Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema5 PDF
Tema5 PDF
y Parametrico
5.1 Introduccion
5.2 Cambios en los coecientes de la funcion objetivo
5.3 Cambios en el rhs
5.4 An alisis de Sensibilidad y Dualidad
5.4.1 Cambios en el coeciente en la funcion objetivo de una variable
no basica
5.4.2 Cambios en la columna de una variable no basica
5.4.3 A nadir una nueva variable
5.5 An alisis Parametrico con WinQSB
1
5.1 Introducci
on
Hipotesis en PL: parametros deterministas (conocidos y jos).
Realidad: los parametros son estimaciones de los valores reales.
Analisis de Sensibilidad: como afecta a la solucion optima los cambios
en los parametros del modelo? Obtener de forma eficiente la nueva
solucion optima (si existe) sin resolver de nuevo el modelo.
Supongamos resuelto el ppl en forma estandar:
Min c
t
x
s.a: Ax = b
x 0
n
En la tabla optima del Simplex tenemos:
z
j
c
j
0 j = 1, . . . , n
b
i
0 i = 1, . . . , m
2
Como afectan los cambios en:
los coecientes de la funcion objetivo (c
j
)?
Posible perdida de la posibilidad dual
Reoptimizar con el algoritmo Simplex
los terminos de la derecha de las restricciones (b
i
)?
Posible perdida de la posibilidad primal
Reoptimizar con el Dual del Simplex
una la y/o columna de A (a
ij
)?
Posible perdida de la posibilidad primal
Posible perdida de la posibilidad dual
Posible perdida de ambas
Reoptimizar con dos Fases
3
5.2 Cambios en los coeficientes de la funci
on objetivo
Pueden provocar la perdida de la optimalidad primal
Para que rango de valores de c
k
sigue siendo optima la solucion actual?
Coeficiente de una variable no b
k
= (z
k
c
k
) + (c
k
c
k
)
Si z
k
c
k
0 La solucion sigue siendo optima.
Si z
k
c
k
> 0 Reoptimizamos con el algoritmo del Simplex,
haciendo basica x
k
.
4
Ejemplo 1
Min 2x
1
+ x
2
x
3
s.a.: x
1
+ x
2
+ x
3
6
x
1
+ 2x
2
4
x
1
, x
2
, x
3
0
x
=
_
_
_
_
6
0
0
_
_
_
_
z
= 12
Tabla optima:
x
1
x
2
x
3
x
4
x
5
rhs
z 0 -3 -1 -2 0 -12
x
1
1 1 1 1 0 6
x
5
0 3 1 1 1 10
5
Ejemplo: Cambio en el Coeficiente de una Variable no B
asica
z = 2x
1
c
2
..
+1 x
2
x
3
z = 2x
1
c
2
..
3 x
2
x
3
z
2
c
2
= (z
2
c
2
) + (c
2
c
2
) = 3 + (1 (3)) = 1 > 0
x
1
x
2
x
3
x
4
x
5
rhs
z 0 1 -1 -2 0 -12
x
1
1 1 1 1 0 6
x
5
0 3 1 1 1 10
Reoptimizamos con el Simplex, x
2
se hace b asica y x
5
deja de serlo.
x
1
x
2
x
3
x
4
x
5
rhs
z 0 0
4
3
7
3
1
3
46
3
x
1
1 0
2
3
2
3
1
3
8
3
x
2
0 1
1
3
1
3
1
3
10
3
x
=
_
_
_
_
8
3
10
3
0
_
_
_
_
z
=
46
3
6
Para que rango de valores del coeciente de una variable no b
asica
sigue siendo optima la solucion actual?
La solucion actual sigue siendo optima sii:
z
k
c
k
0 sii (z
k
c
k
) + (c
k
c
k
) 0 sii c
k
c
k
+ (z
k
c
k
)
c
k
[c
k
+ (z
k
c
k
), [
Ejemplo, continuaci
on . . .
En el Ejemplo 1, c
2
= 1 y z
2
c
2
= 3, luego la solucion actual
seguira siendo optima sii:
c
2
[1 + (3), [ = [2, [
x
=
_
_
_
_
6
0
0
_
_
_
_
z
= 12
7
Coeficiente de una variable b
k
c
k
) (Fila actual de x
k
)
Si alg un coste reducido se hace positivo reoptimizamos con el algoritmo
del Simplex. Para determinar el rango de valores para los cuales sigue
siendo optima la solucion actual se resuelve el sistema de inecuaciones
dado por:
z
j
c
j
0 j N
En dicho rango, la solucion optima sera la misma y el valor optimo:
z
= c
B
B
1
b + (c
k
c
k
)x
k
8
Ejemplo: Cambio en el Coeficiente de una Variable B
asica
z =
c
1
..
2 x
1
+ x
2
x
3
z =
c
1
..
0 x
1
+ x
2
x
3
z = x
2
x
3
x
1
x
2
x
3
x
4
x
5
rhs
z 0 -3 -1 -2 0 -12
x
1
1 1 1 1 0 6
x
5
0 3 1 1 1 10
Nueva Fila 0 = (Fila 0 actual) + (c
1
c
1
) (Fila actual de x
1
)
x
1
x
2
x
3
x
4
x
5
rhs
z 0 -1 1 0 0 0
x
1
1 1 1 1 0 6
x
5
0 3 1 1 1 10
9
x
1
x
2
x
3
x
4
x
5
rhs
z 0 -1 1 0 0 0
x
1
1 1 1 1 0 6
x
5
0 3 1 1 1 10
Reoptimizamos con el Simplex, x
3
se hace b asica y x
1
deja de serlo.
x
1
x
2
x
3
x
4
x
5
rhs
z -1 -2 0 -1 0 -6
x
3
1 1 1 1 0 6
x
5
-1 2 0 0 1 4
x
=
_
_
_
_
0
0
6
_
_
_
_
z
= 6
10
Ejemplo, continuaci
on . . .
Para que rango de valores del coeciente de x
1
sigue siendo optima la
solucion actual?
x
1
x
2
x
3
x
4
x
5
rhs
z 0 -3 -1 -2 0 -12
x
1
1 1 1 1 0 6
x
5
0 3 1 1 1 10
x
6
0
0
= 12
Nueva Fila 0 = (Fila 0 actual) + (c
1
c
1
) (Fila actual de x
1
)
z
2
c
2
= 3 + (c
1
c
1
)1 0 (c
1
c
1
) 3
z
3
c
3
= 1 + (c
1
c
1
)1 0 (c
1
c
1
) 1
z
4
c
4
= 2 + (c
1
c
1
)1 0 (c
1
c
1
) 2
c
1
1 + c
1
En el ejemplo, c
1
= 2, si c
1
] , 1] la solucion optima sigue siendo la
misma pero el valor optimo ser a:
z
=12 + (c
1
c
1
)6 = 12 + 6c
1
+ 12 = 6c
1
11
5.3 Cambios en el t
on
Pueden provocar la perdida de la optimalidad dual perdida de la
posibilidad primal
Si x
B
= B
1
b
=
b
=
b + (columna i-esima de B
1
) (b
i
b
i
)
. .
i
0
En dicho rango, la solucion optima ser a:
x
B
=
b + (columna i-esima de B
1
)(
i
), x
N
= 0
El valor optimo:
z
= c
t
B
b +
i
i
12
Ejemplo, cambio en el t
on
(no hay p
=
_
_
3
4
_
_
La nueva solucion sera:
= B
1
b
=
_
_
1 0
1 1
_
_
_
_
3
4
_
_
=
_
_
3
7
_
_
_
_
0
0
_
_
La base B = {a
1
, a
5
} sigue siendo optima, la nueva solucion es:
x
=
_
_
_
_
3
0
0
_
_
_
_
z
= c
t
B
= (2, 0)
_
_
3
7
_
_
= 6
13
Ejemplo, Continuaci
on . . ., s
hay p
1
= 2. La nueva solucion y el nuevo coste seran:
= B
1
b
=
_
_
1 0
1 1
_
_
_
_
2
4
_
_
=
_
_
2
2
_
_
z = c
t
B
= (2, 0)
_
_
2
2
_
_
= 4
x
1
x
2
x
3
x
4
x
5
rhs Nuevo
z 0 -3 -1 -2 0 -12 4
x
1
1 1 1 1 0 6 -2
x
5
0 3 1 1 1 10 2
Perdemos la posibilidad primal, reoptimizamos con el Dual del Simpex:
Dual no acotado Primal Imposible
14
Ejemplo
En cuanto podemos incrementar b
1
sin que cambie la base optima?
Si cambiamos b =
_
_
6
4
_
_
por b
=
_
_
6 +
4
_
_
x
B
= B
1
_
_
6 +
4
_
_
=
_
_
1 0
1 1
_
_
_
_
6 +
4
_
_
=
_
_
6 +
10 +
_
_
proporcionara una solucion optima sii proporciona una solucion posible:
6 + 0
10 + 0
6 b
1
[0, [
La soluci on optima y el valor optimo ser an, respectivamente:
x
B
=
_
_
6 +
10 +
_
_
x
N
= 0 z
= (2, 0)
_
_
6 +
10 +
_
_
= 12 2
15
Para que rango de valores de b
2
sigue siendo optima la base actual?
x
B
= B
1
_
_
6
b
2
_
_
=
_
_
1 0
1 1
_
_
_
_
6
b
2
_
_
=
_
_
6
6 + b
2
_
_
proporcionara una solucion optima sii proporciona una solucion posible:
6 0
6 + b
2
0
b
2
6 b
2
[6, [
La soluci on optima y el valor optimo ser an, respectivamente:
x
B
=
_
_
6
6 + b
2
_
_
x
N
= 0 z
= (2, 0)
_
_
6
6 + b
2
_
_
= 12
Notar que el precio sombra para esta restriccion sera 0.
16
5.4 An
1
= precio madera,
2
= precio acabado,
3
= precio carpint.
Min 48
1
+ 20
2
+ 8
3
s.a.: 8
1
+ 4
2
+ 2
3
60
6
1
+ 2
2
+ 1,5
3
30
1
+ 1,5
2
+ 0,5
3
20
1
,
2
,
3
0
1
= 0,
2
= 10,
3
= 10 z = 280
20
5.4.1 Cambios en la funci
asica
Para que valores de c
2
seguira siendo optima la solucion actual?
Una mesa consume,
6 pies de madera, a
1
= 0 euros el pie
2 horas de acabado, a
2
= 10 euros la hora, y
1.5 horas de carpintera, a
3
= 10 euros la hora
En total:
6 0 + 2 10 + 1,5 10 = 35
Mientras el precio de venta de las mesas c
2
35 euros seguira sin
interesar fabricar mesas, x
2
= 0.
La solucion actual seguira siendo optima.
21
Los cambios en el coeciente no afectan a la factibilidad de la
solucion del primal.
Min 48
1
+ 20
2
+ 8
3
s.a.: 8
1
+ 4
2
+ 2
3
60
6
1
+ 2
2
+ 1,5
3
c
2
1
+ 1,5
2
+ 0,5
3
20
1
,
2
,
3
, 0
6
1
+ 2
2
+ 1,5
3
c
2
6 0 + 2 10 + 1,5 10 c
2
35 c
2
22
5.4.2 Cambios en la columna de una variable no b
asica
Supongamos que cambia el vector de coecientes de las mesas y tambien su
precio de venta.
c
2
= 30 c
2
= 43 a
2
=
_
_
_
_
6
2
1,5
_
_
_
_
a
2
=
_
_
_
_
5
2
2
_
_
_
_
La nueva restriccion del dual sera:
5
1
+ 2
2
+ 2
3
43
Que es violada por la solucion del dual actual:
5 0 + 2 10 + 2 10 43
40 43
Fabricar una mesa consume 40 euros, si se vende por 43, interesar a fabricar
mesas. El coste reducido cambiara de signo.
23
5.4.3 A
1
+
2
+
3
15
Como la solucion actual del dual, s que cumple la restriccion:
1 0 + 1 10 + 1 10 15
No interesar a fabricar zapateros.
z
4
c
4
=
1
+
2
+
3
c
4
= 20 15 = 5
24
5.5 An
alisis Param
etrico
El analisis parametrico es una extension del analisis de sensibilidad.
Consiste en investigar como cambia la solucion optima y el valor opti-
mo de un PPL cuando se efect uan cambios continuos en uno o mas
parametros, de la funcion objetivo:
z() = c + c
, c y c
conocidos, escalar
o del rhs:
b() = b + b
, b y b
conocidos, escalar
25
Procedimiento
1. Calcular la solucion optima para = 0.
2. Determinar el rango de valores para , [0,
1
], para los que la
solucion sigue siendo optima.
3. Para =
1
se produce un cambio de base optima. Realizar el
cambio. Obtener la nueva solucion optima.
4. Determinar el nuevo rango de valores de para los que es optima
la solucion actual. Sea [
1
,
2
].
5. Repetir el proceso hasta que se detecta un
r
tal que:
el problema es imposible
r
, o
la solucion optima actual sigue siendo optima
r
.
26
Min x
1
3x
2
s.a.: x
1
+ x
2
6
x
1
+ 2x
2
6
x
1
, x
2
0
z() =
_
_
_
_
1
3
_
_
+
_
_
2
1
_
_
_
_
_
_
x
1
x
2
_
_
z() = (1 + 2)x
1
+ (3 + 1)x
2
b() =
_
_
6
6
_
_
+
_
_
1
1
_
_
=
_
_
6
6 +
_
_
27
5.5.1 An
alisis Param
etrico de la Funci
on Objetivo
= 0 [0, 1]
Solucion
Optima: x
2
4
Valor
Optimo: z
= 14
z [14, 6] con pendiente 8 z
() = 14 + 8
Notar que la misma conclusion se obtiene para:
[2, 0]
pero aqu z [30, 14]
28
= 1 [1, 3]
Cambio de base: x
1
deja de ser basica, h
1
se hace basica.
x
2
+ h
1
= 6
2x
2
= 6
x
2
= 3
h
1
= 3
Solucion
Optima: x
0
3
Valor
Optimo: z
= 6
z [6, 0] con pendiente 3 z
() = 9 + 3
29
= 3 [3, [
Cambio de base: x
2
deja de ser basica, h
2
se hace basica.
h
1
= 6
h
2
= 6
Solucion
Optima: x
0
0
Valor
Optimo: z
= 0
z [0, 0] con pendiente 0 z
() = 0
30
= 2 ] , 2]
Cambio de base: x
2
deja de ser basica, h
2
se hace basica.
x
1
= 6
x
1
+ h
2
= 6
x
1
= 6
h
2
= 12
Solucion
Optima: x
6
0
Valor
Optimo: z
= 30
z ] , 30] con pendiente 12 z
() = 6 + 12
31
Resumiendo:
] , 2] x
6
0
() = 6 + 12
[2, 1] x
2
4
() = 14 + 8
[1, 3] x
0
3
() = 9 + 3
[3, [ x
0
0
() = 0
32
5.5.2 An
alisis Param
x
1
= 2
x
2
= 4
Solucion
Optima: x
2
4
Valor
Optimo: z
= 14 +
33
= 2 [2, 6]
Cambio de base: x
1
deja de ser basica, h
2
se hace basica.
x
2
= 6
2x
2
+ h
2
= 6 +
x
2
= 6
h
2
= 6 + 3
Solucion
Optima: x
0
6
Valor
Optimo: z
= 18 + 3
34
= 6 ]6, [
Cambio de base: x
2
deja de ser basica, No es posible determinar la
variable que se hace basica: Dual no Acotado Primal Imposible
Resumiendo:
] , 2] x
=
_
_
2
4
_
_
z
() = 14 +
[2, 6] x
=
_
_
0
6
_
_
z
() = 18 + 3
[6, [ Problema Imposible
35