1.2.1.

2
ANTOLOGIA
MTRA. ANGLICA GUTIRREZ LIMN
INDICE PAG
. METODOLOGA DE LA NVESTGACON DE OPERACONES Y FORMULACON DE
MODELOS.
1.1. DEFNCON.. .2
1.2. FASES DEL ESTUDO DE LA NVESTGACON DE OPERACONES...... 3
1.3. PRNCPALES APLCACONES DE LA NVESTGACON DE OPERACONES... 8
1.4. FORMULACON DE PROBLEMAS LNEALES 9
1.5. FORMULACON DE PROBEMAS MAS COMUNES POR EJEMPLO DETA
TRANSPORTE, ASGNACON REMPLAZO 11
. EL METODO SMPLEX ... .11
.1 SOLUCON GRAFCA EN UN PROBLEMA LNEAL.. .11
2.2. TEORA DEL METODO SMPLEX .. 16
2.3. FORMA TABULAR DEL METODO SMPLEX 19
2.4. EL METODO DE LAS DOS FASES ..23
2.5. EL METODO SMPLEX REVSADO .26
2.6. CASOS ESPECALES .28
. TEORA DE LA DUALDAD Y ANALSS DE SENSBLDAD .29
3.1. FORMULACON DEL PROBLEMA DUAL .32
3.2. RELACON PRMAL DUAL 34
3.3. NTERPRETACON ECONOMCA DEL DUAL35
3.4. CONDCONES KHUN-TUCKER .38
3.5. DUAL SMPLEX.. 41
3.6.CAMBOS EN EL VECTOR COSTOS .47
3.7. CAMBOS EN LOS Bi DE LAS RESTRCCONES47
3.8. CAMBOS EN LOS COEFCENTES48
3.9. ADCON DE UNA NUEVA VARABLE...50
2
3.10 ADCON DE UNA NUEVA VARABLE .. 51
V. TRANSPORTE Y ASGNACON ..53
V.1 DEFNCON DEL PROBLEMA DE TRANSPORTE ..53
V.2 EL METODO DE APROXMACON DE VOGEL .55
V.3 METODO MOD.57
V.4 PROCEDMENTO DE OPTMZACON61
V.5 DEFNCON DEL PROBLEMA DE ASGANCON..62
V.6 EL MTODO HUNGARO.64
V. PROGRAMACON ENTERA .66
V.1 NTRODUCON Y CASOS DE APLCACN..66
V.2 DEFNCON Y MODELOS DE PROGRAMACON ENTERA67
V.3 METODO DE RAMFCACON Y ACOTAR .71
V.4 METODO DE PLANOS CORTANTES ..75
V.5 ALGORTMO ADTVO DE BALAS78

I. METODOLOGIA DE LA INVESTIGACION DE
OPERACIONES Y FORMULACION DE MODELOS.
1.1DEFINICION.
La Definicin De Churchman, Ackoff Y Arnoff: La Investigacin De Operaciones
Es La Aplicacin, Por rupos Inter!isciplinarios, Del "#to!o Cient$fico A
Pro%lemas &elaciona!os Con El Control De Las Organi'aciones O (istemas
)*om%re+",-uina., A /in De 0ue (e Pro!u'can (oluciones 0ue "e1or (irvan A
Los O%1etivos De La Organi'acin.
De sta definicin se pueden destacar los siguientes conceptos:
1. Una organizacin es un sistema formado por componentes que se
interaccionan, unas de estas interacciones pueden ser controladas y otras no.
2. En un sistema la informacin es una parte fundamental, ya que entre las
componentes fluye informacin que ocasiona la interaccin entre ellas.
Tambin dentro de la estructura de los sistemas se encuentran recursos que
generan interacciones. Los objetivos de la organizacin se refieren a la eficacia
y eficiencia con que las componentes pueden controlarse, el control es un
mecanismo de autocorreccin del sistema que permite evaluar los resultados
en trminos de los objetivos establecidos.
3. 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
3
compuestos por especialistas de diferentes reas del conocimiento que logran
comunicarse con un lenguaje comn.
4. La investigacin de operaciones es la aplicacin de la metodologa cientfica
a travs modelos matemticos, primero para representar al problema y luego
para resolverlo. La definicin de la sociedad de investigacin de operaciones
de la Gran Bretaa es la siguiente:
La investigacin de operaciones es el ataque de la ciencia moderna a los
complejos problemas que surgen en la direccin y en la administracin de
grandes sistemas de hombres, mquinas, materiales y dinero, en la industria,
en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste
en desarrollar un modelo cientfico del sistema tal, que incorpore valoraciones
de factores como el azar y el riesgo y mediante el cual se predigan y comparen
los resultados de decisiones, estrategias o controles alternativos. Su propsito
es el de ayudar a la gerencia a determinar cientficamente sus polticas y
acciones.
La nvestigacin de Operaciones aspira a determinar el mejor curso de accin,
o curso ptimo, de un problema de decisin con la restriccin de recursos
limitados. Como tcnica para la resolucin de problemas, investigacin de
operaciones debe visualizarse como una ciencia y como un arte. Como Ciencia
radica en ofrecer tcnicas y algoritmos matemticos para resolver problemas
de decisin adecuada. Como Arte debido al xito que se alcanza en todas las
fases anteriores y posteriores a la solucin de un modelo matemtico, depende
de la forma apreciable de la creatividad y la habilidad personal de los analistas
encargados de tomar las decisiones. En un equipo de nvestigacin de
Operaciones es importante la habilidad adecuada en los aspectos cientficos y
artsticos de nvestigacin de Operaciones. Si se destaca un aspecto y no el
otro probablemente se impedir la utilizacin efectiva de la nvestigacin de
Operaciones en la prctica. La nvestigacin de Operaciones en la ngeniera
de Sistemas se emplea principalmente en los aspectos de coordinacin de
operaciones y actividades de la organizacin o sistema que se analice,
mediante el empleo de modelos que describan las interacciones entre los
componentes del sistema y de ste con este con su medio ambiente. En la
nvestigacin de Operaciones la parte de "nvestigacin" se refiere a que aqu
se usa un enfoque similar a la manera en la que se lleva a cabo la investigacin
en los campos cientficos establecidos. La parte de "Operaciones" es por que
en ella se resuelven problemas que se refieren a la conduccin de operaciones
dentro de una organizacin
1.2FASES DEL ESTUDIO DE LA INVESTIGACION DE OPERACIONES
Fases o Etapas de la nvestigacin de Operaciones. Las etapas de un estudio
de nvestigacin de Operaciones son las siguientes: Definicin del problema de
inters y recoleccin de los datos relevantes. Formulacin de un modelo
matemtico que represente el problema. Desarrollo de un procedimiento
basado en computadora para derivar una solucin al problema a partir del
modelo. Prueba del modelo y mejoramiento segn sea necesario. Preparacin
para la aplicacin del modelo prescrito por la administracin. Puesta en
marcha.
4
Definicin e! "#$%!e&' ( #ec$!eccin e ')$*.
La primera actividad que se debe realizar es el estudio del sistema relevante y
el desarrollo de un resumen bien definido del problema que se va a analizar.
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.
Determinar los objetivos apropiados viene a ser un aspecto muy importante en
la formulacin del problema. Para hacerlo, es necesario primero identificar a la
persona o personas de la administracin que de hecho tomarn las decisiones
concernientes al sistema bajo estudio, y despus escudriar los pensamientos
de estos individuos respecto a los objetivos pertinentes. (ncluir al tomador de
decisiones desde el principio es esencial para obtener su apoyo al realizar el
estudio.)
Es comn que los equipos de nvestigacin de Operaciones pasen mucho
tiempo recolectando los datos relevantes sobre el problema. Se necesitan
muchos datos como para lograr un entendimiento exacto del problema como
para proporcionar el insumo adecuado para el modelo matemtico que se
formular en la siguiente etapa del estudio.
Tomar un tiempo considerable al equipo de nvestigacin de Operaciones
recabar la ayuda de otros de otros individuos clave de la organizacin para
recolectar todos los datos importantes. Muchas veces, el equipo de
nvestigacin de Operaciones pasar mucho tiempo intentando mejorar la
precisin de los datos y al final tendr que trabajar con lo que pudo obtener.
Aplicacin: El Departamento de Salud de New Haven, Connecticut utiliz un
equipo de nvestigacin de Operaciones para disear un programa efectivo de
intercambio de agujas para combatir el contagio del virus que causa el SDA
(HV), y tuvo xito en la reduccin del 33% de la tasa de infeccin entre los
clientes del programa. La parte central de este estudio fue un innovador
programa de recoleccin de datos para obtener los insumos necesarios para
los modelos matemticos de transmisin del SDA. Este programa barco un
rastreo completo de cada aguja (y cada jeringa), con la identificacin,
localizacin y fecha de cada persona que reciba una aguja y cada persona que
la regresaba durante un intercambio, junto con la prueba de si la condicin de
la aguja era HV - positivo o HV negativo.
F$#&+!'cin e +n &$e!$ &')e&,)ic$.
Una vez definido el problema del tomador de decisiones, la siguiente etapa
consiste en reformularlo de manera conveniente para su anlisis. La forma
convencional en que la investigacin de operaciones realiza esto es
construyendo un modelo matemtico que represente la esencia del problema.
El modelo matemtico puede expresarse entonces como el problema de elegir
5
los valores de las variables de decisin de manera que se maximice la funcin
objetivo, sujeta a las restricciones dadas. Un modelo de este tipo, y algunas
variaciones menores sobre l, tipifican los modelos analizados en investigacin
de operaciones.
Un paso crucial en la formulacin de un modelo de nvestigacin de
Operaciones es la construccin de la funcin objetivo. Esto requiere desarrollar
una medida cuantitativa de la efectividad relativa a cada objetivo del tomador
de decisiones identificado cuando se estaba definiendo el problema. Si en el
estudio se contemplan mas de un objetivo, es necesario transformar y
combinar las medidas respectivas en una medida compuesta de efectividad
llamada &ei' -!$%'! e efec)i.i'. A veces esta medida compuesta
puede ser algo tangible (por ejemplo, ganancias) y corresponder a una meta
mas alta de la organizacin, o puede ser abstracta (como "utilidad"). En este
ltimo caso la tarea para desarrollar esta medida puede ser compleja y requerir
una comparacin cuidadosa de los objetivos y su importancia relativa.
Aplicacin: La Oficina responsable del control del agua y los servicios pblicos
del Gobierno de Holanda, el Rijkswaterstatt, asign un importante estudio de
nvestigacin de Operaciones para guiarlo en el desarrollo de una importante
poltica de administracin del agua. La nueva poltica ahorro cientos de
millones de dlares en gastos de inversin y redujo el dao agrcola en
alrededor de 15 millones de dlares anuales, al mismo tiempo que disminuyo la
contaminacin trmica y debida a las algas. En lugar de formular un modelo
matemtico, este estudio de nvestigacin de Operaciones desarroll un
sistema integrado y comprensible de 50 modelos! Mas an, para alguno de los
modelos, se desarrollan versiones sencillas y complejas. La versin sencilla se
us para adquirir una visin bsica incluyendo el anlisis de trueques. La
versin compleja se us despus en las corridas finales del anlisis o cuando
se deseaba mayor exactitud o ms detalles en los resultados. El estudio
completo de nvestigacin de Operaciones involucr directamente a mas de
125 personas ao de esfuerzo (mas de un tercio de ellas en la recoleccin de
datos), cre varias docenas de programas de computacin y estructur una
enorme cantidad de datos.
O%)encin e +n' *$!+cin ' "'#)i# e! &$e!$.
Una vez formulado el modelo matemtico para el problema bajo estudio, la
siguiente etapa para un estudio de nvestigacin de Operaciones consiste en
desarrollar un procedimiento (por lo general basado en computadora) para
derivar una solucin al problema a partir de este modelo. Esta es una etapa
relativamente sencilla, en la que se aplican uno de los algoritmos de
investigacin de operaciones en una computadora.
Un tema comn en nvestigacin de Operaciones es la bsqueda de una
solucin ptima, es decir, la mejor. Se han desarrollado muchos
procedimientos para encontrarla en cierto tipo de problemas, pero es necesario
reconocer que estas soluciones son ptimas slo respecto al modelo que se
est utilizando.
6
La meta de un estudio de nvestigacin de Operaciones debe ser llevada a
cabo el estudio de manera ptima, independientemente de si implica o no
encontrar una solucin ptima para el modelo. Al reconocer este concepto, los
equipos de nvestigacin de Operaciones en ocasiones utilizan slo
procedimientos heursticos (es decir, procedimientos de diseo intuitivo que no
garantizan una solucin ptima) para encontrar una buena solucin subptima.
Esto ocurre con mas frecuencia en los casos en que el tiempo o el costo que se
requiere para encontrar una solucin ptima para un modelo adecuado del
problema son muy grandes.
Si la solucin se implanta sobre la marcha, cualquier cambio en el valor de un
parmetro sensible advierte de inmediato la necesidad de cambiar la solucin.
El anlisis posptimo tambin incluye la obtencin de un conjunto de
soluciones que comprende una serie de aproximaciones, cada vez mejores, al
curso de accin ideal. As, las debilidades aparentes de la solucin inicial se
usan para sugerir mejoras al modelo, a sus datos de entrada y quiz al
procedimiento de solucin. Se obtiene entonces una nueva solucin, y el ciclo
se repite. Este proceso sigue hasta que las mejoras a soluciones sucesivas
sean demasiado pequeas para justificar su solucin.
Aplicacin: Considere el nuevo estudio de nvestigacin de Operaciones para
el Rijkswaterstatt sobre la poltica de administracin de agua en Holanda, que
se introdujo en el concepto anterior. Este estudio no concluy con la
recomendacin de una sola solucin. Mas bien, se identificaron, analizaron y
compararon varias alternativas atractivas. La eleccin final se dejo al proceso
poltico de gobierno de Holanda que culmino con la aprobacin del Parlamento.
El anlisis de sensibilidad jug un papel importante en este estudio. Por
ejemplo, ciertos parmetros de los modelos representaron estndares
ecolgicos. El anlisis de sensibilidad incluy la evaluacin del impacto en los
problemas de agua si los valores de estos parmetros se cambiaran de los
estndares ecolgicos a otros valores razonables. Se us tambin para evaluar
el impacto de cambios en las suposiciones de los modelos, por ejemplo, la
suposicin sobre el efecto de tratados internacionales futuros sobre la
contaminacin que pudiera llegar. Tambin se analizaron varios escenarios
(como aos secos o hmedos extremosos), asignando las probabilidades
adecuadas.
P#+e%' e! &$e!$.
El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos
al desarrollo de un programa de computadora grande. Cuando se completa la
primera versin, es inevitable que contenga muchas fallas. El programa debe
probarse de manera exhaustiva para tratar de encontrar y corregir tantos
problemas como sea posible.
Este proceso de prueba y mejoramiento de un modelo para incrementar su
validez se conoce como validacin del modelo.
7
Un enfoque mas sistemtico para la prueba del modelo es emplear una prueba
retrospectiva. Cuando es apacible, esta prueba utiliza datos histricos y
reconstruye el pasado para determinar si el modelo y la solucin resultante
hubieran tenido un buen desempeo, de haberse usado. Al emplear
alternativas de solucin y estimar sus desempeos histricos hipotticos, se
pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos
relativos de los diferentes cursos de accin.
Aplicacin: En un estudio de nvestigacin de Operaciones para BM se
realizo con el fin de integrar su red nacional de inventarios de refacciones para
mejorar el servicio a los clientes, al mismo tiempo que reducir el valor de los
inventarios de BM en mas de 250 millones de dlares y ahorrar otros 20
millones de dlares anuales a travs del mejoramiento de la eficiencia
operacional. Un aspecto en particular interesante de la etapa de validacin del
modelo en este estudio fue la manera en que se incorporaron el proceso de
prueba los usuarios futuros del sistema de inventarios. Debido a que estos
usuarios futuros (los administradores de BM en las reas funcionales
responsables de la implantacin del sistema de inventarios) dudaban del
sistema que se estaba desarrollando, se asignaron representantes a un equipo
de usuarios que tendra la funcin de asesorar al equipo de nvestigacin de
Operaciones. Una vez desarrollada la versin preliminar del nuevo sistema
(basada en el sistema de inventarios de multiniveles) se lleva acabo una
prueba preliminar de implantacin. La extensa retroalimentacin por parte del
equipo de usuarios llevo a mejoras importantes en el sistema propuesto.
P#e"'#'cin "'#' !' '"!ic'cin e! &$e!$.
El siguiente paso es instalar un sistema bien documentado para aplicar el
modelo segn lo establecido por la administracin.
Este sistema casi siempre esta diseado para computadora. De hecho, con
frecuencia se necesita un nmero considerable de programas integrados. La
base de datos y los sistemas de informacin administrativos pueden
proporcionar entrada actualizada para el modelo cada vez que se use, en cuyo
caso se necesitan programas de interfaz (de interaccin con el usuario).
Despus de aplicar un procedimiento de solucin (otro programa) al modelo,
puede ser que los programas adicionales maneje la implantacin de los
resultados de manera automtica. En otros casos se instala un sistema
interactivo de computadora llamado sistema de soporte de decisiones, para
ayudar a la gerencia a usar datos y modelos para apoyar (no para sustituir) su
toma de decisiones cuando lo necesiten. Otro programa puede generar
informes gerenciales (en el lenguaje administrativo) que interpretan la salida del
modelo y sus implicaciones en la prctica.
Aplicacin: Un sistema de computo grande para aplicar un modelo a las
operaciones de control de una red nacional. Este sistema, llamado SYSNET,
fue desarrollado como resultado de un estudio de nvestigacin de Operaciones
realizado para la Yellow Freight System, nc. Esta compaa maneja
8
anualmente mas 15 millones de envos de mensajera a travs de una red de
630 terminales en todo estados Unidos. SYSNET se usa tanto para optimizar
tanto para optimizar las rutas de los envos como el diseo de la red . Debido al
que sistema requiere mucha informacin sobre los flujos y pronsticos de
carga, los costos de transporte y manejo, etc.; una parte importante del estudio
de nvestigacin de Operaciones esta dedicada a la integracin de SYSNET al
sistema de informacin administrativo de la corporacin. Esta integracin
permiti la integracin peridica de la entrada al modelo. La implantacin de
SYSNET dio como resultado el ahorro anual de alrededor de 17.3 millones de
dlares adems de un mejor servicio a los clientes.
I&"!'n)'cin.
Una vez desarrollado un sistema para aplicar un modelo, la ltima etapa de un
estudio de nvestigacin de Operaciones es implementarlo siguiendo lo
establecido por la administracin.
La etapa de implantacin incluye varios pasos. Primero, el equipo de
nvestigacin de Operaciones da una cuidadosa explicacin a la gerencia
operativa sobre el nuevo sistema que se va a adoptar y su relacin con la
realidad operativa. Enseguida, estos dos grupos comparten la responsabilidad
de desarrollar los procedimientos requeridos para poner este sistema en
operacin. La gerencia operativa se encarga despus de dar una capacitacin
detallada al personal que participa, y se inicia entonces el nuevo curso de
accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos
aos. Con esto en mente, el equipo de nvestigacin de Operaciones supervisa
la experiencia inicial con la accin tomada para identificar cualquier
modificacin que tenga que hacerse en el futuro.
Aplicacin: Este ultimo punto sobre la documentacin de un estudio
nvestigacin de Operaciones se ilustra con el caso de la poltica nacional de
administracin del agua de Rijkswaterstatt en Holanda. La administracin
deseaba documentacin mas extensa que lo normal, tanto para apoyar la
nueva poltica como para utilizarla en la capacitacin de nuevos analistas o al
realizar nuevos estudios. Completar esta documentacin requiri varios aos y
quedo contenida en 4000 pginas a espacio sencillo encuadernadas en 21
volmenes!
1./PRINCIPALES APLICACIONES DE LA INVESTIGACION DE
OPERACIONES
NVESTGACN DE OPERACONES, PODEROSA HERRAMENTA PARA EL
USO PTMO DE LOS RECURSOS ESCASOS
Cu,l es la forma m,s eficiente !e asignar ciertos recursos escasos para
conseguir la m,s alta tasa !e retorno2 3Cu,l es la me1or manera !e asignar
rutas a una flotilla !e transporte !e %ienes -ue !e%en ser coloca!os en
%o!egas !e !istri%ui!ores para -ue los costos sean m,s %a1os2 3Cu,ntas
ventanillas !e%en colocarse en un %anco en las horas normales 4 en las horas
9
4 !$as pico para -ue los clientes no se !esesperen 4 se larguen al %anco -ue
est, cru'an!o la calle2

3Cu,ntas ca1as registra!oras !e%e ha%ilitar un supermerca!o para -ue el largo
!e las colas no entorpe'can la circulacin !e los clientes -ue a5n est,n
compran!o 4 !e los tra%a1a!ores -ue colocan merca!er$a, eti-uetan 4 !an
atencin al p5%lico2 3De -u# manera !e%e asignarse un presupuesto en una
in!ustria )o en un sector !e la econom$a !e un pa$s., para -ue se satisfaga la
!eman!a interna 4 e6terna !el %ien o servicio -ue pro!uce2

3Cu,l ser, la !eman!a !e l$neas telefnicas para el a7o 8999, tenien!o en
cuenta el crecimiento natural !e la po%lacin, el cam%io !e sus h,%itos, la
pro!uccin, el n5mero !e profesionales, escuelas, comercios, etc#tera, -ue
ha%r,n en ese entonces2 3(er, posi%le hacer pre!icciones )apro6ima!as por
supuesto. !e cu,ntas escuelas, comercios, profesionales, etc#tera, ha%r, en el
a7o 89992 *ermosa canti!a! !e preguntas para comen'ar un art$culo so%re
Investigacin !e Operaciones )IO., pero !efinitivamente es mu4 oportuno
por-ue es en estos casos !on!e los especialistas en esta !isciplina pue!en
apo4ar a los !em,s:

;na pregunta m,s: 30u# es entonces la Investigacin !e Operaciones2
realmente es un poco !if$cil !ar una respuesta corta a esta 5ltima pregunta
pero si la IO va a tratar !e encontrar respuesta a las preguntas -ue hemos
plantea!o en el primer p,rrafo 4 a otra tonela!a m,s, !e%emos tratar !e !efinir
lo -ue es: *illier, Lie%erman, (ham%lin, (tevens, <aha, <ierauf, rosse,
(asieni, por mencionar algunos !e los gran!es especialistas en IO, !an una
serie !e !efiniciones -ue %ien po!r$a resumirse como:
Es un enfo-ue cient$fico !e la toma !e !ecisin: Po!emos !ecir -ue la IO
utili'a un enfo-ue planea!o )m#to!o cient$fico. 4 un grupo inter!isciplinario
para representar, me!iante mo!elos sim%licos, las relaciones funcionales -ue
se !an en la reali!a!, lo cual suministra una %ase cuantitativa para la toma !e
!ecisiones: Algo -ue es tan general como la !efinicin -ue aca%amos !e !ar
pero -ue !a mucha clari!a! so%re lo -ue hace la Investigacin !e Operaciones
es -ue, cuan!o se aplica alguna herramienta !e la IO, se %usca o%tener el
ptimo resulta!o !el uso !e los recursos escasos:

"ucho se !ice !e la formacin previa -ue se !e%e tener para hacer
Investigacin !e Operaciones, incluso ha4 autores -ue a5n !icen en sus li%ros,
-ue no se re-uiere ning5n conocimiento !e matem,tica para po!er leerlo, sin
em%argo, no a!vierten al ingenuo lector -ue tampoco po!r,n resolver
pro%lemas reales sino solamente algunos e1emplos !e 1uguete -ue se
encuentran ah$ mismo: =uestra e6periencia en el campo !e la ense7an'a 4 la
aplicacin !e las herramientas !e la IO, nos han hecho ver -ue para hacer IO
en forma profesional acepta%le, se re-uiere !e una sli!a preparacin en
Esta!$stica Descriptiva e Inferencial, conocimientos so%re las aplicaciones !el
C,lculo Diferencial e Integral 4 !el Alge%ra Lineal, 4 !es!e luego, principios
generales !e Econom$a, !e lo contrario, el estu!ioso !e la Investigacin !e
Operaciones se sentir, !ecepciona!o 4 el -ue !e%e aplicarla se frustrar, a
menu!o:
10
1.0FORMULACION DE PRO1LEMAS LINEALES
Formulacin de problemas de programacin lineal. 1. Cierto fabricante produce
sillas y mesas para lo que requiere la utilizacin de dos secciones de pro-
duracin: la seccin de montaje y la seccin de pintura. La produccin de una
silla requiere 1 hora de trabajo en la seccin de montaje y 2 en la de pintura.
Por su parte, la fabricacin de una mesa precisa de 3 horas en la seccin de
montaje y 1 en la de pintura. La seccin de montaje slo puede estar 9 horas
diarias en funcionamiento y la pintura slo 8 horas. El beneficio que se obtiene
produciendo mesas es el doble que el de sillas >Cual ha de ser la produccin
diaria de sillas y mesas que maximice el beneficio? 2. Queremos encontrar una
dieta "optima"(coste mnimo) para pollos. El lote diario requerido de la mezcla
son 100 unidades. La dieta debe contener al menos 0.8% pero no mas de 1.2%
de calcio; al menos 22% de protenas y a lo mas 5% de verduras crudas.
Adems, suponer que los principales ingredientes utilizados incluyen maz, soja
y caliza (carbonato de calcio). El contenido nutritivo de estos ingredientes se
resume a continuacin.
Plantear como un problema de programacin lineal. 3. Un agricultor posee una
parcela de 640 m2 para dedicarla al cultivo de rboles frutales: naranjos,
perales y manzanos. Se pregunta de que forma repartira la superficie de la
parcela entre las variedades para conseguir el mximo beneficio sabiendo que:
Cada naranjo precisa como mnimo de 16 m2, cada peral 4 m2 y cada
manzano 8 m2. Dispone de un total de 900 horas de trabajo al ao precisando
cada naranjo 30 horas al ao, cada peral 5 y cada manzano 10. Los beneficios
unitarios son de 50, 25 y 20 unidades monetarias por cada naranjo, peral y
manzano, respectivamente. Plantear como un problema de programacin
lineal. 4. Un importador de Whisky dispone de un mercado ilimitado, pero la
reglamentacin mensual de aduanas sobre importacin supone las siguientes
restricciones para tres tipos de whisky (W1,W2 y W3):
Con estos tres tipos de whisky realiza tres mezclas diferentes cuyas caractersticas
vienen detalladas en la tabla siguiente:
11
Plantear el problema de determinar el plan de fabricacin ptimo (beneficio
neto mximo) de los tres tipos de mezclas. 5. Una compaa se va a dedicar a
la fabricacin de tres nuevos productos, P1> P2> P3. Para ello necesita de tres
maquinas, torno, fresadora y rectificadora. La disponibilidad de dichas
maquinas, el tiempo que necesita cada unidad de producto en cada una de
ellas y el beneficio unitario es el siguiente.
Las ventas de P1 y P2 excedern las tasas de produccin. Del producto P3 se
vendern a lo sumo 20 piezas a la semana. >Cuantas unidades de cada
producto se deben fabricar para que el beneficio obtenido sea mximo? 6. Una
empresa de plsticos posee dos plantas de produccin de laminas acrlicas que
son transportadas a diferentes fabricas para la confeccin de productos. Los
costes de transporte por unidad son.
.
Se quiere determinar la forma mas econmica de transportar las laminas de las
plantas a las fabricas. Plantear como un modelo de programacin lineal
1.2FORMULACION DE PRO1EMAS MAS COMUNES POR E3EMPLO
DIETA TRANSPORTE4 ASIGNACION REMPLAZO.
II EL METODO SIMPLE5
EL "E<ODO (I"PLE? PA&A (OL;CI@= DE P&OALE"A( DE
P&O&A"ACI@= LI=EAL Es un procedimiento iterativo que permite ir
mejorando la solucin a cada paso. El proceso concluye cuando no es posible
seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo
en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro
vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los
lados del polgono (o de las aristas del poliedro, si el nmero de variables es
mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr
encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad:
si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay
12
una arista que parte de A, a lo largo de la cual f aumenta. del simplex fue
creado en 1947 por el matemtico George Dantzig. El mtodo del simplex se
utiliza, sobre todo, para resolver problemas de programacin lineal en los que
intervienen tres o ms variables. El lgebra matricial y el proceso de
eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales
constituyen la base del mtodo simplex.
2.1SOLUCION GRAFICA EN UN PRO1LEMA LINEAL
Solucin Grfica
Los problemas de programacin lineal en dos variables tienen interpretaciones
geomtricas relativamente sencillas; por ejemplo, el sistema de restricciones
lineales asociado con un problema de programacin lineal bidimensional- si no
es inconsistente- define una regin plana cuya frontera est formada por
segmentos de recta o semirrectas, por lo tanto es posible analizar tales
problemas en forma grfica.
Si consideremos el problema del granjero Lpez, es decir, de maximizar
P B C96D E94 sujeta a
86D4<F99
6D4<CF9
6>9, 4>9 )G.
El sistema de desigualdades (7) define la regin plana ( que aparece en la
figura 5. Cada punto de ( es un candidato para resolver este problema y se
conoce
como *$!+cin f'c)i%!e. El conjunto ( se conoce como c$n6+n)$ f'c)i%!e. El
objetivo es encontrar entre todos los puntos del conjunto (- el punto o los
puntos que optimicen la funcin objetivo P. Tal solucin factible es una
*$!+cin ")i&' y constituyen la solucin del problema de programacin lineal
en cuestin.
Como ya se ha observado, cada punto P)6,4. en ( es un candidato para
la solucin ptima del problema en cuestin, por ejemplo, es fcil ver que el
punto (200, 150) est en ( y, por lo tanto, entra en la competencia. El valor de
13
la funcin objetivo P en el punto )899,HI9. est dado por
PBC9)899.DE9)HI9.BH8:I99 . Ahora si se pudiera calcular el valor de P
correspondiente a cada punto de (, entonces el punto (o los puntos) en ( que
proporcione el valor mximo de P formar el conjunto solucin buscado. Por
desgracia, en la mayora de los problemas, la cantidad de candidatos es
demasiado grande o, como en este problema, es infinita. As este mtodo no es
adecuado.
Es mejor cambiar de punto de vista: en vez de buscar el valor de la
funcin objetivo P en un punto factible, se asignar un valor a la funcin P y se
buscarn los puntos factibles que correspondieran a un valor dado de P. Para
esto supngase que se asigna a P el valor 6000. Entonces la funcin objetivo
se convierte en C96D E94 B J:999,una ecuacin lineal en 6 e 4; por lo tanto,
tiene como grfica una lnea recta L
H
en el plano.
Est claro que a cada punto del segmento de recta dado por la
interseccin de la lnea recta L
H
y el conjunto factible ( corresponde el valor
dado 6000 de P. Al repetir el proceso, pero ahora asignando a P el valor de
12.000, se obtiene la ecuacin C96D E94 BH8:999 y la recta L
8
lo cual sugiere
que existen puntos factibles que corresponden a un valor mayor de P.
Obsrvese que la recta L
8
es paralela a L
H
, pues ambas tienen una pendiente
igual a KCLE. Esto se comprueba con facilidad escribiendo las ecuaciones en
explcita de la recta.
En general, al asignar diversos valores a la funcin objetivo, se obtiene
una familia de rectas paralelas, cada una con pendiente igual a KCLE. Adems,
una recta correspondiente a un valor mayor de P est ms alejada del origen
que una recta con un valor menor de P. El significado es claro. Para obtener las
soluciones ptimas de este problema, se encuentra la recta perteneciente a
esta familia que se encuentra ms lejos del origen y que interseque al conjunto
factible (. La recta requerida es aquella que pasa por el punto P)E89,HJ9. (Fig.
6), de modo que la solucin de este problema est dado por 6BE89, 4BHJ9 ( es
decir que el granjero Lpez deber sembrar 320 hectreas de maz y 160
hectreas de trigo), lo que produce el valor mximo
PBC9)E89.DE9)HJ9.BHG:J99.
No es casualidad que la solucin ptima de este problema aparezca
como vrtice del conjunto factible (. De hecho, el resultado es consecuencia
del siguiente teorema bsico de la programacin lineal, que se enuncia sin
demostracin
Te$#e&' 1 Si en problema de programacin lineal tiene una solucin, entonces sta debe aparecer en un vrtice, o
esquina, del conjunto factible ( asociado con el problema. Adems, si la funcin objetivo
dos vrtices adyacente de (, entonces se optimiza en todos los puntos del segmento de recta que une
estos vrtices, en cuyo caso existe una infinidad de soluciones al problema
En nuestro ejemplo los nicos vrtice del conjunto factible ( son los puntos
coordenados: )9,9.> )C99,9.> )E89,HJ9.> )9,CF9), llamados tambin puntos
esquinas (Fig. 6):
14
Un ejemplo en el que tendramos infinitas soluciones, es:
VERTCE P=40x+40y
(0,0) 0
(0,480) 19.200
(320,160) 19.200
(400,0) 16.000
Supngase que la utilidad por hectreas es de
$40 para ambos, maz y trigo. La tabla para este
caso muestra la misma utilidad total en los
vrtices(0,480) y (320,160). Esto significa que la
lnea de utilidad en movimiento abandona la
regin sombreada por el lado determinado por
esos vrtices (adyacentes) , as todo punto en ese
lado da una utilidad mxima. Todava es vlido,
sin embargo, que la utilidad mxima ocurre en un
vrtice.
El teorema 1 dice que la bsqueda de las soluciones a un problema de
programacin lineal se puede restringir al examen del conjunto de vrtices del
conjunto factible ( relacionado con el problema. Como un conjunto factible (
tiene un nmero finito de vrtices, el teorema sugiere que las soluciones a un
problema de programacin lineal se puedan hallar inspeccionando los valores
de la funcin objetivo P en los vrtices.
Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la
solucin de un problema de programacin lineal, no indica cundo tiene
solucin. El siguiente teorema establece ciertas condiciones que garantizan la
existencia de la solucin de un problema de programacin lineal.
Teorema 2:
Existencia de una
solucin

(upngase un pro%lema !e programacin lineal con un con1unto
facti%le ( 4 una funcin o%1etivo P B a6 D %4:
H: (i ( est, acota!o, entonces P tiene u valor m,6imo 4 n valor
m$nimo en (:
8: (i ( no est, acota!o 4 tanto a como % son no negativos,
entonces P tiene un valor m$nimo en (, si las restricciones -ue
!efinen a ( inclu4en las !esigual!a!es 6 M 9 e 4 M 9:
E: (i ( es el con1unto vac$o, entonces el pro%lema !e
programacin lineal no tiene solucin> es !ecir, P no tiene un
valor m,6imo ni uno m$nimo

El mtodo utilizado para resolver el problema del granjero Lpez recibe el
nombre de &7)$$ e !'* e*8+in'*. Este mtodo sigue un procedimiento muy
sencillo para resolver los problemas de programacin lineal basado en el
teorema1.
Mtodo de las
esquinas

H: (e grafica el con1unto facti%le:
8: (e encuentran las coor!ena!as !e to!as las es-uinas
)v#rtices. !el con1unto facti%le:
E: (e eval5a la funcin o%1etivo en ca!a es-uina:
C: (e halla el v#rtice -ue proporcione el m,6imo )m$nimo. !e
la funcin o%1etivo: (i slo e6iste un v#rtice con esta
15
propie!a!, entonces constitu4e una solucin 5nica !el
pro%lema: (i la funcin o%1etivo se ma6imi'a )minimi'a. en
!os es-uinas a!4acentes !e (, entonces e6iste una infini!a!
!e soluciones ptimas !a!as por los puntos !el segmento !e
recta !etermina!o por estos !os v#rtices:

Aplicaremos los conceptos antes emitidos al siguiente problema de nutricin,
basado en los requerimientos, en el cual hay que minimizar la funcin objetivo.

Un nutricionista asesora a un indiiduo que sufre una deficiencia de !ierro
" itamina #$ " le indica que de%e in&erir al menos 2'(( m& de itamina #)
* +tiamina, " *-(( m& de itamina #)2 +ri%oflaina, durante cierto per.odo
de tiempo. Existen dos p.ldoras de itaminas disponi%les$ la marca A " la
marca #. /ada p.ldora de la marca A contiene '( m& de !ierro$ *( m& de
itamina #)*$ - m& de itamina #)2 " cuesta 0 centaos. /ada p.ldora de la
marca # contiene *( m& de !ierro$ *- m& de itamina #)* " de itamina #)
2$ " cuesta 1 centaos +ta%la 2,.
2/ules com%inaciones de p.ldoras de%e comprar el paciente para cu%rir
sus requerimientos de !ierro " itamina al menor costo3

Marca A Marca B
Requerimientos
mnimos
Hierro 40 mg 10 mg 2400 mg
Vitamina B-1 10 mg 15 mg 2100 mg
Vitamina B-2 5 mg 15 mg 1500 mg
Costo por pldora
(US$)
0,06 0,08
Solucin: Sea 6 el nmero de pldoras de la marca A e 4 el nmero de pldoras
de la marca B por comprar. El costo C, medido en centavos, est dado por
C B J6D F4
que representa la funcin objetivo por minimizar.
La cantidad de hierro contenida en 6 pldoras de la marca A e 4 el
nmero de pldoras de la marca B est dada por C96DH94 mg, y esto debe ser
mayor o igual a 2400 mg. Esto se traduce en la desigualdad.
C96DH94>8C99
Consideraciones similares con los requisitos mnimos de vitaminas B-1 y B-2
conducen a las desigualdades:
16
H96DHI4>8H99
I6DHI4>HI99
respectivamente. As el problema en este caso consiste en minimizar CBJ6DF4
sujeta a
C96DH94>8C99
H96DHI4>8H99
I6DHI4>HI99
6>9, 4>9
El conjunto factible ( definido por el sistema de restricciones aparece en la
figura. Los vrtices del conjunto factible ( son A)9,8C9.> A)E9,H89.> C)H89> J9.
4 D)E99,9.:
Los valores de la funcin objetivo C en estos vrtices en la tabla que sigue
Vertice C=6x + 8y
A (0,240) 1920
B(30,120) 1140
C(120,60) 1200
D(300,0) 1800
La tabla muestra que el mnimo de la funcin objetivo CBJ6DF4 ocurre en el
vrtice A)E9,H89. y tiene un valor de 1140. As el paciente debe adquirir 30
pldoras de la marca A y 120 de la marca B, con un costo mnimo de $11,40.
El mtodo de las esquias es de !a"ti#ula" utilidad !a"a "esol$e" !"o%lemas de
!"o&"ama#i' lieal e dos $a"ia%les #o u (me"o !eque)o de "est"i##ioes* #omo
+a demost"ado los e,em!los ate"io"es* si em%a"&o su e-e#ti$idad de#"e#e #o "a!ide.
#uado el (me"o de $a"ia%les o de "est"i##ioes aumeta/ Po" e,em!lo* se !uede
17
most"a" que u e,em!lo de !"o&"ama#i' lieal e t"es $a"ia%les 0 #i#o "est"i##ioes
!uede tee" +asta die. esquias -a#ti%les/ 1a dete"mia#i' de las esquias -a#ti%les
"equie"e "esol$e" 10 sistemas 323 de e#ua#ioes lieales 0 lue&o #om!"o%a" que #ada
uo es u !uto -a#ti%le* sustitu0edo #ada ua de estas solu#ioes e el sistema de
"est"i##ioes/ Cuado el (me"o de $a"ia%les 0 de "est"i##ioes aumeta a #i#o 0 die.*
"es!e#ti$amete 3que a( es u sistema !eque)o desde el !uto de $ista de las
a!li#a#ioes e e#oom4a5* la #atidad de $"ti#e !o" +alla" 0 #om!"o%a" #omo esquias
-a#ti%les aumeta +asta 252* 0 #ada uo de estos $"ti#es se e#uet"a "esol$iedo el
sistema lieal ///6de 5257 Po" esta "a.'* el mtodo de las esquias se utili.a #o !o#a
-"e#ue#ia !a"a "esol$e" !"o%lemas de !"o&"ama#i' lieal* su $alo" "eside e que
!e"mite tee" ua me,o" idea a#e"#a de la atu"ale.a de las solu#ioes a los !"o%lemas
de !"o&"ama#i' lieal a t"a$s de su uso e la solu#i' de !"o%lemas de dos $a"ia%les/
2.2TEORIA DEL METODO SIMPLE5
El mtodo Simplex es un procedimiento iterativo que permite ir
mejorando la solucin a cada paso. El proceso concluye cuando no es
posible seguir mejorando ms dicha solucin.
Partiendo del valor de la funcin objetivo en un vrtice cualquiera el
mtodo consiste en buscar sucesivamente otro vrtice que mejore al
anterior. !a b"squeda se hace siempre a travs de los lados del pol#gono
$o de las aristas del poliedro si el n"mero de variables es mayor%. &mo
el n"mero de vrtices $y de aristas% es finito siempre se podr
encontrar la solucin. $'ase mtodo (rfico%
El mtodo Simplex se basa en la siguiente propiedad) si la funcin
objetivo f no toma su valor mximo en el vrtice * entonces hay una
arista que parte de * a lo largo de la cual f aumenta.
+eber tenerse en cuenta que este mtodo slo trabaja para
restricciones que tengan un tipo de desigualdad ,-, y coeficientes
independientes mayores o iguales a . y habr que estandari/ar las
mismas para el algoritmo. En caso de que despus de ste proceso
apare/can $o no var#en% restricciones del tipo ,0, o ,1, habr que
emplear otros mtodos siendo el ms com"n el mtodo de las +os
2ases.
PREPARANDO EL MODELO PARA ADAPTARLO AL MTODO SIMPLE5
Esta es la forma estndar del modelo)
8u#i' o%,eti$o9 #1:21 ; #2:22 ; /// ; #:2
<u,eto a9 a11:21 ; a12:22 ; /// ; a1:2 = %1
18
a21:21 ; a22:22 ; /// ; a2:2 = %2
///
am1:21 ; am2:22 ; /// ; am:2 = %m
21*///* 2 > 0
Para ello se deben cumplir las siguientes condiciones)
3.El objetivo es de la forma de maximi/acin o de
minimi/acin.
4.5odas las restricciones son de igualdad.
6.5odas las variables son no negativas.
7.!as constantes a la derecha de las restricciones son no
negativas.
Cam%io del ti!o de o!timi.a#i'/
Si en nuestro modelo deseamos minimi/ar podemos dejarlo tal y
como est pero deberemos tener en cuenta nuevos criterios para la
condicin de parada $deberemos parar de reali/ar iteraciones cuando en
la fila del valor de la funcin objetivo sean todos menores o iguales a .%
as# como para la condicin de salida de la fila. &on objeto de no cambiar
criterios se puede convertir el objetivo de minimi/ar la funcin 2 por el
de maximi/ar 28$93%.
Ventajas: :o deberemos preocuparnos por los criterios de parada o
condicin de salida de filas ya que se mantienen.
Inconvenientes: En el caso de que la funcin tenga todas sus
variables bsicas positivas y adems las restricciones sean de
desigualdad ,-, al hacer el cambio se quedan negativas y en la fila del
valor de la funcin objetivo se quedan positivos por lo que se cumple la
condicin de parada y por defecto el valor ptimo que se obtendr#a es
..
Solucin: En la realidad no existen este tipo de problemas ya que
para que la solucin quedara por encima de . alguna restriccin deber#a
tener la condicin ,0, y entonces entrar#amos en un modelo para el
mtodo de las +os 2ases.
Conversin de signo de los trminos independientes (las constantes a la
derecha de las restricciones)
+eberemos preparar nuestro modelo de forma que los trminos
independientes de las restricciones sean mayores o iguales a . sino no
se puede emplear el mtodo Simplex. !o "nico que habr#a que hacer es
multiplicar por ,93, las restricciones donde los trminos independientes
sean menores que ..
19
Ventaja: &on sta simple modificacin de los signos en la restriccin
podemos aplicar el mtodo Simplex a nuestro modelo.
Inconvenientes: Puede resultar que en las restricciones donde
tengamos que modificar los signos de las constantes los signos de las
desigualdades fueran $,1, ,-,% quedando $,1,,0,% por lo que en
cualquier caso deberemos desarrollar el mtodo de las +os 2ases. Este
inconveniente no es controlable aunque nos podr#a beneficiar si slo
existen trminos de desigualdad $,-,,0,% y los ,0, coincidieran con
restricciones donde el trmino independiente es negativo.
Todas las restricciones son de igualdad.
Si en nuestro modelo aparece una inecuacin con una desigualdad
del tipo ,0, deberemos a;adir una nueva variable llamada variable de
exceso si con la restriccin si 0 .. !a nueva variable aparece con
coeficiente cero en la funcin objetivo y restando en las inecuaciones.
Surge ahora un problema veamos como queda una de nuestras
inecuaciones que contenga una desigualdad ,0, )
a338x3 < a348x4 0 b3 a338x3 < a348x4 9 38xs 1 b3
&omo todo nuestro modelo est basado en que todas sus variables
sean mayores o iguales que cero cuando hagamos la primera iteracin
con el mtodo Simplex las variables bsicas no estarn en la base y
tomarn valor cero y el resto el valor que tengan. En este caso nuestra
variable xs tras hacer cero a x3 y x4 tomar el valor 9b3. :o cumplir#a la
condicin de no negatividad por lo que habr que a;adir una nueva
variable xr que aparecer con coeficiente cero en la funcin objetivo y
sumando en la inecuacin de la restriccin correspondiente. =uedar#a
entonces de la siguiente manera)
a338x3 < a348x4 0 b3 a338x3 < a348x4 9 38xs < 3 8xr 1 b3
Este tipo de variables se les llama variables artificiales y aparecern
cuando haya inecuaciones con desigualdad $,1,,0,%. Esto nos llevar
obligadamente a reali/ar el mtodo de las +os 2ases que se explicar
ms adelante.
+el mismo modo si la inecuacin tiene una desigualdad del tipo ,-,
deberemos a;adir una nueva variable llamada variable de holgura si
con la restriccin si ,0, . . !a nueva variable aparece con coeficiente
cero en la funcin objetivo y sumando en las inecuaciones.
* modo resumen podemos dejar esta tabla seg"n la desigualdad
que apare/ca y con el valor que deben estar las nuevas variables.
Tipo de desigualdad Tipo de variable que aparece
20
> ? e2#eso ; a"ti-i#ial
= ; a"ti-i#ial
@ ; +ol&u"a
9))":;;<<<."9"*i&"!e=.c$&;"'-e*;)e$#i'.9)&
2./FORMA TA1ULAR DEL METODO SIMPLE5
Con miras a conocer la metodologa que se aplica en el Mtodo SMPLEX,
vamos a resolver el siguiente problema:
Maximizar
NB f)6,4.B E6 D
84
sujeto a: 86 D 4 HF
86 D E4 C8
E6 D 4 8C
x 0 , y 0
Se consideran las siguientes fases:
1. C$n.e#)i# !'* e*i-+'!'e* en i-+'!'e*
Se introduce una varia%le !e holgura por cada una de las restricciones, para
convertirlas en igualdades, resultando el sistema de ecuaciones lineales:
86 D 4 D h B HF
86 D E4 D s B
C8
E6 D4 D ! B 8C
2. I-+'!'# !' f+ncin $%6e)i.$ ' ce#$
+ E6 + 84 D N B 9
/. E*c#i%i# !' )'%!' inici'! *i&"!e=
En las columnas aparecern todas las variables del problema y, en las filas, los
coeficientes de las igualdades obtenidas, una fila para cada restriccin y la
ltima fila con los coeficientes de la funcin objetivo:
Tabla . teracin n 1
Base Variable de decisin Variable de holgura Valores solucin
6 4 h s !
h 2 1 1 0 0 18
21
s 2 3 0 1 0 42
! / 1 0 0 1 24
N -3 -2 0 0 0 0
0. Enc$n)#'# !' .'#i'%!e e eci*in 8+e en)#' en !' %'*e ( !' .'#i'%!e e
9$!-+#' 8+e *'!e e !' %'*e
A. Para escoger la variable de decisin que entra en la base, nos fijamos
en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos
la variable con el coeficiente negativo mayor (en valor absoluto).
En nuestro caso, la variable 6 de coeficiente - 3.
Si existiesen dos o ms coeficientes iguales que cumplan la condicin
anterior, entonces se elige uno cualquiera de ellos.
Si en la ltima fila no existiese ningn coeficiente negativo, significa que
se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el
final del proceso de aplicacin del mtodo del simplex, es que en la
ltima fila no haya elementos negativos.
La columna de la variable que entra en la base se llama columna pivote
(En color azulado).

B. Para encontrar la variable de holgura que tiene que salir de la base, se
divide cada trmino de la ltima columna (valores solucin) por el
trmino correspondiente de la columna pivote, siempre que estos ltimos
sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algn elemento menor o igual que cero no se hace dicho
cociente. En el caso de que todos los elementos fuesen menores o
iguales a cero, entonces tendramos una solucin no acotada y no se
puede seguir.
El trmino de la columna pivote que en la divisin anterior d lugar al
menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la
variable de holgura que sale de la base, !. Esta fila se llama fila pivote
(En color '>+!'$).
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera
de las variables correspondientes pueden salir de la base.

C/ En la interseccin de la fila pivote y columna pivote tenemos el elemento
pivote operacional, /.
2. Enc$n)#'# !$* c$eficien)e* e !' n+e.' )'%!'.
22
Los nuevos coeficientes de 6 se obtienen dividiendo todos los coeficientes de la
fila ! por el pivote operacional, 3, que es el que hay que convertir en 1.
A continuacin mediante la reduccin gaussiana hacemos ceros los restantes
trminos de su columna, con lo que obtenemos los nuevos coeficientes de las
otras filas incluyendo los de la funcin objetivo N.
Tambin se puede hacer utilizando el siguiente esquema:
Fila del pivote:
N+e.' fi!' e! "i.$)e? @Vie6' fi!' e! "i.$)eA : @Pi.$)eA
Resto de las filas:
N+e.' fi!'? @Vie6' fi!'A B @C$eficien)e e !' .ie6' fi!' en !' c$!+&n' e !'
.'#i'%!e en)#'n)eA 5 @N+e.' fi!' e! "i.$)eA
Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la
Tabla ):
Vieja fila de s 2 3 0 1 0 42
- - - - - -
Coeficiente 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 1 1/3 0 0 1/3 8
= = = = = =
Nueva fila de s 0 7/3 0 1 -2/3 26

Tabla . teracin n 2
Base Variable de decisin Variable de holgura Valores solucin
6 4 h s !
h 0 1;/ 1 0 -2/3 2
s 0 7/3 0 1 -2/3 26
6 1 1/3 0 0 1/3 8
N 0 -1 0 0 1 24
23
Como en los elementos de la ltima fila hay uno negativo, -1, significa que no
hemos llegado todava a la solucin ptima. Hay que repetir el proceso:
A/ La variable que entra en la base es 4, por ser la variable que
corresponde al coeficiente -1
B. Para calcular la variable que sale, dividimos los trminos de la ltima
columna entre los trminos correspondientes de la nueva columna
pivote:
2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8]
y como el menor cociente positivo es 6, tenemos que la variable de
holgura que sale es h.
C/ El elemento pivote, que ahora hay que hacer 1, es 1;/.
Operando de forma anloga a la anterior obtenemos la tabla:
Tabla . teracin n 3
Base Variable de decisin Variable de holgura Valores solucin
6 4 h s !
4 0 1 3 0 -2 6
s 0 0 -7 0 0 12
6 1 0 -1 0 1 6
N 0 0 3 0 -1 30
Como en los elementos de la ltima fila hay uno negativo, -1, significa que no
hemos llegado todava a la solucin ptima. Hay que repetir el proceso:
A/ La variable que entra en la base es !, por ser la variable que
corresponde al coeficiente -1
B. Para calcular la variable que sale, dividimos los trminos de la ltima
columna entre los trminos correspondientes de la nueva columna
pivote: 6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la variable de
holgura que sale es s.
C/ El elemento pivote, que ahora hay que hacer 1, es 0.
Obtenemos la tabla:
Tabla V . Final del proceso
Base Variable de decisin Variable de holgura Valores solucin
6 4 h s !
4 0 1 -1/2 0 0 12
! 0 0 -7/4 0 1 3
6 1 0 -3/4 0 0 /
N 0 0 5/4 0 0 //
Como todos los coeficientes de la fila de la funcin objetivo son positivos,
hemos llegado a la solucin ptima.
24
Los solucin ptima viene dada por el valor de Z en la columna de los valores
solucin, en nuestro caso: //. En la misma columna se puede observar el
vrtice donde se alcanza, observando las filas correspondientes a las variables
de decisin que han entrado en la base: D@/412A
2.0EL METODO DE LAS DOS FASES
Mtodo de las Dos Fases
>ste mtodo difiere del Simplex en que primero hay que resolver un
problema auxiliar que trata de minimi/ar la suma de las variables
artificiales. ?na ve/ resuelto este primer problema y reorgani/ar la tabla
final pasamos a la segunda fase que consiste en reali/ar el mtodo
Simplex normal.
FASE 1
En esta primera fase se reali/a todo de igual manera que en el
mtodo Simplex normal excepto la construccin de la primera tabla la
condicin de parada y la preparacin de la tabla que pasar a la fase 4.
- Construccin de la primera tala: Se hace de la misma forma
que la tabla inicial del mtodo Simplex pero con algunas diferencias. !a
fila de la funcin objetivo cambia para la primera fase ya que cambia la
funcin objetivo por lo tanto aparecern todos los trminos a cero
excepto aquellos que sean variables artificiales que tendrn valor ,93,
debido a que se est minimi/ando la suma de dichas variables $recuerde
que minimi/ar 2 es igual que maximi/ar 28$93%%.
!a otra diferencia para la primera tabla radica en la forma de
calcular la fila @. *hora tendremos que hacer el clculo de la siguiente
forma) Se sumarn los productos &b8Pj para todas las filas y al resultado
se le restar el valor que apare/ca $seg"n la columna que se ste
haciendo% en la fila de la funcin objetivo.

Tabla
C0 C1 C2 /// C?A /// C
Base Cb P0 P1 P2 ... Pn-k ... Pn
Pi1 Ci1 %i1 a11 a12 /// a1?A /// a1
Pi2 Ci2 %i2 a21 a22 /// a2?A /// a2
/// /// /// /// /// /// /// /// ///
Pim Cim %im am1 am2 /// am?A /// am
25
Z B0 B1 B2 /// B2 /// B
Siendo @j 1 A$&b8Pj% 9 &j y los &j 1 . para todo j comprendido entre
. y n9B $variables de decisin holgura y exceso% y &j 1 93 para todo j
comprendido entre n9B y n $variables artificiales%.

- Condicin de parada: !a condicin de parada es la misma que en
el mtodo Simplex normal. !a diferencia estriba en que pueden ocurrir
dos casos cuando se produce la parada) la funcin toma un valor . que
significa que el problema original tiene solucin o que tome un valor
distinto indicando que nuestro modelo no tiene solucin.
- Eliminar Columna de variales arti!iciales: Si hemos llegado a
la conclusin de que el problema original tiene solucin debemos
preparar nuestra tabla para la segunda fase. +eberemos eliminar las
columnas de las variables artificiales modificar la fila de la funcin
objetivo por la original y calcular la fila @ de la misma forma que en la
primera tabla de la fase 3.
IDENCI8ICANDD CA<D< ANEFA1D< G <D1HCIDNE<
"tencin de la solucin: &uando se ha dado la condicin de
parada obtenemos el valor de las variables bsicas que estn en la base
y el valor ptimo que toma la funcin que estn en la base mirando la
columna P.. En el caso de que estemos minimi/ando se multiplicar por
,93, el valor ptimo.
In!initas soluciones: &umplida la condicin de parada si se
observa que alguna variable que no est en la base tiene un . en la fila
@ quiere decir que existe otra solucin que da el mismo valor ptimo
para la funcin objetivo. Si estamos ante este caso estamos ante un
problema que admite infinitas soluciones todas ellas comprendidas
dentro del segmento $o porcin del plano o regin del espacio
dependiendo del n"mero de variables del problema% que define
*x<Cy1@.. Si se desea se puede hacer otra iteracin haciendo entrar en
la base a la variable que tiene el . en la fila @ y se obtendr otra
solucin.
Solucin ilimitada: Si al intentar buscar la variable que debe
abandonar la base nos encontramos que toda la columna de la variable
entrante tiene todos sus elementos negativos o nulos estamos ante un
problema que tiene solucin ilimitada. :o hay valor ptimo concreto ya
que al aumentar el valor de las variables se aumenta el valor de la
funcin objetivo y no viola ninguna restriccin.
26
#o e$iste solucin: En el caso de que no exista solucin seguro
que tendremos que reali/ar las dos fases por lo que al trmino de la
primera sabremos si estamos en tal situacin.
Empate de variale entrante: Se puede optar por cualquiera de
ellas sin que afecte a la solucin final el inconveniente que presenta es
que seg"n por cual se opte se harn ms o menos iteraciones. Se
aconseja que se opte a favor de las variables bsicas ya que son
aquellas las que quedarn en la base cuando se alcance la solucin con
estos mtodos.
Empate de variale saliente: Se puede nuevamente optar por
cualquiera de ellas aunque se puede dar el caso degenerado y entrar en
ciclos perpetuos. Para evitarlos en la medida de lo posible
discriminaremos a favor de las variables bsicas haciendo que se queden
en la base. *nte el caso de estar en la primera fase $del mtodo de las
+os 2ases% se optar por sacar en caso de empate las variables
artificiales.
Curiosidad Fase 1: *l finali/ar la fase 3 si el problema original
tiene solucin todas las variables artificiales en la fila @ deben tener el
valor ,3,.
%&ivote puede ser '(: :o ya que siempre se reali/an los cocientes
entre valores no negativos y mayores que cero.
2.2EL METODO SIMPLE5 REVISADO.
El mtodo simplex revisado. El mtodo simplex original es un procedimiento
algebraico directo.
Sin embargo, durante su clculo utiliza muchos valores los cuales finalmente
no son relevantes en la toma de decisiones. El mtodo simplex revisado utiliza
nicamente: Los coeficientes de las V.N.B en el rengln (0). Los coeficientes
de la variable bsica entrante en las restricciones. Los coeficientes de las V.B
actuales en las restricciones. El lado derecho de las ecuaciones.
El mtodo simplex revisado utiliza una notacin de forma matricial para hallar la
solucin al problema.
Max Z = c x
(u1eto a
27
A x b
x 0
Veremos que no es necesario tener toda la tabla del Simplex en cada iteracin. Alcanza con
conocer el inverso de la base y los multiplicadores del Simplex para la base actual.
Desde luego, tambin necesitamos los datos originales del problema.
En lugar de mantener toda la tabla, tendremos
! "os costos reducidos de las variables no b#sicas. $ue calcularemos como
.
! "a columna actualizada para la variable que entra a la base. Esta columna se calcula como
.
! El lado derec%o actualizado

, que se calcula como .
Entonces, lo &nico que debemos actualizar entre dos iteraciones es y 'que es, en
realidad, (.
)ara entender su *uncionamiento, consideremos la siguiente tabla
B N + b I
, + +
que es la tabla del simplex salvo por el &ltimo grupo de columnas.
-ealizando las mismas operaciones sobre esta tabla, que sobre la tabla del mtodo Simplex,
obtenemos
I +
+ ,
.otamos lo siguiente
la parte extra de esta tabla contiene y .
la columna se actualiza con las mismas operaciones que .
Dada la columna actualizada para la variable que entra a la base, y siendo la
variable que sale de la base, podemos actualizar , , y con el siguiente
procedimiento
! /onstruir la mini tabla del Simplex -evisado
28
! )ivotear sobre , para que se trans*orme en . "a nueva tabla es
dode el 4di#e si&i-i#a el $alo" a#tual e la ue$a %ase/
E<IHEFA DE1 FJCDDD <IFP1EK LEMI<ADD
,. Dados , , y para la base *actible actual.
0. Determinar
a. , solucin b#sica actual es ptima, S12).
b. alg&n 3, entra a la base.
4. /alcular la columna actualizada .
Si el problema no tiene solucin acotada, S12).
Si no, determinar de
sale de la base.
5. Actualizar , , y de acuerdo a la nueva base, pivoteando sobre el
elemento en la mini tabla del Simplex -evisado.
6. )oner , volver a 0.
2.CCASOS ESPECIALES.
El Mtodo simplex es un procedimiento iterativo que permite ir mejorando la
solucin a cada paso. El proceso concluye cuando no es posible seguir
mejorando ms dicha solucin o cuando esta es ptima. Este mtodo, permite
analizar cada variable del problema planteado, sus variaciones, para
determinar cual es la decisin ms acertada a tomar en cualquiera que sea el
rea de la empresa sobre la cual se presente la incertidumbre. Existen casos
especiales de solucin de problemas por medio del simplex, tales como:
Soluciones Mltiples Solucin Degenerada Solucin nfactible Sin
Solucin
29
A continuacin se presenta un anlisis detallado de cada caso especial de
solucin con un ejemplo prctico.
CASO DE SOLUCONES MLTPLES
Cuando la funcin objetivo es paralela a una restriccin que se satisface en el
sentido de la igualdad a travs de la solucin ptima, la funcin objetivo tomar
el mismo valor ptimo en ms de un punto de la solucin. Por esta razn
reciben el nombre de Mltiples alternativas ptimas.
CASO DE SOLUCN DEGENERADA
La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe
un empate en la seleccin de la variable que sale. Este empate se rompe
arbitrariamente. En este caso decimos que la nueva solucin es degenerada.
Sin embargo, cuando suceda esto una o ms veces de las variables bsicas,
ser necesariamente igual a cero en la siguiente iteracin. En el mtodo
simplex, la presencia de una variable bsica igual a cero, no requiere ninguna
accin especial; en todo caso, es necesario no descuidar las condiciones de
degeneracin. En trminos geomtricos, la degeneracin ocurre cuando un
vrtice est definido por demasiadas restricciones.
CASO DE SOLUCN NFACTBLE
En un modelo de Programacin Lineal, cuando las restricciones no se pueden
satisfacer en forma simultnea, se dice que este no tiene solucin factible. Esta
situacin nunca puede ocurrir si todas las restricciones son del tipo MENOR O
GUAL ( ), esto, suponiendo valores positivos en el segundo miembro, ya que
las variables de holgura producen siempre una solucin factible.
Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos al
uso de variables artificiales, que por su mismo diseo no ofrecen una solucin
factible al modelo original. Aunque se hacen provisiones (a travs del uso de
penalizaciones) para hacer que estas variables artificiales sean cero en el nivel
ptimo, esto slo puede ocurrir si el modelo tiene una espacio factible. Si no lo
tiene, cuando menos una variable artificial ser positiva en la iteracin ptima.
Desde el punto de vista prctico, un espacio infactible, apunta a la posibilidad
de que el modelo no se haya formulado correctamente, en virtud de que las
restricciones estn en conflicto. Tambin es posible que las restricciones no
estn destinadas a cumplirse en forma simultnea. En este caso, quizs se
30
necesite una estructura del modelo totalmente diferente que no admita todas
las restricciones al mismo tiempo.
CASO DE NO SOLUCN
En algunos modelos de Programacin Lineal, los valores de las variables, se
pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo
que significa que el espacio es sin solucin cuando menos en una direccin.
Como resultado, el valor de la funcin objetivo puede crecer (Maximizacin) o
decrecer (Minimizacin) en forma indefinida. En este caso, decimos que el
espacio en el cual se espera sea resuelto el modelo, y el valor ptimo de la
funcin objetivo no tiene solucin.
La falta de explicacin de un modelo puede sealar solo una cosa, que este se
encuentra mal construido. Evidentemente resulta irracional hacer que un
modelo produzca una ganancia infinita. Las irregularidades ms probables en
este modelo son:
1. No se toman en cuenta una o ms restricciones redundantes 2. No se
determinan adecuadamente los parmetros (constantes) de alguna restriccin.
III TEORIA DE LA DUALIDAD Y ANALISIS DE SENSI1ILIDAD.
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 smplex ptima de cualquiera de los dos problemas conduce en
forma automtica a la solucin ptima del otro.
El mtodo smplex adems de resolver un problema de PL 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.
En la mayora de los procedimiento de PL, el dual se define para varias formas
del primal, dependiendo de los tipos de restricciones, de los signos de las
variables y del sentido de la optimizacin. La experiencia nos indica que en
ocasiones, los principiantes se confunden con los detalles de esas definiciones.
Ms importante an es que el uso de esas definiciones mltiples puede
conducir a interpretaciones inconsistentes de los datos en la tabla smplex,
sobre todo en lo que respecta a los signos de las variables.
31
El concepto de dualidad indica que para cada problema de PL hay una
asociacin y una relacin muy importante con otro problema de programacin
lineal, llamado precisamente dual.
La relacin entre el problema dual y su asociado, es decir el problema
original llamado primal, presenta varias utilidades:
Aporta elementos que aumentan sustancialmente la compresin de la PL.
El anlisis de dualidad es una herramienta til en la solucin de problemas
de PL, por ejemplo: ms restricciones que variables.
El problema dual tiene interpretaciones e informaciones importantes que
muestran que los anlisis marginales estn siempre involucrados
implcitamente al buscar la solucin ptima a un problema de PL.
La forma estndar general del primal se defina como; para maximizar o
minimizar.
sujeto a;
Cmo convertir un problema primal a dual?
Un problema dual se formula de un problema primal de la siguiente forma:
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.

PRO1LEMA PRIMAL EN FORMA
CANONICA:
PRO1LEMA DUAL EN FORMA
CANONICA:
32
MA5 Z? C5
S+6e)$ ':
A5 %
5 D
MIN Z? 1Y
S+6e)$ ':
AY C
Y D
Ejemplo.
Si el problema primal es: MAX Z= 45X1 + 17X2 + 55X3
Sujeto a:
X1 + X2 + X3 200
9X1 + 8X2 + 10X3 5000
10X1+ 7X2 + 21 X3 4000
Xj 0
El problema dual ser:
MN Z= 200Y1 + 5000Y2 + 4000Y3
Sujeto a:
Y1 + 9Y2 + 10Y3 45
Y1 + 8Y2 + 7Y3 17
Y1 + 10Y2 + 21Y3 55
Yj 0
/.1. FORMULACION DEL PRO1LEMA DUAL
FORMA DE PRESENTAR EL PRO1LEMA DUAL
MN = 2X1 - 3X2
Sujeto a:
1X1 + 2X2 12
4X1 - 2X2 3
33
6X1 - 1X2 = 10
X1,2 0
1. Llevar el problema a su equivalente de maximizacin, multiplicando la
funcin objetivo por 1:
MAX -2X1 + 3X2
2/ Convertir las restricciones en una restriccin equivalente
multiplicando por 1 ambos lados:
-4x1 + 2x2 -3
3/ Para las restricciones de igualdad, obtener 2 restricciones de
desigualdad, una de forma y la otra de forma ; despus regresar al
punto anterior y cambiar la restriccin a la forma :
6X1 1X2 10
6X1 1X2 10
6X1 1X2 10
-6X1 + 1X2 -10
As el problema primal se ha replanteado en la forma equivalente:
MAX Z= -2X1 + 3X2
Sujeto a:
1X1 + 2X2 12
-4X1 + 2X2 - 3
6X1 1X2 10
-6X1 + 1X2 -10
X1,2 0
4/ Teniendo el problema primal convertido a la forma cannica de un
problema de maximizacin, es fcil llevarlo al problema dual:
MN 12Y1 3Y2 + 10Y3
34
Sujeto a:
Y14Y2 + 6Y3'6Y3'' -2 Y'3 y Y''3 ambas se refieren a la tercera
restriccin
2Y1 + 2Y2 1Y3' + 1Y3'' 3 del problema primal.
Y1, 2, 3', 3'' 0
/.2. RELACION PRIMAL DUAL
35
36
/./. INTERPRETACION ECONOMICA DEL DUAL
nterpretacin econmica del problema dual.
Precio Sombra.- Se define como la proporcin con que mejora el valor de la
funcin objetivo a partir de la i - sima restriccin, dependiendo si se trata de
maximizacin tiende a aumentar y a disminuir cuando es de minimizacin. La
interpretacin econmica de la dualidad se basa directamente en la
interpretacin ms frecuente del problema primal ( 16 ). nterpretacin del
problema dual. Para ver cmo la interpretacin del problema primal conduce a
una interpretacin econmica del problema dual. Notese el valor de Z como: Z
= W1b1 + W2b2 + W3b3 + + Wmbm donde cada bi Wi puede interpretarse
como la contribucin a la ganancia por disponer de bi unidades del recurso i.
Wi se interpreta como la contribucin a la ganancia por unidad del recurso i ( i
= 1 , 2, . . . , m), cuando se usa el conjunto actual de variables bsicas para
obtener la solucin primal.
37
ujeto a: unidades del m recurso i-simo Valor nitario
Ganancia asignada j = 1,, n Suma utlizados por * del recurso
= a cada unidad de i =1 unidad de la i-simo
la actividad j-sima actividad j-sima
Valor unitario i - 1, , m * del recurso >= 0 i- simo
1a asi&a#i' de !"o%a%ilidades a los e$etos es ua ta"ea di-4#il que mu#+os &e"etes
!uede most"a"se di-4#il a +a#e"* !o" lo meos #o #ie"to &"ado de e2a#titud/ E al&uos
#asos !"e-ie"e de#i" N#"eo que la !"o%a%ilidad de que este e$eto o#u""a estO et"e 0/5 0
0/7P/ Qa,o estas #i"#usta#ias* #omo e #ualquie" as!e#to de de#isi' &e"e#ial* es (til
"eali.a" u aOlisis de sesi%ilidad !a"a dete"mia" #'mo a-e#ta a la de#isi' la
asi&a#i' de !"o%a%ilidades/
El aOlisis de sesi%ilidad #o#ie"e el estudio de !osi%les #am%ios e la solu#i'
'!tima dis!oi%le #omo "esultado de +a#e" #am%ios e el modelo o"i&ial/
De-ii#ioes &ee"ales del AOlisis de sesi%ilidad
E-e#to eto/? Es la &aa#ia o !"dida !o" uidad adi#ioal de ua $a"ia%le que et"a a
la %ase/ El e-e#to eto de ua $a"ia%le %Osi#a siem!"e se"O #e"o/
- , = e-e#to eto
E,em!lo9 Leali.a" u aOlisis de sesi%ilidad !a"a el si&uiete modelo/
Fa2imi.a"9 Ko = 10K1 ; 15K2 ; 4K3 ; 2K4
su,eto a9 10K1 ; 20K2 ; 2K3 ; 3K4 R= 4*000
5K1 ; 5K2 ; 5K3 ; 4K4 R= 1500
4K1 ; 2K2 ; 6K3 ; 6K4 R= 800
S K1* K2* K3* K4 T= 0
<olu#i' '!tima del !"o%lema/

Qase Ko K1 K2 K3 K4 K5 K6
K7 <ol/
Ko 1 0 0 7U3 5 2U3 0
5U6 3*333/33
K2 0 0 1 ?13U5 ?12U15 1U15 0
?1U6 400U3
K6 0 0 0 ?1U3 ?3U2 ?1U6 1
?5U6 500U3
K1 0 1 0 29U15 19U10 ?1U30 0
1U3 400U3
38
Cambios en los coeficientes de la funcin objetivo.
El #am%io e el C, de ua $a"ia%le se ite"!"eta"4a* !o" e,em!lo* #omo e i#"emeto
e el !"e#io de u !"odu#to !a"a u o%,eti$o de ma2imi.a#i'* o #omo la dismiu#i'
e el #osto de ua mate"ia !"ima !a"a u o%,eti$o de miimi.a#i'/
8ialmete* se estudia"O !o" se!a"ado si la modi-i#a#i' e el C, es !a"a ua $a"ia%le
o?%Osi#a o !a"a ua %Osi#a* 0a que las #ose#ue#ias e #ada #aso so mu0 di-e"etes/
Cambios en el coeficiente Objetivo de una variable No-bsica.
Es im!o"tate me#ioa" que ua $a"ia#i' de C, a C,V e el #oe-i#iete o%,eti$o de ua
$a"ia%le o?%Osi#a* o e#esa"iamete #olle$a a ua i-"a##i' de la ime,o"a%ilidad
de la solu#i' '!tima a#tual* auque e #ie"tas o#a#ioes si lo +a&a/ Po" este moti$o* se
#oside"a"O a #otiua#i' dos alte"ati$as de #am%io mutuamete e2#lusi$as e el C,
de ua $a"ia%le o?%Osi#a/
315 #uado C,V R C, 3ma2imi.a#i'5
e la solu#i' '!tima a#tual
- , = C, ? B, R= 0 ==T - , = C,V ? B, R 0
Co lo #ual la ime,o"a%ilidad o se i-"i&e/ E #ose#ue#ia* se dedu#e que #uado el
C,V R C, e u !"o%lema de ma2imi.a#i'* la solu#i' '!tima a#tual o se alte"a"a* lo
mismo e miimi.a#i' #o C,V T C,/

325 #uado C,V T C, 3ma2imi.a#i'5
Es #la"o que solamete #uado el !"e#io de la utilidad de ua $a"ia%le o?%Osi#a se
i#"emeta* C,V T C,* e u !"o%lema de ma2imi.a#i'* su"&e la !osi%ilidad de que se
alte"e la ime,o"a%ilidad 0 !o" ede la o!timidad a#tual/
-, = C, ? B, R= 0 ==T C,V R= C, ?-,
o alte"ati$amete* #uado C,V R= C, ; I -, I
Es de#i"* si el ue$o C, satis-a#e la desi&ualdad* la a#tual solu#i' !e"mae#e '!timaW
de lo #ot"a"io* de%e #al#ula"se el - ,V el #ual se"O !ositi$o* e it"odu#i"se K, a la %ase
!a"a e#ot"a" la ue$a solu#i' '!tima/
E,em!lo9 Cam%io e el C, de ua $a"ia%le o ? %Osi#a/
Pa"a el !"o%lema dado/
a5 dete"mia" los "a&os de $a"ia#i' e la utilidad uita"ia de las $a"ia%les o?%Osi#as *
tal que la solu#i' '!tima o se alte"e/
%5 E$alua" los e-e#tos de u i#"emeto e la utilidad uita"ia del !"odu#to 3 de X4 a
X5/
#5 E$alua" el e-e#to de de u aumeto e la utilidad a#tual del !"odu#to 4 de X2 a X8/
a5 C,V R=C, ; I -i , I
C3V R= 4 ; I -7/3I R= 19U3
39
C4V R=2 ; I -5I R= 7
C5V R= 0 ; I ?/3I R= 2U3
C7V R= 0 ; I -5/!I = 5U6
%5 Dado C3V = 5 = 15U3 satis-a#e el l4mite mO2imo de 19U3* !o" lo tato* el i#"emeto
o modi-i#a la solu#i' '!tima a#tual/
C5 Ga C4V = 8 so%"e!asa el l4mite de i#"emeto e C4* la solu#i' '!tima a#tual
#am%ia"O/ El ue$o -4 es
-4V = C4V ? B4 = 8 ?7 = 1
0 al se" !ositi$o* K4 de%e et"a" a la %ase/

Qase Ko K1 K2 K3 K4 <1 <2
<3 <ol/
Ko 1 0 0 7U3 ?1 2U3 0 5U6
3*333/33
K2 0 0 1 ?13U15 ?12U15 1U15 0
?1U6 400U3 ??????
K6 0 0 0 ?1U3 ?3U2 ?1U6 1
?5U6 500U3 ??????
K1 0 1 0 29U15 19U10 ?1U30 0
1U3 400U3 4000U57
/.0. CONDICIONES EFUNBTUCEER.
Condiciones de Karush Kuhn Tucker
Proposicion 9 (upOongase -ue f(6), g1(6) con 1 = 1, :::,m, son funciones
!iferencia%les -ue satisfacen ciertas con!iciones !e regulari!a!:
Entonces, 6 pue!e ser una soluciOon Ooptima para el pro%lema !e programaci
Oon no+lineal, sOolo si e6isten m nOumeros P1, :::, Pm -ue satisfagan
to!as las con!iciones necesarias siguientes:
40
Comentarios acerca de KKT
Las condiciones de optimalidad de Karush-Kuhn-Tucker son condiciones
necesarias y solo garantizaran optimalidad global si se cumplen
adicionalmente otras condiciones de convexidad. Corolario ! Supongase
que f"x# es una funcion convexa y diferenciable, y que g"x#, g$"x#, ..., gm"x#
tambien lo son en donde todas estas funciones satisfacen las condiciones
de regularidad. Entonces %x & "%x, ..., %xn# es una solucion optima si y s
olo si se satisfacen todas las condiciones del teorema. 'l metodo
identi(ica puntos optimos locales )ue cumplan condiciones de regularidad
Los gradientes de las restricciones activas en el punto deben ser
linealmente independientes.
Condiciones de *egularidad del +ominio
Ciertas condiciones garantizan regularidad en todo el dominio, -roposici
on (Slater) Las condiciones de regularidad de Slater establecen que si
ay un dominio ! & "x , g#"x# $ !% con g#"x# funciones convexas, y existe un
punto %x & ! tal que g#"%x# ' ! (# & , . . . ,m,entonces todo punto x & ! es
regular. -roposicion $ (Slater)*sa+a) Las condiciones de regularidad de
Slater) *sa+a establecen que si ay un dominio ! & "x , g#"x# $ !% con g#"x#
funciones convexas, y existe un punto %x & ! tal que g#"%x# ' ! para toda
restriccion no lineal, y g#"%x# $ ! para toda restriccion lineal, entonces todo
punto x & ! es regular. ,orolario -. En problemas lineales basta que aya
un punto factible para decir que su dominio es regular.
41
42
/.2. DUAL SIMPLE5
EL MTODO DUAL SIMPLE5
Como sa%emos* el mtodo sim!le2 es u al&o"itmo ite"ati$o que ii#iado e ua
solu#i' %Osi#a -a#ti%le !e"o o '!tima* &ee"a solu#ioes %Osi#as -a#ti%les #ada $e.
me,o"es +asta e#ot"a" la solu#i' '!tima 3s4 esta e2iste5/ N'tese que la %ase de su
l'&i#a es matee" la -a#ti%ilidad* miet"as %us#a la o!timalidad/ Pe"o su"&e la
!osi%ilidad de usa" ot"o esquema i&ualmete ite"ati$o* que #omo #ot"a!a"te del
sim!le2* #omie.a e ua solu#i' %Osi#a '!tima* !e"o o -a#ti%le 0 matiee la
ime,o"a%ilidad miet"as %us#a la -a#ti%ilidad/ Co este !"o#edimieto se lle&a
i&ualmete a la solu#i' '!tima/
El ue$o al&o"itmo -ue desa""ollo e 1954 !o" C/ E/ 1emAe 0 se #oo#e #o el om%"e
de Mtodo ual-!i"ple#/ A #otiua#i' se !"eseta su est"u#tu"a 0 u e,em!lo !a"a
ilust"a" su a!li#a#i'/

A!-$#i)&$ D+'!BSi&"!e= "'#' +n &$e!$ e
&'=i&i>'cin
$ntroducci%n
P"ime"o se de%e e2!"esa" el modelo e -o"mato estOda"* a&"e&ado las $a"ia%les de
+ol&u"a 0 de e2#eso que se "equie"a/
Ese&uida* e las e#ua#ioes que te&a $a"ia%les de e2#eso 3"esultates de
"est"i##ioes de ti!o T5* se de%e multi!li#a" !o" 3?15 e am%os lados * !a"a +a#e" !ositi$o
el #oe-i#iete de la $a"ia%le de e2#eso* 0 -o"ma" as4 u $e#to" uita"io que os !e"mita
toma" esta $a"ia%le de e2#eso #omo ua $a"ia%le %Osi#a ii#ial/ si e#esidad de a&"e&a"
ua $a"ia%le a"ti-i#ial e esa "est"i##i'/
Al +a#e" lo ate"io" se lo&"a que de%a,o de las $a"ia%les %Osi#as a!a"e.#a ua mat"i.
idetidad* que es la que el sim!le2 siem!"e toma #omo %ase ii#ial/
D%ted"emos que los t"mios del lado de"e#+o de las e#ua#ioes multi!li#adas !o" 3?15
queda #o si&o e&ati$o* lo #ual +a#e que la solu#i' ii#ial sea i-a#ti%le/
Es im!o"tate desta#a" que este !"o#eso es mu0 (til 0a que e mu#+os modelos e$ita la
i#lusi' de $a"ia%les a"ti-i#iales e el mometo de t"as-o"ma" u modelo a -o"mato
estOda"/
El al&o"itmo !a"a "esol$e" u modelo de ma2imi.a#i' es el si&uiete9
Paso 1& Yalla" ua solu#i' b'sica inicial in(actible e in"e)orable
Es#"i%i" el ta%le"o ii#ial tomado a las $a"ia%les de +ol&u"a 0 de e2#eso #omo $a"ia%les
%Osi#as ii#iales
43
Paso 2& P"ue%a de -a#ti%ilidad
a/ <i todas las $a"ia%les %Osi#as so o e&at4$as* la a#tual solu#i' es la '!tima/
%/ <i +a0 al meos ua $a"ia%le %Osi#a e&ati$a* sele##ioa" #omo $a"ia%le de
salida*
3 llammosla 3KQ5s 5* a aquella #o el $alo" mas e&ati$o/ 1os em!ates se
!uede
"om!e" a"%it"a"iamete/
Paso *& P"ue%a de ime,o"a%ilidad
a/ <4 e el "e&l' de la $a"ia%le %Osi#a de salida 3KQ5s todos los #oe-i#ietes de
"eem!la.o #o las $a"ia%les o %Osi#as so o e&ati$os* la solu#i' del modelo
es '!tima 6limitada/ <e te"mia el !"o#eso/
<i e el "e&l' de la $a"ia%le %Osi#a de salida 3KQ5s* +a0 al meos u
#oe-i#iete de ite"#am%io e&ati$o * se e-e#t(a los #o#ietes et"e el e-e#to
eto de #ada $a"ia%le o %Osi#as 0 su #o""es!odietel #oe-i#iete de
ite"#am%io e&ati$o/
Es de#i"* siedo 3KQ5s la $a"ia%le de salida se #al#ula todos los #o#ietes
<e toma #omo $a"ia%le de et"ada 3 llammosla Ke 5 a aquella que #o""es!oda al
m4imo de los #o#ietes del ate"io" #o,uto
<i la $a"ia%le de et"ada es Ke el elemeto !i$ote se"O el elemeto 3!e5s
El em!ate se !uede "om!e" a"%it"a"iamete/
%/ A!li#a" la o!e"a#i' de !i$oteo !a"a &ee"a" la ue$a ta%la* e la #ual a!a"e.#a
Ke #omo $a"ia%le %Osi#a e lu&a" de la $a"ia%le de salida 3KQ5s
#/ Le!eti" el al&o"itmo a !a"ti" del !aso 2/
E6e&"!$ e '"!ic'cin e! M7)$$ D+'! Si&"!e=
<ea el si&uiete modelo9
Fa2imi.a"
@1
?2K1 ?2K2 ?3K3
44
<u,eto a 9 2K1 ;4K2 ;2K3 T 10

3K1 ?3K2 ;9K3 = 12

#o K1* K2* K3 T 0
E2!"esemos el modelo e -o"mato estOda"
Fa2imi.a"
@1
?2K1 ?2K2 ?3K3
<u,eto a 9 2K1 ;4K2 ;2K3 ?IE1 = 10

3K1 ?3K2 ;9K3 ?IE2 = 12
multi!liquemos !o" 3?15 e am%os lados de las e#ua#ioes* !a"a -o"ma" los $e#to"es
uita"ios* "eque"idos !a"a #ota" #o ua %ase ii#ial uita"ia/
Fa2imi.a"
@1
?2K1 ?2K2 ?3K3
<u,eto a 9 ?2K1 ?4K2 ?2K3 ;IE1 = ?10

?3K1 ;3K2 ?9K3 ;IE2 = ?12
paso 1.
Comado las $a"ia%les %Osi#as ii#iales +a#emos lo si&uiete9
Cj 94 94 96 . . DC
C) *1 *+ *, E1 E+ Solucin )-sicas
. 94 97 94 3 . 93.E1
. 96 6 9E . 3 934E+
.j . . . . . .
Ej 94 94 96 . . ..
Paso 2
<ale E2 = 3KQ52 o sea s = 2
Paso *
a/ Cal#ulado los #o#ietes !a"a todo 3<,52 R 0 o%teemos9
45
o sea que K3 es la $a"ia%le de et"ada3 eto#es e = 35 0 el elemeto !i$ote es el 3<e5s =
3<352 = ?9
%/ E-e#tuado el !i$oteo o%teemos la ta%la si&uiete9
T'%!' 1 @&'=i&i>'#A
Cj 94 94 96 . . DC
C) *1 *+ *, E1 E+ Solucin )-sicas
. 97F6
9
37F6
. 3 94FE 944F6E1
96 93F6 93F6 3 . 93FE 7F6*,
.j 93 3 96 . 3F6
Ej 93 96 . . 93F6 97.

#/ Le!itiedo el al&o"itmo desde el !aso 1* o%teemos9
sale E1 = 3KQ51 0 et"a K2 !o" lo #ual o%teemos la si&uiete ta%la
T'%!' 2
Cj 94 94 96 . . DC
C) *1 *+ *, E1 E+ Solucin )-sicas
94 4FG 3 .
9
6F37
3F43 33FG*+
96 6FG . 3
9
3F37
9
4F43
36FG*,
.j
9
36FG
3 96
9
EF37
7F43
Ej 93FG . .
9
EF37
9
7F43
9H3FG.
Como se o%se"$a* a+o"a estamos e el '!timo/
E de-iiti$a9
K2Z = 11U7
K3Z = 13U7
BZ = ? 61U7
+tro e)e"plo&
Lesol$e" el si&uiete modelo usado el mtodo Dual?<im!le2
Fiimi.a"
@1
2K1 ; 2K2


<u,eto a 9 3K1 ;K2

T 10

4K1 ;3K2

T 12
46
K1 ;2K
I
#o K1* K2 T 0
E2!"esado el modelo e -o"mato estOda" 0 a,ustOdolo !a"a que las $a"ia%les %Osi#as
sea las $a"ia%les de +ol&u"a teemos9
Fiimi.a"
@1
2K1 ; 2K2
<u,eto a 9 ?3K1 ?K2 ;IE1 = ?3

?4K1 ?3K2 ;IE2 = ?6
K1 ;2K ;IE3 = 3
Hsado el mtodo Dual <im!le2 o%teemos* su#esi$amete9
T'%!' D
Qasi#as
D3 D4 E3 E4 J6 Solucin
E1
96 93 3 . . 96
E2
97 96 . 3 . 9H
Y3
3 4 . . 3 6
E,
4 3 . . . .
<ale E2
Eto#es los #o#ietes so
,ota& D%s"$ese que #uado el o%,eti$o es miimi.a"* se toma el $alo" a%soluto de los
#o#ietes/
T'%!' 1
Qasi#as
D3 D4 E3 E4 J6 Solucin
47
E1
9KF6 . 3 93F6 . 93
E2
7F6 3 . 93F6 . 4
Y3
9KF6 . . 4F6 3 93
E,
4 . . 3F6 . 4

<ale Y1
1os #o#ietes so9
T'%!' 2 @")i&'A
Qasi#as
D3 D4 E3 E4 J6 Solucin
E1
3 . 96FK 3FK . 6FK
E2
. 3 7FK 96FK . HFK
Y3
. . 93 3 3 .
E,
. . 4FK 3FK . 34FK
1a solu#i' '!tima es K1 = 3U5* K2 = 6U5 W B = 12U5
E la &"O-i#a o%se"$amos el #amio que "ealmete si&ui' el al&o"itmo !a"a !asa" de la
solu#i' i-a#ti%le #o $alo" B= 0 a la solu#i' -a#ti%le '!tima #o $alo" B = 12U5/
1a a!li#a#i' del mtodo sim!le2 dual es es!e#ialmete (til e el aOlisis de
sesi%ilidad/ <e usa #uado des!us de +a%e" o%teido la solu#i' '!tima* se desea
a&"e&a" ua ue$a "est"i##i' al modelo si la ue$a "est"i##i' o se #um!le/
E este #aso se o%tiee que !a"a los $alo"es '!timos de las $a"ia%les de de#isi'* la
solu#i' !e"mae#e '!tima !e"o se #o$ie"te e i-a#ti%le/ <u"&e eto#es la e#esidad
de a!li#a" el al&o"itmo Dual?<im!le2 !a"a e2t"ae" la $a"ia%le %Osi#a que tiee $alo"
i-a#ti%le/ Cuado estudiemos el tema de aOlisis de sesi%ilidad aali.a"emos u #aso
#omo el #itado/
9))":;;$cenci'.+e'.e+.c$;in-enie#i';"!ine'!;+'!i'1D.9)
&
48
/.C. CAM1IOS EN EL VECTOR COSTOS
49
/.G. CAM1IOS EN LOS 1i DE LAS RESTRICCIONES
La generacin automtica de cdigo es ya un viejo sueo (ver por ejemplo [1]),
al que la MDA [2] (Model-Driven Architecture) y, en general, el MDD (Model-
Driven Development) han dado un nuevo impulso. ltimamente han aparecido
muchos mtodos y herramientas que prometen la generacin automtica y
completa del cdigo de una aplicacin a partir de su especificacin en UML.
Como ejemplo, es difcil encontrar una herramienta CASE que no se anuncie a
sus posibles usuarios/compradores destacando sus capacidades de
generacin de cdigo o su adhesin a la filosofa MDA. No obstante an queda
mucho por hacer. Todos estos mtodos y herramientas son capaces de
50
generar clases en Java o tablas en una base de datos relacional (BDR) a partir
de un esquema conceptual (EC) definido usando un diagrama de clases en
UML y (algunos menos) de generar tambin la parte dinmica a partir de
diagramas de estados o lenguajes de acciones (Action Semantics, [3]). El
problema es que muchos de ellos se "olvidan de las restricciones de integridad
(R) durante esta generacin, a pesar de que, tal y como se define en [4] las R
son una parte fundamental de la especificacin de una aplicacin y por lo tanto
tienen que tenerse en cuenta durante su implementacin. En este artculo se
estudia el soporte ofrecido por estos mtodos para la generacin automtica de
las R definidas en la especificacin del EC. Como se ver, todos presentan
limitaciones en cuanto a la expresividad de las R permitidas o respecto a la
eficiencia del cdigo generado para su comprobacin. Adems, en muchos de
ellos el soporte es casi nulo. Es totalmente imposible evaluar todas las
herramientas y mtodos disponibles. Se han intentado escoger los ms
representativos de cada grupo (herramientas CASE, herramientas MDA,
mtodos de generacin automtica). Se han incluido tambin todas las
herramientas que permiten la definicin de R en OCL (Object Constraint
Language [5]) o similares, ya que son las nicas que pueden permitir la mxima
expresividad en la definicin de R (la mayora de R no se pueden expresar
simplemente de forma grfica y necesitan de un lenguaje especfico [6 ch. 2]).
La estructura de este trabajo es la siguiente: en primer lugar se definen los
criterios de la evaluacin. A continuacin, en la seccin 3 se evalan las
diferentes herramientas y mtodos. En la seccin 4 se definen una serie de
caractersticas deseables en todo mtodo de generacin de R. Finalmente, en
la seccin 5 se presentan algunas conclusiones.
/.H. CAM1IOS EN LOS COEFICIENTES
Cambios en los coeficientes de la funcin objetivo.
El #am%io e el C, de ua $a"ia%le se ite"!"eta"4a* !o" e,em!lo* #omo e i#"emeto
e el !"e#io de u !"odu#to !a"a u o%,eti$o de ma2imi.a#i'* o #omo la dismiu#i'
e el #osto de ua mate"ia !"ima !a"a u o%,eti$o de miimi.a#i'/
8ialmete* se estudia"O !o" se!a"ado si la modi-i#a#i' e el C, es !a"a ua $a"ia%le
o?%Osi#a o !a"a ua %Osi#a* 0a que las #ose#ue#ias e #ada #aso so mu0 di-e"etes/
Cambios en el coeficiente Objetivo de una variable No-bsica.
Es im!o"tate me#ioa" que ua $a"ia#i' de C, a C,V e el #oe-i#iete o%,eti$o de ua
$a"ia%le o?%Osi#a* o e#esa"iamete #olle$a a ua i-"a##i' de la ime,o"a%ilidad
de la solu#i' '!tima a#tual* auque e #ie"tas o#a#ioes si lo +a&a/ Po" este moti$o* se
#oside"a"O a #otiua#i' dos alte"ati$as de #am%io mutuamete e2#lusi$as e el C,
de ua $a"ia%le o?%Osi#a/
315 #uado C,V R C, 3ma2imi.a#i'5
e la solu#i' '!tima a#tual
- , = C, ? B, R= 0 ==T - , = C,V ? B, R 0
Co lo #ual la ime,o"a%ilidad o se i-"i&e/ E #ose#ue#ia* se dedu#e que #uado el
C,V R C, e u !"o%lema de ma2imi.a#i'* la solu#i' '!tima a#tual o se alte"a"a* lo
51
mismo e miimi.a#i' #o C,V T C,/

325 #uado C,V T C, 3ma2imi.a#i'5
Es #la"o que solamete #uado el !"e#io de la utilidad de ua $a"ia%le o?%Osi#a se
i#"emeta* C,V T C,* e u !"o%lema de ma2imi.a#i'* su"&e la !osi%ilidad de que se
alte"e la ime,o"a%ilidad 0 !o" ede la o!timidad a#tual/
-, = C, ? B, R= 0 ==T C,V R= C, ?-,
o alte"ati$amete* #uado C,V R= C, ; I -, I
Es de#i"* si el ue$o C, satis-a#e la desi&ualdad* la a#tual solu#i' !e"mae#e '!timaW
de lo #ot"a"io* de%e #al#ula"se el - ,V el #ual se"O !ositi$o* e it"odu#i"se K, a la %ase
!a"a e#ot"a" la ue$a solu#i' '!tima/
E,em!lo9 Cam%io e el C, de ua $a"ia%le o ? %Osi#a/
Pa"a el !"o%lema dado/
a5 dete"mia" los "a&os de $a"ia#i' e la utilidad uita"ia de las $a"ia%les o?%Osi#as *
tal que la solu#i' '!tima o se alte"e/
%5 E$alua" los e-e#tos de u i#"emeto e la utilidad uita"ia del !"odu#to 3 de X4 a
X5/
#5 E$alua" el e-e#to de de u aumeto e la utilidad a#tual del !"odu#to 4 de X2 a X8/
a5 C,V R=C, ; I -i , I
C3V R= 4 ; I -7/3I R= 19U3
C4V R=2 ; I -5I R= 7
C5V R= 0 ; I ?/3I R= 2U3
C7V R= 0 ; I -5/!I = 5U6
%5 Dado C3V = 5 = 15U3 satis-a#e el l4mite mO2imo de 19U3* !o" lo tato* el i#"emeto
o modi-i#a la solu#i' '!tima a#tual/
C5 Ga C4V = 8 so%"e!asa el l4mite de i#"emeto e C4* la solu#i' '!tima a#tual
#am%ia"O/ El ue$o -4 es
-4V = C4V ? B4 = 8 ?7 = 1
0 al se" !ositi$o* K4 de%e et"a" a la %ase/


Qase Ko K1 K2 K3 K4 <1 <2
<3 <ol/
Ko 1 0 0 7U3 ?1 2U3 0 5U6
3*333/33
52
K2 0 0 1 ?13U15 ?12U15 1U15 0
?1U6 400U3 ??????
K6 0 0 0 ?1U3 ?3U2 ?1U6 1
?5U6 500U3 ??????
K1 0 1 0 29U15 19U10 ?1U30 0
1U3 400U3 4000U57
http://www.itson.mx/dii/elagarda/apagina2001/PM/dualidad.html
/.I. ADICION DE UNA NUEVA VARIA1LE
AGREGACON DE NUEVAS VARABLES
A~nadimos una nueva variable 6n+1 Q 0 con costo cn+1 y columna an+1.
A.1.- Calculamos 'n+1 R cn+1.
A.2.- Si 'n+1 R cn+1 S 0, tomamos la solucion que tenamos junto 6n+1 = 0.
A.3.- Si 'n+1 R cn+1 T 0, se a~nade la columna de 6n+1: AR1an+1.
Se aplica el metodo simplex hasta llegar a la solucion.
53
/.1D. ADICION DE UNA NUEVA VARIA1LE
El ltimo caso es aquel en el que debe introducirse al modelo una nueva
restriccin despus de que ya se ha resuelto. Este caso puede ocurrir porque
se pas por alto la restriccin en un principio o porque surgieron nuevas
consideraciones despus de la formulacin original. Otra posibilidad es que a
propsito se haya eliminado la restriccin para disminuir el esfuerzo
computacional por parecer menos restrictiva que otras ya planteadas en el
modelo, pero ahora es necesario verificar esta impresin con la solucin ptima
que se obtuvo. Para ver si la nueva restriccin afecta a la solucin ptima
actual, todo lo que tiene que hacerse es verificar directamente si esa solucin
ptima satisface la restriccin. Si es as, todava sera la mejor solucin bsica
factible (es decir, sera la solucin ptima), aun cuando se agregara la
restriccin al modelo. La razn es que una nueva restriccin slo puede
eliminar algunas de las soluciones factibles anteriores sin agregar ninguna. Si
la nueva restriccin elimina la solucin ptima actual, y si se quiere encontrar la
54
nueva solucin, se introduce esta restriccin a la tabla simplex final (como un
rengln adicional) como si fuera la tabla inicial, en la que se designa la variable
usual (de holgura o artificial) como la variable bsica que corresponde a este
nuevo rengln. Como ste tal vez tenga coeficientes distintos de cero para
algunas otras variables bsicas, se debe aplicar la conversin a la forma
apropiada de eliminacin de Gauss y despus cl resto del procedimiento
general. gual que para algunos de los casos anteriores, este procedimiento
para el caso de una adicin de una nueva restriccin es una versin
simplificada del procedimiento general resumido anteriormente. La nica
pregunta que hay que hacerse en este caso es si la solucin ptima anterior es
todava factible as que la prueba de optimalidad se ha eliminado. La prueba de
factibilidad se ha reemplazado por una prueba de factibilidad mucho ms
rpida (la solucin ptima anterior satisface la nueva restriccin?) que debe
realizarse justo despus de la revisin del modelo. Slo cuando la respuesta a
esta prueba es negativa y se quiere reoptimizar, se usan los siguientes pasos;
revisin de la tabla simplex final, conversin a la forma apropiada de
eliminacin de Gauss, y reoptimizacin.
EJEMPLO. Como ejemplo de este caso, supngase que se introduce la nueva
restriccin,
21 + 32 > 24,
Al modelo dado en la tabla 20. El efecto grfico se muestra en la figura 5. La
solucin ptima anterior (0, 9) viola la nueva restriccin, por lo que la solucin
ptima cambia a (0, 8). Para analizar este ejemplo algebraicamente, obsrvese
que (0, 9) lleva a que 21 + 32 = 27 > 24, entonces esta solucin ptima
anterior ya no es factible. Para encontrar la nueva solucin ptima, se agrega
esta restriccin a la tabla simplex final actual, tal como se describi, con la
variable de holgura x6 como su variable bsica inicial. Esto lleva a la primera
tabla que se muestra en la tabla 23. El paso de conversin a la forma
apropiada de eliminacin de Gauss requiere restar el rengln 2 multiplicado por
3 del nuevo rengln, con lo que se identifica la solucin bsica actual: x3 = 4,
x2 = 9, x4 = 6, x6 = ~3 (xl = 0, x5 = 0), como se muestra en la segunda tabla.
Cuando se aplica el mtodo dual simplex se obtiene en una sola iteracin
(algunas veces se necesitan ms) la nueva solucin ptima en la tabla final de
la tabla |23.
55
IV TRANSPORTE Y ASIGNACION
0.1 DEFINICION DEL PRO1LEMA DE TRANSPORTE
P#$%!e&' e! )#'n*"$#)e
Un' e&"#e*' eic'' ' !' f'%#ic'cin e c$&"$nen)e* e $#en'$# )iene
$* f,%#ic'* 8+e "#$+cen4 #e*"ec)i.'&en)e4 HDD ( 12DD "ie>'* &en*+'!e*.
E*)'* "ie>'* 9'n e *e# )#'n*"$#)''* ' )#e* )ien'* 8+e nece*i)'n 1DDD4 GDD (
CDD "ie>'*4 #e*"ec)i.'&en)e. L$* c$*)e* e )#'n*"$#)e4 en "e*e)'* "$# "ie>'
*$n !$* 8+e '"'#ecen en !' )'%!' '6+n)'. JC&$ e%e $#-'ni>'#*e e!
)#'n*"$#)e "'#' 8+e e! c$*)e *e' &Kni&$L
Tien' A Tien' 1 Tien' C
F,%#ic' I / G 1
F,%#ic' II 2 2 C
Un problema particular que se resuelve con los procedimientos de la
programacin lineal es la situacin conocida como problema del transporte o
problema de la distribucin de mercancas. Se trata de encontrar los caminos
para trasladar mercanca, desde varias plantas (orgenes) a diferentes centros
de almacenamiento (destinos), de manera que se minimice el costo del
transporte. Para que un problema pueda ser resuelto por el mtodo del
transporte debe cumplir: 1) La funcin objetivo y las restricciones deben ser
lineales. 2) El total de unidades que salen en origen debe ser igual al total de
unidades que entran en destino.
En este tipo de problemas se exige que toda la produccin sea distribuida a los
centros de ventas en las cantidades que precisa cada uno; por tanto, no
pueden generarse inventario del producto ni en las fbricas ni en los centros de
ventas.
En consecuencia, los 800 artculos producidos en la fbrica deben distribuirse
en las cantidades 6, 4, ' a A, B y C, de manera que 6 D 4 D ' = 800. Pero,
adems, si desde se envan 6 unidades a A, el resto, hasta las 1000
necesarias en A, deben ser enviadas desde la fbrica ; esto es, 1000 - 6
unidades sern enviadas desde a A.
Del mismo modo, si desde a B se envan 4, el resto necesario, 700 - 4, deben
enviarse desde . Y lo mismo para C, que recibir ' desde y 600 - ' desde .
En la siguiente tabla de distribucin se resume lo dicho:
Envos
a la tienda A
(1000)
a la tienda B
(700)
a la tienda C
(600)
Desde la fbrica
( 800)
6 4 800 - 6 + 4
Desde la fbrica 1000 - 6 700 - 4 6 D 4 - 200
56
(1500)
La ltima columna la hemos obtenido de la siguiente forma:
Como 6 D 4 D ' = 800 , se tiene que ' = 800 - 6 + 4, de donde, 600 - ' = 600 -
(800 - 6 + 4) = 6 D 4 - 200.
Ahora bien, todas las cantidades anteriores deben ser mayores o iguales que
cero. Por tanto, se obtienen las siguientes desigualdades:
6 0 ; 1000 - 6 0 ; 4 0; 700 - 4 0 ; 800 - 6 + 4 0 ; 6 D 4 - 200 0
Simplificando las desigualdades anteriores, se obtienen las siguientes
inecuaciones:
1000 6 0 ; 700 4 0 ; 800 6 D 4 0
Recordemos que nuestro objetivo es abaratar al mximo los costes de
transporte. Estos costes se hallan multiplicando las cantidades enviadas a
desde cada fbrica a cada tienda por los respectivos costes de transporte
unitario.
Se obtiene:
Z = f(6,4) = 36 + 2(1000 - 6) + 74 + 2(700 - 4. + (800 + 6 + 4) + 6(6 D 4 - 200) = 66
+ 104 + 3000
En definitiva, el programa lineal a resolver es :
Minimizar: N = 66 + 104 + 3000
sujeto a: 1000 6 0
700 4 0
800 6 D 4 0
La regin factible se da en la imagen del margen.
Sus vrtices son A(200,0) ; B(800,0) ; C(100,700) ;
D(0,700) y E(0,200).
El coste, el valor de N en cada uno de esos puntos,
es:
en A, 4200
en B, 7800
en C, 10600
en D, 10000
en E, 5000
El mnimo se da en A , cuando x = 200 e y = 0.
Luego, las cantidades a distribuir son:
57
Envos
a la tienda A
(1000)
a la tienda B
(700)
a la tienda C
(600)
Desde la fbrica
( 800)
200 0 600
Desde la fbrica
(1500)
800 700 0
+tt!9UU[[[/itso/m2UdiiUela&a"daUa!a&ia2001UPFUdualidad/+tml\ii#io
0.2 EL METODO DE APRO5IMACION DE VOGEL.
Mtodo de apro#i"aci%n de -ogel.
Ftodo de A!"o2ima#i' de Mo&el9 !a"a #ada "e&l' 0 #oluma que queda %a,o
#oside"a#i'* se #al#ula su di-e"e#ia* que se de-ie #omo la di-e"e#ia a"itmti#a et"e el
#osto uita"io mOs !eque)o 3#
i,
5 0 el que le si&ue* de los que queda e ese "e&l' o #oluma/
3<i se tiee u em!ate !a"a el #osto mOs !eque)o de los "estates de u "e&l' o #oluma*
eto#es la di-e"e#ia es 05/ E el "e&l' o #oluma que tiee la ma0o" di-e"e#ia se eli&e la
$a"ia%le que tiee el meo" #osto uita"io que queda/ 31os em!ates !a"a la ma0o" de estas
di-e"e#ias se !uede "om!e" de mae"a a"%it"a"ia5/
Pa"a +a#e" mOs #o#"eta esta des#"i!#i'* se ilust"a"O el !"o#edimieto &ee"al* utili.ado el
mtodo de a!"o2ima#i' de Mo&el
!a"a "esol$e" el e,em!lo !"esetado ate"io"mete 0 que -ue "esuelto !o" la "e&la de la esquia
o"oeste9
Ii#iamos el mtodo #al#ulado las !"ime"as di-e"e#ias !a"a #ada "e&l' 0 #oluma/ De las
di-e"e#ias que o%tu$imos os -i,amos e la ma0o" 3]Po" qu^5* que "esulta se" !a"a la te"#e"a
#oluma/ E esa #oluma e#ot"amos el #osto uita"io 3#
i,
5 meo" 0 e esa #elda "eali.amos la
!"ime"a asi&a#i'9

Le#u"sos $..
5 1
2
2 0 0
3 1
Demada 3
4 2 0 1
10
10
$.. 1 1 *
1
2
58
3 6 4 7
2 4
3
2 3
5 4 8
,ota& Fa"#a"emos a la ma0o" de las di-e"e#ias sele##ioada e#e""Odola e u #4"#ulo 0 es#"i%idole
#omo su!e"4di#e el (me"o que le #o""es!oda e la se#ue#ia de sele##i'/
D%se"$emos e la -i&u"a ate"io" que (i#amete elimiamos el se&udo "e&l' 0a que
la te"#e"a #oluma os se"$i"O des!us !a"a +a#e" la asi&a#i' de ua $a"ia%le %Osi#a
de&ee"ada/ Cotiuado #o la a!li#a#i' del mtodo* teemos que #al#ula" ue$amete las
di-e"e#ias de las #olumas 0a que +emos elimiado u "e&l' 0 sto !uede o#asioa" que las
di-e"e#ias a"itmti#as et"e el #osto uita"io mOs !eque)o 0 el que le si&ue 0a o sea las
mismas9
Le#u"sos $..
5 1
2
2 0 0
*
* 0 1
Demada 3
/ 1 2 0 1
10
10
$.. 1
1
3
1
2
1 /
2
2 1
Como si&uiete !aso de%e"4amos #al#ula" las ue$as di-e"e#ias de #olumas*
!e"o 0a que solamete queda u "e&l' det"o de las !osi%ilidades 3sto o si&i-i#a
que solamete u "e&l' quede %a,o #oside"a#i' 0a que !odemos o%se"$a" que
i&ua de las #uat"o #olumas 3destios5 +a sido elimiada 0 todas queda toda$4a
%a,o #oside"a#i'5* o es !osi%le e#ot"a" la di-e"e#ia a"itmti#a et"e el #osto
meo" 0 el que le si&ue* !o" lo tato $amos tomado ua a ua las #eldas que queda
#ome.ado #o la de meo" #osto uita"io +asta que todas +a0a sido asi&adas/
Le#u"sos $..
* 1
0
1
0 2 1 0 1
2
2 0 0
3
3 0 1
Demada * 0
/ 1 0 2 0 1 0
10
10
59
3 6 4 7
2 4
3
2 3
5 4 8
3 6 4 7
2 4
3
2 3
5 4 8
$.. 1
1
3
1
2
1 4
2
2 1
1a solu#i' ii#ial %Osi#a -a#ti%le es 2
11
=3* 2
12
=1* 2
13
=0 3$a"ia%le %Osi#a de&ee"ada5*
2
14
=1* 2
23
=2 0 2
32
=3 0 el #osto total de t"as!o"te aso#iado a esta !"ime"a NPol4ti#a de
C"as!o"teP -a#ti%le es de9
211 #11 212 #12 213 #13 214 #14 223 #23 232 #32
Costo = 3 335 ; 1 375 ; 0 365 ; 1 345 ; 2 335 ; 3 335 = 35 unidades
Es e#esa"io a#la"a" que sta !uede o o se" la solu#i' -ial del !"o%lema* es e#esa"io
a!li#a" a esta !"ime"a solu#i' -a#ti%le la !"ue%a de o!timalidad 0a que !uede e2isti" ua me,o"
N!ol4ti#a de t"as!o"teP que miimi#e toda$4a mOs el #osto total/
0./ METODO MODI
Este mtodo reproduce exactamente las mismas iteraciones del mtodo de
banquillo. La principal diferencia ocurre en la forma en que las variables no
bsicas se evalan en cada iteracin. Asociados a cada rengln i de la tabla
existen multiplicadores U
i
similarmente se asocia un multiplicador V
j
a cada
columna de la tabla j. Para cada variable bsica X
ij
de la solucin actual, se
escribe la ecuacin U
i
+V
j
= C
ij
. Esas ecuaciones proporcionan m+n-1
relaciones con m+n incgnitas.
Los valores de los multiplicadores pueden ser determinados a partir de las
ecuaciones suponiendo un valor arbitrario para cualquiera de los
multiplicadores (usualmente se establece U
1
=0) y resolviendo el sistema de
ecuaciones para encontrar los multiplicadores desconocidos. Una vez que se
hace esto, la evaluacin de cada variable no bsica X
pq
est dada como:

El criterio que se utiliza para seleccionar la variable que entra es el mismo que
el mtodo de banquillo (la mayor negativa).

Ejemplo:
Una compaa est considerando una demanda de 5 clientes utilizando
artculos que tienen disponibles en 2 almacenes. Los almacenes cuentan con
800 y 1000 unidades respectivamente. Los clientes necesitan 200, 150, 200,
180 y 500 unidades respectivamente. Los costos de embarque por artculo de
los almacenes de los clientes son:
60

Resuelva el modelo de transporte empleando.
a) Una solucin inicial por el mtodo de aproximacin de vogel.
b) La solucin ptima por el mtodo de multiplicadores.



DESTNO FCTCO = 570 ARTCULOS


Para encontrar el valor de los multiplicadores
61


Se acostumbra:

Para encontrar costos:

62

Encuentre la solucin ptima por el mtodo de multiplicadores a partir de la
siguiente tabla inicial.


63
0.0 PROCEDIMIENTO DE OPTIMIZACION.
"#to!o para la o%tencin !e la solucin ptima )multiplica!ores.:
El mtodo de multiplicadores es un procedimiento secuencial que empieza con
una solucin inicial factible del problema de transporte, para encontrar la
solucin ptima. En cada paso se intenta en este procedimiento enviar
artculos por las rutas que no se hayan usado en la solucin factible en curso,
en tanto que se elimina una de las rutas que est siendo usada actualmente.
Este cambio de ruta se hace de modo que: la solucin se conserve factible,
mejore el valor de la funcin objetivo.
Pasos:
1. Use la solucin actual para crear una trayectoria nica del paso secuencial.
Use estas trayectorias para calcular el costo marginal de introducir a la solucin
cada ruta no usada.
2. Si todos los costos marginales son iguales o mayores que cero, detngase;
se tendr la solucin ptima. Si no, elija la celdilla que tenga el costo marginal
ms negativo. (Los epates se resolvern arbitrariamente)
3. Usando la trayectoria del paso secuencial, determine el mximo nmero de
artculos que se pueden asignar a la ruta elegida en el paso 2 y ajuste la
distribucin adecuadamente.
4. Regrese al paso 1.
tomando cmo base el ejemplo siguiente se consideran los pasos para
desarrollar el mtodo ( 19 ).
Casos especiales
Solucines de&eneradas.
1. Supngase que en el problema general hay m origenes y n destinos. En el
ejemplo actual m = 3 , n = 4. Si una solucin factible usa menos de m + n - 1
rutas el problema se llama degenerado. Se tiene que hacer ajustes para usar el
metodo de multiplicadores.
4 /alle5ones sin salida6
La determinacin de la trayectoria apropiada es ms complicada que el mero
hecho de saltar de una celdilla a otra ya usando en el mismo rengln o la
misma columna. Pueden encontrarse callejones sin salida, en cuyo caso se
deben hacer otro intento distinto.
Nmero de celdillas en una trayectoria
La trayectoria de pasos secuenciales obtenida en los pasos 1 - 5 contiene
cuatro celdas. El hecho de que cualquier rengln o columna que tenga un signo
+ debe tener tambien un signo - obliga a ello. Aunque siempre debe haber por
lo menos cuatro celdillas, la trayectoria podra necesitar ms de cuatro.
Condiciones de detencin para una trayectoria del paso secuencial.
El proceso contina alternando los signos + y - tanto en los renglones como en
las columnas hasta que se obtenga una sucesin de celdillas que satisfagan
dos condiciones.
1. Hay un signo + en la celdilla desocupada original de inters.
64
2. Cualquier rengln o columna que tenga un signo + debe tener tambin un
signo - y viceversa.
La sucesin de pasos que tenga esta propiedades se llama trayectoria.
0.2 DEFINICION DEL PRO1LEMA DE ASIGANCION
?n problema de asignacin es un problema de transporte balanceado en el
cual todas las ofertas y todas las demandas son iguales a uno. Se puede resolver
eficientemente un problema de asignacin m x m mediante el mtodo J"ngaro)

o Paso 1.9 Empiece por encontrar el elemento mas peque;o en cada
rengln de la matri/ de costos. &onstruya una nueva matri/ al restar de
cada costo el costo m#nimo de su rengln. Encuentre para esta nueva
matri/ el costo m#nimo en cada columna. &onstruya una nueva matri/ $ la
matri/ de costos reducidos % al restar de cada costo el costo m#nimo de su
columna.

o Paso 2.9 +ibuje el m#nimo numero de l#neas $hori/ontales o verticales %
que se necesitan para cubrir todos los ceros en la matri/ de costos
reducidos. Si se requieren m l#neas para cubrir todos los ceros siga con el
paso 3.

o Paso 3.9 Encuentre el menor elemento no cero $llame su valor B en la
matri/ de costos reducidos que no esta cubiertos por las l#neas dibujadas en
el paso 2. *hora reste B de cada elemento no cubierto de la matri/ de costos
reducidos y sume B a cada elemento de la matri/ de costos reducidos
cubierto por dos l#neas. Legrese al paso 2.

65
?n problema de asignacin es un problema de transporte balanceado en el que
todas las ofertas y demandas son iguales a 3M as# se caracteri/a por el conocimiento
del costo de asignacin de cada punto de oferta a cada punto de demanda. !a
matri/ de costos del problema de asignacin se llama) matri/ de costos.

&omo todas las ofertas y demandas para el problema de asignacin son n"meros
enteros todas las variables en la solucin ptima deben ser valores enteros.

ENEOP!PS +E PLPC!EO*S +E *SQ(:*&QP:

3. ?na empresa ha contratado a 7 individuos para 7 trabajos los 7 individuos
y 7 trabajos pueden mostrarse en una tabla que indique las clasificaciones
obtenidas anali/ando al individuo para cada trabajo. !os renglones se refieren
a los hombres mientras que las columnas se refieren a los trabajosM el
problema consiste en maximi/ar las calificaciones para asignar los 7 trabajos.
Se supone que las calificaciones de un individuo es directamente proporcional a
la ganancia que obtendr#a la compa;#a si ese individuo se encargara del trabajo.

4. Ptro problema que utili/a la misma estructura del modelo de transporte es
la asignacin de camiones para reducir al m#nimo los costos de un problema de
asignacin.

6. ?na empresa cubre el territorio nacional con dos camiones especialmente
equipados para funcionar en condiciones climatolgicas espec#ficas. !a empresa
ha dividido en cinco regiones geogrficas. Se compra el camin * y se modifica
para que funcione eficientemente en las regiones uno y dos y para que
66
funcione bastante bien en las regiones tres y cuatro. El mismo camin no
funciona bien en la regin cinco. !os gastos de gasolina mantenimiento y otros
costos directos de operacin ser#an m#nimos en las regiones uno y dos
promedio en las regiones tres y cuatro y altos en la regin cinco. Se tiene esa
misma informacin con respecto a los dems camiones de la compa;#a o sea
los tipos C & y +.
0.C EL MTODO FUNGARO.
EL METODO HUNGARO
Este algoritmo se usa para resolver problemas de minimizacin, ya que es ms
eficaz que el empleado para resolver el problema del transporte por el alto
grado de degeneracin que pueden presentar los problemas de asignacin.
Las fases para la aplicacin del mtodo Hngaro son:
Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz
de costos m*m; se debe construir una nueva matriz al restar de cada costo el
costo mnimo de cada fila; encontrar para esta nueva matriz, el costo mnimo
en cada columna. A continuacin se debe construir una nueva matriz
(denominada matriz de costos reducidos) al restar de cada costo el costo
mnimo de su columna.
Paso 2: (En algunos pocos textos este paso se atribuye a Flood). Consiste en
trazar el nmero mnimo de lneas (horizontales o verticales o ambas
nicamente de esas maneras) que se requieren para cubrir todos los ceros en
la matriz de costos reducidos; si se necesitan m lneas para cubrir todos los
ceros, se tiene una solucin ptima entre los ceros cubiertos de la matriz. Si se
requieren menos de m lneas para cubrir todos los ceros, se debe continuar con
el paso 3. El nmero de lneas para cubrir los ceros es igual a la cantidad de
asignaciones que hasta ese momento se pueden realizar.
Paso 3: Encontrar el menor elemento diferente de cero (llamado k) en la matriz
de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2;
a continuacin se debe restar k de cada elemento no cubierto de la matriz de
costos reducidos y sumar k a cada elemento de la matriz de costos reducidos
cubierto por dos lneas (intersecciones). Por ltimo se debe regresar al paso 2.
67
Notas:
1. Para resolver un problema de asignacin en el cual la meta es maximizar la
funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (~1)
y resolver el problema como uno de minimizacin.
2. Si el nmero de filas y de columnas en la matriz de costos son diferentes, el
problema de asignacin est desbalanceado. El mtodo Hngaro puede
proporcionar una solucin incorrecta si el problema no est balanceado; debido
a lo anterior, se debe balancear primero cualquier problema de asignacin
(aadiendo filas o columnas ficticias) antes de resolverlo mediante el mtodo
Hngaro.
3. En un problema grande, puede resultar difcil obtener el mnimo nmero de
filas necesarias para cubrir todos los ceros en la matriz de costos actual. Se
puede demostrar que si se necesitan j lneas para cubrir todos los ceros,
entonces se pueden asignar solamente j trabajos a un costo cero en la matriz
actual; esto explica porqu termina cuando se necesitan m lneas.
68
V PROGRAMACION ENTERA
http://www-2.dc.uba.ar/materias/ocom/
2.1 INTRODUCIION Y CASOS DE APLICACIN
69
2.2 DEFINICION Y MODELOS DE PROGRAMACION
ENTERA
70
71
72
73
2./ METODO DE RAMIFICACION Y ACOTAR
7ptimi8acin com%inatorial
S$!+ciM$n in-en+': hacer una lista completa de todas las soluciones factibles
y evaluar la funcin objetivo para cada una, eligiendo al final la solucin cual
dio el mejor valor. La complejidad de ese tipo de solucin es "$# !$ &en$*
(|F|) donde F es el conjunto de soluciones factibles. El nmero de soluciones
factibles suele ser algo como (2n), por lo cual el algoritmo ingenuo tiene
complejidad asinttica e="$nenci'!.
74
Lami-i#a"?a#ota"_ !/ 3U20
ALGORTMO ADTVO DE BALAS
Ejemplo de Algoritmo Aditivo:
Resolver el siguiente problema 0-1:
Max w=3y1+2y2-5y3-2y4+3y5
Sujeta a:
y1 + y2 + y3 + 2y4 - y5 " 4
7y1 +3y3 - 4y4 - 3y5 " 8
11y1 -6y2 +3y4 - 3y5 " 5
y1,y2,y3,y4,y5 = (0_1)
El problema se puede poner en la forma inicial requerida por el algoritmo aditivo, utilizando las siguientes operaciones:
Multiplique la funcin objetivo por -1.
Multiplique la tercera restriccin por -2.
Aada las variables s1,s2 y s3 para convertir las tres restricciones en ecuaciones.
Sustituya y1=1-x1 , y2=1-x2 , y5=1-x5 , y3=x3 , y y4=x4 para producir todos los coeficientes objetivo positivos.
La conversin da por resultado la siguiente funcin objetivo:
Min z'=3x1+2x2+5y3-2x4+3x5-8
Para mayor facilidad, ignoremos la constante -8 y reemplazaremos z' +8 con z, de manera que el problema convertido
resultante se lee como:
Min z=3x1+2x2+5y3-2x4+3x5
Sujeta a: x1 - x2 + x3 + 2x4 - x5 -s1 = 1
-7x1 +3x3 - 4x4 - 3x5 -s2 = -2
11x1 -6x2 -3x4 - 3x5 -s3 = 5
x1,x2,x3,x4,x5 = (0_1)
Debido a que el problema modificado busca la minimizacin de una funcin objetivo con todos los coeficientes
positivos, una solucin inicial lgica debe consistir en variables binarias todas cero. En este caso, las holguras actuarn
como variables bsicas y sus valores los dan los lados derechos de la ecuacin. La solucin se resume en la siguiente
tabla:
S$!+cin %,*ic'
f'c)i%!e
51 52 5/ 50 52 S1 S2 S/ S$!+cin
S1 -1 -1 1
2 -1 1 0 0 1
S1 -7 0 3 -4 -3 0 1 0 -2
S1 11 -6 0 -3 -3 0 0 1 -1
C$eficien)e*
$%6e)i.$
3 2 5 2 3
75
Dada una solucin binaria inicial toda cero, la solucin de holgura asociada es:
(s2 ,s2 ,s3 ) = (1,-2,-1) , z=0
Si todas las variables fueran no negativas, concluiramos que la solucin binaria toda cero es ptima. Sin embargo,
debido a que algunas de las variables son no factibles (negativas), necesitamos elevar una o ms variables binarias al
nivel 1 para lograr la factibilidad (o concluimos que el problema no tiene una solucin factible).
La elevacin de una (o de algunas) de las variables binarias cero al nivel 1 ocurre en el algoritmo aditivo una a la ve'.
La variable elegida se llama variable de ramificacin y su seleccin se basa en el empleo de pruebas especiales.
La variable de ramificacin debe tener el potencial de reducir la no factibilidad de las holguras. Si venos la tabla anterior
x3 no se puede seleccionar como una variable de ramificacin, debido a que sus coeficientes de restriccin en la
segunda y tercera restricciones son no negativos. Por tanto, la determinacin de x3=1 solo puede empeorar la no
factibilidad de s2 y s3. A la inversa, cada una de las variables restantes tiene por lo menos un coeficiente de restriccin
negativo en las restricciones 2 y 3, de all que una combinacin de estas variables puede producir holguras factibles.
Por consiguiente, podemos excluir a x3 ya a considerar x2, x3, x4 y x5 como las nicas candidatas posibles para la
variable de ramificacin.
La seleccin de la variable de ramificacin entre las candidatas x2, x3, x4 y x5 se basa en el empleo de la medida de
no factibilidad de holgura. Esta medida, que se basa en la suposicin de que una variable cero xj se elevar al nivel 1,
se define como
j = N min {0,si-aij}
Donde s1 es el valor actual de la variable i y aij es el coeficiente de restriccin de la variable x1 en la restriccin i.
De hecho, j no es ms que la suma de las variables negativas resultantes de elevar xj al nivel 1. La frmula,
aparentemente complicada, se puede simplificar a:
j = N (negativos sj valor dado xj=1)
Por ejemplo, cuando determinamos x1=1, obtenemos s1=1-(-1)=2, s2= -2-(-7)=5 y
s3= -1-11= -12. As 1= -12. De manera similar 2=-2, 4=-1 y 5=0 (recordando que x3 se excluy como no
prometedora). Debido a que 5 produce la medida ms pequea de no factibilidad, se selecciona x5 como la variable
de ramificacin. Fa figura 9-10 muestra las dos variables asociadas con x5=1 y x5=0 y la creacin de nodos 1 y 2. el
nodo 1 produce los valores de holguras factibles (s1 ,s2 ,s3 )= (2,1,2) y z=3. por tanto, se sondea el nodo 1 y z=3 se
define como la cota superior actual sobre el ptimo valor objetivo.
Despus de sondear el nodo 1, avanzamos al nodo, para lo cual x5=0. Aqu tenemos:
(s1 ,s2 ,s3 )= (-1,2,-1), z=2
Que no es factible. Las variables x1,x2,x3 y x4 son las candidatas para la variable de ramificacin. (Observe que aun
cuando las soluciones en el nodo 0 u el nodo 2 son idnticas, el nodo 2 difiere en que x5 ya no es candidata para la
ramificacin. Para las variables restantes, x2 y x4, calculamos las medidas de factibilidad como:
2 = -2 , 4 = -1
Por consiguiente, x4 es la variable de ramificacin en el nodo 2. La figura 9-11 muestra las ramificaciones x4 = 1 y x4 =
0, que conducen a los nodos 3 y 4. en el nodo 3 (definido al determinar x5 = 0 y x4 = 1), obtendremos:
(s1 ,s2 ,s3 )= (-1,2,2), z=2
76
sta solucin an no es an factible. Las candidatas para la ramificacin son x1,x2 y x3. Sin embargo la elevacin
cualquiera de stas variables al nivel 1 empeorar el valor de z en relacin a la cota superior actual z=3. Por
consiguiente, todas las variables candidato se excluyen y el nodo 3 se sondea.
Despus, en el nodo restante 4, definido por x5 = x4 = 0 tenemos:
(s1 ,s2 ,s3 )= (1,-2,-1), z=0
Las variables x5 y x3, se excluyen por medio de la prueba de la cota superior. (Observe que tambin se puede excluir
debido a que no reduce la factibilidad de la holgura). La variable faltante x2 no puede ser excluida por la cota superior o
por la promesa de factibilidad. Por tanto x2 es la variable de ramificacin.
La figura 9-12 muestra la adicin de los nodos 5 y 6 que emanan el nodo 4. en el nodo 5 tenemos:
(s1 ,s2 ,s3 )= (2,-2,5), z=2
Y x1 y x3 como las candidatas a la ramificacin. La variable x1 se excluye por medio de la prueba de la cota superior y
x3 se excluye por medio de las pruebas tanto de la factibilidad de la holgura como de la cota superior. Esto significa
que el nodo 5 se sondea. El nodo 6 tambin es sondeado debido a que ni x1 ni x3 pueden producir una mejor solucin
factible.
Ahora -ue se han son!ea!o to!os los Upen!ientesV en la anterior figura 4 termina el algoritmo !e & 4 A la solucin
ptima est, asocia!a con el no!o H, es !ecir, 6I B H, ' B E 4 to!as las !em,s varia%les son cero: En t#rminos !e las
varia%les originales, la solucin es 4HB 48BH 4 4EB 4CB 4IB 9 con WBI:
La figura anterior muestra que, mientras ms pequeo es el nmero de ramificaciones conducentes a un nodo
son!ea!o, ms eficiente es el algoritmo. Por ejemplo, el nodo 1 se define fijando una ramificacin (x5=1) y su sondeo
implica automticamente de 25-1 = 16 soluciones binarias (todas aquellas que tienen x5=1). A la inversa, el nodo 3 se
define fijando dos variables binarias y su sondeo implcitamente implica de 25-1=8 soluciones binarias nicamente
77
2.0 METODO DE PLANOS CORTANTES
78
79
80
2.2 ALGORITMO ADITIVO DE 1ALAS
81
82
.lgoritmo de /alas
+tt!9UU[[[/i$esti&a#io?o!e"a#ioes/#omUCu"so`I$`D!e"/+tm
83