuacin es precedida por el signo .
LECCION 15. DEFINICION:
Por definicin de algunos libros una desigualdad entre dos variables es una desigualdad que puede escribirse de la forma:
ax + by +c < 0 (o bien 0, 0, >0)
En donde a, b, c son constantes mientras que a y b son diferentes de cero En trminos geomtricos, la solucin de una desigualdad lineal en x y y consiste en todos los puntos del plano cuyas coordenadas satisfacen la desigualdad. Observemos a continuacin las desigualdades y las regiones descritas por ellas: EJEMPLO 1: Determinar la regin descrita por la desigualdad y 5 Cuando veamos un problema como este no nos asustemos porque el hecho de que no aparezca la x en ningn lugar de la ecuacin solo quiere decir que x es cierto en cualquier punto de x. SOLUCION
La regin sombreada es la solucin factible para la desigualdad planteada.
EJEMPLO 2: Describir la regin definida por la desigualdad: x -2
EJEMPLO 3: Dando valores a x y y determinamos las rectas con las reas correspondientes a las desigualdades planteadas. 2x + y > 3 xy y1>0 Este sistema es equivalente
y > -2x + 3
x =0; y =3 Y=0; x= 3/2
yx
x= 0; y= 0 x=1 ; y= 1
y > 1/2
Obsrvese que se ha escrito cada desigualdad de manera que y queda despejada. Consecuencia las regiones apropiadas con respecto a las rectas correspondientes restaran evidentes. En primer lugar se trazan las rectas
y = -2x + 3, y=x y=y Y
Despus se sombra la regin que se encuentra simultneamente por encima de la recta, sobre o por debajo de la segunda de ellas y por encima de la tercera esta regin es la solucin.
Entonces la solucin para el anterior ejercicio seria la regin sombreada.
LECCION 16. CONCEPTO GENERAL DEL METODO GRAFICO
Ahora se considerara la forma en que se pueden resolver problemas de tipo lineal, en donde la funcin dada se tendr que maximizar o minimizar. Una funcin lineal en x y y tiene la forma:
ax+by=0
Donde a y b son constantes. Tambin se requerir que las restricciones correspondientes estn representadas mediante un sistema de desigualdades lineales o ecuaciones en x y en y y que todas las variables sean no negativas.
A un problema en el que intervienen todas estas condiciones se le denomina problema de programacin lineal.
La programacin lineal fue desarrollada por George B. danzing a fines de la dcada de 1940 y se utilizo primero en la fuerza area de losa estados unidos como auxiliar en la toma de decisiones. En la actualidad tiene amplia aplicacin en el anlisis industrial y econmico.
En un problema de programacin lineal a la funcin que se desea maximizar o minimizar se le denomina funcin objetivo. Aunque por lo general existe una cantidad infinitamente grande de soluciones para el sistema de restricciones (a las que se denomina soluciones factibles o puntos factibles), el objetivo consiste en encontrar una de esas soluciones que represente una solucin ptima (es decir una solucin que del valor mximo o mnimo de la fusin objetivo)
En conclusin con lo que acabamos de revisar en la parte anterior sobre las inecuaciones nos da para definir literalmente el mtodo grafico y el mtodo algebraico dentro del mbito de la programacin lineal.
Entonces el mtodo grafico en la programacin lineal es simplemente sacar de una situacin (problema) ecuaciones lineales y convertirlas en desigualdades o inecuaciones para poder graficarlas y as sacar la regin mas optima dependiendo del signo de la desigualdad esa rea se sombreara y esa ser la solucin mas optima del problema.
LECCION 17. PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO Para llegar a una solucin ptima en el mtodo grafico se requiere seguir con una serie de pasos que podemos dar a continuacin:
1. formulacin del problema El primer paso para la resolucin por mtodo grafico es expresar el problema en trminos matemticos en el formato general de la programacin lineal (desigualdades) con un solo fin maximizar la contribucin a la ganancia. 2. graficar las restricciones El prximo paso de la solucin por mtodo grafico es la graficacin de las restricciones en el plano cartesiano para establecer todas las posibles soluciones. 3. obtencin de la solucin optima Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma grfica de las restricciones. Se graficara siempre la funcin objetivo del problema y se dar la solucin de acuerdo con el smbolo que este presente en las restriccin de la funcin objetivo.
LECCION 18. EJEMPLOS
EJEMPLO: 1
Maximizar la funcin objetivo:
Z= 3x + y
Sujeto a las restricciones:
2x + y 8 2x + 3y 12 x, y 0
a continuacin graficamos las desigualdades planteadas en las restricciones as:
2x + y 8
x=0; y=8 y=0; x=4
2x + 3y 12
x=0; y=4 Y=0; x=6
x, y 0
Se observa que la regin factible esta conformada por los puntos A(0,0); D(0,4); B(4,0) y el punto C que es el resultado de la interseccin de las 2 inecuaciones cuyo valor aproximadamente en el plano esta dado por las coordenadas (3,2).
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene precisamente en el punto C(3,2). EJEMPLO: 2 Minimizar la funcin objetivo: Z= 2x + 3y Sujeto a las restricciones: x +2y 10
3x + 2y 18
x, y 0
a continuacin graficamos las desigualdades planteadas en las restricciones as:
x + 2y10
x=0; y=5 y=0; x=10
3x + 2y18
x=0; y=9 Y=0; x=6
x, y 0
Regin Factible
(4,3)
Se observa que la regin factible esta conformada por los puntos (0,9); (4,3); (10,0), donde el punto (4,3) es el resultado de la interseccin de las dos ecuaciones dadas como restricciones. Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene precisamente en el punto C(3,2).
CAPITULO 2
METODO ALGEBRAICO
INTRODUCCION LECCION 19. PASOS PARA UTILIZAR EN METODO ALGEBRAICO LECCION 20. EJEMPLOS DESARROLLADOS LECCION 21. TALLER
INTRODUCCION
En ocasiones nos encontramos con problemas de ndole magnitud, a los cuales se desea maximizar o minimizar una funcin sujeta a ciertas restricciones. Muchas personas califican al mtodo algebraico, como uno de los mtodos ms importantes en el campo de la programacin lineal. En la actualidad es una herramienta comn, que se ha prestado para resolver problemas de gran magnitud; por su simplicidad, sencillez y estilo de uso cientos de empresas, compaas de todo el mundo han ahorrado miles y miles de pesos. En este captulo se tratara la formulacin de problemas utilizando el mtodo algebraico para la solucin de problemas de programacin lineal. Se hace un enfoque a la variedad de aplicaciones del mtodo para que el estudiante interesado pueda tener una visin y ejercitar sus conocimientos. El mtodo algebraico contempla en su desarrollo al mtodo grafico y de la misma manera el mtodo grafico no estara completo sin la rigurosidad del mtodo algebraico pues la apreciacin visual que da el grafico en la solucin ptima puede estar sujeta a error por parte del analista.
LECCION 19. PASOS PARA UTILIZAR EN METODO ALGEBRAICO Dado que tenemos un problema de dos variables, podemos graficar las soluciones posibles y comprender algunos puntos interesantes respecto a las relaciones lineales. Veremos la siguiente manera de obtener grficamente las soluciones al problema planteado y luego veremos como obtenerlas algebraicamente. 1. Exprsense los restricciones. datos del problema como una funcin objetivo y
2. Graficar las restricciones. 3. Definir el conjunto factible. 4. Encontrar la solucin ptima A continuacin se presentan el anlisis algebraico y grafico de algunos problemas de programacin lineal:
LECCION 20.
EJEMPLOS DESARROLLADOS
PROBLEMA 1: Supngase una compaa fabrica 2 tipos de artefactos, manuales y elctricos. Cada uno de ellos requiere en su fabricacin el uso de 3 maquinas: A, B y C. un artefacto manual requiere del empleo de la maquina A durante 2 horas, de una 1 en B y una 1 en C, un artefacto elctrico requiere de 1 hora en A, 2 horas en B y 1 hora en C. supngase adems que el numero mximo de horas disponible por mes para el uso de las tres maquinas es 180, 160 y 100, respectivamente. La utilidad que se obtiene con los artefactos manuales es de 4000 pesos y de 6000 pesos para los elctricos. Si la compaa vende todos los artefactos que fbrica, Cuntos de ellos de cada tipo se deben elaborar con el objeto de maximizar la utilidad mensual?
A MANUALES(X) ELECTRICOS(Y) HORAS DISPONIBLES 2 1 180
B 1 2 160
C 1 1 100
UTILIDAD 4000 6000
SOLUCIN:
1. Paso: Planteamos la funcin objetivo y las restricciones correspondientes:
MAX Z= 4000X + 6000Y
SUJETO A:
2X + Y 180
X + 2Y 160
X + Y 100
2. Paso: Elaboramos el grfico correspondiente a las restricciones con el fin de precisar la regin factible y determinar los puntos que la conforman:
2X + Y 180
X=0 Y= 180 Y=0 X= 90
X + 2Y 160
X=0 Y=0
Y=80 X=160
X + Y 100
X=0 Y=0
Y=100 X=100
3. Paso: Resolvemos el sistema de ecuaciones para determinar las coordenadas del punto B y C as:
Para B:
X + 2Y 160
Para C:
2X + Y 180
X + Y 100
X + Y 100
Y= 60
= 80
X= 40
= 20
4. Paso: Con los puntos de la regin factible: O(0,0) ; B(40,60) ; C(80,20) ; A(0,80); D(90,0) Maximizamos la funcin objetivo :
MAX Z = 4000x + 6000 y
(0,0)
4000(0) + 6000(0)
= 0
(0,80)
4000(0) + 6000(80) = 480000
(40,60)
4000(40) + 6000(60)= 520000
(90,0)
4000(90) + 6000(0) = 360000
5. Paso: La solucin para el problema est representada por la fabricacin de 40 artefactos manuales y 60 artefactos elctricos generando una mxima utilidad de $ 520.000.
EJEMPLO 2:
Un granjero va a comprar fertilizante que contiene tres ingredientes nutritivos, A, B Y C. Las necesidades mnimas son 160 unidades de A, 200 de B y 80 de C. Existen en el mercado dos marcas populares de fertilizante. El llamado crecimiento rpido que cuesta $ 4000 el costal y contienen 3 unidades de A, 5 de B y 1 de C, y el de crecimiento normal que cuesta $3000 y contiene 2 unidades de cada ingrediente. Si el granjero desea minimizar el costo al tiempo que mantiene el mnimo de los ingredientes nutritivos que se requieren, cuantos costales de cada marca debe comprar?.
A CRECI/RAPIDO CRECI/NORMAL REQUERIMIENTO 3 2 160
B 5 2 200
C 1 2 80
COSTO 4000 3000
SOLUCIN:
1. Paso: Determinamos la funcin objetivo y sus restricciones: MIN Z= 4000X + 3000Y
SUJETO A LAS RESTRICCIONES:
3X + 2Y 160 5X + 2Y 200 X + 2y 80
2. Paso: Elaboramos la grfica y determinamos la regin factible: 3X + 2Y 160 X=0 Y= 80 Y=0 X= 53,33
5X + 2Y 200
X=0 Y=0
Y= 100 X= 40
X + 2y 80
X=0 Y=40 Y=0 X=80
3. PASO: Determinar las coordenadas de los puntos A y B:
Para A:
3X + 2Y 160
Para B: 3X + 2Y 160
5X + 2Y 200
X + 2y 80
-2X
= -40
2X
= 80
= 20
X= 40
= 50
Y = 20
4. Paso: Optimizamos la funcin objetivo:
Z= 4000X + 3000Y (80,0) (40,20) (20,50) (0.100) 4000(80) + 3000(0) = 320000 4000(40) + 3000(20) = 220000 4000(20) + 3000(50) = 230000 4000(0) + 3000(100) = 300000
5. Paso: La solucin del problema para el granjero est en comprar 40 unidades de crecimiento rpido y 20 de crecimiento normal, con un costo mnimo de $ 220.000.
LECCION 21. TALLER
1.
MAXIMIZAR
P= 10x + 12y
Sujeta a:
x + y 60 x - 2y 0 x, y 0
2.
MAXIMIZAR
P= 5x + 6y
Sujeta a
x + y 80 3x + 2y 220 2x + 3y 210 x, y 0
3.
MAXIMIZAR
Z= 4x - 10y
Sujeta a
x 4y 4 2x y 2 x, y 0
4.
MINIMIZAR
Z= 7x + 3y
Sujeta a
3x y -2 x+y 9 x y = -1 x, y 0
5. Un fabricante de juguetes que esta preparando un programa de produccin para 2 nuevos artculos, maravilla y fantstico, debe utilizar la i informacin respecto a sus tiempos de construccin que se proporcionan en la siguiente
tabla. Por ejemplo, cada juguete maravilla requiere de 2 horas en la maquina A. las horas de trabajo disponibles de los empleados por semana, son: para la maquina A, 70 horas; para la B, 40 horas; para terminado, 90 horas. Si las utilidades de cada juguete maravilla y cada juguete fantstico son de $40.000 y $60.000, respectivamente, Cuntas unidades de cada uno deben fabricarse por semana con el objeto de maximizar las utilidades? cual seria la utilidad mxima?
MAQUINA A MARAVILLA FANTASTICO 2h 1h
MAQUINA B 1h 1h
TERMINADO 1h 3h
CAPITULO 3
METODO SIMPLEX
INTRODUCCION LECCION 22. PASOS PARA DESARROLLAR EL METODO simplex LECCION 23. DUALIDAD LECCION 24. COMPARACION ENTRE EL METODO SIMPLEX DUAL Y EL DUAL-SIMPLEX LECCION 25. ANALISIS DE SENCIBILIDAD LECCION 26. TALLER METODO SIMPLEX LECCION 27. TALLER DUALIDAD LECCION 28. DEGENERACION LECCION 29. PROBLEMAS DE PL CON VARIABLES ACOTADAS LECCION 30. ALGORITMOS DE DESCOMPOSICION LECCION 31. LA PROGRAMACION LINEAL BASADA EN LOS COMPUTADORES
INTRODUCION
En los captulos 1 y 2 de esta unidad vimos como resolver problemas de programacin lineal a travs del mtodo grafico y el mtodo algebraico, surgen grandes limitaciones a la hora de trabajar con estos dos mtodos, es decir que no es posible darle ptima solucin a un problema. Esto se debe a que el mtodo grafico no resulta prctico cuando el nmero de variables se aumenta a tres, y con ms variables resulta imposible de utilizar. Por otra parte el mtodo algebraico tarda demasiado tiempo aun para problemas de pocas variables y restricciones. El mejor mtodo para resolver un problema de programacin lineal es el mtodo simplex, ya que es un mtodo de fcil aplicacin, de tipo algortmico y conduce a una eficiente solucin del problema.
CONCEPTO
El mtodo simplex fue desarrollado por George dantzig (1947) y es un mtodo algebraico que se utiliza para resolver problemas de programacin lineal en un nmero finito de pasos en una computadora. Este mtodo establece una solucin factible y luego prueba si es ptima o no. Si no lo es busca una mejor solucin y si esta no es optima entonces repite el proceso hasta hallar una solucin ptima.
LECCION 22. PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
1. Elaborar la tabla simplex inicial.
X1 S1 S2 S3 S4 Z a11 a21 a31 a41 -C1
X2 a12 a22 a32 a42 -C2
X3 a13 a23 a33 a43 -C3
S1 1 0 0 0 0
S2 0 1 0 0 0
S3 0 0 1 0 0
S4 0 0 0 1 0
Z 0 0 0 0 1
b b1 b2 b3 b4 0
Indicadores
Existen cuatro variables de holgura, S1, S2, S3, y S4; una para cada restriccin. 2. Si todos lo indicadores del ltimo rengln son no negativos, entonces Z tiene un mximo cuando X1=0, X2=0 y X3=0. El valor mximo es 0. Si existen indicadores negativos, localizar la columna en la que aparezca el indicador ms negativo. Esta columna seala la variable entrante.
3. Dividir cada uno de los elementos de la columna de b que se encuentran por encima de la recta punteada entre el correspondiente elemento de la columna de la variable entrante. Se debe realizar esta divisin solo en los casos en los que el elemento de la variable que entra sea positivo. 4. encerrar en un crculo el elemento de la columna de la variable entrante que corresponde al menor cociente del paso 3. Este es un elemento pivote. La variable saliente es la que se encuentra al lado izquierdo del rengln del elemento pivote. 5. Utilizar operaciones elementales sobre renglones para transformar la tabla en otra tabla equivalente que tenga un 1 en donde se encuentra el elemento pivote y 0 en las dems posiciones de esa columna. 6. la variable entrante debe reemplazar a la variable saliente en el lado izquierdo de esta nueva tabla. 7. si todos los indicadores de la tabla nueva son no negativos, ya se tiene una solucin ptima. El valor mximo de Z es el elemento del ltimo rengln y la ltima columna. Ocurre esto cuando las variables se encuentran del lado izquierdo de la tabla son iguales a lo elementos correspondiente de la ltima columna. Todas las dems variables son ceros. Si cuando menos uno de los indicadores es negativo, se debe repetir el mismo proceso con la nueva tabla, comenzando con el paso 2.
EJEMPLOS DESARROLLADOS
EJEMPLO 1
Maximizar Z= 5X1+4X2
Sujeto a:
X1+X2 20 2X1+X2 35 -3X1+X2 12 X10, X20
Este problema de programacin lineal se simplex inicial es:
ajusta a la forma normal. La tabla
x1 S1 Variable Saliente S2 S3 1 2 -3
x2 1 1 1
S1 1 0 0
S2 0 1 0
S3 0 0 1
Z 0 0 0
b 20 35 12
Cocientes 201=20 352=17.5
-5
-4
Indicadores Variable Entrante El indicador mas negativo, -5, aparece en la columna x1. Por ello, x1 es la variable entrante. El menor cociente es 17.5, de modo que, S2 es la variable saliente. El elemento pivote es 2. Utilizando operaciones elementales sobre los renglones para obtener un 1 en la posicin del pivote y 0 en las dems posiciones de esa columna, se tienen:
x1 1 2 -3
x2 1 1 1
S1 1 0 0
S2 0 1 0
S3 0 0 1
Z 0 0 0
b 20 35 12
-5
-4
1 1 -3
1 1/2 1
1 0 0
0 1/2 0
0 0 1
0 0 0
20 35/2 12 (Multiplicando el rengln 2 por 1/2)
-5
-4
0 1 0
1/2 1/2 5/2
1 0 0
-1/2 1/2 3/2
0 0 1
0 0 0
5/2 35/2 129/2
(Sumando al rengln uno el rengln 2 multiplicado por -1; sumando al rengln tres el rengln 2 multiplicado por 3; Sumando al rengln cuatro el rengln dos
-3/2
5/2
175/2
multiplicado por 5)
La nueva tabla es: x1 Variable Saliente S1 x1 S3 0 1 0 x2 1/2 1/2 5/2 S1 1 0 0 S2 -1/2 1/2 3/2 S3 0 0 1 Z 0 0 0 b 5/2 35/2 Cocientes 5/2 1/2=5 35/2 1/2=35
129/2 129/25/2=25(4/5)
-3/2
5/2
175/2
Indicadores Variable Entrante Obsrvese que en el lado izquierdo, x1 reemplaz a S2. Ya que -3/2 es el indicador ms negativo se debe continuar con el proceso. La variable entrante es ahora x2. El menor cociente es 5. De modo que S1 es la variable saliente y es el elemento pivote. Utilizando operaciones elementales sobre renglones, se tiene:
x1 0 1 0
x2 1/2 5/2
S1 1 0 0
S2 -1/2 1/2 3/2
S3 0 0 1
Z 0 0 0
b 5/2 35/2 129/2
-3/2
5/2
175/2
0 1
1/2 0
1 -1
-1/2 1
0 0
0 0
5/2 15
(Sumando al rengln dos el rengln uno multiplicado por -1; sumando al rengln
-5
52
tres el rengln uno multiplicado por -5; Sumando al rengln cuatro el rengln
95
uno multiplicado por 3)
0 1 0
1 0 0
2 -1 -5
-1 1 4
0 0 1
0 0 0
5 15 52 (Multiplicando el rengln uno por 2)
95
La nueva tabla es: x1 x2 x1 S3 0 1 0 x2 1 0 0 S1 2 -1 -5 S2 -1 1 4 S3 0 0 1 Z 0 0 0 b 5 15 52
95
Indicadores En donde x2 reemplazo a S1 en el lado izquierdo. Como todos los indicadores son no negativos, el valor mximo de Z es 95 y aparece cuando x2=5 y x1=15 (y S3=52, S1=0, S2=0).
EJEMPLO 2 Maximizar Z= 3x1 + 4x2 + 3/2x3
Sujeta a:
-x1-2x2
-10
2x1+2x2+x3 10 x1, x2, x3 0
La restriccin (10) no se ajusta a la forma normal. Sin embargo, multiplicando ambos lados de (10) por -1 resulta.
TABLA SIMPLEX I
x1 Variable Saliente S1 S2 1 2
x2 2 2
x3 0 1
S1 1 0
S2 0 1
Z 0 0
b 10 10
Cocientes 102=5 102=5
-3
-4
-3/2
Indicadores Variable Entrante
La variable entrante es x2. Dado que existe un empate en el menor cociente, se puede elegir cualquiera de los dos, S1 o S2, como la variable saliente. Se escoge S1. Se encierra en un crculo el pivote. Utilizando operaciones elementales sobre renglones, se obtiene la tabla 2.
TABLA SIMPLEX II
x1 Variable Saliente x2 S2 1/2 1
x2 1 0
x3 0 1
S1 1/2 -1
S2 0 1
Z 0 0
b 5 0
Cocientes no hay puesto que 0 No es positivo
-1
-3/2
20
01=0
Indicadores Variable Entrante
La tabla II corresponde a una SFB (solucin bsica factible) en la que una variable bsica S2 es 0. Por ello, la SFB es degenerada. Ya que existen indicadores negativos, se contina el proceso. La variable entrante es ahora x3, la variable saliente es S2 y el pivote se encuentra encerrado en un crculo. Utilizando operaciones elementales sobre renglones, se obtiene la tabla III.
TABLA SIMPLEX II
x1 x2 x3 1/2 1
x2 1 0
x3 0 1
S1 1/2 -1
S2 0 1
Z 0 0
b 5 0
1/2
1/2
3/2
20
Indicadores
En virtud de que todos los indicadores son no negativos, Z es mxima cuando x2=5 y x3=0, y x1=S1=S2=0. El mximo valor es Z=20. Obsrvese que este valor es igual al valor de Z correspondiente a la tabla II. En problemas con degeneracin es posible llegar al mismo valor de Z en varias etapas del proceso simplex. EJEMPLO 3:
Considere el siguiente problema de programacin lineal:
Maximizar
Z=2x1+5x2+8x3
Sujeto a
x1+ x2+ x3 12 8x1-4x2+4x3 24 x2+ x3 8 x1, x2, x3 0
PASO 1: INICIALIZACIN:
Maximizar Z
Z-2x1-5x2-8x3 x1+ x2+ x3+ x4 8x1-4x2+4x3 x2+ x3 xj0, j=1,2,,6 +x5 +x6
= 0 (0) =12 (1) =24 (2) =8 (3) (II)
Donde las variables de holgura son x4, x5 y x6.
La tabla inicial para la aplicacin del algoritmo Simplex es:
V.B Z x4 x5 x6
x1 -2 1 8 0
x2 -5 1 -4 1
x3 -8 1 4 1
x4 0 1 0 0
x5 0 0 1 0
x6 0 0 0 1
b 0 12 24 8
La solucin bsica falible de partida se obtiene fcilmente del sistema de ecuaciones (II). Cada una de las ecuaciones tiene una sola variable bsica. Por ejemplo, la variable bsica de la ecuacin (2) es x5 ya que tiene coeficientes de +1 en esa ecuacin y no aparece en ninguna de las otras ecuaciones.
Esto quiere decir que, en esa ecuacin, la dems variables, al ser no bsicas, sus valores son ceros y, por consiguiente, podemos deducir que el valor de x5 es igual a 24.
De manera similar, de la ecuacin (0) se obtiene que Z = 0, de la (1) se obtiene que x4 = 12 y de la (3) que x6 = 8.
Observe que en la tabla se pueden leer estos valores directamente. Bastar hacer corresponder a cada variable bsica indicada en la primera columna, (V.B.) los valores de la ltima columna (b).
Observe adems que la matriz correspondiente a las variables bsicas de las restricciones, es una matriz unidad.
PASO 2: PROCESO ITERATIVO
Primera Iteracin
La variable bsica entrante es x3, puesto que es la que tiene mayor coeficiente en la funcin objetivo de (I), o bien es la de coeficientes ms negativos en la tabla inicial (-8 en este ejemplo).
La variable bsica saliente se determina de la siguiente manera: la cota superior de la variable bsica entrante xent = x3, viene dada por + si a'13 0 y b'1/a'13 si a13>0. Entonces, los valores de a'13 y b1 son:
Restriccin 1 2 3 a'13 = 1 a'23 = 1 a'33 = 1 b'1 = 12 b'2 = 24 b'3 = 8
Como todos los coeficientes de las ecuaciones i (i = 1, 2,3) son positivos, entonces la cota superior estar dada por b'1/a'13. O sea:
b1/a'13 = 12/1 = 12 b'2/a'23 = 24/4 = 6 b'3/a'33 = 8/1 = 8
La menor cota superior es 6, que corresponde a la restriccin numero 2. La variable bsica que corresponde a esa ecuacin es x5 y es, en consecuencia, la variable bsica saliente. Es decir, en el conjunto de variables bsicas se cambia a x5 por x3, por lo que las nuevas variables bsicas son x4, x3 y x6.
Ahora x3 es una variable bsica, luego debe tener un coeficiente +1 en la segunda ecuacin y no debe aparecer en ninguna otra, es decir, en cualquier otra ecuacin distinta de la segunda restriccin (que es la ecuacin donde la variable bsica es x3) el coeficiente de x3 debe ser cero. Esto se logra de la siguiente manera:
1. Divida toda la ecuacin por 4, que es el coeficiente de x3 en la segunda restriccin. La ecuacin queda
2x1 - x2 + 1x3 + 1/4x5 = 6
(A)
2. Para lograr ceros en los coeficientes de x3 en las nuevas ecuaciones (0), (1) y (3) multiplique la ecuacin ( A) anterior por 8, -1 y -1 uno a la vez, y sume el resultado a las ecuaciones anteriores (0), (1) y (3). O sea, multiplicar la ecuacin ( A) por 8 se obtiene: 16x1 - 8x2 + 8x3 + 2x5 = 48
Esta ecuacin sumada con la ecuacin (0) se partida queda:
Z + 14x1 13x2 + 2x5 = 48
Que vendra a ser la ecuacin (0).
De manera similar, para lograr un cero en el coeficiente de x3 de la ecuacin (1), multipliquemos la ecuacin ( A) por -1 y sumemos el resultado a la ecuacin (1).
(1)
Ecuacin A: -2x1 + x2 x3 Ecuacin (1): x1 + x2 + x3 + x4
-1/4X5 = - 6 = 12 1/4x5 = 6
Nueva Ecuacin:
- x1 + 2x2
+ x4
Finalmente, para lograr un cero en el coeficiente de x3 de la ecuacin (3), multipliquemos ( A) por -1 y sumemos el resultado a (3). La nueva ecuacin (3) despus de la transformacin es:
-2x1 + 2x2 - 1/4x5 + x6 = 2
La solucin presente despus de la primera iteracin es:
(x1, x2, x3, x4, x5, x6) = (0, 0, 6, 6, 0, 2); Z = 48
Estos resultados se presentan de una manera sencilla en forma tabular. Al igual que se hizo con la tabla inicial, registramos solamente los coeficientes de las variables y los colocamos inmediatamente debajo de la tabla inicial. Esta segunda tabla proporciona una manera fcil de ver los valores actuales de las variables bsicas despus de que se ha realizado la primera iteracin.
La tabla inicial y la que resulta despus de la primera iteracin son las siguientes:
V.B Z x4 x5 x6
x1 -2 1 8 0
x2 -5 1 -4 1
x3 -8 1 4 1
x4 0 1 0 0 Tabla Inicial
x5 0 0 1 0
x6 0 0 0 1
b 0 12 24 8
V.B Z x4 x5 x6
x1 14 -1 2 -2
x2 -13 2 -1 2
x3 0 0 1 0
x4 0 1 0 0
x5 2 -1/4 1/4 -1/4
x6 0 0 0 1
b 48 6 6 2
Tabla Despus De La Primera Iteracin
Observe que si en la segunda tabla se intercambian las columnas de x5 y x3, de nuevo se destaca la matriz unitaria.
En este momento, es oportuno preguntarse si la solucin que se ha obtenido despus de la primera iteracin es la solucin ptima. Para responder la pregunta, veamos si es posible incrementar una de las variables de tal manera que la funcin objetivo aumente. La funcin objetivo despus de la primera iteracin es: Z + 14x1 13x2 + 2x5 = 48, o bien Z = -14x1 + 13x2 2x5 + 48
Si aumentamos x2 aumentar el valor de Z, puesto que su coeficiente es positivo (+13). Por consiguiente, todava no hemos obtenido el valor ptimo y necesitamos realizar otra iteracin. A esta misma conclusin hubisemos llegado si observamos que en la tabla despus de la primera iteracin, todava existe un coeficiente (el de x2) que es negativo.
Segunda iteracin
Despus de la primera iteracin, el sistema de ecuaciones queda:
Z = -14x1 + 13x2 -x1 + 2x2 2x1 - x2 + x3 -2x1 +2x2
-2x5 + x4 - 1/4x5 + 1/4x5 - 1/4x5 + x6
+ 48 = 6 = 6 = 2
La variable bsica entrante es x2, puesto que es la que tiene mayor coeficiente en la funcin objetivo, o bien es la del coeficiente ms negativo en la tabla despus de la primera iteracin. Para determinar la variable bsica saliente, procedemos de manera similar a lo que hizo en la primera iteracin. En este caso xent = x2
Restriccin 1 2 3 a'12 = 2 a'22 = -1 a'32 = 2 , , , b'1 = 6 b'2 = 6 b'3 = 2
Las cotas superiores son:
6/2 = 2 + 2/2 = 1 ya que a'22 = -1 < 0
La menor cota superior es 1 y corresponde a la tercera restriccin. Entonces la variable bsica saliente es x6, es decir, cambiamos x6 por x2. Las nuevas variables son x4,x3 y x2.
Como x2 es ahora una variable bsica, debe tener un coeficiente +1 en la ecuacin (3) y no debe aparecer en ninguna otra ecuacin. Esto se logra de la siguiente manera:
1. Se divide toda la ecuacin (3) por 2, que es el coeficiente de x2 en esa ecuacin. 2. Se multiplica la ecuacin resultante en el paso 1. por 13, -2 y +1, unos a las vez, y se suman los resultados a las ecuaciones (0), (1) y (2).
El resultado es:
Z + x1 x1 x1 x1 + x2 + x3 + x4
+3/8x5 + 13/2x6 x6
= 61 (0) = 4 (1) = 7 (2) = 1 (3)
+ 1/8x5 + 1/2x6 - 1/8x5 + 1/2x6
Regla de parada
Como todos los coeficientes de la ecuacin (0) son positivos, la solucin presente es ptima; o sea: Z = 61, x4 = 4, x3 = 7, x2 =1 y el resto de las variables son ceros.
Al igual que en la primera iteracin, los resultados se pueden presentar en forma tabular. La tabla inicial y las que resultan despus de la primera y de la segunda iteracin, son las siguientes:
V.B Z x4 x5 x6
x1 -2 1 8 0
x2 -5 1 -4 1
x3 -8 1 4 1
x4 0 1 0 0 Tabla Inicial
x5 0 0 1 0
x6 0 0 0 1
b 0 12 24 8
V.B Z x4 x5 x6
x1 14 -1 2 -2
x2 -13 2 -1 2
x3 0 0 1 0
x4 0 1 0 0
x5 2 -1/4 1/4 -1/4
x6 0 0 0 1
b 48 6 6 2
Primera Iteracin
V.B Z x4 x5 x6
x1 1 1 1 1
x2 0 0 0 1
x3 0 0 1 0
x4 0 1 0 0
x5 3/8 0 1/8 -1/8
x6 13/2 -1 1/2 1/2
b 61 4 7 1
Segunda Iteracin
La solucin ptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0);
Z = 61
Hemos visto la aplicacin del mtodo Simplex para obtener la solucin ptima de un problema de Programacin Lineal y su forma tabular asociada. En realidad, el proceso de hace bastante mas expedito utilizando directamente la tabla, sin tener que pasar por las ecuaciones correspondientes. La determinacin de las variables bsica entrantes y salientes en cada iteracin, puede hacerse directamente a partir de cada una de las tablas. Ejemplo 4: Observemos el siguiente ejemplo, recordando los pasos fundamentales en el mtodo simplex, adems del uso de variables artificiales, no confundir con adicionales. Maximizar Z = -5x1 + 8x2 + 3x3, sujeto a 2x1 + 5x2 - x3 1 -3x1 - 8x2 + 2x3 4 -2x1 - 12x2 + 3x3 9 1. Expresamos estas condiciones en forma matricial. Se eligen 3 (m) columnas linealmente independientes dentro de A ___ P4, P5, P6.
P4 P5 P6
5 -1 1 2 -3 -8 2 -2 3 12 0 0
1 0
0 1
4 9
Al introducir estas tres nuevas columnas, estamos utilizando tres variables adicionales: x4, x5 y x6. Nuestra funcin objetivo tendr la siguiente expresin: Z = -5x1 + 8x2 + 3x3+ 0x4 + 0x5 + 0x6 Se resuelve el sistema en las variables correspondientes:
1 - 2x1 - 5x2 + x3 = x4 4 + 3x1 + 8x2 - 2x3 = x5 9 + 2x1 + 12x2 - 3x3 = x6
Haciendo x1= x2= x3= 0 se obtiene el vrtice de salida: (0,0,0,1,4,9) Obtenemos, asimismo una "nueva" funcin objetivo: Z =-5x1 + 8x2 + 3x3+ 0 (1 - 2x1 - 5x2 + x3)+ 0 (4 + 3x1 + 8x2 - 2x3) + 0 (9 + 2x1 + 12x2 - 3x3) 2. De aqu obtenemos que z0= 0
3. Para ver si es posible mejorar z0, se examina la funcin z=f(x1, x2, x3) y de todos los coeficientes que sean positivos, se coge el mayor. Mientras haya coeficientes positivos se va a poder mejorar. Se plantea como aumentar el valor de una variable, de forma que las otras variables que aparecan en la expresin de Z sigan nulas y, al menos, una de las que eran distintas de cero se anule. Actuaremos sobre la variable x2, ya que es la de mayor coeficiente, 8. Nuestro siguiente vrtice debe cumplir las siguientes condiciones: x2=k>0, x1= x3= 0 y x4, x5, x6 0 y de estas tres variables, al menos, una nula. Se resuelve el sistema en las variables sealadas, teniendo en cuenta todas las anteriores condiciones:
1 - 5k = x4 4 + 8k = x5 9 + 12k = x6
Debemos anular x4, ya que es imposible anular x5 y x6, con valores positivos. La mejor eleccin ser k=1/5, Con este valor obtenemos el nuevo vrtice de salida: (0, 1/5 ,0,0, 28/5 ,57/5) Ahora debemos rehacer las expresiones, expresadas en funcin de x 1, x3 y x4 . 4. Se cambia la columna de la variable sealada que acaba de anularse por la de la sealada que aument su valor.
P2
P5 P6
1 -1/5 1/5 2/5 1/5 0 2/5 8/5
1/5
0 1
28/5 57/5
14/5 0
3/5 12/5 0
Se resuelve el sistema y se encuentra la expresin de la funcin objetivo correspondiente a esa eleccin de columnas. Z = 8/5 - 41/5 x1 + 23/5 x3 + 8/5 x4 Obtenemos z1, que saldr de sustituir el valor del vrtice hallado en la nueva expresin de la funcin objetivo: z1= 8/5. 5. Se repite cuantas veces haga falta el proceso. (mientras haya coeficientes positivos). x3= k x1, x4= 0 Por tanto,
1/5 + k/5 = x2 28/5 - 2/5 k = x5 57/5 - 3/5 k = x6
Elegimos k= 14 (2 igualdad), obteniendo los siguientes valores:
P2 P3 1/2 1 1/2 0 0 1 1 4
P6 1/2 0 5/2 0 3 14
5/2 0
0 -3/2 0
Se resuelve el sistema y se encuentra la expresin de la funcin objetivo: Z = 66 - 21/2 x1 - 20 x4 + 23/2 x5 Calculamos el vrtice de salida, haciendo x1= x4= x5= 0, (0,3,14,0,0,3) z2= 66 Ya no se puede mejorar este valor (no hay coeficientes positivos). El proceso ha finalizado. vrtice solucin: (0,3,14) Alcanzado para Z= 66
Comentarios
Para arrancar el simplex se precisa de un vrtice inicial. Cuando las columnas de la matriz identidad estn dentro de A, este primer vrtice siempre se puede hallar. Si Im no est dentro de A: (Im , matriz identidad de mxm, con m= n de condiciones.) 1. Debe elegirse m columnas linealmente independientes de A cualesquiera. Aun as, puede que el simplex no arranque. 2. Manipular las ecuaciones del sistema para que ste sea equivalente y la matriz identidad aparezca en el sistema final.
1 1 -1 0 1 230 1 6
F1 F2- 2F1
1 1 -1 0 1 012 1 4
con Z, funcin objetivo del problema. 3. Introduccin de nuevas variables, variables artificiales (no confundir con adicionales). Sern tantas como sean necesarias y donde sean necesarias para obtener la matriz identidad. -1 0 1 0 1 1 0 48 97
2 -1 0
0 -1 0
11
-1 0 1
1 0
0 1
0 0
48 97
2 -1 0
0 -1 0
11
5. con Z, funcin objetivo del problema. Esta introduccin afecta a las condiciones y a la funcin objetivo que quedar modificada en el sentido de que habr dos variables nuevas ms (variables artificiales). Se aaden tantos sumandos nuevos como variables artificiales introducidas con coeficiente -M, siendo M arbitrariamente grande, que no hace falta especificar. Z = 2x1 - x2 + x4 - 3x5 - M(x6 + x7)
Obtenemos un nuevo problema, llamado problema aumentado, de cuya solucin se saca la solucin del problema estudiado: I. II. Problema inicial (a su forma cannica): AX = B; Z = C t X Problema aumentado: A' X = B; Z* = C' t X
Si el problema aumentado tiene solucin en un vrtice en el que todas las variables artificiales toman el valor cero, tendremos un vrtice solucin para el problema en la forma cannica. Vs* = (v1, v2,..., vn, ..., 0,..., 0 ) solucin de II ___ Vs = (v1, v2,..., vn) solucin de I. Si el problema aumentado tiene una solucin en un vrtice en el que alguna de sus componentes artificiales sea no nula, el problema inicial no tiene solucin.
LECCION 23. DUALIDAD Para cada problema de programacin lineal hay una asociacin y una relacin muy importante con otro problema de programacin lineal, llamado precisamente dual. El dual permite resolver problemas de maximizacin resolviendo un problema minimizacin relacionado con aquel. El mtodo simplex adems de resolver un problema de programacin lineal llegando a una solucin ptima nos ofrece ms y mejores elementos para la toma de decisiones. La dualidad y el anlisis de sensibilidad son potencialidades de ste mtodo El dual es un problema de PL que se obtiene matemticamente de un modelo primal de PL dado. Los problemas dual y primal estn relacionados a tal grado, que la solucin simplex ptima de cualquiera de los dos problemas conduce en forma automtica a la solucin ptima del otro.
23.1 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL 1. Si el primal es un problema de maximizacin su dual ser un problema de minimizacin y viceversa. 2. Los coeficientes de la funcin objetivo del problema primal se convierten en los coeficientes del vector de la disponibilidad en el problema dual.
3. Los coeficientes del vector de disponibilidad del problema original se convierten en los coeficientes de la funcin objetivo (vector de costo o precio) en el problema dual. 4. Los coeficientes de las restricciones en el problema primal, ser la matriz de los coeficientes tecnolgicos en el dual. 5. Los signos de desigualdad del problema dual son contrarios a los del primal. 6. Cada restriccin en un problema corresponde a una variable en el otro problema. Si el primal tiene m restricciones y n variables, el dual tendr n restricciones y m variables. As, las variables Xn del primal se convierte en nuevas variables Ym en el dual.
PROBLEMA PRIMAL EN FORMA CANONICA: MAX Z= CX Sujeto a: AX b X0
PROBLEMA DUAL EN FORMA CANONICA: MIN Z= BY Sujeto a: AY C Y0
23.2 EJEMPLOS RESUELTOS
EJEMPLO 1
Encontrar el dual del siguiente problema: Maximizar Sujeta a Z = 3X1 + 4X2 + 2X3 X1 + 2X2 + 0X3 10, 2X1 + 2X2 + X3 10, X1, X2, X3 0. El duaL es: Minimizar Sujeta a W = 10Y1 + 10 Y2 Y1 + 2Y2 3,
2Y1 + 2Y2 4, 0Y1 + Y2 Y1, Y2 0. 2,
EJEMPLO 2 Encontrar el dual del siguiente problema: Minimizar Sujeta a Z = 4X1+ 3X2 3X1 - X2 X1 + X2 - 4X1 + X2 Y1, Y2 0. 3, 1, 3, (11) (12) (13)
Debido a que es un problema de minimizacin, las restricciones (12) y (13) deben quedar >. Multiplicando ambos lados de (12) y (13) por -1, tendremos -X1 - X2 > 1 y 4X1 - X2 > -3. Por lo tanto:
3X1 - X2 X1 - X2
2, -1,
4X1 - X2 -3.
El dual es:
Maximizar Sujeta a
W = 2Y1 Y2 3Y3 3Y1 Y2 + 4Y3 -Y1 - Y2 - Y3 Y1, Y2, Y3 0. 4, 3,
LECCION 24. COMPARACION ENTRE EL METODO SIMPLEX Y DUAL SIMPLEX PRIMAL DUAL
Necesita para comenzar una base Necesita para comenzar una base (primal) factible. (dual) factible.
Partiendo de una base primal factible, se trata de alcanzar una factibilidad del dual, manteniendo una factibilidad del primal a travs de todo el proceso.
Partiendo de una base dual factible, el mtodo trata de alcanzar factibilidad del primal, manteniendo una factibilidad del dual a travs del todo el proceso.
El criterio de optimizacin para el dual El criterio para optimizacin para el primal es el criterio de factibilidad del Es el criterio de factibilidad para el dual. primal.
Los elementos pivote son posibles en Los elementos pivotes son negativos todas las iteraciones, a fin de en todas las iteraciones, a fin de mantener la factibilidad del primal. acercarse a la factibilidad del primal.
La columna pivote se selecciona primero entre aquellas columnas que corresponden a un coeficiente negativo, luego se determina la fila pivote de tal manera que se garantice que la factibilidad del primal se mantenga en la prxima base.
La fila pivote se selecciona primero y entre aquellas filas que tienen un valor actualizado negativo en el segundo miembro de las ecuaciones. Se determina luego la columna pivote de tal manera que se mantenga la factibilidad dual en la prxima base.
La no factibilidad del dual se La no factibilidad del primal se establece en el simplex primal, si la establece en el dual simples, si la columna pivote no tiene componentes fila pivote no tiene componentes con
con valores positivos.
valores negativos.
LECCION 25. ANALISIS DE SENSIBILIDAD
Una vez que se ha obtenido la solucin ptima de un problema de programacin lineal, es muchas veces necesario realizar un anlisis de sensibilidad; esto es estudiar cmo cambia la solucin del problema por cambios discretos que se introduzcan en los distintos coeficientes de este problema. Los cambios discretos en esos coeficientes pueden o no afectar la condicin de factibilidad (XB 0) y la llamada condicin de optimalidad (todos los Zj Cj 0 para los problemas del tipo maximizacin).
Una forma de conocer los cambios que ocurren en la solucin ptima de un problema de P.L. cuando ocurren cambios (discretos) en uno o ms coeficientes, es resolver completamente el nuevo problema y comparar su solucin con la obtenida en el problema original. Esto puede ser, sin embargo, completamente ineficiente. Otra manera es hacer uso de las propiedades del primal-dual estudiadas anteriormente. En general, esto ltimo reduce bastante el esfuerzo computacional, comparando con el que tendramos que realizar si resolvemos el nuevo problema y es precisamente lo que haremos en esta seccin.
Despus de llegar a la solucin de un problema de programacin lineal. Puede ocurrir que el administrador necesite hacer ciertos cambios en los recursos disponibles de la operacin, en el costo de operacin, en el precio de materia producido, etc. Generalmente estos cambios dan origen a un nuevo problema, y su resolucin requiere recursos financieros, humanos y tiempo; pero en ocasiones no es factible gastar y esperar ms por el nuevo problema creado con el cambio ocurrido en las disponibilidades. Con las propiedades del mtodo simplex no se necesitar resolver el nuevo problema desde el principio, ya que es posible reducir muchos clculos y ahorrar recursos y tiempo llegando a nuevas soluciones ptimas, sin resolver el problema totalmente, pues ese es el objetivo del anlisis de sensibilidad. El anlisis de sensibilidad permite utilizar la tabla final para realizar
operaciones con objeto de analizar los siguientes cambios en el problema de programacin lineal:
Cambios en el vector de disponibilidad de recursos Cambios en el vector de costos o precio, o sea, en los coeficientes de la funcin objetivo Adicin de nuevas actividades, es decir, las variables de decisin Aumentar el nmero de restricciones.
CAMBIOS EN EL VECTOR DE DISPONIBILIDAD
Suponga el siguiente problema de programacin lineal:
Max Z= 8X1 + 6X2 Sujeta a: 4X1 + 2X2 60 2X1 + 4X2 48 X1 + X2 0 El presidente de la fbrica decidi aumentar 2 horas de cada da en la capacidad de los dos departamentos (la fbrica trabaja 6 das a la semana, pero los sbados trabajan hasta medio da). Al presidente le interesa saber que efectos tendrn sus decisiones sobre la solucin ptima actual. Z=132 X1= 12 X2= 6 H1= 0 H2= 0 Segn la decisin del presidente el nuevo problema ser: Max Z= 8X1 + 2X2 Sujeto a: 4X1 + 2X2 71
2X1 + 4X2 59 Para resolver ese problema utilizamos la tabla final del problema anterior. Base Variables de Variables de Solucin Decisiones Holgura X1 Z Final X1 X2 0 1 0 X2 0 0 1 H1 5/3 1/3 -1/6 H2 2/3 -1/6 1/3 132 12 6
Multiplicamos la matrz de los coeficientes tecnolgicos de las variables que no estn en la base, al nuevo vector de disponibilidad, por consiguiente los nuevos valores de las variables bsicas actuales son: X1 = X2 -1/6 1/3 59 1/3 -1/6 71 = 7.5 14
Como X1 y X2 no son negativos la nueva solucin es factible y ptima. Para encontrar el valor Z multiplicamos el vector de costo o precio al vector de la nueva solucin. 14 (8,6) 7.5 = 157
Supngase que por dificultades econmicas no se puede vender el producto con la misma rapidez que el ao pasado, y por problemas de liquidez no es posible cubrir el sueldo de todos los trabajadores, pero como se sabe que la situacin es temporal no se quiere cerrar la planta completamente, as que el presidente
decidi reducir la capacidad en ensamble y terminacin a 56 y 25 horas respectivamente, pero su inquietud es saber qu efectos tendrn estas nuevas decisiones en el nivel de produccin y en su ganancia, por consiguiente el nuevo problema ser: Max z= 8x1 + 6x2 SUJETO A: 4x1 + 2x2 56 2x1 + 4x2 25 Solucin: X1 = X2 -1/6 1/3 25 1/3 -1/6 56 = -1 14.5
Como los nuevos valores de las variables de decisin tienen signo negativo violan la propiedad del simplex, o sea, cuando el sector [b] [0] la solucin no es factible. Entonces la nueva solucin de la segunda restriccin X2= -1 no es factible; aqu el mtodo de dual simplex llega a ser importante para restablecer la factibilidad del problema. Base Z X1 X2 Z X1 X3 X1 0 1 0 0 1 0 X2 0 0 1 10 2 -6 H1 5/3 1/3 -1/6 0 0 1 H2 2/3 -1/6 1/3 4 -2 Solucin 110 14.5 -1 100 12.5 6 ptimo
La solucin factible y ptima actual es: X1= 12.5, X2= 0, X3= 6, X4= 0, Z= 100
No se debe olvidar que para encontrar cul recurso hay que aumentar a fin de lograr el mejor rendimiento marginal, tenemos que ver en la tabla final de dual aquella variable dual correspondiente a la restriccin primal que tiene el valor positivo ms alto, y el recurso que rendir ms si aumentamos unas unidades. Para ms informacin ver la interpretacin de dual. CAMBIO AL VECTOR DE COSTO O PRECIO Supongamos que la compaa tiene mucha mercanca almacenada que no puede vender. El presidente decide bajar el precio de la mesa a 6 pesos y el de la silla a 5 pesos, pero antes de hacer vlida al decisin quiere saber qu efecto tendr en su operacin y ganancia; el nuevo problema ser: Max Z= 6X1 + 5X2 Sujeto a: 4X1 + 2X2 60 2X1 + 4X2 48 X1,X2 0 Solucin: El anlisis de sensibilidad para este tipo de cambio toma como punto de partida la solucin ptima del problema original multiplicando el nuevo vector de costo o precio (valores de la funcin objetivo por la matriz de coeficientes tecnolgicos), o sea, la matriz de los coeficientes de las variables que no estn en la base de la tabla final de simplex: el resultado de esta multiplicacin le llamaremos Q. Si Q 0 la solucin es factible, si Q 0 la solucin no es factible. Hay una mejor explicacin con el procedimiento de simplex. Si la solucin es factible se debe verificar que la solucin sea ptima tambin, si no es ptima, seguimos con el procedimiento de simplex. Para verificar si Q es el resultado de la F.O. por la matriz de coeficientes tecnolgicos multiplicamos Q por la matriz de los coeficientes del dual, y llamaremos al resultado de esta multiplicacin L, restamos L, con el nuevo vector de costo o precio, si el resultado es el cero; la solucin es ptima si no seguimos con el procedimiento simplex.
C (vector de costo y precio) x Mariz de Coeficientes Tecnolgicos = Q
matriz de las variables De cual es dual
= L
L C = 0, la solucin es ptima
1/3 (6,5) -1/6
-1/6 = (7/6,2/3) 1/3
Como Q, o verificamos la optimalidad 4 (7/6, 2/3) 2 4 2 = (6,5)
Los nuevos coeficientes de la F.O. (Z) correspondientes a X1 y X2 de la tabla final de simplex son:
(8
6) (8
5) = (2
1)
LECCION 26. TALLER METODO SIMPLEX 1. MAXIMIZAR
Z= x1 + 2x2
Sujeta a
2x1 + x2 8 2x1 + 3x2 12 x1, x2 0
2.
MAXIMIZAR
Z= -x1 + 3x2
Sujeta a x1 + x2 6 - x1 + x2 4 x1, x2 0
3.
MAXIMIZAR
Z= 8x1 + 2x2
Sujeta a
x1 x2 1 x1 + 2x2 8 x1 + x2 5 x1, x2 0
4.
Una compaa de carga maneja envos para 2 compaas, A y B, que se encuentran en la misma ciudad. La empresa A enva cajas que pesan 3 libras cada una y tiene un volumen de 2 pies; la B enva cajas de 1 pie con peso de 5 libras cada una. Tanto A como B hacen envos a los mismos destinos. El costo de trasporte para cada caja de A es $7500 y para B es $5000. la compaa transportadora tiene un camin con espacio de carga para 2400 pies y capacidad mxima de 9200 libras. En un viaje, Cuntas cajas de cada empresa debe transportar el camin para que la compaa de transportes obtenga el mximo ingreso? cual es este mximo? una compaa fabrica 3 productos X, Y, Z. cada producto requiere de los tiempos de maquina y tiempo de terminado como se muestran en la tabla. Los nmeros de horas de tiempo de maquinas y de tiempo de terminado disponibles por mes son 900 y 5000 respectivamente. La utilidad por unidad X, Y y Z es $3000, $4000 y $6000 respectivamente. Cual es la utilidad mxima al mes que puede obtenerse?
5.
TIEMPO DE MAQUINA X Y Z 1 2 3
TIEMPO DE TERMINADO 4 4 8
LECCION 27. TALLER DUALIDAD
En los siguientes problemas hay que encontrar solo la forma dual del ejercicio no es necesario que los resuelva, sin embargo si es su deseo hacerlo proceda.
1.
MAXIMIZAR
Z= 2x1 + 3x2
Sujeta a
x1 + x2 6 - x1 + x2 4 x1, x2 0
2.
MAXIMIZAR
Z= x1 + 8x2 + 5x3
Sujeta a
x1 + x2 + x3 8 - x1 + 2x2 + x3 2 x1, x2, x3 0
3. Una empresa est comparando los costos de publicidad en dos medios de comunicacin: peridicos y radio. Para cada peso de publicidad la tabla que aparece en seguida presenta el numero de personas por grupo de ingresos, de cada uno de esos medios de comunicacin alcanza. La empresa desea llegar a cuando menos 8000 personas de las que tienen ingresos de menos de $500.000 y cuando menos 6000 de las que ganan mas de $500.000. utilizar el dual y el mtodo simplex para hallar las cantidades que debe invertir la empresa en publicidad en peridicos y en radio, para llegar a ese nmero de personas, con un costo total mnimo. cual es el costo total mnimo de publicidad?
MENOS DE $500.000 PERIODICOS RADIO 40 50
MAS DE $500.000
100 25
LECCION 28. DEGENERACION: INTRODUCCION
Las unidades anteriores cubren los aspectos fundamentales del modelo de programacin lineal. Pero este captulo se presentan algunos tpicos avanzados relacionados con la degeneracin en programacin lineal, as como algoritmos para resolver problemas con estructuras especiales. Con el estudio de esta unidad entonces, es complemento natural de un primer curso de investigacin de operaciones para un estudiante de ingeniera.
DEGENERACION EN PROGRAMACION LINEAL
En el desarrollo del mtodo simple, hemos visto que si existe una solucin bsica factible (pero no optima) al conjunto de restricciones y en ausencia de degeneracin, es posible ir combinando sucesivamente un vector de la base y alcanzar una solucin optima (o una indicacin de que la solucin no esta acotada) en un numero finito de pasos. Para la solucin de la degeneracin en programacin lineal existen dos mtodos importantes: mtodo de perturbacin de charnes y mtodo simplex generalizado.
1. METODO DE PERTURBACION DE CHARNES Se considera solamente la resolucin de un problema particular, considerando un conjunto de problemas cuyos valores son modificados a un valor en particular. Cuando los valores no se modifican el conjunto de problemas incluye el problema original a resolver.
PASOS PARA OBTENER UNA SOLUCION DEGENREADA APARTIR DE LA SOLUCION BASICA
Numeramos los vectores de tal manera que aquellos que conforman la matriz identidad estn de primero. Comenzando con una matriz identidad como base podemos obtener siempre una solucin bsica inicial para el problema perturbado. En algunos casos no es importante hallar el valor de E (dado por algunos libros como el coeficiente que acompaa el resultado de la solucin factible), ya que no es necesario en la practica porque requiere de mucho trabajo sin embargo es importante ya que demuestra que cualquier valor entre 0 y Emax puede perturbar el resultado de la solucin degenerada.
2. USO DE LA TECNICA DE PERTURBACION EN EL METODO SIMPLEX EN FORMA TABULAR
Para aplicar la tcnica de perturbacin de Charnes con el mtodo tabular del algoritmo simplex se resuelve de la misma forma que el mtodo simplex para realizar el clculo de la SBF (solucin bsica factible). En primer lugar consideramos las menores potencias de E porque los valores mas pequeos son los que cuentan. Claro esta que en el uso de la tcnica de perturbacin con el mtodo simplex en forma tabular, debemos proveer las columnas para los vectores artificiales que se requieran. Veamos a continuacin un ejemplo ilustrativo del procedimiento para seleccionar el vector que debe salir de la base y que asegurar que el ciclaje no ocurrir.
a1 V.B Z X1 X2 X3 x1 0 1 0 0
a2 x2 0 0 1 0
a3 x3 0 0 0 1
a4 x4 -4 2 3 4
a5 x5 -3 4 1 2 b 0 2 0 0
En la primera iteracin el vector a4 entra a la base. Ahora bien, al dividir Xb/Yi4 se tiene
Min {2/2;0/3;0/4}=0 (no es nico)
El vector que sale de la base esta unvocamente determinado, puesto que XB2/Y24=XB3/Y34=0 nos movemos entonces a la primera columna y determinamos:
Y21/Y24 y Y31/Y34.
Y21/Y24=0/3=0 Y31/Y34=0/4=0
En ambos casos el coeficiente es cero. Tomemos entonces la columna de a2 (segunda columna) y calculamos Y22/Y24 y Y32/Y34, o sea:
Y22/Y24=1/3; Y32/Y34=0/4=0
En este caso se obtiene el coeficiente mnimo de cero.
Entonces sacamos de la base al vector a3. En otras palabras, la variable X4 entra y sale X3. el elemento pivote es entonces Y34=4. la nueva tabla ser:
a1 V.B Z X1 X2 X3 x1 0 1 0 0
a2 x2 0 0 1 0
a3 x3 1 -1/2 -3/4
a4 x4 0 0 0 1
a5 x5 -1 3 -1/2 b 0 2 0 0
Primera iteracin Con una iteracin adicional obtenemos la solucin ptima. A partir de la informacin dada en las tablas, vamos a mostrar la solucin correspondiente al problema perturbado. Para la primera tabla de acuerdo a la ecuacin
n+s Xb(E) = Xb + E ^ (j)Yj j=1
Tenemos:
XB1 (E) = 2 + E +2E^(4) +4E^(5) XB2 (E) = 0 + E^(2) +3E^(4) +E^(5) XB3 (E) = 0 + E^(3) +4E^(4) +2E^(5) Z(E) = 0
Los nuevos valores XnBi(E) cuando se incorpora el vector a4 se obtiene la segunda tabla y son los siguientes: XnB1 (E) = 2 + E^(3) (1/2)E^(3) +3E^(5) XnB2 (E) = E^(2) (3/4) E^(3) (1/2)E^(5) XnB4 (E) = 1/4E^(3) + 4E^(4) +2E^(5) ZN(E) = E^(3) + 4E^(4) + 2E^(5)
Para los valores pequeos de E los XBi(E) son positivos. A dems ZN(E) > Z(E).
METODO SIMPLEX GENERALIZADO Esta tcnica utiliza el concepto de vectores ordenados lexicogrficamente. Un vector X es lexicogrficamente positivo (y se denota por X>0) y su primer componente distinto de 0 es positivo. Dicho de otra manera, si examinamos el vector X de izquierda a derecha y encontramos que la primera componente distinta de cero es positiva, entonces el vector es lexicogrficamente positivo.
Seleccin del vector que entra en la base
El vector que entra en la base en cualquier iteracin se determina de la misma manera que el mtodo simplex comn, de hecho es el mismo vector que entrara si tratramos con la solucin bsica factible XB del problema original. Seleccin del vector que sale de la base
Para determinar el vector que sale de la base podemos utilizar una generalizacin de la formula usual; XBr/Yrk = min{ XBi/Yik, Yik > 0}
i EJEMPLO
Utilicemos el mismo ejemplo anterior para mostrar la solucin obtenida utilizando el mtodo simplex generalizado.
V.B Z X1 X2 X3 Z X1 X2 X3
x1 0 1 0 0 0 1 0 0
x2 0 0 1 0 0 0 1 0
x3 0 0 0 1 1 -1/2 -3/4
x4 -4 2 3 4 0 0 0 1
x5 -3 4 1 2 -1 3 -1/2 1/2
b 0 2 0 0 0 2 0 0
Para la tabla inicial
XB1=(2,1,0,0)
XB2=(0,0,1,0)
XB3=(0,0,0,1)
Z=(0,0,0,0)
Todos los vectores de las variables son lexicogrficamente positivos.
Para la segunda tabla se tiene
XBN1=(2,1,0,-1/2)
XBN2=(0,0,1,-3/4)
XBN=(0,0,0,-1/4)
ZN=(0,0,0,1)
Los nuevos vectores de las variables son tambin lexicogrf icamente positivos y adems ZN > Z.
LECCION 29. PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES ACOTADAS
En un problema de programacin lineal, frecuentemente ocurre que un cierto numero de restricciones sin de la forma: 0<Xj <uj o bien 0< lj<X. estos tipos de restricciones se denominan restricciones de variables acotadas; en el primer tipo las variables tienen cotas superiores y en el segundo tipo tienen cotas inferiores.
En un problema de programacin lineal donde el nmero de restricciones de variables acotadas es pequeo, se puede aplicar directamente el mtodo simplex convencional sin tener inconveniente con el crecimiento de la base. Sin embargo, si este nmero de restricciones es grande, entonces el tamao de la base puede ser tal que la aplicacin directa del mtodo simplex convencional resulte poco eficiente.
LECCION 30. ALGORITMO DE DESCOMPOSICION
INTRODUCCION
Frecuentemente se presentan problemas de programacin lineal de gran tamao y con una estructura especial, los cuales son computacionalmente imposibles de resolver. Un ejemplo tpico ocurre cuando cada una de las actividades tiene el mismo tiempo recursos propios y recursos compartidos con otras actividades. A este tipo de problemas se les suele aplicar un procedimiento de descomposicin, el cual consiste en dividir el problema original en subproblemas de ms fcil manejo y luego resolver estos ltimos casi independientemente.
PRINCIPIO DE DESCOMPOSICION
Los problemas de programacin lineal con un gran numero de restricciones y una estructura especial, son a menudo computacionalmente difciles de resolver, puesto que el tiempo de de solucin se incrementa considerablemente con el numero de restricciones.
Esto hace que sea conveniente utilizar el llamado principio de descomposicin, o sea, dividir el problema original en un cierto nmero de subproblemas, resolver estos ltimos casi independientemente y luego reunir las partes para obtener la solucin optima.
ALGORITMO DE DESCOMPOSICION
Pasos:
1. reducir el problema original de la forma modificada en funcin de las nuevas variables. 2. encontrar una SBF al problema modificado. A menudo es necesario utilizar la tcnica de las variables artificiales. 3. para la iteracin en curso y para cada subproblema determine un valor optimo utilizando la relacin: Minimizar Wj = (CB R0 Aj Cj)Xj Sujeto A: BjXj=bj Xj0
Luego determine (punto optimo)=min{j} para todo j. si 0, la solucin presente es optima; en el caso contrario vaya al paso 4.
4. introduzca la variable que sea de la solucin optima correspondiente a y calcule B exp(-1). Vaya al paso 2.
LECCION 31. LA PROGRAMACION LINEAL BASADA EN LOS COMPUTADORES Este apndice est basado en el uso de programas de computacin, para facilitar la aplicacin de la Programacin Lineal y poder obtener resultados rpidamente. PHP simplex es un programa gratis, que puede ayudar al estudiante a aclarar las dudas en la aplicacin de la teora dada en este mdulo. Este programa fcil de manejar, presenta paso a paso y calcula las operaciones usando el mtodo
Simplex, adems calcula y realiza las grficas cuando requiere realizar el problema por el mtodo grfico. Por el link: http://www.phpsimplex.com/simplex/simplex.htm entre, haciendo control + clic sobre este vnculo. En ayuda tutorial, encuentra la gua clara, para poder usar el programa php simplex.
FUENTES DOCUMENTALES
DOCUMENTOS IMPRESOS:
THA, Hamdy A. Investigacin de operaciones. Editorial Alfaomega, 5 edicin 1.995.
EPPEN, Gould y Schimidt. Investigacin de operaciones en las Ciencias de Ingeniera. Editorial Prentice may, 3 edicin
GALLAGHER, Watson. Mtodos Cuantitativos para la Toma de decisiones. Editorial McGraw Hill
SHAMBLIN, James. Investigacin de Operaciones.
KAUFMANN , A. Faure R. Invitacin a la investigacin de operaciones. 7 edicin. C:E:C:S:A
MARTHUR Y SOLOW. Investigacin de Operaciones. Editorial Prentice Hall.
SASIENI, Yaspan. Investigacin de operaciones. Mxico. Limusa.
BARROS,Oscar. Investigacin operativa anlisis de sistemas. Chile, Universitaria.
MORA, Jose Luis. Investigacin de operaciones e informtica. Editorial Trillas.
PRAWDA, Juan. Mtodos y Modelos de investigacin de operaciones. Editorial Limusa, 1.979. Tomo I
THIERAUF, Robert. Introduccin a la investigacin de operaciones. Editorial Limusa 1.982
HADLEY G. Linear Programming. Editorial Addison-Wesley. 1969
GASS, Saul I. Linear Programming. Methods and Applications. Editorial McGraw Hill. 1969.
Revistas:
ters & Industrial Engineering. Computers & Operations Research. IIE Solutions. Industrial Engineering. Industrial World en Espaol. International Journal of Operations & Production Management. Management Science. Manufacturing Engineering. Mathematical Programming. Mathematics of Operations Research. Operations Research.
SOFTWARE EDUCATIVOS:
CPLEX NETPLOW OPTIMA PAFO SOCRATES MATLAB SIAM 2000 PIMAD
DIRECCIONES SITIOS WEB:
SUN W. NASDAQ. TODAS LAS DIRECCIONES OPERACIONES. QUE LLEVEN A INVESTIGACIN DE

Programacion Lineal Contenidos Actualizados Al 2010

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Programacion Lineal Contenidos Actualizados Al 2010

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA CONTENIDO DIDCTICO DEL CUSO: 100404

AUTOR DEL MATERIAL GLORIA LUCIA GUZMAN ARAGON

100404 PROGRAMACION LINEAL EDGAR MAURICIO ALBA VALCARCEL (Director Nacional)

LUIS GERMANA HUERFANO Acreditador

SOGAMOSO Junio de 2010

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

Leccin 7 Ejercicios de aplicacin Leccin 8 Funciones cncavas convexas

Leccin 23 Leccin 24 Leccin 25 Leccin 26 Leccin 27 Leccin 28 Leccin 29 Leccin 30 Leccin 31

UNIDAD UNO INTRODUCCIN A LA PROGRAMACIN LINEAL

CAPITULO 1 LA INVESTIGACION DE OPERACIONES

Formulacin de un modelo matemtico.

Resolucin del modelo matemtico.

LECCION 4. COMPONENTES DE LA INVESTIGACION DE OPERACIONES

4.1. DEFINICION Y FORMULACION DEL PROBLEMA:

CAPITULO DOS CONJUNTOS CONVAVOS Y CONVEXOS

LECCION 5. CONCEPTO DE CONJUNTO CONVEXO.

Para analizar el concepto de conjunto convexo vamos a plantear el siguiente ejemplo

. EJEMPLO. Consideremos los siguientes CONJUNTOS:

Podemos definir conjuntos en el plano de una manera ms compleja:

As por ejemplo si consideramos el conjunto

Qu hacemos para dibujar este conjunto?

en S, es decir que si llamamos segmento de extremos

S es convexo si para cualesquiera

Cul es el significado de z= x+(1- )y? Vamos a verlo en un ejemplo:

EJEMPLO: Estudiar analticamente si el conjunto anterior

es un conjunto convexo. Para ello consideremos dos vectores de S 3 (x1,y1), (x2,y2),

Que una vez simplificado nos da

Si es un vector del conjunto S3.

Y luego las representamos como aparece.

b. Consideremos las expresiones que definen los lmites del conjunto:

Representemos ambas rectas:

Si los representamos tendremos:

A partir de los conjuntos convexos anteriores S y T, veamos cul es el conjunto unin.

LECCION 7. EJERCICIOS DE APLICACION

LECCION 8. FUNCIONES CONCAVAS Y CONVEXAS

Si dibujamos esta funcin y obtenemos

Observemos la grfica de esta funcin en el intervalo [0,3 ]

Si dibujamos el segmento que une dichos puntos en la grfica obtenemos

Consideremos otro par de puntos por ejemplo

Si los dibujamos considerando

pero ahora considerada en que debemos enfocarnos es:

si dibujamos el segmento que los une por medio de la matriz

si ahora dibujamos el segmento que une los puntos

(b) En toda la recta real:

(d) En el intervalo (-1 ,0)

(e) En el recinto (-3 ,0)

(f) En el recinto (0,3 )

SOLUCIONES: a. ESTRICTAMENTE CONVEXA

CAPITULO 3 CONCEPTUALIZACION DE LA PROGRAMACION LINEAL

10.2 ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL

LECCION 11. MODELO GENERAL DE PROGRAMACION LINEAL

am1x1 + am2x2 + ... + amnxn bm x1 0, x2 0, ..., xn 0

3. Algunas restricciones funcionales en forma de ecuacin:

ai1x1 + ai2x2 + ... + ainxn, = bi,

para algunos valores de i,

FORMULACION ALGEBRAICA: FORMA CANONICA Todo problema de PL puede representarse como:

Nivel de actividad de la variable xj Contribucin unitaria de xj a funcin objetivo

donde i 1, 2, ... m j 1, 2, ... n

A esta forma se la denomina forma cannica

IMPORTANCIA DE LA FORMA CANONICA

LECCION 13. TERMINOLOGIA Y CONCEPTOS BASICOS

LECCION 14. INTRODUCCION METODO GRAFICO

LECCION 15. DEFINICION: