Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Investigacion de Operaciones - Hillier, Lieberman PDF
Investigacion de Operaciones - Hillier, Lieberman PDF
0), estos recursos ya se habrén asignado en otra parte con mayor prove- cho, por lo que no deben distraerse hacia la actividad j. Siz; — cj = 0, no habré cambio en el rendimiento al iniciar la actividad . Deigual manera, sila variable de holgura x,.,; es no basica, es decir, sise usa laasignacién total 4; del recurso é, entonces y; es la contribuci6n actual a la ganancia por parte de este re- ‘curso sobre una base marginal. Asi, si y; <0, la ganancia se puede aumentar al disminuir el uso de este recurso (es deci, al aumentar x,,;). Siy; > 0, valela pena continuar con el uso to- tal de este recurso, dado que esta decisién no afecta el rendimiento si y; =0.242 6.3 6 Teoria de dualidad y andlisis de sensibilidad Por lo tanto, lo que hace ¢! método simplex es examinar todas las variables no bésicas en la solucién BF actual para ver cuales pueden proporcionar un #s0 mds ventajoso de los recursos al incrementarlas. Si ninguna puede, es decir, si ningyin cambio o reduccién factible en la asig- nacién actual propuesta de los recursos puede aumentar la ganancia, entonces la solucién ac- tual serd dptima. Si una o més variables pueden aumentarla, cl método sfuaplex selecciona aquella que, si se aumenta en una unidad, proporciona el mayor incremento a la ganancia. Después, cl valor de esta variable (Ia variable basica entrante) realmente aumenta tanto como puede hasta que los valores marginales de los recursos cambian. El resultado de este incre- ‘mento ¢s una nueva solucién BE con un nuevo renglén 0 (solucién dual), y se repite el proce- so completo. La interpretacién econdmica del problema dual expande en forma considerable la habili- dad para analizar el problema primal. Sin embargo, ya sc viv eu la seccién 6.1 que esta inter- pretaciGn ¢s sélo una ramificacién de las relaciones entre los dos problemas. En la seccién. siguiente se profundizard en estas relaciones. RELACIONES PRIMAL-DUAL Como el problema dual es un problema de programacién lineal, también tiene soluciones en Jos vértices. Atin mds, al emplear la forma de igualdades del problema, estas soluciones se pueden expresar como soluciones bésicas. Puesto que las restricciones funcionales tienen la forma >, la forma de igualdades se obtienc restando el superdvit (en lugar de agregando la hol- gura) del lado izquierdo de cada restriccién j (j = 1, 2,..., #).! Este superavit es 5 5-2 Dayyimejy — paraf=1,2,...50. a Asi, ; - ¢j asume el papel de variable de supersinit para la restriccin j (osu variable de holgu- ra sila restriccién se multiplica por —1). Por lo tanto, aumentar cada solucién en un vértice (ts Ja5 +++ Fm) conduce a una solucién bésica (1599 yu-yYma21 ~ C1982 ~ &99>-%y ~ by) al usar esta expresién para (g j ~ ¢;). Como la forma aumentada del problema dual tiene 1 res- tricciones funcionales y # + m variables, cada solucién basica tiene m variables basicas ym va- riables no bisicas. (Note que los papeles dem yn se han invertido, como lo indica la tabla 6.3, porque las restricciones duales corresponden alas variables primales y las variables duales alas restricciones primales.) Soluciones bdsicas complementarias Una de las relaciones més importantes entre los problemas primal y dual es la corresponden- cia directa entre sus soluciones basicas. La clave de esta correspondencia ¢s el renglén 0 de la tabla simplex para la soluci6n basica primal, como se muestra en las tablas 6.4.0 6.5. Se puede obtener ese rengldn 0 a partir de cualquier solucién bésica primal, factible o no, empleand las formulas dadas en la parte inferior de la tabla 5.8. Observe de nuevo en las tablas 6.4 y 6.5 como se puede leer directamente en el rengién 0 Ja solucién completa del problema dual (inclusive las variables de superdvit). Entonces, por "Btlector puede preguntare por qué nose introducen nariables rifles en estas resticciones como s esti ena seccién 4.6. razon es que esas variables no cumplen con oto propésito que cambiar temporalmente la regi fc- tile, lo cual es conveniente para inciar el método simplex. En este aso nose tiene interés en apicar el método sim plex al problent dual y no se quiere cambiar la region facible,6.3, Relaciones primal-dual 243 TABLA 6.7 Asociacién entre las variables de los problemas primal y dual Variable primal Variable dual asociada Cualquier (ariable de decision) x, | z,—c, (variable de superdvit) j= 1,2,....0 problema (Variable de holgura) xq | _y, (variable de decisién) = 1,2... Variables de decision: x | 2,~¢; (variables de superivt) Problema |) A-G Wyndor Variables de holgura: x | y, (variables de decisién) | x] on su coeficiente en el renglén 0, cada variable del problema primal tiene una variable asociada eneldual; esto se resume en la tabla 6.7, primero para cualquier problema y luego paral dela dor. Baud concepto importante es que la solucién del dual que se lee en el renglén 0 itambién debe ser una solucién bisica! Esto se dehe a que las m variables bisicas del problema primal necesitan tener coeficiente cero en el renglén 0, lo que significa que el valor de las m variables cuales asociadas debe ser cero, es decir, deben ser variables no bésicas en el problema dual. Los valores de las » variables (basicas) restantes serdn entonces la solucién simultdnea del sis- tema de ecuaciones dado al principio de esta seccién. En forma matricial, este sistema es2—¢ = yA~ 6 ylaidea fundamental de la seccién 5.3, de hecho, identifica su solucién para los va- lotes de z—cy y como elementos correspondientes en el renglén 0. Gracias ala propiedad de simetrfa mencionada en la seccién 6.1 (ya la asociacién directa centre las variables que se muestran en la tabla 6,7), la correspondencia entre las soluciones bé- sicas en el primal y el dual es simétrica, Atin mds, un par de soluciones bésicas complementa- rias tiene el mismo valor para la funcién objetivo; este es el de W en la tabla 6.4. Sc resumirdn las conclusiones sobre la correspondencia entre las soluciones bésicas del primal y el dual, en donde la primera propiedad amplia la propiedad de soluciones comple- ‘mentarias de la seccién 6.1 a las formas aumentadas de los dos problemas y después a cual- quier solucién basica (factible a no) del problema primal. Propiedad de las soluciones bisicas complementarias: cada solucién bdsica en el problema ‘Primal tiene una solucién bésica complementaria en el problema dual, donde los valores res- ppectivos de la funcidn objeriva (Z yWV) son iguales. Dado el renglén 0 de la tabla simplex para Ja solucién bésica primal, la solucién bésica dual complementaria (y, 2 ~¢) se encuentra de la ‘manera en que se muestra en la tabla 6.4, La signiente propiedad indica cémo identificar las variables bsicas y no bisicas para esta so- lucién bésica complementaria. Propiedad de holgura complementaria: dada la asociacién entre variables dada en la tabla (6.7, las variables en la solucién bésica primal y en la solucidn basica dual complementaria satis- facen las relaciones de holgura complementaria mostradas en la tabla 6.8. Es mds, esta rela- idn cs simétrica, de manera que las dos soluciones bdsicas son complementarias entre sf. ‘La razén por la que sc usa el nombre de holgura complementaria para esta tiltima propie- dad es que dice (en parte) que para cada par de variables asociadas, si una de elas tiene holgura244 6 Teoria de dualidad y andlisis de sensibilidad TABLA 6.8 Relaciones de holgura complementaria para soluciones basicas complementarias (m variables) (ovariabloe) en su restriccién de no negatividad (valor de la variable bésica > 0), entonces la otra no debe tener holgura (variable no bésica = 0). En la seccidn 6.2 se menciond que esta propiedad tiene tuna interpretacién econémica titil en los problemas de programacién lineal. Ejemplo. Para ilustrar estas dos propiedades, considere de nuevo el problema de la Wyndor Glass Co. de la seccién 3.1. En la tabla 6.9 se muestran sus ocho soluciones bisicas (cinco factibles y tres no factibles). Entonces el problema dual (vea la tabla 6.1) también debe tener ocho soluciones bisicas, cada una complementaria a una de las soluciones primales, como se muestra en Ia tabla 6.9. Las tres soluciones BF obrenidas por el método simplex para el problema primal son la primera, la quinta y la sexta soluciones que se muestran en la tabla 6.9. Yas vio en la tabla 6.5 ‘cémo se pueden leer las soluciones bésicas complementarias para el problema dual directa- mente del renglén 0, comenzando can los coeficientes de las variables de holgura y siguiendo con las variables originales. Las otras soluciones bisicas duales tambien se pueden identificar en la misma forma si se construye el renglén 0 para cada una dc las otras soluciones bésicas primales, usando las formulas dadas en la parte inferior de la tabla 5.8, De manera alternativa, para cada solucién basica primal se puede usar la propiedad de holgura complementaria para identificar las variables bdsicas y no bésicas de la solucién bési- ca dual complementaria, de manera que el sistema de ecuaciones dado al principio de la sec- ién se puede resolver directamente para obtener esta solucién complementaria. Por jemplo, considere la pendltima solucién bésica primal en la tabla 6.9, (4, 6, 0, 0, -6). Note TABLA 6.9 Soluciones bisicas complementarias para el ejemplo de la Wyndor Glass Co. Problema primal Problema dual Nam.| Solucién bésica | iFactible? | Z=W | iFactible? | Solucién basica (0, 0, 4, 12, 18) | si 0 No ©, 0, 0, -3, -5) (4, 0, 0, 12, 6) si 2 No @, 0, 0, 0, -5) (6. 0, -2, 12,0) | No 8 No (0, 0, 1, 0, -3) 0, 6, 0) si 7 No 40, 40,0) 4,0, 6) si 30 | No ©. $0, -3, 0) 2, 0, 0) si 36 st 31,0, 0) 0, 0, -6) No 2 si @. $0, 0,0 4, 6, 0) No 45 si6.3. Relaciones primaldual 245 que x, 2 y 5 son variables bdscas, puesto que estas variables no son iguales a 0. La tabla 6.7 indica que las variables duales asociadas son (2 ~ 4), (2, ~ ¢)y ys. La tabla 6.8 especifica ue estas variables duales asociadas son variables no bisicas en lasolucién bésica complemen taria, asf 2-4 =0, %-@=0, ¥3=0. En consecueneia, la forma aumcutatla Ue las restricciones funclonales en el problema dual, di 4393-4 2ya + 2y3- 2-02) =5, se reduce a ny +0-0=3 2yy +0-0=5, de manera que y; = 3 y y2 ~ §. Sise combinan estos valores con los valores de 0 de las vatia- bles no basicas se obtienc la solucién bisica (3, §, 0, 0, 0), mostrada en la columna de la dere- ccha y cl pentiltimo cengléu de la tabla 6.9. Observe que esta soluci6n dual es factible para el problema dual porque las cinco variables satisfacen las restricciones de no negatividad. Por tiltimo, observe que la tabla 6.9 muestra que (0, §, 1, 0, 0) es la solucién éptima para el problema dual, ya que es la solucién bésica factible con un valor mfnimo para W (36). Relaciones entre las soluciones basicas complementarias Ahora se estudiardn las relaciones entre las soluciones bésicas complementarias comenzando consus relaciones de factbilidad. Las columnas centrales de la tabla 6.9 proporcionan algunas ideas valiosas. Observe que para los pares de soluciones basicas complementarias, las respues- tas de sf ono ala factibilidad también satisfacen una relacién complementaria en la mayoria de los casos. En particular, con una sola excepcién, siempre que una solucién es factible, la otra no lo ¢s. (También cs posible que ninguna sulucién sea factible, como ocurte con el ter- cer par.) La tinica excepcién es el sexto par, en el que se sabe que la solucién del primal es épti- ma, LacolumnaZ = W sugiere la explicacién. Como la sexta solucién dual también es éptima (por la propiedad de soluciones éptimas complementarias), con W = 36, entonces las prime- rascinco soluciones duales no pueden ser factibles, ya que W < 36 (recuerde que el objetivo del problema dual es mtinimizar W). Por lo mismo, ias dos tiltimas soluciones primales no puc- den ser factibles porque Z >36. Esta explicacién ¢st4 apoyada por la propiedad dle dualidad fuerte que dice que las solu- ciones éptimas primal y dual tienen Z = W. En seguida se establecers la extensidn de la propiedad de las soluciones éptimas comple- ‘mentarias de la seccidn 6.1 para las formas aumentadas de los dos problemas. Propiedad de las soluciones bésicas Sptimas complementarias: cada solucién bé- sica éptima en el problema primal tiene una solucién bésica éptima complementaria en el problema dual, en donde los valores respectivos de las funciones objetivo (Z y W) son iguales. Dado el renglén 0 de la tabla simplex para la solucién primal éptima, se puede encontrar la solucién dual éptima complementaria (y*, 2* — c), como se puede ver en la tabla 6.4,246 6 Teoria de dualidad y andlisie de cansibilidad TABLA 6.10 Clasificacién de las soluciones basicas ———————————S iSatisface la condicién de optimalidad? Si No Si Optima Subéptima IFaetible? No Superéptima___Nifactble nl superéptima Para revisar el razonamiento que fundamenta esta propiedad, observe que la solucién dual (y*,2* ~ ¢) debe ser factible para el problema dual, puesto que la condicidn de optimali- dad para el problema primal requiere que todar las variables duales (inclusive las variables de superdvit) sean no negatinas. Como esta solucién es fuctible, debe ser dptima para el problema dual por la propiedad de dualidad débil (como W = Z, cutonces y"b = cx* donde x* es 6pti- ‘ma para el problema primal). Las soluciones bésicas se pueden clasificar segrin si satisfacen o no cada una de dos condi- iones. Una es la condicién de factbilidad, a saber, si todas las variables (incluyendo las de hol- ura) en la solucién aumentada son no negativas. La otra es la condicién de optimalidad, es decir, si todos los coeficientes en el renglén 0 (o sea, todas las variables en la solucién bési- cacomplementaria) son no negativos, En la tabla 6.10 se resumen los términos que se emplean aquf para los diferentes tipos de solucioues basicas. Por ejemplo, en la tabla 6.9 las soluciones bisicas 1, 2, 4 y 5 son subéptimas, la 6 es 6ptima, la 7 y la 8 superdptimas y la 3 no es factible ni superdptima, Dadas estas definiciones, en la tabla 6,11 se resumen las relaciones generales entre las so- luciones bésicas complementarias. En la figura 6.1 se muestra cl intervalo de valores posibles (comnunes) para las funciones objetivo (Z = W) que se obtiene para los tres pares de solucio- nes dados en a tabla 6.11 (el iltimo par puede tener cualquier valor). Entonces, mientras que el mérodo simplex mancja directamente soluciones basicas subdprimas y trabaja para alcan- zar la optimalidad cn el problema primal, al mismo tiempo obtiene de manera indirecta las soluciones superdptimas complementarias y las mueve hacia la factibilidad del problema dual. A la inversa, algunas veces es més conveniente (o necesario) trabajar directamente con las soluciones bsicas superéptimas y moverse hacia la factibilidad del problema primal, que es el propésito del método simplex dual descrito en la seccin 7.1. La tercera y cuarta columnas de la tabla 6.11 introducen otros dos términos comunes usados para describir un par de soluciones bdsicas complementarias. Se dice que las dos solu- ciones son factibles primales si la solucién bésica primal es factible, mientras que se llaman factibles duales si la solucién bésica dual complementaria es factible para el problema TABLA 6.11 Relaciones entre las soluciones basi ‘complementarias Solucién Solucién bisica dual Ambas soluciones bisicas bésiea primal complementaria 2Primal factible? iDual factiblet Subéptima Superéptima St No Optima Optima Si st Superéptima ‘Subéptima No St Ni factible ni Ni factible ni No No superéptima superéptimaFIGURA 6.1 6.4 __Adaptacién a otras formas del primal 247 Problema primal Problema dual Subdptima Superéprima Intervalos de valores | posibles de Z=W para cierto tipo de so- luciones bésicas com- plerencaris. 64 dual. Al usar esta terminologfa, cl mérodo mancja las soluciunes factibles primales y se esfuer- zapor lograr también la factibilidad dual. Cuando lo logra, las dos soluciones bésicas comple- ‘mentarias son éptimas para sus respectivos problemas. Se ha probado que estas relaciones son titiles, en particular en el andlisis de sensibilidad, como se verd mds adelante en este capftulo. ADAPTACION A OTRAS FORMAS DEL PRIMAL Hasta aqui se ha supuesto que el modelo para el problema primal se encuentra en nuestra for- ma estindar. Sin embargo, al principio del capitulo se indicé que cualquier problema de pro- ‘gramacién lineal, ya sea que se encuentre en nuestra forma estindar o no, posee un problema dual. Asf, esta seccién esr dedicada a estudiar la manera en que el problema dual cambia para ‘otras formas del primal. ‘Las formas diferentes a la estndar se presentaron en la secci6n 4.6, en donde se estable- i6 que es posible convertir cada una a una forma estandar equivalente si se desea. Estas con- versiones se resumen en Ia tabla 6.12. Con esto, siempre se tiene la opcién de convertir cualquier modelo a nuestra forma estdndar y después construir su problema dual en la forma usual. Como ejemplo, en la tabla 6.13 se hace esto para el problema dual estandar (que tam- bin dehe rener un dual). (Note que el resultado de todo esto es justo el problema primal cs- tindar! Como cualquier par de problemas primal y dual se pueden cambiar a estas formas, este hecho implica que cl dual del problema dual es siempre el problema primal. Por lo tanto, ara cualquier problema primal y su problema dual, todas las relaciones entre ellos deben ser simétricas. Esta es simplemente la propiedad de simetrfa que se establecié en la seccién 6.1 (sin demostracién), y que ahora la tabla 6.13 muestra por qué se cumple.248 6 Teoria de dualidad y andlisis de sensibilidad TABLA 6.12 Conversiones de los modelos de programacién lineal ala forma esténdar Forma esténdar equivalente X, no restringida en signo ‘Una consecuencia de la propiedad de simetria ¢s que todas las afirmaciones que se hicie- ron antes sobre las relaciones del problema dual con el problema primal también se cumplen en cl sentido inversu. Otra consecuencia es que no tiene ninguna trascendencia a cudl de los problemas se le dé lnombre de primal y a cual el de dual. En la préctica, se puede encontrar un problema de pro- gramacién lineal que se ajuste a nuestra forma est4ndar y al que se le dé el nombre de proble- ma dual. La convencién es que el modelo formulado para representar el problema real recibe el nombre de problema primal sin importar qué forma tiene. La cjemplificacién de la construccién del problema dual para un problema primal no ¢s- éndar uo incluy6 restricciones de igualdad ni variables no restringidas en signo. De hecho, para estas dos formas existe un camino mds corto. Es posible demostrar (vea los problemas 64-7 y6.4-22) que una restriccién de igualdad en el primal debe manejarse igual que una res- TABLA 6.13 Construccién del dual de un problema dual Convertido en la Problema dual forma esténdar IMinimizar W = yb, Maximizar (-W) = —yb, sujeta a sujetaa yAze > -yAs- ly y y20. y20. Comet ena 1 forma esténdor Su problema dual Maximizar Z = ex. Minimizar(—Z) = -ex sujetaa sujetaa Axsb | AK > -b y 7 x20. x20.64 __ Adaptaci6n a otras formas del primal 249 tricci6n de la forma sal construir el problema dual, excepto que debe eliminarse la restriccién de no negatividad para la variable dual correspondiente (es decir, esta variable queda sin res- triccién de signo). Por la propiedad de simetria, eliminar una restriccién de no negatividad en el problema primal afecta el problema dual slo en que la restriccién de desigualdad corres- pondiente cambia a una restriccidn de igualdad. Otro atajo se refiere alas restricciones funcionales de la forma 2 para un problema de ma- ximizacidn. El enfoque directo (pero no mds laigu) seifa Lumicizar por convertir cada restric- cidn de este tipo a la forma s. Enronces, la construccién del problema dual en la forma usual dice que ~ay es el coeficiente de y; en la restriccién funcional j (que tiene la forma 2) y -b; es el coeficiente en la funcién objetivo (que debe minimizarse), donde y; también tiene restriccién de no negatividad ¥; 2 0. Ahora suponga que se define na nneva variable y} = ~y, . Los cambios que ocurren al ‘expresar el problema dual en términos de y; en lugar de y; son: 1) los coeficientes de la varia- ble se convierten en ay para la restriccién funcional j yd; para la funciGn objetivo y 2) la res- triccién sobre a variable se convierte en y; <0 (resticién de no positvidad), El atajo consiste cn usar y; en lugar de y; como variable dual para que los pardmetros en la restriccidn original (ai; y6;) se conviertan directamente en los coeficientes de las variables en el problema dual. Se presenta una idea nemotécnica para recordar cules deben ser las formas duales de las restricciones. En.un problema de maximizacién, puede ser comin que una restriccién tenga la forma s, un poco extrario que esté en la forma =, y bastante raro que tenga la forma 2. De ma- nera similar, para las restricciones en un problema de minimizaciou, puede ser comin que ten- gan la forma 2, un poco extrario que tenga la forma =, y bastante raro que tenga la forma <. Para Ia restricci6n sobre una variable individual en cualquier tipo de problema, puede ser co- ‘man que tenga restriccién de no negatividad, un poco extravio que no tenga restriccién (que lavariable sca no restringida en signo) y bastante raro que esté restringida a valores menores 0 iguales a cero. Ahora recuerde la correspondencia entre los elementos de los problemas pri mal y dual indicada en la tabla 6.3; esto es, la restriccién funcional i en un problema corres- ponde a la variable en el otro y viceversa. Elmé‘ordo comain-exirano-raro, o método CER en corto, dice que Ia forma de una restriccién funcional o de la restriccién sobre una variable enel problema dual debe ser comtin, extrafia o rara, segiin sila forma del elemento correspon- diente en el problema es comin, extrafia o rara, En seguida se da un resumen. EI método CER para determinar la forma de las restricciones en el dual! 1. Formule el problema primal en cualquier forma, de maximizacién o minimizacién, y ¢l problema dual quedaré en la otra forma automédticamente. 2, Etiquete cada forma de las restricciones funcionales y de las restricciones sobre las varia- bles como comin, extrafia o rara de acuerdo con la tabla 6.14. Las. ctiquetas de las restric- Esta dea nemorécnica (y otra relacionada) para recordar cuiles deben sr la formas dels restrcciones dues fue su- _gerida por Arthur T. Benjamin, un profesor de mavcmaticas en Harvey Mudd Gollege. Unt hecho interesante y extra famente maravilloso sobre el profesor Benjamin es que es una de las mds grandes calculadoras humanas en el mundo que pueden realizar proezat como una multplicacién mental de mimcros de scis digitos.250 6 Teoria de dualidad y andlisis de sensibilidad TABLA 6.14 Formas primal-dual correspondientes eS Problema primal Problema dual Etiqueta (© problema dual) (@ problema primal) Maximizar_Z (0 W) Minimizar W (0 Z) Restriccion i Variable y, (0 x): Comin formas <———_}—> y,>0 Extrafia forma= <———|—> no restringida Rara forma2 _<———_} > y<0 Variable x; (0 ,): Restriccién j: ‘Comin x20 <———_+-——> forma Exerafa 10 restringida <—————} > forma = Rara xjs0_ <——_|_—-> formas _]—_$_$ $5 ciones funcionales dependen de si el problema ¢s un problema de maximizacién (use la segunda columna) o un problema de minimizacién (use la tercera columna). 3. Por cada restriccién sobre una variable individual en el problema dual, use la forma que tiene la misma etiqueta que la restriccién funcional en el problema primal que correspon- de a esta variable dual (como se indica en Ia tabla 6.3). 4, Por cada restriccién funcional en cl problema dual, use la forma que tiene la misma etique- ‘ta que la restriccién sobre la variable individual correspondiente en el problema primal (como se indica en la tabla 6.3), Las flechas entre la segunda y tercera columnas de la tabla 6.14 sefialan la corresponden- cia entre las formas de las restricciones en el primal y el dual. Observe que la correspondencia siempre se da entre una restriccién funcional en un problema y una restriccién sobre una va- riable individual en el otro problema. Como el problema primal puede ser de maximizacién 0 minimizacién, donde el dual serd entonces del tipo opuesto, la segunda columna de la tabla proporciona la forma para el que sea el problema de maximizacién y la tercera columna, la forma para el otro problema (el de minimizacién). Para ilustrar esto, considere el ejemplo de terapia de radiaciéin que se presenté en Ia sec- cién 3.4, (Su modelo se muestra en la pdgina 46.) Para mostrar la conversién en ambas direcciones en la tabla 6.14, se establece que la forma de maximizacién de este modelo cs el problema primal, antes de usar la forma de minimizacién (original) El problema primal en la forma de maximizacion se muestra en el lado izquierdo de la ta- bla 6.15. Se usa la columna izquierda de la tabla 6.14 para representar este problema y ls fle- chas de la tabla indican la forma del problema dual en la tercera columna. Estas mismas flechas se nsan en la tabla 6.15 para mostrar el problema dual que se obtiene. (Debido a es- tas flechas las restricciones funcionales se colocaron al final en el problema dual en lugar de su posicién usual al principio.) Al lado de cada restricciéu en ambos problemas, se inserted (entre paréntesis) una C, E o R para etiquetar la forma como comin, extrafiao rara. Como se prescribe en el método CER, la etiqueta de cada restricciGn dual siempre es la misma que para la restriccién correspondiente en el primal.64 __ Adaptaci6n a otras formas del primal 251 TABLA 6.15 Una forma primal-dual para el ejemplo de terapia de radiacién Problema primal Problema dual Maxmuar -Z= 04% -05x, Minimizar W = 2.7y, + 6y2 + 673, sujetaa sujetaa © . 03n+01gs27 > y20 © ©) 05x + 0.5 =6 > yz no restringidaen signo —(E) ®) 06 +0426 € > vis ® y y © 420 <- | s 03y,+ 0572+ 06732 -04 (©) © 20 < > Olin +05), +04ys2-05 —(C) Sin embargo, no habia necesidau (més que con fines ilustrativos) de convertir el proble- ma primal a la forma de maximizacién. $i se usa la forma de minimizacién original, el pro- blema primal equivalente se muestra a la izquierda de la tabla 6.16. Ahora se usa la terceravis © © assem-e <> frroraungdaensipe ®) 0640426 < > 20 ®) y y © %20 « + 03/4057} +06y,504 — (C) ©. x20 j——}>_ay'+05y5+04y,506 (©)252 65 6 Teoria de dualidad y andlisis de sensiblidad (Cuando se usan las variables atificiales para ayudar al mérodo simplex a resolver un pro- blema primal, Ia interpretacién de dualidad el renglén 0 en la tabla simplex es la siguiente: como las variables artificiales hacen las veces de variables de holgura, sus coeficientes en el rengl6n 0 ahora proporcionan los valores de las variables duales cortespondientes a la solu- cién bésica complementaria para el problema dual, Como las variables artificiales se usan Para sustitur el problema real con un problema artificial mds conveniente, de hecho, este pro- bblema dual esel cual del problema artificial. Sin embargo, una vez que wodas las variables arti- ficiales se convierten en no bésicas, se tienen de nuevo los problemas primal y dual rales. Con el mérodo de dos fases, deben retenerse las variables artifciales en la fase 2 para poder leer la solucién dual completa enc! rengién 0. Con el método de la M, comoaliniciar se apregs Ma los coeficientes de las variables artificiales en el rengl6n 0, el valor actual de cada variable dual correspondiente es el coeficiente actual de esta variable artificial menos M. Por ejemplo, observe el renglén 0 en la tabla simplex final para el ejemplo de terapia de radiacién dado al final de la tabla 4.12 en la pagina 142. Después de restar M de los coeficien- tes de las variables artificiales %4 y Xs, la solucién éptima para el problema dual correspon- dicnte de la tabla 6.15 est dada por los coeficientes de 3, % 4 y¥ como Ons 92545) = (0. ~1.1, 0). Como siempre, las variables de superdvit para las dos restricciones fincionales co. rresponden a los coeficientes de x y x3 y son 2 ~ ¢, =O 2) — cy = PAPEL DE LA TEORIA DE DUALIDAD EN EL ANALISIS DE SENSIBILIDAD ‘Como se describe en las dos secciones siguientes, el andlisis de sensibilidad consiste, en esen- cia, en la investigaci6n del efecto que tiene sobre la solucién dptima el hecho de hacer cam- bios en los valores de los pardmetros del modelo; ,b; yey. Sin embargo, cambiar los valores de los parémetros en el problema primal cambia también los valores correspondientes en el problema dual. Por lo tanto, se puede elegir qué problema se va a usar para investigar cada cambio. Gracias alas relaciones primal-dual presentadas en las secciones 6.1 y6.3 (en especial 'a propiedad de soluciones bésicas complementarias) es ficil ir de un problema a otro segiin sedesce. En algunos casos ¢s més conveniente analizar el problema dual directamente con ob- Jeto de determinar el efecto complementario sobre el problema primal, Se comenzari por considerar dos casos, Cambios en los coeficientes de una variable no basica Suponga que los cambios que se hacen en el modelo original ocurren en los coeficientes de tuna variable que cra no bésica en la solucién éptima original. «Cul es el efecto de estos cam- bios sobre esta solucién? éEs todavia factible? ¢Es todavia éptima? En vista de que la variable en cuestién es no basica (vale cero), el cambio en sus coeficien- tes no puede afectar la factibilidad de la solucién, porlo cual, la pregunta que queda abierta cn este caso es si todavia es 6prima. Como se indica en las tablas 6.10 y 6.11, una pregunta equi- valente es si la solucién bdsica complementaria para el probleina dual todavia es factible des- pués de hacer estos cambios. Dado que los cambios afectan al problema dual nada mds en una restriccién, 1a pregunta se puede responder sencillamente verificando si esta solucién bdsica complementaria satisface la restriccin revisada. Se iustrard este caso en la subseccién correspondiente de la seccién 6.7 después de desa- rrollar el ejemplo adecuado,6.5 Papel de la teoria de dualidad en el anilisis de sensibilidad 253 Introduccién de una nueva variable Como se indicd en la tabla 6.6, las variables de decisién del modelo suelen representar los ni- veles de las distintas actividades bajo consideracién. Fn algunas situaciones, estas actividades se seleccionan entre un grupo grande de actividades posibles en el que las actividades restantes no se eligieron por parecer menos atractivas. O quiz estas ouras actividades no salieron a te- lucir hasta después de formular y resolver el modelo original. De cualquier manera, la pre- gunta cu este Caso es si vale la pena alguna de estas actividades no consideradas antes como Para justificar su inclusién, En otras palabras, écambiard la solucién éptima original si se agrega cualquicra de estas actividades? Agregar otra actividad equivale a introducir en el modelo una nueva variable, con los coeficientes apropiados en las restricciones funcionales y en la funcién objetivo. Bl tinico cambio que resulta en el problema dual cs la introduccién de una nueva restriccién (vea la ta- bla 6.3). Una vez hechos estos cambios, ésers la soluci6n éptima original, junto con la nueva va- riable igual a cero (no bésica), todavia 6ptima para el problema primal? Igual que en el caso anterior, una pregunta equivalente es si todavia es factible la solucién bésica complementaria para el problema dual, ¢ igual que antes, esta pregunta se puede contestar con sélo verificar si ¢sta solucién bésica complementaria satisface una restricci6n que en este caso se trata de la nueva restriccién para el problema dual. Para ver un ejemplo, suponga que en el problema de la Wyndor Glass Co. de la seccién 3.1 se planea incluir en la linea de producci6n un tercer producto nuevo. Sie fepresenta la tasa de produccién de este articulo, el modelo revisado que resulta Maximizar Z= 34, + 5%) + 42,05 sujera a 4 + 2X numa S 4 2x2 + 3Xnyevg S12 3x, +28) + Xan $18 120, 220, Xp 20. Después de introducir las variables de holgura, la solucién éptima original para este proble- ma Sin ¥yevg (Vea la tabla 4.8) era (¥,,.%2,% 3,45) = (2, 6, 2, 0, 0). Sisc incluye nye =0, kes todavia dprima la solucién? Para responder esta pregunta se verifica la solucién bdsica complementaria para el pro- blema dual. Como lo indica la propiedad de soluciones bdsicas dptimas complementarias en la sec- cién 6.3, esta solucién esté dada en el renglén O de la tabla simplex final para el problema primal, con Ia localizacién mostrada en Ja tabla 6.4 ¢ ilnstrada en la tabla 6.5. Por lo tanto, ‘como se da en el iltimo renglén de la tabla 6.5 y el sexto renglén dela tabla 6.9, las solucién es 3 0, 0) 3 4 (De manera alternativa, esta solucién bésica complementaria se puede derivar de la forma en que se ilustr6 en la secci6n 6.3 para la solucién bdsica complementaria en el peniltimo ren- gldn de la tabla 6.9.) Ow 90 9m #1-Ey B.-A) = (0,254 6.6 6 Teoria de dualidad y andlsis de sensibiidad ‘Como esta solucién era éptima para el problema dual original, sin duda satiface las res- tricciones duales originales que de la tabla 6.1. Pero, ésatisface la nueva restriccién dual? 2n+3y2+ w24 Al sustituir esta solucién se ve que 2(0) + (3) +()24 se satisface, por lo que esta solucién dual sigue siendo factible (es decir, éptima). En conse- cuencia, la soluci6n primal original (2, 6, 2, 0, 0) junto con Xpyeva = U todavia es Optima, y se concluye que no debe incluirse este nuevo producto en la produccién. Este enfoque hace que también sea muy sencillo evar a cabo un andlisis de sensibilidad sobre las cneficientes de la neva variable agregada al problema original. Con sélo verificar la nueva restriccién dual se puede saber cudnto pueden cambiar los valores de estos pardmetros antes de que afccten la factibilidad dc la solucién dual y la optimalidad de la solucidu primal. Otras aplicaciones Se han presentado otras dos aplicaciones importantes de la teorfa de dualidad al andlisis de sensibilidad: los precios sombra y el método simplex dual. Como se vio en las secciones 4.7 y 6.2, lasolucién éptima dual (y?, ¥¥,.....7%) proporciona los precios sombra para los recur- 0s respectivos que indican cuanto puede cambiar Z si se hacen cambios (pequefios) en las b, (cantidad de recursos). El andlisis obtenido se ilustrar4 con cierto detalle en la seccién 6.7. En términos més generales, la interpretacién econémica del problema dual y el método simplex presentado en la seccion 6.2 da algunas ideas utiles para el andlisis de sensibilidad. ‘Cuando se investigan los efectos de los cambios en las b; on las a (para las variables bé- sicas), la solucién éptima original puede convertirse en una solucién bésica superdprima (vea latabla 6.10). Si se desea reoptimizar para identificar la nueva solucidn éptima, se debe aplicar ‘el método simplex dual (que se presenté al final de las secciones 6.1 y 6.3) comenzando con esta solucién basica. Enlaseccién 6.1 se mencioné que a veces es més eficiente resolver el problema dual me- diante el método simplex con el fin de identificar una solucién Optima para el problema pri- mal. Cuando la solucién se encuentra de esta manera, el andlisis de sensibilidad para el problema primal se lleva a cabo con la aplicacién del procedimiento que se describe en las dos secciones siguientes directamente al problema dual y despnés infiriendo Ins efectos comple- ‘mentarios sobre el problema primal (por ejemplo, vea la tabla 6.11). Este enfoque al andlisis de sensibilidad es casi directo gracias a las estrechas relaciones primal-dual descritas cn las sec ciones 6.1 y 6.3 (vea el problema 6.6-3). ESENCIA DEL ANALISIS DE SENSIBILIDAD El trabajo del equipo de investigacién de operaciones apenas comienza una vez. que se aplica con éxito el método simplex para identificar una solucién éptima del modelo. Como se dijo al final de la seccién 3.3, una suposicién de programacién lineal es que todos los pardmetros del modelo (a,b; y¢;) son constuntes conociddus. Eu realidad, lus valores de los pardmetros que se uusan en el modelo casi siempre son s6lo estimaciones basadas en una prediccién de las condiciones fusturas. Los datos obtenidos para desarrollar estas estimaciones con frecuencia son bastante ‘burdos 0 no existen, asf que los parémetros de la formulacién original pueden representar6.6 Esencia dal anslicic do coneibilidad 255 Poco més que algunas reglas cortas proporcionadas por el personal de Iinea al que tal vez pre- Sionaron para dar su opinin. Los datos pueden incluso representarestimaciones optimistas © pesimisras que protegen los intereses de los estimadores, Por todo esto, un gerente razonable y el personal de investigacién de operaciones man- fendrin cicrto eseepricismo saludable respecto a los mimeros originales que salen de la computadora j, en muchos casos, los tomarén nada mds como un puinta de partida para el analisls posterior del problema, Una solucién “éptima” es 6ptima solo en lo que se refiere al modelo especifico que se usa para representar el problema real, y esa soluciGn av se convierte en una gufa confiable para la accién hasta verificar que su comportamiento es bueno también para otfasrepresentaciones razonables del problema. Atin ms, algunas veces los parimetros del modelo (en particular las ,) se establecen como resultado de decisiones pot politicas a. ‘ministrativa (por ejemplo, a cantidad de ciertos recursos que se ponen a disposicin de las actividades), y estas decisiones deben revisarse después de derectar sus consecuencias poten ciales. Por estas razones es importante evar a cabo un andlisis de sensibilidad, para investigar ¢l.efecto que tendria sobre la solucién éprima proporcionadsa por el método simplex el hecho dle que los parsmetros tomaran otros valores posibles. En general, habré algunos parimetros alos que se les pueda asignar cualquier valor razonable sin que afécten la optimalidad de esta soluciGn. Sin embargo, también habré parémetros con valores probables que lleven a una nueva soluciGn éptima, Esta situacin es seria, en particular, ila solucién original adquicre valores sustancialmente inferiores en la funcién objetivo, io tal vez no factibles! Entonces, un objetivo fundamental del andlsis de scnsibilidad es identificar los paréme> bién puede resultar de gran utilidad determinate! internalo de valores del parimetro para cl ue la solucién éptima no cambia. (Este intervalo de valores se conoce como intervalopermi- sible para permanccer éptimo,) En algunos casos, cambiar el valor de un pardmetro puede afec- tar la fiactibilidad de la solucién BF dptima. Para tales pardmetros, es itil determinar el intervalo de valores para el que la solucién BF éptima (con los valores ajustados de las varia- bles bésicas) seguird siendo factible. (Este intervalo recibe el nombre de intervalo permisible bara permanceer fuctble.) Eula siguiente seccién se describirén los procedimientos especifi- Cos para obtener este tipo de informacién, Esta informacion es invaluable en dos sentidos. Primero, identifica los pardmetros més ‘importantes, con lo que se puede poner un cuidado especial para hacer estimacioncs ccrcanas yseleccionar una solucién que tenga un buen desempefio para la mayorta de los valores posi. bles. Segundo, identifica los pardmetros que serd necesario contiolar muy de cerca cuanto el estudio se ponga en marcha. $i se descubre que el valor real de un pardmetro esta fuera de su intervalo de valores perinisibles, éstaes una seal inminente de que es necesario cambiar la so- lucién. Para problemas pequefios, la verficacién del efecto de una variedad de cambios en los va- lores de los parémetros es directa con séloaplicar de nuevo el método simplex para ver si can. bialla solucion éprima. Estos en especial conveniente cuando se usa una formulacién en hoja de c4lculo. Una vez establecido el Solver: ‘Para obtener una solucién ‘6ptima, sdlo se hacen los cambios descados y se elige Solver otra vez. Sin embargo, en problema mds grandes como los encontrados en la préctica, el andlisis de sensibilidad requeriria un esfuerzo computacional exorbitante si fuera necesario volver a apli- car el mérodo simplex desde ! principio para investigar cada cambio en el valor de un pard.256 & Teoria de dualided y andisis de sensibilidad metro. Por fortuna, la idea fundamental presentada en la seccién 5.3 casi elimina el esfuerz0 computacional. En esencia, la idea fundamental revela de inmediato la forma en que los cam- bios al modelo original alterarfan los nimeros de la tabla simplex final (si se supone que se du- plica la misma secuencia de operaciones algebraicas que realizé el método simplex la primera vez). Entonces, después de hacer unos cuantos célculos para actualizar esta tabla simplex, se poede verificar con facilidad si la solucién BF éptima original ahora es no Gptima (o no facti- le). Si es asi, esta solucién se usard como solucién bisica inicial para comenzar de nuevo el simplex (o el simplex dual) yencantrar una nueva salucién Sptima, sise desea. Silos cambios en el modelo no son cambios mayores, s6lo se requerirén unas cuantas iteraciones para obte- ner la nueva solucién éptima a partir de esta solucién bésica inicial “avanzada”. Para describir este procedimiento con més deralle, considere la siguiente situacién. Se ha empleado el método simplex para obtener una soluci6n 6ptima para un modelo de progra- ‘macién lineal con valores especificos para los pardmetros#;,c; yay . Para iniciar el andlisis de sensibilidad se cambian uno o més pardmetros. Después de hacer los cambios, sean b;,7; y 7 los valores de los distintos par4metros. Entonces, en notacién matricial, bob, coe ASA para el modelo revisado. EI primer paso es actualizar la tabla simplex final para que refleje estos cambios. Si se usa Janotacién presentadaen la tabla 5.10, al igual que las formulas que la acompafian parala idea fundamental [1) t*=t+y*Ty 2) T* =S*T], se ve que la tabla simplex final revisada se calcu- laa partir de y* yS* (que no han cambiado) y la nueva tabla simplex inicial, como se muestra ena tabla 6.17. Ejemplo (Variacién | del modelo Wyndor). A manera de ilustracién, suponga que se revisa el modelo original del problema de la Wyndor Glass Co. de la seccién 3.1 seguin se muestra en la tabla 6.18, Asi, los cambios al modelo original sone = 3-> 4, a3, = 3» 2 yb) = 12 24. Lafigu- ra 6.2 muestra el efecto grifico de estos cambios. Para el modelo original, el método simplex ya identificé la solucién FEV éptima en el vértice (2, 6), que se encuentra en la interseecién de las dos fronteras de restriccién que s¢ mucstran como lincas punteadas, 2x, = 12 y 3x, + 2x, = 18. Ahora, la revisidn del modelo ha cambiado ambas fronteras por las que se ‘muestran con lineas oscuras, 2x) = 24 y 2x; + 2x, = 18. En consecuencia, la solucién FEV anterior (2, 6) cambia ahora a la nueva interseccién (-3, 12) que es una solucién no factible en TABLA 6.17 Tabla simplex final revisada que resulta de los cambios en el modelo original SSeS Ee. Coeficiente de Lado nim. [Z| Variables originates | Variables de hoigura | derecho ° abla inicial nueva 0] i = o (2m) [0 A 1 b “Tabla tral Zaye revisada sb6.6 Esencia del andlisis de sensi idad 257 TABLA 6.18 Modelo original y primer modelo revisado (variacién 1) para realizar el andlisis de sensibilidad con el modelo de la Wyndor Glass Co. ‘Modelo agin! Modelo revisado Masimizar 2 = (2, fs} Minimizar 2 = (4, of} 7. 7, aujetan sujcta a roy, fa 10 4 ° 2[*]s|a 0 2{*]s mu 3 2\! lie 22} [ie y y x20, x20, FIGURA 6.2 ah Cambio de la solucién o finalen unvértice de (_3, 12 a @.6)a(-3.12) para 2xn= 24 la revision del problema de la L Wyndor Glass Co., donde ¢,=3-> 4, oy = 3-5 2y oe => 04. bain (0, 9) éptima aad 2m +25 = 18 3x +2) = 18 *=0258 6 Toorla de dualidad y anslisis de sensibilidad tun vértice para el modelo revisado. El procedimienta descrito en los pirrafos anteriores en- cuentra este cambio de manera algebraica (en la forma aumentada). Mids atin, lo hace de modo eficiente aunque se trare de problemas grandes doude el anilisisgréfico es imposible. Para llevar a cabo este procedimiento, se comienza por escribir los pardmetros del mode- Jo revisado en forma matricial: 10 4 t=[4,5], A=|0 2), B=|24]. aed 18 La tabla sfmplex inicial nueva que resulta se muestra en la parte superior de a tabla 6.19. De- bajo se encuentra la tabla simplex final original (como se obtuvo en la tabla 4.8). Se diluajaron cuadros oscuros para marcar las partes de esta tabla simplex final que definitivamente no cam bian con los cambios al modelo, a saber, los coeficientes de las variables de holgura tanto cn cl renglén 0 (y*) como en el resto de los renglones (S*). Ast, TABLA 6.19 Obtencién de la tabla simplex final revisada para la varicaién | del modelo de la Wyndor Glass Co. eT Variable | ke. Cosficiente de Lado basica_|ndm.| Zz | x x2 x3 _X4___xy_| derecho Zz |)@/]1;4 os 0 0 o 0 s |W] o}]t 0 1 0 o 4 Thain cs | @l ole 2 lel ” xs @) o 2 2 o o 1 18 Z1@)]1]o o 6 Tablafinal paral = 2 | (| @ | OO : modeoorral = Tato lo 1 . x @}o}1 0 2 Z1@]ttl2 o 4 1 s |mM}o} 3; 0 6 Tabla revisada final mo | @]o};o 4 2 2 x @]o} 5 o6.6 Esencia del andlisis de sensibilidad 259 Estos coeficientes de las variables de holgura quedan necesariamente sin cambiar cuando se realizan las mismas operaciones algebraicas que originalmente realiz6 el método simplex porque los coeficientes de estas mismas variables en la tabla simplex inicial no cambiaron ‘Sin embargo, como otras partes de la tabla simplex inicial cambiaron, habré modificacio- ‘nes en la tabla simplex final. Usando las formulas de la tabla 6.17, los mamcros actualizados cn el resto de la tabla simplex final se calculan como sigue: 1 0 £ z*-t=[0,§,1]0 2/14, 5]=[-2, 0), 2*=(0, $, /24|-s4, 22 18 1 3 -$)1 0) Bo A*=|0 + ol]o 2/=/0 1} 0 -} aff2 2] 2 o 1 4-4) [6 br=[0 $ olj24|=/12 A Latabla simplex final revisada que se obtiene se muestra en la parte inferior dela tabla 6.19. En realidad, estos célculos para obtener la tabla simplex final revisada se pueden simplifi- car de manera sustancial. Como ninguno de los coeficientes de x, cambié en el modelo (o ta- bla simplex) original, ninguno de ellos puede cambiar en la tabla final, asf se puede eliminar sucéleulo. Algunos otros parémetros originales (a,,, 31, 4), 63) tampoco cambiaron, en- ‘tonces otro atajo consiste en calcular nada mds los cambios incrementales cn la tabla simplex fi- nal en términos de los cambios incrementales en la tabla inicial eignorar aquellos términos en lamultiplicacidu de vectores o matrices que no tuvieron cambio en la tabla inicial. En particu- lar, los tinicos cambios incrementales en la tabla simplex inicial son Ac, =1, Aay, =—1y by = 12, por lo tanto, éstos son los inicos términos que deben considerarse. Esta simplifica- didn se muestra con un cero o un guién en el lugar de los elementos no calculados. o- A(et—o)=y*AA-Ac=(0, 3, 1], 0 —|-p, J=[-2, -. a 0 AZ*~y*Ab= (0, 3, 1]| 12|=18. 0 1 4 -Hp0 -] [$ — Aat=S*ad=|0 + Of] 0 —|=] 0 —|. Oo -} Hla} bb 1 3-H 07 [ # Ab*=S*ab=|0 } 0|f12/=| 6 0 -} 4}, 0] [4260 6 Teoria de dualidad y andlisis de sensibilidad Al agregar estos incrementos a las cantidades originales en la tabla simplex final (parte media de la tabla 6.19) se obtiene la tabla simplex revisada final (parte inferior de esa tabla) Este anslisis incremental proporciona también una idea general itil que dice que los cam bios en la tabla sfmplex final deben ser proporcionalesa cada cambio en la tabla simplex inicial, En la siguiente seccién se ejemplificard emo csta propiedad petmite usar la interpolacién 0 extrapolacién lineal para determinar el intervalo de valores de un parémetto dado donde la soluciéu Lésiva final permanece tanto factible como optima, Después de obtener Ia tabla simplex final revisada, se convierte en la forma apropiada de ¢liminacién de Gauss (como sea necesatio). En particular, la variable basica para el renglén i debe tener un coeficiente de 1 en ese renglén y 0 en todos los dems renglones (incluso en el rengl6n 0), para que la tabla esté en la forma apropiada para identificar y evaluar la solucién basica actual, Entonces, si los cambios violan este requisitu (lo que puede ocurtir sdlo si se cambiaron los coeficientes de una variable bésica original), se deberén realizar las opera- iunes necesarias para restablecer esta forma. Hsta restauracion se hace con el método de eli- minacién de Gauss, es decir, mediante aplicaciones sucesivas del paso 3 de una iteracin del método simplex (vea el capitulo 4) como si cada variable que no cumple con el requisito fuera una variable entrante. Note que este proceso puede causar otros cambios en la columna del ‘Jado derecho, por lo que la solucién basica actual se podré leer en esta columna cuando se haya recuperado por completo la forma apropiada de climinacién de Gauss. Para el ejemplo, la tabla simplex final revisada que se muestra en la parte superior de la ta- bla 6.20 no esté en la forma apropiada de eliminacién gaussiana por la columna de la variable basica x. En particular, el coeficiente de x; ensu renglén (el 3) ¢s en lugar de 1, y tiene coe- ficientes distintos de cero (~2 y $) en los renglones 0 y 1. Para restablecer la forma apropiada se multiplica el renglén 3 por $; después este nuevo renglén 3 multiplicado por 2 se suma al renglén 0; por limo } de dicho renglén 3 se resta del renglén 1. Esto lleva a la forma apro- TABLA 6.20 Conversién de la tabla simplex revisada final en la forma apropiada de eliminaci6n de Gauss para la variacién | del modelo de la Wyndor Glass Co. —e— Variabie | Ec. Coeficiente de Lado basica [num |Z [x x) _% | derecho z}@{rl}2 o o 2 1] % \ 1 es fm}o}s o 1 ¢ 4a] 6 “Tabla revisada final : x |@}olo 1 0 + of nw RF 0 o -~ ft] 4 a [@] oe] 3 FF 1 z}@/i1fo o 0 ¢ 2] « iT % 1 oo bt x | Comeridaata “| (YO 2 3 formaspropacs og 1 @fo}lo 1 0 + of 2 oat x» |@|o}]t o o -_ 6.6 Esencia del andlsis de sensiblidad 261 piada de climinacién de Gauss mostrada en a parte inferior de la tabla 6.20, que ahora se pue- ‘dc usar para identificar los nuevos valores de la solucién bésica actual (antes éptima): (1p #2, #35 4585) ~ (C3, 12, 7,0, 0). Como »; ex negativa, esta solucién bdsica ya no es factible, pero cs superdptin (vea la tax bla 6.10) y por lo tanto es factible dual, porque todos los coeficientes en el tenglén 0 son.no ne- satires. Entonces, el método siuuplea dual puede ser util para reoptimizar (s1 se desea), ‘comenzando con esta soluci6n bésica. (La rutina de andlisis de sensibilidad en el OR Course. ware incluye esta opcidn.) Si se hace referencia ala figura 6.2 (y se ignoran las variables de holgura), el método simplex dual lleva a cabo sélo una iteracién para moverse de la solucién enel vértice (-3, 12) ala solucién FEV dptimaen (0, 9). (Con frecuencia es titil,en el andlisis. desensibilidad, identificar las soluciones que son Sptimas para un conjunto de valores proba- bles de los parémetros y después determinar cul de estas soluciones es la que tiene consistente- ‘mente cl mejor desempeiiv para los distintos valores posibles de los pardmetros.) Siesta solucién basica (~3, 12, 7, 0, 0) no hubiera sido factible ni superdptima (esto es, si la tabla hubiera tenido nimeros negativos tanto en el lado derecho como en el renglén 0), se hubieran podido introducir variables artificiales para convertirla en Ia forma apropiada para una tabla simplex inicial.! Procedimiento general. Cuando se realizan pruebas para detectar cudn sensible es la so- lucién éptima original a los distintos parémetros del modelo, el enfoque comin es verifi- car cada pardmetro (o al menos las ¢; y ;) en forma individual, Ademds de encontrar los. intervalos permisibles descritos en la siguiente seccidn, esta verificacién puede incluir cam- biar el valor del pardmetro de su estimacién inicial a otras pasibilidades dentro del intervalo de valores probables (que incluyen los extremos del intervalo). Después, se pueden investigar al- gunas combinaciones de cambios simulténeos (como cambiar una restriccién funcional com- pleta). Cada vez.que se hace un cambio en uno o més pardmetros, debe aplicarse el procedi- miento descrito c ilustrado. Se resumird ahora este procedimiento. Resumen del procedimiento para andliss de sensibilidad 1. Revisién del modelo: se hacen los cambios deseados en el modelo que se va a investigar. 2. Revisién de la tabla simplex final: se emplea la idea fundamental (segiin e! resumen de formulas al final de la tabla 6.17) para determinar los cambios que resultan en la tabla simplex final (vea un ejemplo en la tabla en 6.19). 3. Conversiin a la forma apropiada de climinacién de Gauss: sc convicrte esta tabla en la forma apropiada para identificar y evaluar la solucién basica actual aplicando (segiin sea necesa- rio) climinacién de Gauss (vea un ejemplo en la tabla 6.20). 4. Prucha de factibilidad: se prueba la factibilidad de esta solucién verificando que todas las variables basicas sigan teniendo valores no negativos en la columna del lado derecho. 5. Prucha de optimalidad: se verifica siesta solucién es 6ptima (actible), comprobando que todos los coeficientes de las variables no bdsicas en el renglén 0 sigan no negativos. 6. Reoptimisacién: si esta solucién no pasa una de las prucbas, se puede obtener (si se desea) Ja nueva solucién éptima partiendo de la tabla actual como tabla simplex inicial (con las conversiones necesarias) para el método simplex o el simplex dual. "Bxace también un algoritmo primal-dual que se puede apliardirecramente ala tabla simplex sin conversin,262 6.7 6 Teoria de dualidad y andlsis de sensibilidad La rutina interactiva llamada sensitivity analysis (andlisis de sensibilidad) en el OR Courseware le permite practicar la aplicacidn de este procedimiento. Ademés, proporciona una demostracién (con el mismo nombre) con otro ejemplo. En la siguiente secci6n se presentaréc ilustraré la aplicacin de este procedimiento a cada tuna de las categorfas més importantes de cambios al modelo original. Este estudiv incluye, en Parte, la extensién sobre el ejemplo que se introdujo en esta seccién para investigar cambios ‘en el modelo de la Wyndlor Glass Cv. De hecho, se comenzar por veriticar en forma indivi dual cada uno de los cambios anteriores. Al mismo tiempo, sc integrarn al andlisis de sensibi- lidad algunas aplicaciones de la teor‘a de dualidad que se vieron en la seccién 6.5. APLICACION DEL ANALISIS DE SENSIBILIDAD Elanilisis de scsibilidad casi siempre comienza con la investigacion de los cambios en los va- lores de las b;, la cantidad del recurso (i= 1, 2,...,m) que se encuentra disponible para las ac- tividades bajo consideracién. La razén es que en general existe mayor flexibilidad al establecer y ajustar estos valores que los otras pardmetros del modelo. Como ya se dijo en las secciones 4.7 y 6.2, la interpretacién econémica de las variables duals (las y,) como precios sombra es extremadamente uitil para decidir cuales son los cambios que deben estudiarse. Caso I: Suponga que los tinicos cambios al modelo actual consisten en el cambio de uno o més paré- metros 6; (i = 1, 2,...,m). En este caso, los #icas cambios que resultan en la tabla sfmplex fi- nal se encuentran en la columna del Jado derecho, En consecuencia, la tabla simplex esté en ela forma apropiada de eliminacién de Gauss y todos los coeficientes de las variables no bésicas encl rengién 0 atin son no negativos. Entonces, se pueden omitir los pasos Ue conversion a la forma apropiada de climinaciin de Gauss y prucha de optimalidad del procedimiento general, después de revisar la columna del lado derecho, la tinica pregunta es si las variables bsicas son ro negativas (prueba de factibilidad). E ‘Como se muestra en Ia tabla 6.17, cuando el vector de valores b; se cambia de b a B, las formulas para calcular la nueva columna del lada derecho en la tabla simplex final son Lado derecho del renglén 0 final: Lado derecho de los renglones 1, 2, ..., m: ambios en las b, (Vea al final de fa tabla 6.17 la localizacién del vector y* y la matriz S* que no cambiaron, en {a tabla simplex final.) Ejemplo (variacién 2 del modelo Wyndor). El andlisis de sensibilidad para el pro- blema original de la Wyndor Glass Co. de la seccién 3.1 comienza por examinar los valores ptimos de las variables duales y; (yf =0, yf = 4, yf ~ 1), Estos precios sombra indican el valor marginal de cada recurso i para las actividades (dos nuevos productos) en estudio, don- de el valor marginal se expresa cn las unidades de Z (miles de délares de ganancia por sema- nna). Como se dijo en la seccién 4.7 (vea la figura 4.8), se puede aumentar la ganancia total debida a estas actividades en $1 5UU semanales (yF multiplicado por $1 000 por semana) por cada unidad adicional del recurso 2 (hora de produccién a la semana en la planta 2) que quede disponible. Este aumento en la ganancia es vélido para cambios relativamente pequefios que no afecten la factibilidad de la solucién bisica actual (y que no afecten los valores de y#).6.7 Aplicacin del andlisis de sensibilidad 263 En consecuencia, el equipo de IO ha investigado la ganancia marginal posible debida a los otros usos acruales de este recurso para determinar si alguna es menor que $1 500 semana- les. Esta investigacién puso de manifiesto que uno de los productos antiguos es mucho me- nos redituable. La tasa de produccién para este producto ya se redujo a la cantidad minima «que justifica sus gastas de comercializacién, pero se puede descontinuar, lo que proporciona- ia 12 unidades adicionales del recurso 2 para los nuevos productos. Entonces, el siguiente paso es determinar la ganancia que s¢ pudtia ubtener de los nuevos productos si se hiciera esta transferencia. Esto cambia b de 12 a 24 en el modelo de programacién lineal. La figura 6.3 muestra el efecto grifico de este cambio, junto con el cambio de la solucién en un vértice final de (2, 6) (-2, 12). (Observe que esta figura es distinta a la 6.2, que muestra la variacién I del modelo Wyndor, porque la restriccién 3x, + 2x, $18, no cambié en este caso.) Asf, para la variacién 2 del modelo de la Wyndor, la tinica revisién al modelo original cs el siguiente cambio en el vector de valores de las b; 4 4 b=|12) > B-/24|, 18 18 entonces, s6lo tiene nuevo valor. FIGURA 6.3 “hoo Region factible para la ue variacién ? del modelo de la Wyndor Glass Co. r donde by = 12.» 24, (=? 12)264 6 Teoria de dualidad y andlisis de sensibilidad Anilisis de la variacion 2. Alaplicar la idea fundamental (tabla 6.17), se encuentra que elefecto de este cambio en, en a tabla simplex final original (parte media de la tabla 6.19) es que los elementos de la columna del lado derecho cambian a los siguientes valores: £ Zr=y*b= (0, §, )}24|=54, 18 1 4-3] 4) [6 ‘%) [6 br=s*b=|0 4 0f]24)=|12], de modo que | x, |=|12 0 -} gifs} [-2 si} [2 Demanera similar, como el tinico cambio en el modelo original es Aby = 24 - 12 = 12,se puede usar el andlisis incremental para calcular estos mismos valores con mayor rapidez. El andlisis incremental involucra el cdlculo de los incrementos en los valores de la tabla causados por el cambio (o cambios) en el modelo original, y después la suma de estos incrementos a los valores originales. En este caso, los incrementos en Z* y b* son Ab, 0 AZ*=y*Ab= y*| Ab, |= y*]12|, Abs 0 ‘Ab, 0 Ab*=S*Ab=S*| Ab, |= S*/12 |. Ab; 0 Por lo tanto, si se usa la segunda componente de y* y la segunda columna de S*, los tinicos céleulos necesarios son az*=3(2)=18, asi Z*=364 18 =54, Abt =3.02)=4, ast bf =2+ 4=6, ang =302)=6, asi bf =6+6=12, Abt =-}02--4, asi bf =2-4=-2, ‘endonde los valores originales de estas cantidades se encuentran en la columna del lado dere- choenla tabla simplex final original (parte media de la tabla 6.19). La tabla simplex final revi- sada corresponde por completo a la tabla simplex final original, excepto por la columna del lado derecho que tiene estos nuevos valores. Por lo tanto, la solucién bésica actual (antes 6ptima) se ha convertido en (1s ¥25-¥a5 4, ¥5) = (-2,12,6,0, 0), que no pasa la prucba de optimalidad porque tiene un valor negativo. Ahora se puede aplicar el método simplex dual, comenzando con esta tabla simplex revisada, para encontrar la nueva6.7. Aplicacién det andlisis de sensibiidad 265 TABLA 6.21 Datos para la variacién 2 del modelo de la Wyndor Glass Co. ‘Tabla simplex final después de la reoptimizacién veeeel eS Coeficiente de basica |nam.| Z | x x, x3 x4 _xs [derecho 9 5 Z/]M} tly © 0 o F] 4s Poe O lt Oe too |e 4 3 1 a ]@]o;y 1 0 o FZ] » x [@}o;/3 0 0» 1 Al 6 —_ solucidn éptima, Este método conduce, en una sola iteraci6n, a la nueva tabla simplex final que se muestra en la tabla 6.21. (En forma alternativa, se pudo haber aplicado el método sim- plex desde el principio y, en este caso, también se hubiera llegado a esta tabla final en una sola iteraciGn.) Esta tabla simplex indica que la nueva solucién éptima es (ty #25 ¥35 4 %5)= 0, 9, 4, 6, 0), conZ = 45, que proporciona un incremento en la ganancia de 9 unidades ($9 000 semanales) sobre el valor anterior Z = 36. El hecho de que 4 = 6 indica que 6 de las 12 unidades adicio- nales del recurso 2 quedan sin usarse con esta solucién. ‘Segrin estos resultados con b, = 24, el producto antiguo relativamente no redituable se descontinuard y as 6 unidades del recurso 2 quedarsn para algxin uso futuro. Como yf atines positivo, se realiza un estudio similar sobre la posibilidad de cambiar la asignacidn del recurso 3, pero la decisién resulrante ¢s conservar la asignacién actual. Entonees, el modclo de pro- gramaci6n lineal actual en este punto (variacién 2) tiene los valores de los pardmetros y a so- lucién éptima mostrados en a tabla 6.21. Este modelo se usaré como punto de partida para investigar otros tipos de cambios en el modelo, més adelante en esta seccién. Sin embargo, antes de estudiar otros casos, se dar4 un panorama més amplio del actual, Intervalo permisible para seguir factible. Aunque Ab) = 12 resulté ser un incre- mento deb, demasiado grande para mantener la factibilidad (y por ende la optimalidad) con Ia solucién bésica donde x, x2 y x3 som las vatiables basicas (parte media de la tabla 6.19), el analisis incremental anterior muestra queé tan grande puede ser el incremento para seguir fac- tible, En particular, observe que * 1 bf =2+ = Ab, f=2+ Lah, are OF =6+ 5 Mh, * 1 63 =2-1an, f= 2- 3 by,266 6 Teoria de dualidad y andlisis de sensibilidad cendonde estas tres cantidades son los valores respectivos de x3, x) y 1, para esta solucién bé- sica. Lasohucién sigue factible y, por lo tanto, 6ptima, siempre que las tres cantidades sigan no negativas. 24 ab 20 = 2ahj2-2 = ah 2-6 1 1 6rd ae0 = Laye-6 + aye t2, 2 2 = 2 2 2 a- Zab, 20 = 22 ib, = dhs 6 Por lo tanto, como b, =12 + Abs, la solucién sigue factible sdlo si ~6S Ab, $6, esdecit, 6 0. ‘Muchos paquetes de software de programacién lineal, utilizan esta técnica para generar de manera automética el intervalo permisible para seguir factible para cada b,. (También se usa una técnica similar, presentada en los casos 2a y 3, para generar un intervalo de valores per- aisibles para seguir factibles para cada c ;.) En el capitulo 4 se mostraron las salidas respectivas. de Excel Solver y LINDU en las figura 4.10 y 3.13, La tabla 6.22 resume estos mismos resul- tados respecto a; para el modelo original de la Wyndor. Por ejemplo, tanto el incremento como el decremento permisibles para b, son 6, es decir, -6 < Ab) <6. El andlisis anterior mues- tra cémo se calculan estas dos cantidades. TABLA 6.22. Salida tipica de un software para andlisis de se en el modelo de la Wyndor Glass Co. Cuando existe mis de una solucién BF éptima para el modelo actual (antes de cambiar b,), nos referimos ala que se ‘obeuvo con el método simplex.6.7_Aplicacion del andl de sensbilidad : 267 Analisis de cambios simultdneos en los lados derechos. Cuando cambian varios valores ; al mismo tiempo, de nucvo sc puede usar la formula b* = $b para ver emu cam- bian los lados derechos en la tabla final. Si todos los lados derechos son todavia no negativos, la prueba de factibilidad indica que la solucién revisada obtenida en esta tabla atin es factible. ‘Como el renglén 0 no cambié, que sea factible implica que esta solucién también es 6ptima. ‘Aunque este enfoque funciona para verificar el efecto de un conjunto especifica de cam- bios en las b, , no da un panorama amplio de cudnto pueden cambiar simultdneamente a par tir de sus valores originales antes de que la solucién revisada sea no factible. Como parte del anillisis possptimo, con frecuencia, la administracién de una organizacién se interesa en in- vestigar el efecto de distintos cambios en las politicas de decisién (como las cantidades de re- cursos que se ponen a la disposicién de las actividades que se estudian) que determinan los lados derechos. En lugar de considerar sélo un conjunto especifico de cambios, quizé la ad- ministracién desee estudiar las direcciones de los cambios donde algunos lados derechos au- ‘mentan y otros diminuyen. Los precios sombra son invaluables para cste tipo de estudios. Sin embargo, estos precios sombra son vilidos para evaluar el efecto de los cambios en Z s6lo dentro de ciertos intervalos de cambios. Para cada 6; , el intervalo permisible para seguir factible proporciona los valores de este intervalo si ninguna otra bj cambia al mismo tiempo. ¢En qué se convierten estos intervalo permisibles cuando algunas 6; tienen cambios simulténcos? La siguiente regla de! 100% proporciona una respuesta parcial a esta pregunta; la regla combina los cambios permisibles (aumento o disminucién) para las; que se dan en las dos iilti- mas columnas de la tabla 6.22. Regla del 100% para cambios simultineos en los lados derechos: los precios som- bra permanecen validos para predecir el efecto de cambiar al mismo tiempo los lados derechos de algunas restricciones fancionales cuando los cambios no son muy gran des. Para verificar si son suficientemente pequefios, para cada cambio se calcula el por- centaje del cambio permitido (aumento o disminucién) para que ese lado derecho siga dentro de su intervalo permisible y factible. Si la suma de los porcentajes de cam- bios no excede 100%, es definitivo que los precios sombra todavia seran validos. (Sila suma excede 100%, entonces no hay certeza.) Ejemplo (variacién 3 del modelo de la Wyndor). Para ilustrar esta regla, considere la variacién 3 del modelo de la Wyndor Glass Co., que revisa el modelo original con los si- guientes cambios en el vector del lado derecho: 4 4 b=/12| > B=|15 18. 15. Los célculos para la regla del 100% en este caso son by: 12 + 15. Porcentaje de incremento permisible = 200( 38 2) =50% 18-15 : 18 -> 18. Porcentaje de incremento permisble = 100 = 50% Suma = 100% Como el resultado de la suma de 100% es justo la cantidad para no exceder ¢! 100%, los pre- cios sombra son definitivamente vélidos para predecir el efecto de estos cambios en Z. En268 6 Teoria de dualidad y andlisis de sensibilidad particular, como los precios sombra respectivos de by y 3 son 1.5 y 1, el cambio que resulta enZ seria AZ-1.5(3)+ (-3)=1.5, entonces, Z* se incrementard de 36 a 37.5. La figura 6.4 muestra la regién factible para este modelo revisado (las lineas punteadas son las localizacivuies uiginales de las fronteras de restricclon revisadas). La solucion optima ahora es la solucién FEV (0, 7.5), y se obtiene Z= 3x, + 5x, = 0+ 5(7.5)=375, justo como lo pronosticaron los precios sombra. Sin embargo, observe lo que pasarfa sise au- mentara b, hasta mis de 15 0 se disminuyera 3 a menos de 15, de modo que la suma de los porcentajes de los cambios permisibles excede 100%. Esto causarfa que la solucin en un vér- tice, antes Optima, se deslizard a la izquierda del eje 29 (x; <0), por lo que esta solucion no fiac- ible ya no es Sptima. En consecuencia, los precios sombra anteriores ya no son validos para pronosticar el nuevo valor de Z*. FIGURA 6.4 Regién factible para la variacién 3 del modelo de la Wyndor Glass Co. donde6.7 _Aplicacién del andlisis de sensibilidad 260 Caso 2a: cambios en los coeficientes de una variable no basica Considere una variable especificax ;( fja) que sea no bdsica en la solucién 6ptima dada en la ‘tabla simplex final. En el caso 2a, él vinico cambiv al modelo actual es que uno o més coeti- cientes de esta variable cj, jy a2, @y— cambiaron. Entonces,siZ, yay denotan los ‘nuevos valores de estos pardmetros con A; (columna j de la matriz A) como el vector que contiene a, se tiene Gt, APA; para el modelo revisado, Como se describié al principio de la seccién 6.5, la teorfa de dualidad proporciona una ‘manera muy conveniente de verificar estos cambios. En particular, sila solucién bésica com- plementaria y* en el problema dual todavia satisface la restriccién dual que cambid, entonces lasolucién dptima original en el problema primal sigue dptima, como est4, Por el contratio, si Y* viola esta restriccién dual, entonces esta solucién primal ya no es éptima. Sila solucién éprima cambié y se desea encontrar la nueva, se puede hacer en forma bas- tante sencilla. Sélo debe aplicarse la idea fundamental la columna x revisada (la tinica que ‘cambia) cn la tabla simplex final. En particular, las formulas de la tabla 6.17 se reducen de la siguiente manera: Coeficiente de x; en el renglén 0 final: yA Coeficiente de x ; en los renglones 1 am finales: Aj =S*A, 5 Con la solucién bésica actual que ya no es 6ptima, el nuevo valor de ~ c, serd ahora el que tiene coeficiente negativo en el renglén 0; asi, se inicia el método simplex con x ; como varia- ble bdsica entrante inicial. Observe que este procedimiento es una versién simplificada del procedimiento general ue se resumié al final de la seccidn 6,6. I.os pasos 3 y 4 (conversién a la forma apropiada de climinacién gaussiana y prueba de factibilidad) se eliminaron por no ser relevantes, ya que la Yinica columna que cambia cn la revisin de la tabla s{mplex final (antes de reoptimizar) es Jade la variable no bésica x ;. El paso 5 (prueba de optimalidad) se sustituyd por una prueba ms répida que debe realizarse despues del paso 1 (revisién del modelo). Solo cuando esta prueba revele que la solucién éptima cambia, y se desee encontrar la nueva solucién, tendrén ‘que aplicarse los pasos 2 y 6 (revisién de la tabla simplex final y reoptimizacién). Ejemplo (variacién 4 del modelo de la Wyndor). Como x, es no bésica en la solu- in éprima actual (vea la tabla 6.21) para la variacién 2 del problema de la Wyndor Glass Co,, el siguiente paso en el andlisis de sensibilidad es comprobar si cualquier cambio razona- bleen la estimacion de los coeticientes de x, puede aconsejar que se introduzca el producto 1. El conjunto de cambios que pueden ser realistas para hacer el producto 1 més atractivo serfa restablecer ¢ =4y a3; =2. En lugar de explorar cada uno de estos cambios en forma inde- pendiente (como se hace con frecuencia en el andlisis de sensibilidad), sc considerarin juntos. Entonces, los cambios bajo consideracién son 1 1 423 + A=4 A,=|0! + Ay=lol 3 2270 6 Teoria de duslidad y andlicie de coneibilidad Estos dos cambios en la variaci6n 2 dan la variacién 4 del modelo de la Wyndor. En reali- dad, lavariacidn 4-¢s equivalente ala variacién 1 considerada en la seccién 6.6 y descrita en la figura 6.2, ya que la variacién 1 combina estos dos cambios con el cambio en el madelo origi- nal (by = 12 -> 24) que da la variacién 2. Sin embargo, la diferencia clave respecto al trata~ ‘miento de la variacién 1 en la secci6n 6.6 es que el andlisis de la variacién 4 trata ala variacién 2.comosi fuera el modelo original; asi, el punto de partida es la tabla simplex dada en la tabla 6.21 donde ahora es una variable no bisica, Fleambio ena, hace que la region factible cambie de la que se muestra en Ia figura 6.3. la regién correspondiente de la figura 6.5. El cambio en c, hace que la funcién objetivo Z = 3x 1 Sx,cambie a Z= 4x, + 5x2. La figura 6.5 muestra la recta de la fancién objetivo Z= 45 = 4x, + 5xp, que pasa por la solucién éptima actual (0, 9), se puede verificar que este punto sigue siendo éptimo después de los cambios en a3, y ¢- ‘Para emplear la teorfa de dualidad y llegar a esta misma conclusién, observe que los cam- bios en ¢, y #3, llevan a una sola restriccidn revisada para el problema dual, que ¢s, la restric cid ayy y; + ay, Yo + 3,9 2 C1. Tanto esta restriccidn revisada como la y* actual (coeficien- tes de las variables de holgura en el renglén 0 de la tabla 6.21) son: . 2 + 8 Die ee hao Nit 3y323 > n+2y324, o+a2)z4. 2 Como y* todavia satisface la restricci6n revisada, la solucién primal actual (tabla 6.21) roda- via es éptima. Debido a que esta solucién todavia es éptima, no existe la necesidad de revisar la colum- nna de x, en la tabla simplex final (paso 2). De todas maneras se haré para ilustrarlo. 1 y*A, 61 =|0, 0, $]}0|-4=1. 10 ovr Y Ay=|0 0 3i0\=| 1} oO 1 -1}[2) [-2 El hecho de que z{ — @ 2 0 confirma de nuevo la optimalidad de Ja solucin actual. Como zy ~¢; ¢s la variable de super4vit para la restriccién revisada del problema dual, esta prucba de optimalidad es equivalente a la que se us6 antes. Esto completa el anilisis del efecto de los cambios del modelo actual (variacién 2) a la va- riacién 4. Debido a que otros cambios més grandes en las estimaciones originales de los coefi- cientes de ., serian poco realistas, el equipo de TO woncluyd que estos cocficientes son pardmetros no sensibles del modelo actual. Por lo tanto, se mantendran fijos con el valor de sus mejores estimaciones mostradas en la tabla 6.21 —¢, = 3 y a, = 3— para el resto del anilisis de sensibilidad. Intervalo permitido para permanecer éptima. Se acaha de describir ¢ ilustrar la forma de analizar cambios simultdneos en los coeficientes de una variable no basica x j. Es ‘una préctica comin en el andlisis de sensibilidad poucr atencién también en cl efecto de cam-6.7 _Aplicacién del andlsis de sensibilidad am 2 x= 4 10) (0, 9) éptima FIGURA 6.5 Region factible para la variacion 4 del modelo de la Wyndor donde la 2 variaci6n 2 (figura 6.3) se ha modificado a biar sélo un pardmetro, ¢ . Esto incluye simplificar el enfoque anterior para encontrar el in- tervalo de valores permitidos para seguir dptimu para c Recucrde de la scccién 4.7 que para cualquier cj, su intervalo permitido para seguir éptima es el intervalo de valores para el que la solucién éptima actual (obtenida por el método simplex pparacl modelo actual antes de cambiar ¢;) permanece Optima, (Se supone que el cambio en esta Xinica ces el inico cambio al modelo actual.) Cuando x; es una variable no basica para esta so- Juci6n, la solucién permanece optima mientras z} ~z, 0, donde? = y*A,, es una constante ala que no afecta el cambio en el valor dec;. Entonces, el intervalo permitido para seguir 6pti- ‘ma para ¢; se puede calcular como c;$ y*Ay Por ejemplo, considere el modelo actual (variacién 2) para el problema de la Wyndor Glass Co. que se resume en el lado izquierdo de la tabla 6.21, donde la solucién éptima actual (con; = 3) esté dada en el lado derecho, Al considerar sélo las variables de decisién x; y x, a solucién éptima es (57, «,) = (0,9), como se ve en la figura 6.3. Cuando sdlo sc cambiacy, esta solucién permanece éptima siempre que 1 1 Sy*A = (0, 0, §]]/0/=73, 3 de manera que ¢ <71.es el intervalo permitido para seguir Sptima. que ¢, $7} pen para segui272 $ Teoria de dualidad y andlisis de sensibilidad Una alternativa para realizar esta multiplicacién de vectores es observar en la tabla 6.21 gue 2i ~ a = § (el coeficiente de x, en el renglén 0) cuando e, =3, de manera ques} = 3+ $=7}. Como ai‘ = y*A,, de inmediato se llega al mismo intervalo permisible. 1. figura 6.3 proporciona un panorama grifico de por qué ¢, <7} es le intervalo permi- sible. En ¢,~74, la funcién objetivo sc convieite en Z= 7.5%; + 5x, = (3x, + 2p), entonces la recta éptima del objetivo estd arriba de la recta de frontera de restriccion 3.) + 2ag = 18 snustrada en la figura, Asi, en este punto terminal del intervalo permisible, se ene una solucién éptima miiltiple que consiste en el segmento de recta entre (0,9) y (4, 3). Sig se aumentara mas (c, > 7}), sdlo (4, 3) seria éptimo. En consecuencia, se necesita que & $7} para que (0, 9) siga éptimo. Para cualquier variable de decisién no basica x ,, en ocasiones se hace referencia al valor 2} ~ ¢, como el costo reducido para x j, porque es la cantidad minima en la que tendrfa que reducirse e| costo unitario de la actividad j para hacer que valga la pena realizarla (aumentar el valor dex j amds de cero). Alinterpretar , como la ganancia unitaria de la actividad j (lo que reduce el incremento en el costo unitarioc por la misma cantidad), el valor de £* ~ c, esen- tonces el incremento maximo permitido en ¢ para que la solucién BE actual siga Sptima. La informacién generada del andlisis de sensibilidad por los paquetes de programnacién lineal, por lo general incluye tanto el costo reducido y el intervalo permisible para seguir 6pti- ‘mo, para cada coeficiente en la funcién objetivo (junto con el tipo de informacién desplegada enla tabla 6.22), Esto se ilustré en las figuras 4.10, 4.12 y 4.13 para Excel Solver y LINDO. La tabla 6.23 muestra esta informacion de la manera comtin para el modelo actual (variacién 2 del modelo de la Wyndor). Las tltimas tres columnas se usan para calcular el intervalo per- misible para seguir éptima para cada coeficiente, que son 053445275, 8-3 =2. Como se cstudié en la seccién 4.7, si cualquiera de los incrementos o decrementos hubie- 1a sido cero, sc hubiera tenido una indicacién de que las solucién dptima dada en la tabla es sélo una de las multiples soluciones éptimas. En este caso, cambiar el coeficiente correspon- diente una cantidad muy pequefia a mds del cero permitido y resolver de nuevo proporciona- 14 otra solucién FEV éptima para el modelo original. Hasta aqui, se ha descrito cémo calcular el tipo de informacién cn la tabla 6.23 slo para variables no bdsicas. Para una variable bésica como 1, el costo reducido automiticamente £80, Se analizar4 cémo obtencr cl intervalo permisible para que ¢; siga Optimo cuando x 5 eS una variable bésica en el caso 3. TABLA 6.23 Salida de software tipica para el anilisis de sensibilidad de los coeficientes de {a funcién objetivo para la variacién 2 del modelo de la Wyndor Glass Co. Costo Coeficiente Aumento —_Disminucién Variable Valor reducido actual Permisible _permisible % 0 4s 3 48 © % 9 0 s o 36.7. Aplicacién del andlisis de sensibilidad 273 Anilisis de cambios simultdneos en los coeficientes de la funcién objetivo. Sin importar six es una variable bdsica ono basica el intervalo permisible para seguir éptimo de £3 68 vilido solo siestecoeficiente de la funcién objetivo es el inicoque cambia. Sinembargo, Cuando se hacen cambios simulténeos en los coeficientes de la funcién objetivo, se dispone de laregla de 100% para verificar sila solucién original debe seguir éptima. De manera muy pa- recida a la regla de 100% para cambios simulténeos en los lados derechos, estaregla combina los cambios permnisibles (aumento o diseninsuciGu) para las individuales dadas en las dos tilt ‘mas columnas de la tabla 6.23, como se describe en seguida, Regla de 100% para cambios simultincos en los coeficientes de la funcién obje- tivo: si se hacen cambios simulténeos en los coeficientes de la funcidn objetivo, para cada cambio se calcula el porcentaje del cambio permisible (aumento o disminucion) para que ese coeficiente siga dentro de su intervalo permisible para seguir 6ptimo. $i lasuma de los porcentajes de cambios no excede 100%, la solucién éptima original definitivamente serd todavia Optima. (Si la suma excede el 100%, entonces no hay se- guridad.) Al usar la tabla 6.23 (y referirse ala figura 6.3 para la visualizacién), esta regla de 100% dice que (0, 9) seguird éprima para la variacién 2 del modelo de la Wyndor Glass Co, aun cuando, al mismo tiempo, se aumente ¢, a més de 3 y se disminuyac, a menos de 5, siempre ue estos cambios no scan muy grandes. Por ejemplo, sic, aumenta 1.5 (83 4% del cambi permisible), entonces ¢, puede disminuir 2 (662% del cambio permisible). De manera simi lar, sie, aumenta 3 (66 3% del cambio permisible), entonces¢, puede disminuir sélo 1 (33 4% del cambio permisible). Estos cambios méximos revisan la funcién objetivo ya sea como Z= 45x + 3x, obien Z= 6x, + 42, con lo que la recta dela funcién objetivo Sptima en la figura 6.3 rota en el sentido de las manecillas del reloj hasta que coincide con la ecuacién de frontera de restriccién 3x, + 2x) = 18, En general, cuando los cocficientes de la funcién objetivo cambian en la misma direccién, ¢s posible que los porcentajes de los cambios permisibles sumen més de 100% sin cambiar ly solucién éptima. Se dard un ejemplo al final de la presentacién del caso 3. Caso 2b: introduccién de una nueva variable ‘Una vez obtenida la solucién éptima se puede descubrir que la formulacién de programacién lineal no tomé en cuenta todas las actividades que pudieran ser atractivas. Considerar una ‘nueva actividad requiere introducir una nueva variable con los coeficientes apropiados en la funcién objetivo y en las resuricciunes del modelo actual —éste es el caso wb. iLa manera conveniente de manejar este caso es tratarlo como si fuera el caso 2a! Para realizar esto se presume que la nueva variable x ; ya formaba parte del modelo original con to- ddos sus coeficientes iguales a cero (porlo que todavia son cero en la tabla simplex final) y que +; ¢Suna variable no bdsica en la solucién BF actual. Entonces, si se cambian estos coeficien- tes de cero a sus valores reales para la nueva variable, sin duda cl procedimiento (que incluye la reoptimizacin) se vuelve idéntico al del caso 2a. En particular, todo lo que se debe hacer para comprobar si la solucién actual es todavia Optima es verificar si la solucién bésica complementaria y* satisface la nueva restriccién chal274 6 Teoria de dualidad y anilisis de sensibilidad que corresponde a la nueva variable en el problema primal. Este enfoque se describié y des- pués se ¢jempliticé para el problema de la Wyndor Glass Co. en la seccién 6.5. Caso 3: cambios en los coeficientes de una variable basica ‘Ahora suponga que la variable x ; (con j fija) que esté en estudio es una variable bdsica en la solucién éptima que se muestra cn a tabla simplex final. El caso 3 supone que los tinicos cam- bios al modelo actual se hacen en los coeficientes de esta variable. Fl caso 3 difiere del 2a debido al requisita de que la tabla simplex debe estar en la forma apropiada de eliminacién de Gauss. Esta forma permite que los elementos en la columna de tuna variable no bdsica tengan cualquicr valor, as{ que no afecta en el caso 2a. Sin embargo, para el caso 3 la variable bésica x ; debe tener coeficiente 1 en su renglén de la tabla simplex y Coeficiente 0 en todos los demas fenglones (incluso en el rengién 0). Por lo tanto, una vez.cal- culados los cambios en la columna x ; de a tabla simplex final,! es probable que sea necesario aplicar laeliminacién de Gauss para restaurar la forma apropiada, como se ejemplificd en la tabla 6.20. Este paso, a su vez, quiz4 cambie los valores de la solucién bisica actual, y puede hacerla no factible o no dptima (con lo que tal vez sea necesario reoptimizar). En consecuen- cia, el caso 3 requicre todos los pasos del procedimiento general resumido al final de la sec cidn 6.6. ‘Antes de aplicar la eliminaci6n de Gauss, las formulas para verficar la columna de x ; son las mismas que para el caso 2a, y se resumen como sigue. Coeficiente de x; en el renglén 0 final: 2 -% =y"A; Coeficiente dex; en los renglones 1 am finales: A} =S*A,. Ejemplo (variacién 5 del modelo de la Wyndor). Como x, ¢s una variable bésica en la tabla 6.21 para la variacién 2 del modelo de la Wyndor Glass Ca. el andlisis de sensibili- dad de sus coeficientes se ajusta al caso 3. Dada la solucién dptima actual (x =0, x) =9), el producto 2 es el dnico producto nuevo que debe introducirse, y su tasa de produccidn sera re- lativamente grande. Por ello, la pregunta importante es si las estimaciones iniciales que lleva- ton a los coeficientes de +2 en el modelo actual (variaci6n 2) pudieron haber sobreestimado tanto las cualidades del producto 2 que invaliden esta conclusién. Para responder a esta pre~ gunta se debe verificar el conjunto ms pesimista de estimaciones razonables para estos cocfi- cientes, que resulta ser ¢ = 3, a2, =3 y ag, = 4. En consecuencia, los cambios que han de investigarse (variacién 5 del modelo Wyndor) son (0 0 @=583%=3, A,=|2/+A,=|3|. 2 4 Elefecto grifico de estos cambios es la modificacién en la regin factible segiin a figura 6.3 respecto a la que se muestra en la figura 6.6. La solucin éptima cn la figura 6.3 es (x;, 2) = (0, 9), que corresponde a la solucidn en el vértice en donde se cruzan las frontcras de restriccién x; =0 y 3x, + 2x, = 18. Al revisar las restricciones, la solucién en un vértice co- *Paracl lector sutil debe hacerse notar un obstéculo posible enel caso 3 que se descubriria en este punto. Los cambios en la taba inicial pueden destrur la independencia lineal de las columnas de los coeficientes de las variables bésicas. Este hecho ocurre slo sel coeficiente unitario dela variable bisica xen la tabla final se cambia a cero, en cuyo caso, serd necesario realizar cileulos més extensos det método simplex pafa el caso 36.7_Aplicacién del andlsis de sensibilidad 275 Frespondiente en la figura 6.6 es (0, 3). No obstante, esta solucién ya no es éptima, puesto que I funcidn objetivo revisada, Z = 3x, + 32, conduce ahora a la nueva solucién Optima (#2) = (49). Andlisis de la variacién 5. Ahora veamos como se puede llegar a estas mismas conch: siones algebraicamente. Dado que los tinicos cambios en el modelo ocurren en lox cneficien. eS dep, las mteas modificaciones que resultan en la tabla simplex final (tabla 6.21) estin en la columna de x, . Entonces, se usan las formulas anteriores para volver a calcular nadia ins esta columna, 0 2-8 =y"Ay - =(0, 0, §]]3|-3=7. 4 10 ojfo uv A}=S*A,=/0 0 }//3{=| 2 o 1-4} [a FIGURA 6.6 oh Region factible para la variacion 5 del ° ‘modelo de la Wyndor ar donde la variacién 2 (igura 6.3) se ha ‘modificado de modo 1af-- quec, = 5 3, aq =2—>3y @m=2 4, 10 =4 $0.9) . aL Bxy= 24 6| 3x, + 2x) = 18 7 a + 2 {35+ 4x, = 18 2 7 (4, 3) 6peima : =0 o ay276 6 Teoria de dualidad y andlsis de sensibilidad TABLA 6.24 Procedimiento del andlisis de sensibilidad aplicado a la variacién 5 de! modelo de la Wyndor Glass Co. Varable] Ee Lado bbhsica Z| om x x3 xy __Xy_| derecho z | 2 5 (0) 2 °o ° 2 4s Tabla simplex final % | o ! ° i ° ° 4 rovinda 3 1 cy @ 0 z 7 0 0 z 9 _m |@}o}3 - 0 4 =~ 6 7 3 ne Zz ©) Via 0 oO 0 7 z Conmnidaataioma | (| 0 [fT oe 6 fa sop a le@loff2[ 1 0 o | 3 3] oa x @) oO ra O 0 ' 4 zd El 3 3B 7 /;olifo 0 2? 0 2/28 Nueva tabla simplex final ® 4 4 2 después de reoptimizar x a) oO ' 0 1 oO 0 a (s6lo se requirié una 3 a 3 Reaionelmeose = | @ LOL O ' -f 0 Zl GF sien en ete se) ; as Xe @B) oO 0 ° q 7 "a zr (De manera cquivalente, se pucde usar el andlisis incremental con Ary = -2, Ay) =1y Aaj, = 2 en la misma forma para obtener esta columna.) ‘La tabla final revisada que resulta se muestra en la parte superior de la tabla 6,24. Note que los nuevos coeficientes de esta variable bisica x, no tienen los valores requeridos y se tie- ne que aplicar la conversién a la forma apropiada con eliminacién de Gauss. Este paso exige dividir el renglén 2 entre 2, restar el nuevo renglén 2 multiplicado por 7 del rengldn 0 y su- mar el nuevo renglén 2 al renglén 3. La segunda tabla simplex de la tabla 6.24 da los nucvos valores de la solucién basica ac tual, a saber, x3 = 4, 2) = 3,74 =3} (1 =0, xg = 0). Como todas estas variables son no nega- tivas, la soluci6n todavia ¢s factible. Sin embargo, el coeficiente negativo dex, enel renglén0 indica que la soluci6n ya no es 6ptima. Se aplicar4 el método s{mplex a esta tabla, con esta so- lucién como solucién BF inicial, para encontrar la nueva solucién éptima, La variable entran- te bdsica inicial es x, ,con.x, como la variable bdsica que sale. Se necesita slo una iteracién en ‘este caso para llegar a la nueva solucién éptima: x = 4, x, = 3,4 = 52 (x3 =0,x5 =0),como ‘sc muestra cu la tabla 6,24. Este andlisis sugiere que c, ,a22 Y32 Son parémetros relativamente sensibles. Sin embar- go, los datos adicionales para estimarlos con més cuidado sdlo pueden obtenerse si se realiza una prueba piloto. Por lo tanto, el equipo de IO recomienda que se inicie de inmediato la pro-6.7 Aplicacién del andlisis de sensibilidad 277 duccién del producto 2 en pequefia escala (x) = $) y que se use esta experiencia como guia para la decisiGn acerca de sila capacidad de produccién restante debe asignarse al producto 2 al producto 1, Intervalo permitido para permanecer éptima. Se describié para el caso 2a como encontrar el intervalo permisible para que siguiera dprima cualquier ¢; tal que x, es una va- riable no bésica para la solucién Stina a.tual (ates Ue cambiar ;). Chando x ; & una varia- ble basica, el procedimiento se complica un poco por la necesidad de convertir a la forma apropiada de eliminaci6n de Gauss antes de probar la optimalidad. Para ilustrar ¢l procedimiento, considere la variacién 5 del modelo de la Wyndor Glass Co, (cone, = 3,49 = 3,423 = 4) cuya gréfica se muestra en la figura 6.6 y que se resuelveen la tabla 6.24. Como x, es una variable basica para la solucién éptima dada al final de la tabla (cone = 3), los pasos necesarios para encontrar el intervalo de valores permitidos para seguir ptima para ¢, son los siguientes: 1. Como x, es una variable bisica, observe que u coeficiente en cl nucvo renglén 0 final (veal final de la tabla simplex en la tabla 6.24) autométicamente es 2 ~ cy = Oantes de cambiar cl valor actual 3 dee). 2, Ahora se incrementa ¢, = 3 en Ac, (de manera que ¢y = 3 + Acy). Esto cambia el coefi- ciente indicado en el paso 1 az} ~ ¢ = Ae, lo que cambia el renglén 0 a 3 4 3] 33 Rengion 0 = |0, -Ae,, =, 0, 5 | 22], engion 0=[0, ~ae,, 3, 0, 3| = 3. Con este coeficiente ahora diferente de cero, deben realizarse ‘operaciones elementales para restaurar la forma apropiada de climinacién de Gauss. Kin particular, se sua al ren- gidn 0 el renglén 2 multiplicado por Ar, lo que da el nuevo renglén cero, como aparece a Continuacién. 33) 0, -aq, 5, 0, 3] [ d 13 13 ] +o, An, 1 te Nuevo renglén 0 -[ 03-3 r5, 0, 242 ac, BF aa] =| OF Gan, 0, F+Fda | S+ Sag 4, Usando este nuevo renglén 0, se calcula el intervalo de valores de Ac) que mantiene no negativos a los coeficientes de las variables no bésicas (15 y x5). 3.3 3,3 g- 3420 = 523m, = ays 44° 4°47 2 —— i 3 gt gie20 > fine = Aye 3. Entonces, cl intervalo de valores es -3< Ar, <1. 5. Comoe; =3+ Arp, se suma 3 a este intervalo de valores, lo que da Osqs4 como el intervalo de valores permitido para permanecer Sptima para ¢,.278 6 Teoria de dualidad y andlisis de ser lidad Consélo dos variables de decisién, este intervalo permitido se puede verificar en una gré- fica usando la figura 6.6 con una funcién objetivo Z = 3x, + ¢ x). Con el valor actual ¢, la solucién dptima es (4, 3). Cuando se incrementa c, esta solucién sigue éptima sdlo para ¢ $ 4. Paracy > 4, (0, 3) se convierte en éptima (con un empate enc, = 4), debido a la fronee- rade restriccién 3x, + 4% = 18. Cuando por el contratio, cy disminuye, (4, 3) sigue éptima s6lo paracy 2 0. Sic, <0, (4,0) se vuelve dptima debido a la frontera de restriccién x, = 4. ‘De manera similar, el intervalo de valores permitidos para permanecer dptima para ¢, (con ¢ fijo en 3) se puede obtener algebraica o gréficamente como ¢, > 3. (El problema 6.7-13 le pide que verifique esto de ambas formas.) Asi, ladisminucién permisible para ca partir del valor actual de 3 es sdlo 4. Sin embargo, s posible diminuir e, una cantidad mayor sin cambiar la solucién éptima sic, también dismi nuye lo suficiente. Por ejemplo, suponga que ambos, ¢) y ¢), sc disminuyen 1 unidad a partir de su valor actual de 3, de manera que la funcién objetivo cambia de Z=3x, + 3x, aZ= 2x, + 2x). De acuerdo con la regla de 100% para los cambios simultneos en los coeticientes de la funcién objetivo, los porcentajes de cambios permisibles son 133 4% y 33 %, respecti- vamente, que suman mucho mds que 100%. No obstante, la pendiente de la recta de la fun- cidn objetivo no cambié en absoluto, por lo tanto, (4, 3) todavia es éptima, ‘Caso 4: introduccién de una nueva restriccién Eliiltimo caso es aquel en el que debe introducirse al modelo una nueva restriccién, después de obtener la solucién. Este caso puede ocurrir porque se pas6 por alto la restriccién en un principio o porque surgieron nuevas consideraciones después de formular el modelo. Otra posibilidad es que se haya eliminado, a propésito, la restriccién para disminuir el esfuerzo ‘computacional por parecer menos restrictiva que otras ya planteadas en el modelo, pero aho- ra es necesatio verificar esta impresién con la solucién éptima que se obtuvo. Para ver sila nueva restriccin afecta la solucién éptima actual, todo lo que debe hacerse es verificar directamente si esa solucién éptima satisface la restriccidn. Si es asi, todavia serfa la mejor solucién bdsica fuctible (es decir, a solucién éptima), aun cuando se agregara la restric- cién al modelo, La razén es que una nueva restriccién slo puede eliminar algunas de las solu- ciones factibles anteriores sin agregar una nueva. Sila nueva restriccién elimina la solucién éptima actual, y si se quiere encontrar la nueva solucién, se introduce esta restriccidn a la tabla simplex final (como un renglén adicional) jus- 10 como si fuera la tabla inicial, en la que se designa la variable usual (de holgura o artificial) como la variable basica que corresponde a este nuevo rengién, Como éste tal vez tenga cocfi- cientes distintos de cero para algunas otras variables bdsicas, se debe aplicar la conversién ala forma aptopiada de eliminacién de Gauss y despues e! paso de reoptimizacién en la forma usual. Igual que para algunos de los casos anteriores, este procedimiento para el caso 4 es una versidn simplificada del procedimiento general resumido al final de la seccién 6.6. La tnica pregunta que hay que hacerse en este caso ¢s sila solucién dptima anterior es todavia factible as{ que debe climinarse el paso 5 (prueba de optimalidad). El paso + (prucba de factibilidad) se reemplaza por una prucba de factibilidad mucho mds répida (éla solucién dptima anterior satistace la nueva restriccién?) que se realiza justo después del paso 1 (revisién del modelo). Sélo cuando la respuesta a esta prueba es negativa y se quiere reoptimizar, se usan los pasos 2, 3 y 6 (revisién de la tabla simplex final, conversién a la forma apropiada de eliminacién de Gauss, y reoptimizacién).6.7. Aplicacién del andlisis de sensiblidad 279 Ejemplo (variacién 6 del modelo de la Wyndor). Parailustrareste caso, se conside- ‘ala variacién 6 del modelo de la Wyndor Glass Co., que introduce la nueva restriccién, 2x + 3xy S24 en la variacién 2 del modelo dado en la tabla 6.21. El efecto grafico se muestra en la figura 6.7. Ta solucién éptima anterior (0, 9) viola la nueva restriccidn, pur lu yue la sulucidn 6ptl- ‘ma cambia a (0, 8). Para analizar este ejemplo en forma algebraica, observe que (0, 9) lleva a2, + 3x =27 >2A, entonces esta solucién éptima anterior ya no ¢s factible. Para encontrar la nueva solu- ion éptima, se agrega esta restriccién a la tabla simplex final actual como se describi6, con la variable de holgura xg como su variable bdsica inicial. Este paso lleva ala primera tabla que se muestra en la tabla 6.25. El paso de conversién ala forma apropiada de eliminacién de Gauss requiere restar el renglén 2 multiplicado por 3, del nucvo reugiGn, con lo que se identifica la solucién bésica actual: x3 = 4, «, =9, 4 =6, x6 = -3 (x = 0, x5 = 0), como se muestra en la segunda tabla simplex. Cuando se aplica el método dual simplex (descrito en la seccién 7.1) se obtiene en una sola iteracién (algunas veces se necesitan més) la nueva solucién éptima en la tabla final de la tabla 6,25. FIGURA 6.7 Regin factible para la a0 variacion 6 del modelo. 14> de la Wyndor donde la L. variacién 2 (figura 6.3) se modificé sumando 12 y= la nueva restriccién 2x+3q SH.280 6 Teoria de dualidad y andlisic da cancihildad TABLA 6.25 Procedimiento del andlisis de sensibilidad aplicado a la variacién 6 del modelo de la Wyndor Glass Co. Variable canes Lado bisica | nom. | Z| a x45 4 laerecho 9 5 z |@m|s}} 0 0 o £ of « ao |} molto 1 0 0 of 4 abla sir wisada 3 1 Tainsipertratrotes 5 | lo}? 1 0 « ! o| » x | @ lola 0 0 1 1 of 6 wy _|Nua]o| 2 3 0 0 0 1| 2 z}@|1{3 0 o 2 © ; o 3 45 » |mfolt o 1 0 0 4 Convertida ala forma 3 \ apropiada a] @)eoyy 1 0 0 2 x | @]ol3 o 6 5 re [Nuea} 0 |-2 0 0 3 i zJo}i|¢ 0 0 4 Nuevatablasimplextind | (I) | 0] 1 0 tO 4 aamacdy eee 2 (G6lo se necesit6 una ee : operacion del método . 4 simplex dualenestecaso) 4 | @) | 0-3 0 0 1 8 5 xs | Nueva ; Anilisis de sensibilidad sistematico: programacién paramétrica Hasta aqui se ha descrito cémo verificar cambios especificos en los pardmetros del modelo. Otro enfoque comtin del andlisis de sensibilidad es variar de manera continua uno o més pa- rémetros en un intervalo (o intervalos) para ver cudndo cambia la solucién éptima. Por ejemplo, en a variacién 2 del modelo de la Wyndor Glass Co. en lugar de comenzara probar cl cambio especifico de by = 12 a by = 24, ve puede establecer by =12+0 y después variar @de manera continua de 0 a 12 (valor maximo de interés). La interpretacién geomeuica en la figura 6.3 es que la recta de restriccién 2x, = 12se mueve hacia arriba hasta 2x, = 12+ 8, donde el valor de @aumenta de 0 a 12. El resultado es que la solucién FEV dpti- ma original (2, 6) mucve la recta de restricci6n 3x, + 2x, = 18 hacia el punto (~2, 12). Esta solucién en un vértice permanece éptima mientras siga siendo factible (x; > 0), después de lo cual (0, 9) se convierte en la solucién dptima. Los célculos algebraicos del efecto de tener Ady = @son directamente anélogos a los del ejemplo del caso 1 cn donde Ab, = 12. En particular, si se emplean las expresiones para Z* y b* dadas para el caso 1,6.7, Aplicacién del andlisis de sensblidad 281 Bray br=S*b donde b es ahora 4 B=|12+0 18 y donde y* y $* estan dadas en los cuadros de la tabla simplex intermedia de la tabla 6.19. Estas ecuaciones indican que la solucin éptima cs 3 Z* = 36+-6 “2 xy=2+l6 ‘ (%4=0, x5 =0) x) =6+30 2 m=2 para valores de @ lo suficientemente pequcfios para que esta sulucién siga factible, esto €, para O< 6, Para valores de 8 > 6, el método dual simplex (descrito en la seccidn 7.1) con- duce ala tabla que se muestra en la tabla 6.21 excepto por el valor de x4. Asi Z= 45, x, = 4, 2 =9 (junto con + = 0, x5 =0), y la expresién para b* lleva a #4= 63 =0(4) +1012 +0)-108)=-6 +8, Después esta informacién se puede usar (junto con otros datos no incorporados al modelo sobre el efecto de incrementar 6, ) para decidir si conservar o no la solucién éptima original, y sino, cudnto debe aumentar el valor de by. Dela misma manera se puede investigar el efecto que tiene, en la solucién éptima, variar mds de un pardmetroa la vez. Cuando se varian s6lo los parémetros 0, sc exptesa el nuevo va- lor 5; en términos del valor original ; como sigue: 5,=6,+0,0, parai=1,2,...,m, donde los valores dea; son constantes de entrada que especifican la tasa de incremento desca- da (positiva o negativa) para los lados derechos correspondientes, al anmentar el valor de 8. Por ejemplo, suponga que es posible trasladar cierta parte de la fabricacién de un produc- factual de la Wyndor Glass Co. de la planta 2a la 3, sisc aumentady y se disminuye 6. Tam- bign suponga que b; disminuye al doble de lo que erece by. Entonces, 1246 endonde el valor de @ (no negativo) mide la cantidad de produccidn uansferida. (Asf, en este aso, a = 0,4 = ly a = ~2.) Enla figura 6.3, la interpretacién geométrica es que conforme @ aumenta su valor, la recta de restriccidn 2%) = 12 se mueve hacia arriba hasta 2x, = 12 + 6 (ignore la recta 2x, = 24) y simulténeamente la recta de restriccién 3x, + 22 = 18 se mueve2a? 6 Taorla de dualidad y andlise de cor ida hacia abajo hasta 3.x, + 2:x) = 18 ~ 26. La solucién FEV dptima original (2, 6) se encuentra ene cruce entre las rectas 2x) = 12 y3x, + 2x, = 18, asi que al moverse estas rectas, la solu- cidnen un vértice cambia, No obstante, con la fancién objetivo Z = 31, + 5x, lasolucién en el vértice permanecerd éptima mientras sea factible (1, 2 0). ‘Una innvestigacin algebraica de estos cambios simulrdneos en 6 y 3 implica de nuevo usar las formulas para el caso 1 (donde 8 representa un nimero desconocido) para calcular los cambios resultantes en la tabla simplex final (parte media de la tabla 6.19), a saber, = Z*=y*b=(0, 3, Uy] 1240 |=36- fo, 18-20 1 4-H 4 240 br=S*b=|0 } 0/1240 |=|6+J01. 0 -} 4}fl18-20} | 2-0 Por lo tanto, la solucién éptima se convierte en Zr =36-10 2 aa (x4=0, x5 =0) x) =6+40 en? 4 =2-6 para 0 suficientemente pequefio para que esta solucién siga factible, por ejemplo, para <2, (Verifique esta conclusién en la figura 6.3.) Sin embargo, el hecho de que Z disminuya su va- oral aumentar el de @ indica que la mejor eleccién para Ges @ = 0, asi que no debe hacerse nin- giin cambio en la produeeién. Elenfoque para cambiar varios parmetros¢, al mismo tiempo es similar, En este caso, se ‘expresa cl nuevo valor de Z; cn términos del valor original de cj como sigue: +a,6, paraj=,2,....m, donde las @, son constantes de entrada que especifican la tasa deseada de incremento (positi- va o negativa) de ¢, al aumentar el valor de 8. Para ilustrar este caso, reconsidere el anilisis de sensibilidad de ¢, y ¢, paral problema de la Wyndor Glass Co. realizado antes en esta seccién. Comenzando con la variacién 2 del mo- delo de la Wyndor que se presenta cn la tabla 6.21 y la figura 6.3, se estudié por separado el efecto de cambiar ¢, de 3 a 4 (su estimacién més optimista) yc, de 5 a 3 (su estimacién més pesimista). Ahora se pueden considerar ambos cambios al mismo tiempo, al igual que varios casos intermedios con cambios més pequeitos, si se establece 5-26, endonde el valor de @ mide la raccién del maximo cambio posible que se hace. El resultado es reemplazar la funcién objetivo original, Z= 32x, + 5x2, por una fiencién de 8, 2(0)~ B+ O)x, + 6-20)x,, 4=3+8 y &6.7_Aplicacién del andlisis de sensibiidad 283 de forma que ahora se puede realizar la optimizacién para cualquier valor deseado (fijo) de 6 entre Oy 1. Al verificar el efecto del aumento de @ de U a 1, se puede determinar con exactitud cuando y cémo cambia la solucién éptima al aumentar el error en las estimaciones de estas, parametros originales: En particular, es apropiado considerar estos cambios simultdneos si existen factores que ‘causan que los pardmetros cambien al mismo tiempo. éSon competitivos los dos productos sn algun sentido, de fornia yuc wa ganancia uniraria mds grande que la esperada para uno implica una ganancia por unidad menor que la esperada para el otro? éEstn los dos produc- tos atectados por algiin factor externo como una campafia publicitaria de un competidor? Es posible cambiar de manera simulténea ambas ganancias unitarias mediante cambios apropia- dos de personal y equipo? En la regidn factible de la figura 6.3, la interpretacién geométrica de cambiar la funcién objetivo de Z = 3x, + 5x, aZ(6) = (@ + Bx + (5 - 26)x, es que cambia lapendiente de la rec- tadc la funcidn objetivo original (2 = 45 3% + Sx) que pasa por la solucin éptima (0, 9) Siel valor de@ aumenta lo suficiente, esta pendiente cambiard hasta cambiar la soluci6n épti- ma de (0, 9) a otra solucién FEV, (4, 3). (Verifique esto en la grifica para 6 < 1.) El procedimiento algebraico para manejar estas dos cambios simultdneos, Ac, = 0 y ‘ez = -26, ¢s parecido al que se muestra en la tabla 6.26. Aunque los cambios ahora se expre~ san en términos de @ en lugar de ser cantidades numéricas especificas, @ se mancja justo como ‘un mimero desconocido. La tabla muestra s6lo los renglones relevantes dela tabla simplex (cl rengién 0 y el rengldn de la variable basica x, ). La primera tabla simplex mostrada es justo la, tabla s{mplex final para la versi6n actual del modelo (antes de cambiar ¢ ye) segxin la tabla 6.21. Seguin las formulas de la tabla 6.17, el tinico cambio en la tabla simplex final revisada ‘que se muestra en seguida es que Ac, y Ac; se restan de los coeficientes des yy del renglén 0, respectivamente, Para convert esta tabla simplex a la forma apropiada de climinacién de ‘Gauss se resta del renglén 0 el renglén 2 multiplicado por 20, lo que lleva ala diltima tabla sim plex ilustrada. Las expresiones en términos de 0 para los coeficientes de las variables no bési- TABLA 6.26 Manejo de Ac, = @y Ac; = -26 para la variacién 2 del modelo de la Wyndor dado en la tabla 6.21 ele Coeficiente de Lado basica [nim |Z | 4 a XX derecho 9 Z)@Mi't} 7 9 0 0 45 ‘Tabla simplex final revisada : ” @)/o} y 1 0 oO 9 2@) | @|1|2-6 2 0 0 4s ‘Tabla simplex revisada cuando i) z Ag = 6y Ac = -20 n |a@le Hu _— : 2 20) 1 | 2-40 o 45-180 ‘Convertda en la forma 1) | @ z 2 3 sprepiada Wael ye |?284 68 6 Teoria de dualidad y andlisis de ser cas x y.xs enel renglén 0 de esta tabla indican que la solucién BF actual sigue siendo éptima paraé < %. Como = les el maximo valor realista de 8, se puede decir quec, yc, juntos son pa- metros no sensibles respecto a la variacién 2.del modelo en la tabla 6.21. No hay necesidad de tratar de estimar el valor de estos pardmetros a menos que otros pardmetros cambien (como ocurre con la variacién 5 del modelo). Como yase dijo en la seccién 4,7, esta manera de variar en forma continua algunos pari- metros al mismo tiempo se conoce con el nombre de programacién lineal parametrica. En la seccién 7.2 se presenta el procedimiento completo (que incluye la identificacién de nuevas soluciones éptimas para valores mds grandes de 6) cuando sdlo varfan los pardmetros ¢; y después cuando sélo varian los parémetros 4;. Algunos paquetes de computadora para pro- gramacién lineal incluyen rutinas para variar los coeficientes de una sola variable o los paré- metros de una sola restriccién. Ademds de las aplicaciones que sc mencionaron ca la seccién. 4.7, este procedimiento proporciona una forma conveniente de llevar a cabo un anilisis de sensibilidad sistematico. CONCLUSIONES ‘Todo problema de programacién lineal tiene, asociado a él, un problema dual de programa- b.) ) Sila restricciones funcionales para el problema prima Ax sb se cambian por Ax >b, el nico cambio que resulta en el problema dual es que las restricciones de tno negatividad y2 0 se sustituyen por restricciones de no positividad y < 0, donde las variables duales ac- tuales se interpretan como el negativo de las varia- bles duales originales. (Sugerencia: Las restricciones ‘Ax > b son equivalentes a~Ax <~b.) €) Silas restricciones de no negatividad del problema pri- mal, x2 0, sc climinan, el inico cambio que resulta en el problema dual es que se las restricciones funcionales yA 2 cse sustituyen por yA = c. (Sugerencia: Una va- tiable no restringida en signo se puede sustituir por la diferencia de sus variables no negativas.) 6.4-3." Construya el problema dual del modelo de pro- ‘gramaci6n lineal dado en el problema 4.6-4. 6.4-4. Considere el signiente problema, Minimizar Z= a +2, sujeta a ~2yt 21 4-221Problemas del capitulo 6 y 420, 420 8) Construya el problema dual. 4) Utilice el andiisis geéfivo del problema dual para deter- ‘mina si el problema primal tiene soluciones factibles si es asf, si su fincion objetivo esté acotada, 6.4-5. Concidera las dos versiones del problema dual para el ejemplo de terapia de radiaciGn de las tablas 6.15 y 6.16. Repase en la seccidn 6.4 la prescitacién de por gué estas dos versiones son completamente equivalentes. Complete los detalles para verficat esta equivalencia con Jos paso para convertir la versién en la tabla 6.15 a formas equivalentes hnasta obtener la version de la tabla 6.16, 6.4-6, Para cada nino de los modelos de progeamacién li: neal, use el mérodo CER para construir el dual. ) El modelo dado en el problema 4.6-3 4) El modelo dado en el problema 4.6-8 #) El modelo dado en el problena 4.6-18, 6.4-7.. Considere el modelo con restricciones de igual- dad dado en el problema 4.6-2. 4) Construya su problema dual 4) Demuestre que la respyesta en el inciso a es correcta (es decit, resericciones de igualdad llevan a variables duales sin restriccién de no negatividad); para ello convierta primero el problema primal a nuestra forma estdndar (vea la tabla 6.12), después construya su pro- blema dual y luego convierta este dual en uno que ter 2 la forma obtenida en el inciso a 64-8." Considere ¢! modelo sin restricciones de no ne- Batividad que se da en el problema 4.6-16. 44) Construya su problema dual. +) Demuestre que la respuesta al sta (es decir, variables sin restricciones de no negatividad lle vvan a restricciones de igualdad en el problema dual) convirtiendo primero el problema primal a nuestra forma cstindat (tabla 6.12), después construyendo su problema dual y luego convirtiendo éste ala forma ob- tenida cu el inciso a 6.4-9. Considere el problema dual para el ejemplo de la ‘Wyndor Glass Co. que se da en la tabla 6.1. Demuestre ue su problema dual es el primal dado cu la rabla 6.1 ‘efectuando los pasos de conversién que de la tabla 6.13. 64-10. Considere el siguiente problema. Minimizar Z = —x ~ 3%, sujeca a ¥-2as2 “4+ ms 289 y 20, 420, 4) Demuestre en una gréfica que este problema tiene una fancién objetivo no acotada. 4) Construya el problema diva. ¢) Demuestre grificamente que el problema dual no tie- ne soluciones factihles 6.5-1. Considere el modelo det problema 6.7-1. Utilice 4a teorfa de dualidad para determinar sila solucién bésica actual sigue siendo éptima después de cada uno de los si guientes cambios independientes. 42) El cambio en el inciso ¢ del problema 6.7-1 5) Elcambio en el incisog del problema 6.7-1 9.5-2. Considere el modelo del problema 6.7-3. Utilice lateorfa de dualidad para determinar sila solucidn bisica actual sigue siendo éptima después de cada uno de los si- guientes cambios independicntes. 4) El cambio en el inciso c del problema 6.7-3, 4) El cambio en el inciso fdel problema 6,7-3 6.5-3. Considere el modclo del problema 6.7-4. Utilice 'h teorfa de dualidad directamente pata determinar si la solucién bésica actual es éptima aun después de cada uno de los siguientes cambius independientes. 42) El cambio en el inciso & del problema 6.7-4 5) El cambio en el inciso d del problema 6.7-4 6.5-4 Reconsidere el inciso d del problema 6.7-6. Utili- cela teorla de dualidad para determinar sila solucin ép- tima original todavia es Optima. 6.6-1.* Considere el siguiente problema. Maximizar Z = 3x, +2 + 4, sujeta a 6x, + 8x) + Say < 25 35) + 42) +525 5 20 y 420, El conjunto final de ecuaciones correspondiente que lleva ala solucién éptima es 20, 320, as z dye 345217 2m + Bat Say 1 es QM a-gm tam gae 2 12 2) wat man put bas 3 4a) Identifique la solucién éptima a partir de este conjun- to de ecuaciones. 4) Construya el problema dual.290 ) Identifique la solucién éptima para l problema dual a partir del conjunto final de ecuaciones. Verfique esta solucién resolviendo el problema dual gréficamente. 44) Suponga que el problema original se cambia a Maximizar Z= 3x + 3x) + 43, sujeca a Ox +2. + 545825 3x + 3xq + 52S 20 a Utilic la teorfa de dualidad para determinar sila solu- in Sprima anterior todavia es dprima ¢) Use la idea fundamental presentada en a seccién 5.3 para identificar los nuevos coeficientes de sen el con- junto final de ecuaciones después que se han hecho los ajustes necesarios para los cambios que se realizaron en el problema original dado en el inciso d. ‘/) Ahora suponga que el nico cambio al problema origi- nal es Ia introduccién de tna nueva variable xray al ‘modelo, de la siguiente manera: Maximizar Z = 3% + 2+ 45+ 2%eas sujetaa 65) + Bx +529 + Bk $25 3x + ey + 5x5 + Deen S20 T 20, 620, 20, Ken20. ‘Use la reorfa de dualidad para decerminar sila solucién & 67-14. Considere cl siguiente probes. Maximizar Z = 3x +2 +233, sujetaa 41-4) +2xy< 20 Qatay- mS 10 y 420, 420, 20. ‘Sean 24 y x las variables de holgura para las respectivas restricciones funcionales. Después de aplicar el método simplex, la tabla final es Variable | Ee ee Lado, basica |nim.| Z| x x2 X34 Xs | derecho z |@|[t[a o 0 3 4] 100 an |@fof3s o 1 tot} pa eve) e0a| est eeies 0) sie 240) a) Realice un andlisis de sensibilidad para determinar cual de los 11 pardmetros del modelo son sensibles en elsentido de que ewalguier cambio justo en el valor de ese pardmetro hace que la solucién éprima cambie. 4) Useelanalisisalgebraico para encontrar intervalo de valores permisibles para seguir éptimo, para cada cy 6) Use andlisis algebraico para encontrar el intervalo de valores permisibles para seguir factible, para cada b, a) Use un software basado en el método simplex para encontrar estos intervalos permisibles. 6.7-15. Para el problema dado en la tabla 6.21 encuen- tre el intervalo permisible para seguir éptimo, para ¢. “Mucstre el trabajo algebraico usando la tabla simplex de la tabla 6.21. Después justifique su respuesta desde el punto de vista geométrico, con referencia a la figura 6.3. 6.7-16." Para el problema original de la Wyndor Glass Co., urilice a icima tabla simplex de la tabla 4.8 para ha- cer lo siguiente: 4) Encuentre el intervalo permisible para seguir factible, para cada b, ‘)Encuentre el intervalo permisible para seguir éptimo, para yc. Ce) Use un software basado en el método simplex para encontrar los intervalos permisibles.296 6.7-17. Para la variacién 6 del modelo de la Wyndor Glass Co. que se presents en la seccion 6.7, utilce la wlki- ‘ma tabla simplex de la tabla 6.25 para hacer lo siguiente: 49) Encuentre el intervalo permisible para seguir factible, para cada b, 4) Encuentre el intervalo permisible para seguir 6ptimo, para c, ¥¢>. Ce) Use un software basado en el método simplex para encontrar los intervalos permisibles. 6.7-18, Ken & Larry Ine. surtesu heladoa los expendios enitres sabores: chocolate, vainillay platano. Debidoalca- lor extremo y la alta demanda, la compaia tiene un déficit ‘en el abastecimiento de los ingredientes: leche, azticar y crema, Entonces, no podré satisfacer todas las Ordenes re ‘ibidas de sus expendios. Por estas circunstancias, la com- Pafila ha decidido seleccionar la cantidad que debe produ- cir de cada sabor para maximizar Ia ganancia toral, dadas las restricciones en las canricades de ingredientes bisicos. Los sabores de chocolate, vainilla y plétano generan ganancias respectivas de $1.00, $0.90 y $0.95 por galén vendido, La compaififa tiene slo 200 galones de leche, 150 libras de axticar y 60 galones de crema cn su inventa- 6 Teoria de dualidad y andlisis de sensibilidad rio, La formulacién de programacién para este problema se muestra en forma algebraica Sea _C=galones de helado de chocolate producidos, ‘ealones de helado de vainilla producidos, B = galones de helado de platano producidos. Maximizar_ganancia = 1.00C+ 0.901 + 0.95 B, sujeta a Leche: Acticar: 0.45C+0.50V + 0.40 Bs 200 galones 0.50C+ 0.407 + 0.40 B < 150 galones Crema: 0.10 C+0.151 +0.20 B< 60 galones y C>0, V>0, B20 Este problema se resolvié con Excel Solver. La hoja de célculo (resuelta) y el andlisis de sensibilidad se muestran enseguida. [Nofa: los ntimeros en el informe de sensibili dad para la restriccidn de la leche se omiticron a propési- to; le pedirdn que los complete eu el inciso f)) ISPs PUR en irroy 4 fe recursos por unidad de actividad nf 1 = ‘Actividad — Recursos _| Recurso Chocolate Yainilla_Platano| _ Toteles __idisponibles} Leche | 045 os | 04 1ao je, 200 ‘| Acicer | 05 04, 04 150 ike 150 Crema. Ot 02 “Tee 60 yrs nies + _—— Sa \Celdas cambiantes Valor Gradiente Coeficiente Aumento Aumento Celda___Nombre _Igual_reducido __ objetivo _permisible_permisible $888 Solucién Chocolate 0.0375 7 0.0375 1E+30 $C$8_Soluci6n Vainilla 300 U Og 0.05 0.0125 SD$8_Solucién Platano 75 o 0.95 0.021429 0.05 Restricciones Valor Sombra Restriccion _Aumento _Aumento Celda___Nombre ___Igual_preciv_lado derecho _permisible_permisible SES4 Leche Totales SESS _Azucar Totales 01875 150 io 0 SES6_Crema Totales 60 4 fo 15 375Problemas del capitulo 6 Para cada uno de los siguientes incisos, responda la pregunta en forma especifica y completa, sin resolver el problema de nuevo en Excel Solver. Nota: cada inciso es independiente (esto es, un canibiv liecho al modelo en un inciso no se aplica a otro). 4) &Cuail es la solucion dptima y la ganancia total? 4) Suponga que la ganancia por galén de plitano cambia $1.00, «Cambia la solucion Optuma y qué se puede decir del efecto sobre la ganancia total? ) Suponga que la ganancia por galén de plétano cambia a $0.92. (Cambia la solucién dptima y qué se puede decie del efecto sobre la ganancia toral? 4) Suponga que descubren 3 galones de crema agrios que deben tirar. 0) en lugar de disminuir? #9) Silaganancia unitariaesté por encima de este punto de cequilibrio, écudnto puede disminuir la tasa de produc- 6 Teorla de dualidad y antlisie de eencbilidad cidn de este producto antiguo antes de que la solucién BF final se vuelva no factible? 44) Si la ganancia unitaria es menor que este punto de cequilibrio, écudnto puede disminuir su tasa de produc- cin (si se snpone que la tsa anterior era mds ata que esta disminucién) antes de que la solucién BF final se ela no factible? 6.7-3. Considere el siguiente problema. Maximizat Z = 2x ~ 443%, sujera a At mt xy=3 si-2e + 21 Dat xy<2 y 420, m20, 420. Suponga que se empled el método de la M (seccidn 4.6) para obtener la solucidn RF inicial (artificial). Sea la va- riable de holgura artificial para la primera restricci6n; x5 la variable de snpervie para la segunda restriccién, % la variable artifical para la segunda restricein, y la vatia- ble de holgura para la tercera resticeién. El conjunto de ‘ecuaciones final correspondiente que proporciona lasolu- Sin embargo, todavia se tienen diferentes puntos de vista acerca de en qué nivel esta- erer estos estindates sobre las udu civues requeridas en las tasas de emision de los dis. fos contaminantes...De-hecho, -las cifras en la tabla,3.12 son valores preliminares intativos acordlados antes de conocer los costos totales para cuniplit los estndares. Tanto “Tas autoridades de la ciudad comio los oficiales de la compatia estan de acuerdo en que la leciston final sobrelas politicas de estindares debe basarse en un frueque entre los Costos y ‘os beneficios, Con estoen mente, las autoridades han concluiddo que cada incremento de 210% sobre los valores acruales de los estdndares (los minieros era tabla 3,12) tendrs wa valor de $3.5 millones de ddlures para la ciudad, Asi, las autoridades acordaron reducit el Pago de impuestos dela compania en $3.5 millones de ddlares porcada 10% de reduiceién 1 los estdndares (hasta el 50%) que acepte la compafia Por tltimo, se analizaron los valores relations de los estindares pata los trey cofitami= Bantes, Como se indica en Ia tabla3.12, por ahora la reduccién requeridla para las partic dpses menos de la mitad de la requerida para los Gxidos de azufic u para los hidrocarburos, Algunas personas piensan que debe reducirse esta discrepancia: Otras sostienen quese is, fifica una diferencia atin mayur, pues los dxidos de sulfitro'y Jos hidrocarburos causan un dafio mucho mayor que las particulas, Se leg, la conclusidn de que‘csté astintesse valvers. 4 examinar despu¢s de obrener informacidn sobre los trueques disponibles entre los estan dares (aumento de uno y disminucién de otra) sin que aumente el costo total 4) Utllice algin software de programacién lineal para resolver el nindela fotmulado én lascctiori 3.4 para este problema. Adem del soluci¢n éptima, obser elos resultado adicionale propor. ionasios por cl anilisis poséprimo (como el informe de scnsibilidad al usaé Excel). Estos cons tuyen la base para los siguientes pasos. ® 2) Ignore las restricciones que no tienen incerriduinbre ceapectd'a sis parimétros(u sales, {> Para j= 1,2,...,6); identifique'los pankmictros del modelo que deben clasificarse como sensible, s_ Sierencia: vea la subséccién “an dlsis de sensibilidad?” ena seccign 4.7.) Dé las recomendacio “a es pertnentes de que parsmetros deben tener una mejor estimaciénssi es posible 6) Analice el efecto denna inexacrituc al extimar eada pardmetiv de custo dado en la tabla 8.14: Sie fp Yalorverdaderocs 10% ynenor que el valor estimado, éalteraté esto la solucign dprima’ éCambia- © ria sta si clvalor verdadero fuera 10% mayor guc el valor estimado? Recornicnide cudl debe evel centro de atencién para tina mejor estimatién de los patametros de costo, Considers caso en que el modelo se eons is en la fori de maximizacin antes de aplicar el Retox simplex. Urilice la tabla 6.14 para construir el problema’ dual correspondiente v use los ‘esultados de aplca’ el inétouo simplex al problema prsmal para idcneificar una solucion Sptima '\ para este problema dual. Siel primal se hubiera: dejado en formade minimizacién, écémo habria | afccrado esi la forma del dual y al signo de las variables dates? | 9) Para cada contaminante, utilice los resultados del inciso d para especificar la tasa de cambio del ‘ ‘casa y las finanzas de la granja. El padre de John, el abuelo Ploughmian; vive con ellos y to- Sdavia trabaja muchas horas en la gianja, Los Itijos mayores de John y Eunice, Frank; hyllis y Carl, también realizan tareas en ella antes y después de la escuela, ; ‘La familia entera puede producir un total de-4 000 horas-persona de mano de obra" | dlurante los meses de invierno y primavera y 4800 personas-hota durante el verano y el “ otofio, Sino se necesitan algunas de las horas-persona, Frank, Phyllis y Carl las dedicarana | rabajar en una granja vécina por $5 por hora durante los meses de invierno y primavera'y 85.50 por hora durante el verano y el otofo. “ } & Lagranja cuenta con dos tipos de ganiudo: vacas lecheras y gallinas ponedoras, v con | tres tipos de cosechas: soya, maiz y trigo (las tres Son cosechasde venta peroe! maiz tam: _bién'se usa como alimento para vacas y €l trigo como alimento para gallinas). Lascosechas | +e recogen.a fines del verano yenel otofio. Durante elinvierno John, Eunice y el abticlo to “man una decisién sobre la mezcla de ganado y coseclias para cl siguiente aio. 4 Fn [a acthalidad, la familia acaba de completar tina cosecha muy exitosa que le ha pro-* “=porcionado un fondo de inversidn de $20 000.que pueden usar para comprar mas ganado # Poca con mds dinero para gastos de operacidu, inclusive para plamuar las siguientes co- + (000 gallinascon valor de $5.00. De- ‘sechas). Tienen 30 vacas.con un valor de $35 000. sat Pe ? sCaso 6.2 Administracion de eranias 305 fan consctyar toxlos sus animales y qui2d comprar mis, Cada nueva vacd cuesta $1'300 y cada nueva gallina cuesta $3. vf Enuun petiodo de ‘un ao, el valor de las Vacas dismintir4 alredédor de 10% y el valok de las gallinas disminuirs alrededor de 25% debido a la edad Cada vaca requiere acres de tierra para pastar y 10 horas-persona de trabajo pormes, mientras produce un ingreso anual nto Ue $850 ppara la familia. Las catras correspondien tes de cada gallina son: una cantidad de tira no significativa, 0.05 horas-persona por mes yun ingteso nero anual de $4.25. Kl gallinero puede alojar un méximo de 5 000 gallinas y cl tamaio del grancro limita el ganado a un méximo de 42 vacas ‘ Por cada acre plantada de eada una de las tres cosechas, la siguiente tabla contiene el snimero de horas-persona de rkabajo que se requerirdn durante la primera ysegunda mitad de! aio lo mismo que tna estimacin global del valor neto de la cosecha (ya sea en ingre- sos o-en valor de recuperacién ca ta compra de alimento para animales). Datos por acre plantado Malz 09 12 y Iavierno y primavera, horas-persona |." | Verano y otofio: horas-persona : Valor nero Para proporcionar gran parte del alimento pata animales, John desea plantar al menos Vacre de maiz por cada vaca que tenga el préximo afio yal menos 0.05 acré de ttigo por cada gallina, John, Eunice y el abuclo estéucstudiando cusntos acres deben plantar de cada cosecha Y eusintas vacas y gallinas deben tener el préximo afio, Su objetivo es maximizar el valor monstatio para la familiaal final del aio préximo (la suma del ingreso neto obtenido por {os animales mds el valor neto de las cosechas del proximo aiios mds lo que queda en el fon do de inversion as el valor de los animales al final del prdximo aio mas cualquier ingreso obtenido con el trabajoen ta granja vecina, sends los gastos pormanteuer'a los animales de $40 000 anuales), A 4) Adeopfigue verbalmente lis componentes de un modelo dé programacién lineal para este pros Dlema, i" ») "Formule este modelo, (Es acéptable una formulacidn algebraica 0 en hdja de cileulo,) 5) Obtenga ina solicién Sptima vgenérela alc adicional proporcionadapatartalizat el wisi © posdptimo (por cjemplo, el informe de sensibilidad al usar Excel). {Qué predice el modelo respecto al valor monetario para f familia al final del afio préxin? 4) _Bncuensre el intervalo petmisible para seguir 6ptimo parvel vilor neto por acre plantado por * ‘cada tina de las tres cosechas. a Las estimaciones anteriores del valor net par aeré plantado con cada cosecha supone que habré buenas condiciones de clima. La condiciones adversas danarian las cosechas re. ducirfan mncho ol valor resultante. Eo particular, los escenturivs que la familia teme son la sequfa; una inundacidn; una helada temprana; dos cosas, sequiayhelada temprana, y dos ost, inundlacion y helada temprana, Los valores nietos estimados para tin aio con estos scenarios s¢ muestran en la siguiente tabla,306 6 Toorla de duslidad y andliie de eoneibilidad | So eee / ‘Valor neto por acre plantado (scenario Soya Maiz _Trigo Sequia $10 $15 E ° Inundacion ay" # $15 ey $20 $10 Helada eemprans $50." ar #0 330 Sequiay helada tempraha $15 =$20 -$lo inundaciony helada temprana $10 2. si0 gs Encuentre una Sohuci6h éptinia para‘tada escenario después de hacer los ajustes necesarios al modelo de programiacién lincal Formulado en cl ineiso b, En cada caso, coudl 6 la pucdticcidu respecto al Valor monetario pata la familia'al final de afio? (oF) Para cada solucidn Spina obseuida cou Cada un de los seis escenatios | que incluyen el escena- rio de buen clima considerado en tos incisos @ ad) calcule-cual serfa el valor monetario para la ‘familia a final det afio i Ogurre cada uno de los otros cineo escenarios en lugar del considerado, Seguin su opinion, qué solucién proporciona él migjor equilibrio entre obtener tin gran valor ‘monetario én condiciones buenas del cma y evitar un valor monetario demasiado pequefiocn condiciones adversas Elabuelo investigé cudles fiteron las condiciones del climia en Jo8 afios anteriores para lus que existen registros y obruvo los siguientes datos. ys Buen clima_ Sequia : Z inundacién x 10% fay Helada temprand F 15% * Sequia y helada temprana ‘ : lounidacién y helada temprana es ‘coniends datos, la familia decide usar cl siguiente enfoque para tomar sus decisiones ‘Tespecto la siembra y los animales, Fn lugar del enfoque optimiista de suponer que preva ecern un clima‘con buenas condiciones [como se hace en Jos incisos.a ad], se usard el va efor ncto promedio con todaslas condicioues de dius para cada vosecha (con ponderaciones fara el valor neto én los diferentes escenarios de las frecuencias dadas en la tabla) #) Modifiqueel modelo de programacién lineal fStmuilado en ef inciso¥# para que se atisie a este nuevo enfoque. 4). Repita el indico & para este modelo modificado, 4) Use an piccio sombra obtenido‘ea clincisoh pata analicar sivalds fala pein para la familia ubte ner un préstamo bancario con ua tasa de interes de 10% para comprar ahora animales adicio- tales « los que puede adlguirir con los $20 000 det fondo de inversi6n, Para cada cosecha, tse la informacién del ahdlisis pasOptimo obtenido en el ineiso) par identi ficar cual es el margen de ertor al estimar el Valor neto, por acre plantada para esa cosecha sin [jp _-sambiac la soluci6n dptima: ¢Qué dos valores netos necesitan estimarse con mas cuidado? Si ‘6 ambasestimaciones son incorrectas a mismo tempo, équé tan cercanas debe sr la esti “>, Sofies para garantizar qu¢ la solucién dptima no cambia?CASO 6.3 Caso 6.3 Asignacién de estudiantes a eccuelas (de nueve) 307 re ie pote ihetatin tipo de situacion que con frecuencia enfrentan varias clases de organizaciones: Para describir la situacién en términos generales, una ofganizacién | ¢Alronta un futuro incierto donde pueden ocurrir cualquier nimero de escenarios. El que | ‘Afucedadepende de condiciones que estén fuera del contro! dela organizacibu, La organi 4 aci6n necesita elegit los nivcles de las actividades, pero la contribucidn unitaria de cada sfctividad ala medida global de desuiipetiv queda afectada por el escenario que ocurra, En sistas circunstancias, écual es la mejor mezcla de actividades? 0" = ci). Piensc en situacioncsespecifcas fuera del alcance dela administrcién de'a granja que se ajuste fag ys eta deseripcidn: Deseriba naan We mae a de ae ® ASIGNACION DE ESTUDIANTES A. ESCUELAS (DE NUEVO) Considere de nuevo el casa. 3 «__. El conscjo ditectivo de Springfield School todavia tiene a politica de proporcionar transporte para todos los estudiantes de nivel medio que deben desplazarse alrededor de 1 milla. Otra politica actual es permitirla divisidn entre las dreas residenciales entre varias es- uelas si esto reduce el costo total de transporte. (Esta tltima politica se invertird envél caso 12.4.) Sin embargo, antes de adoptar un plan de transporte basado en Jos ineisos a ybdel ¢a80 4.3, el consejo directivo ahora desea realizar un andlisis posdptimo, #) _ Siswlo hizo en los incisosa y 6 del caso. 3, formule y resuelva un modelo de progeamacién li- neal para este problema. (FS aceptable una formulacidn algebraica 6 en hoja de edlculo.) 8) Genere cl informe de anilisis de sensibilidad con el mismo software que 1s0,en el inciso a ‘Una preocupacién del conscjo directive es la construccién en marcha de un caminoen ¢l rea 6, Estos proyecto de construcci6n retrasan mucho el ténsito yes posible que afec- tet el costo de transporte de los estudiantes del érea 6, quizd hasta 10%, 2), Dseel informe del incisod para verficar culm puede aumentar el costo de transporte desde rea 6 a laescuela 1 (suponga que no hay cambio en los costs para otras escuclas) antes de que Iasolucién dptima actual dejede ser Gptima. Siel incremento permusiblees menor que 10%, e~ suelva de nuevo para encontrar una nueva soluci6n éptima con un incremento de 10%. 4 “Repita cl inciso v paru la eseuela 2 (supongs-que no cambian los costos para otras escuclas) 4) Ahorasuponga queel costode transporte deste el drea 6 auimenta el mismo poreentaje para to: das las escuelis, Use informe del ineiso para determinar qué tan grande puede ser este por! ‘para determunar fas combinaciones de! avimero que se debe agtegar donde los precios sombra todavia serén vilidos. Después usc los precios sombra para determinar énsldle estas combina, Siones es mejor en uérminos de minimizar el costo total de sransportar estliantesy rentar slo. ‘cs prefibricados. Resuelva otra vez para encontrar la solucién dpm correspondiente para fa asignaci6n de estudiantes 2 escuclas Sie! inciso es aplicable, modifique la miejar combitacid de calones prefabricados.cnoortua: ddosen agregando uno o mds ala escuela con el piccio sombra més favorable. Encuentre la so- {ucién Optima correspondiente para la asignaciGn de estudiantes.acscuiclasy geuete el informe de sensbilidad correspondiente. Use esta informacién para evaluarsi el plandesarrollado en el incisoh esl mejor pata minimizar el costo total de transportavestudianresy rentar salones pre- fabricados. $i n6 es asi, encuentre el mejor plan Mg Ms as ae Pate al7 —_—__—_—_—_—_———___ Otros algoritmos para programacion lineal ‘Laraz6n por la que la programacisn lineal se usa en forma tan amplia es la disponibilidad de unalgoritm excepcionalmente eficiente, el método simplex, que en forma rutinaria resuelve problemas grandes que con frecuencia sutgen en la préctica‘ Sin embargo, el método simplex ¢ssolo.una parte del arsenal de algoritmos que se usan con regularidad en la aplicacién de pro- gramacién lineal. Ahora se verdn esas otras algoriemos. Este capitulo esté dedicado a tres algoritmos en particular importantes, que de hecho son variantes del método simplex. En especial, las tres secciones siguientes presentan el metodo simplex dual (una modificacién muy Util para el andlisis de sensibilidad), la programacién li- ‘neal paramétricn (una extensiGn para el andlisis de sensibilidad sistemético) y la técnica de ra- ‘mificacién y acotamiento (una versiGn simplificada del método simplex para manejat variables que tienen cotas superiorcs). Enla seccién 4.9 se introdyjo un nuevo enfoqne algoritmico para programacién lineal, un tipo de algoritmo que se mueve por el interior de la region factible. En la seccién 7.4 se describird con detalle este enfogue de punto interior. Después se introduce laprogramacién lineal por objetves en la que, en lugar de tener un solo objetivo (maximizar o minimizar Z) como en programacién lineal, el problema tiene varias ob- Jetives que deben tratar de alcanzarse de manera simultnea. Ciertas técnicas de formulacién permiten convertir un problema de programacién lineal por objetivos en uno de programa- idn lineal de manera que se puedan usar los procedimientas de solucién basados en el méto do simplex. La seccién 7.5 describe estas récnicas y procedimientos, METODO SIMPLEX DUAL Elmétodo simplex dual esté basado en la teorfa de dualidad presentada en la primera parte del capftulo 6. Para describir laidea basica de este método, es itil usar parte de la terminologfa in- troducida en las tablas 6.10y 6.11 de la seccién 6.3 para describir un par de soluciones basicas complementariasen los problemas primal y dual, En particular, recuerde que sc dive que am- bas soluciones son factiblesprimales sila solucién basica primal es factible, y son fuctiblesduales sila solucién bésica dual complementaria ¢s factible para el problema dual. Recuerde también ue (segiin el lado derecho de la tabla 6.11) cada solucién bésica complementaria es éptima para su problema sdlo si es factible primal y factible dual. Se puede considerar que el método simplex dual es la imagen en un espejo del mérodo sim- plex. El método simplex trata directamente con soluciones basicas en el problema primal que son factibles primales pero no factibles duales. Después 6e mueve hacia la solucién éptima tra-310 7_Otros algoritmos para programacién lineal tando de lograr la factibilidad dual (la prucba de optimalidad para el método simplex). Por el contrario, el método simplex dual maneja soluciones bésicas en el problema dual que son fic- tibles duales peto no factibles primales. Después se mueve hacia la solucién éprima tratando de alcanzar la factibilidad primal también. Ain mds, el método dual simplex trata un problema vou si se aplicara el método sim- plex asu problema dual de manera simulténea, Sisus soluciones bisicasiniciales se hacen com: ‘Plementuriws, los dos miétodos se mueven en una secuencia completa y obtienen soluciones bisicas complementarias en cada iteracién. EL método simplex dual es muy itil en algunas situaciones especiales. Lo normal es que sea més facil encontrar una solucién inicial hasica que sea factible que una factible dual, aun- gue en ocasiones es necesario introducir muchas variables artficiales para construir una solu- cién inicial BF artificialmente. En csos casos sctfa inds sencillo comenzar con una solucién bbdsica factible dual y aplicar el método simplex dual. Incluso, puede ser que se requieran me- unos iteraciones cuando no se tienen que hacer cero tantas variables artificiales, Como se mencioné varias veces en el capitulo 6 y en la seccién 4.7, otra aplicacién pri- ‘mordial el método simplex dual es su asociaciéa con el andlisis de sensibilidad, Suponga que setiene una solucién éptima por el método simplex pero que es necesario (ode interés paral anilisis de sensibilidad) hacer cambios menores al modelo. Sila solucién basica Sptima que se tenia,ya nos factible primal (pero todavia satisface la prucba de optimalidad), se puede aplicar de inmediato el método simplex dual a parti de esta solucién bésicaficrible dual. Con a apli- cacién del método simplex dual por lo general se llega ala nueva solucién éptima mucho més rapido que si se resuetve el nuevo problema desde el principio can el método simplex. Elmétodo simplex dual también puede ser ttl al resolver problemas grandes de progra- ‘macién lineal desde el principio debido ala eficiencia del algoritmo. La expeticucia compu- tacional reciente con las iltimas versiones de CPLEX indica que el método simplex dual sucle ser més eficiente que cl método simplex para resolver problemas particularmente masivos en- contrados en la préctica, Las reglas para el método simplex dual son muy parecidas alas del método simplex. De hecho, una vez que los métodos se inician, la tnica diferencia entre ellos es el criterio para ele gir las variables basicas que entran y salen y Ia regla para detener el algoritmo. Para dar inicio al método simplex dual (si se trata de un problema de maaimizacién), to- dos los coeficientes en la ecuacién (0) deben ser no negatives (de manera que la solucién basica ¢s factible dual). Las soluciones bisicas seran no factibles (excepto la ttm) solo porque al- Bunas variables son negativas. El mérodo continita haciendo que el valor de la funcidn objeti- vo disminuya, y conserva siempre cofiientes no negativos en la ecuacién (0), hasta que todas Jas variables sean no negativas. En este momento la solucién bdsica es factible (satisface to- das las ecuaciones) y, por lo tanto, es dptima segiin el criterio del método simplex de coefi- cientes no negativos en la ecuacién (0) A continuacién sc resumen los detalles del método simplex dual, Resumen del método simplex dual 1. Inicialicacién: después de convertir cualquier restriccién funcional de la forma 2 a la for- ‘ma < (multiplicando ambos lados por —1), se introducen las variables de holgura necesa- rias para construir un conjunto de ecuaciones que describan el problema. Encuentre una soluci6n bdsica ral que los coeficientes de la ecuaci6n (0) sean ceros para las vatiables ba- sicas y no negativos para las variables no basicas (de manera que la solucién es éptima si ¢s factible). Vaya a la prucba de factibilidad.7.1_ Método simplex dual 3 1 2, Prueba de fuctbilidad: verifique si todas las variables bdsicas son no negativas. Siesas{,en- tonces esta solucién es factible, y por lo tanto éptima, y el algoritmo se detiene. De otra ‘manera, vaya a una jteracién. 3. Iteracién: Paso] Determine la variable bdsica que sale seleccionando la variable basica negativa que tenga el mayor valor absoluto. Paro2 Determine larariable bdsica entrante, sclaivuc aquella cuyo coeficienteen la ‘ecuacién (0) llegue primero a cero al agregar a la ecuacién (0) un miltiplo creciente de Ja ecuacion que contiene a la variable basica que sale. Para esta eleccién examine las varia- bles no bdsicas con coeficientes negativos en esa ecuacién (la que contiene la variable bisica que sale) y eija la que tiene el menor valor absoluto del cociente dado por el coeficiente en la ecuacién (0) entre el coeficiente en esa ecuacin. Paso 3 Determine la nueva solucién bdsica comenzando con el conjunto actual de ecuaciones y despeje las variables bésicas en téxunitios de las no bdsicas, mediante el méto- do de eliminacién gaussiana. Cuando las variables no basicas se hacen cero, cada variable basica (y Z) es igual al nuevo valor del lado derecho de la ecuacién en la que aparece (con coeficiente +1). Regrese a la prueba de factibilidad. Para comprender bien el método simplex dual debe entender que hace lo mismo que ha- la el método simplex si se aplicara alas solucioncs bésicas complementarias en el problema dual (de hecho, ésta fue la motivacién para construirlo asi). El paso 1 de una iteracién, que deter- mina la variable basica que sale, ¢s equivalente a determinar la variable bésica entrante en el problema dual. La variable negativa con el valor absoluto més grande corresponde al caefi- Ciente negativo con el mayor valor absoluto en la ecuaci6n (0) del problema dual (vea la tabla 6.3). El paso 2, que determina la variable bésica entrante, es equivalente a determinar la varia~ ble basica que sale en el problema dual. El coeficiente de la ecuacién (0) que llega primero a cero corresponde a la primera variable que sc hace cero en el problema dual. Tambien los dos criterios para detener el algoritmo son complementarios. ‘Se iluscrard el método simplex dual aplicindolo al problema dual de la Wyndor Glass Co. {vea la tabla 6.1). Por lo general, este método se aplica directamente al problema en cuestién (un problema primal), En este caso se escogié este problema porque ya se conoce la aplica- cin del métndo s{mplex asu problema dual (a saber, el problema primal") mostrada cn la ta- bla 4.85 de esta forma se pueden comparar. Para facilitar la comparacidn, las variables de decisién en el problema que se va a resolver se denotardn como J; en lugar de x,. En forma de maximizacién, el problema es = 491 ~ 12y - 1895, Maximizar sujeta a n +3y323 2yy +29, 25 y N20, ¥220, 320. 'Recuerde que la propiedad de simetrfa dada enlasecci6n 6.1 indica que el dual de un problema dual es el problema primal original312 7.2 7. Otros algoritmos para programacién lineal TABLA 7.1 Método simplex dual aplicado al problema de la Wyndor Glass Co. Coeficiente de Lado Iteracién Ys Ya derecho 18 ° o o 3 i 3 =2 o 3 ‘ ° 30 : =3 1 3 1 0 a 2 or areas ° 0 a 36 1 \ : wn TMiol g ° ! 5 ! i 1 3 ee less 1 ° 5 a Como ahora se permiten valotes negativos en el lado derecho, no es necesario introducir va- Fiables artificiales como variables basicas iniciales. En su lugar, s6lo se convierten las restric- ciones funcionales a la forma < y se introduicen las variables de holgura para que desempefien este papel. Elconjunto inicial de ecuaciones se muestra en la iteracién O de la tabla 7.1. Obser- ve que todos los coeficientes de la ecuacién (0) son no negativos, con lo que la solucion es 6p- tima si es factible. La solucién bdsica inicial es y, = 0, 92 =0, ¥3 = 0, ¥4=-3, ys =-5, conZ= 0, que noes factible porque tiene valores negativos. La variable basica que sale es 95 (5 >3), y la variable basica entrante es 9) (12/2 < 18/2), lo que conduce al segundo conjunto de ecuaciones que se muestra como [a iteracidn 1 de la tabla 7.1. I.a sohucién bésica correspondiente es 7, — 0, r=, ¥3=0, 74=-3, ¥s =0, con Z= -30, que no es factible. La siguiente variable bésica que sales y 4 ylaquecutraes y3 (6/3 < 4/1), lo queda lugar al conjunto final de ecuaciones presentado en a tabla 7.1. La solucién basica correspondiente © 91 =0, ¥2=3, 93 = 1, ¥4=0, ¥5 =U, con Z=-36, que es factible y por lo tanto dptima. Note que la solucién éptima para el dual de este problema! es xf =2, xf =6, x3 =2, 4} =0,.xf =0, que es la misma que se obtuvo en la tabla 4.8 mediante el método simplex. Se sugiere al lector que siga con detalle al mismo tiempo lo que se obtuvo en las tablas 7.1 y4.8y ‘que compare los pasos complementarios de los dos métodos simétricos. PROGRAMACION LINEAL PARAMETRICA Al inal de la seccién 6.7 se describié la programacién lineal paramétrica y sw utilizaci6n al lle- var a cabo un andlisis de sensibilidad sistemético que cambia gradual y simuledncamente va- tios pardmetros del modelo. Se presentaré ahora el procedimiento algoritmico, primero para elcaso encl quesc cambian lus pardmetrosc ; y después cuando se varian los parametros 6; . La propiedad de soluciones bdsicasdpsimas complementarias presentads en la seccién 6.3 indica cémo leer la sotucién ép- ‘ima para el problema dual en el engin 0 de a tabla simplex final parac problema primal. Esta misma conclusiénes valida sin importar si se apico el mécodo simplex, oe! simplex dual, para obtener la tabla final7.2. Programacién lineal paramétrica 313 Cambios sistematicos en los parametros Gj Para el caso en el que se cambian los parimetros la funcién objetivo del modelo de progra- macién lineal normal se sustituye por 26)= Se; +4,0)x;, i en donde las a; son constantes de entrada dadas que representan las tasas rlativas a las que cambian los coeficientes. Al incrementar 6 gradualmente desde cero, los coeficientes cambian seguin estas tasas relativas. Los valores asignados a las a; pueden representar cambios simultdneos interesantes de las ¢; para realizar un audlisis de sensibilidad sistemético del efecto que tiene el aumento de la magnitud de estos cambios. También pueden estar basados en la forma como cambia- tfan los Coeficientes (por ejemplo, ganancias unitarias)respecto a algin factor medido por 8 Este factor puede ser incontrolable, como el estado de la econom{a. No obstante, también puede encontrarse bajo el control del tomador de decisiones, por ejemplo, la cantidad de per- sonal y equipo que debe cambiarse de una actividad a otr: Para cualquier valor dado de @ se puede obtener la solucién éptima del problema de pro- gramacién lincal correspondiente, mediante el metodo simplex. Tal vez. esta solucidn ya se obtuvo para el problema original, en donde @= 0. Sin embargo, el objetivo es encontrar la so. Jucign dptima del problema modificado de programacién lineal [maximizar Z(8) sujeta a las restricciones originales] como una fiancién de 0. Asi, es necesario que el procedimiento de solu. cidn sea capaz de determinar cémo y cuéndo cambia la solucién éptima (silo hace) cuando el valor de @ aumenta de cero a cualquier mimero positive especifico. En la figura 7.1 se representa la formaen que el valor de la funcién objetivo Z*(0), parala soluci6n éptinsa, cambia al incrementarse el valor de 8. De hecho, Z* (8) siempre tiene esta FIGURA 7.1 Valor de la funcién =O) objetivo para una. solucién éptima como tna funcién de @ para rogramacién lineal aramétrica con cambios sistemsticos en los pardmetros c;..314 7__Otros algoritmos para programacién lineal forma lineal por partes yconvexa} (veal problema 7.2-7). La solucién éptima correspondiente ‘cambia (al aumentar 9), justo en los valores de 6 en donde cambia la pendiente de la fancién Z*(0), Entonces, la figura 7.1 ilustra un problemaen donde tres soluciones diferentes son 6p- timas para tres valores diferentes de 6, una para < 8 0), la segunda para, << 6, ylatter- cera para @2 @,. Como el valor de cada «, permanece igual dentro de cada uno de estos intervalos de 8, el valor de Z*(8) varia s6lo con @ porque los coefcientes de x ; cambian como una fancién lineal de 0. Este procedimicuty dc sulucidu se basa directamente en el procedi- miento de anilisis de sensibilidad para investigar los cambios en los pardmetros ¢ (casos 2a y 3, seccidn 6.7). Como se describié en la tiltima subseccién de la seccién 6.7, la tinica diferen- cia basica es que ahora los cambios se expresan en términos de By no de muimeros especificos. A manera de ilustracién, suponga que a = 2 y a = -1 para el problema de la Wyndor Glass Co. (presentado en la seccién 3.1), de manera que Z(0)= (3+ 20)x, + (5- Ax. Si se inicia con la tabla simplex final para @= 0 (tabla 4.8), se ve que su ecuacién (0) (0) z+ Sage 5236 tendrfa primero los siguientes cambios al agregar los coeficientes originales (0= 0) en el lado inquierdo: 6. (0) Z=26x, + Oy + 34 a Es necesario climinar algebraicamente tanto x como x, de la ecuacién (0) ya que ambas son variables bésicas (que aparccen en las ecuaciones (3) y (2), tespectivamente]: 2208, + Oy + Brg 45 = 36 + 20 veces la ec. (3) = A veces la ec. (2) AZ 2 (0) 2+ (§-Zolees(1s 20) = 36-20, La prucba de oprimalidad dice que la solucién bésica factible actual persnanecerd prima ‘mientras estos coeficientes de las variables no bisicas sean no negativos: 37 9 32620, 10505 2, 26 be 7 112020, para toda @ = 0. Entonces, si se aumenta @ a un valor més alto que @= 3, x4 se convierte en la variable basica entrante en la siguiente iteracién del método simplex, para encontrar la nueva solucién épti- ‘ma, Después 6 se aumenta més hasta encontrar otro coeficiente que se hace negativo, y as{su- cesivamente, hasta llegar al valor deseado de 0. Ahora se resumiré el procedimiento completo y se completaré el ejemplo en la tabla 7.2. "Bn el apéndice 2 se da una defniion y se examinan las funciones convexas7.2 Programacion lineal paramétrica 315 TABLA 7.2 Procedimiento de programacién paramétrica para ¢, aplicado al ejemplo de la Wyndor Glass Co. —————— Intervalo Variable| Ec. —eeconn te Lado Solucién de _bésica |mim.[ Z| x xz amas [derecho optima ZO; ml|r1}o 0 oe ae aad 26-20 y-0 wy=0 2 TT a 2 osos? 4 | M]oflo 0 ' Bile a3 2] ae 1 m |@lofo 1 oo Jt} o | 6 une 1 »|@lef: 0 o |} 24) | M} i} o o 2 75955 x, |} ol oo 3 ' 3 a |@iolfo 1 - o « |@lo 0 iceman. 26) | @ | 1] 0 -5+@ 3426 0 es «4 |mlolo 2 o 4 Cyclo | a i@loli oo 4 ° Resumen del procedimiento de programacién lineal paramétrica Para camblos sistematicos en los parametros c, 1, Resuelve el problema con @= 0 usando el método simplex. 2. Utilice el procedimiento de anilisis de sensibilidad (casos 2a y 3, seccién 6.7) para intro- ducir los cambios Ac; = a; 6 en la ecuacién (0). 3. _Incremente @ hasta que cl Coeficiente de una de las variables no bésicas en la ecuacién (0) se vuelve negativo (0 hasta incrementar 6 todo lo que se desea). 4. Uscesta variable como variable bdsica entrante para llevar a cabo tna nueva iteracién del método simplex, para encontrar una nueva solucién éptima, Regrese al paso 3. Cambios sistematicos en los parémetros b, Para el caso en que se hacen cambios sistemdticos en los pardmetros b;, la tinica modificacién que se hace al modelo de programacién lineal es sustituir 4, por b, + 4:8, parai—1,2,...,™, en donde las a; son constantes de entrada dadas. Asi, el problema se convierte en Masimizar Z(@)= >), A316 7 _Otros algoritmos para programacién lineal sujetaa Days; $b;+0;0, parai=1,2,.. fat y #,20, para j=1,2,...,0. El objetivo es identificar la soluciin Aptima como una funcién de 8. Con esta formulacién, el valor correspondiente de la funcién objetivo Z*(6) siempre tie- ‘ne a forma lineal por partes y céncavs que se inuestra en la figura 7.2 (vea el problema 7.2-8). Elconjunto de variables bisicas en la solucién éptima cambia (al aumentar 8) siloen el punto en que cambia la pendiente de Z*(@), pero ahora, al contrario del caso anterior, los valores de estas variables cambian como una funcién (lineal) de @ entre los cambios de pendiente. Esto se debe a que al aumentar 6, cambia los lados derechos del conjunto inicial de ecuaciones, Io que a su vez causa cambios en los lados derechos del conjunto final de ecuaciones, es decit, cit los valores del conjunto final de variables bésicas. La figura 7.2 bosqueja un problema con tres conjuntos de variables bésicas que sun Oprimas para valores diferentes de 0, uno para 0< 050), clsegundoparad, < 6< 8, yeltercero para@2 6. Dentro de cada uno de estos in- tervalos para, el valor de Z*(@) varia con a pesar de los coeficientesfijos ¢,, porque los va- lores de las x; cambian El siguiente resumen del procedimiento de solucién es muy parecido al que se acaba de presentar para los cambios sisteméticos en los parimetros ¢ ;. Esto sc debe a que cambiar las 4, es equivalente a cambiar los coeficientes de la funcién objetivo en el modelo dual. Enton- ces, el procedimicnto para cl problema primal es exactamente complementari la aplicacion simulténea del procedimiento para cambios sisteméticos en los pardmetros c, del problema tual. En consecuencia, ahora Se usa el método simplex dual (vea la seccidn 7.1) para obtener cada nueva solucién éptima, y el caso de la aplicacién del andlisis de sensibilidad (vea la sec- ci6n 6.7) es ahora el caso 1, pero estas diferencias son las tinicas importantes. FIGURA 7.2 Valor de la funcién Z*(0) objetivo para una solucién éptima como tuna funcién de @ para programacin lineal aramétrica con Ss cambios sstersticos | en los pardmetros by. En el apéndice 2 se da una definicién y se evaminan las funciones eSncavas.73 7.3. Técnica de la cota superior 37 Resumen del procedimiento de programacién lineal paramétrica Para cambios sistematicos en los Pparametros b; 1. Resuelva el problema con 6= 0 mediante el método simplex. 2. Urilice el procedimiento de anilisis de sensibilidad (caso 1, seccibn 6.7) para introducit los cambios Ab; = a0 en la columna del lado derecho, 3. Incrementeel valor de @hasea que el valor de wna de as varlables bdsicas en la columna del {ado derecho se vuelve negativo (0 hasta que incrementar 8 todo lo que se desea). 4. Use esta variable como la variable basica que sale para realizar una nueva iteracién del método simplex dual y encontrar una nueva solucién éptima. Regrese al paso 3. Seaplicaré este procedimientoal problema dual dela Wyndor Glass Co, (vea la tabla 6.1) con el fin de resaltar su telacion de dualidad con el procedimiento ‘Para cambios sisteméticos gnllos pardmetros. j. En particular, suponga quea =2y az =-1,con lo que las restricciones funcionales se convierten en Di +395234+20 0 -y, -3y3 $-3-20 29 +2y325- 8 0 " 2,-2.5 5a 8 Ast, el dual de este problema es el ejemplo que se considerd en la tabla 7.2. fbr tabla 7.1 se resolv est problema con = 0, por lo quese partrd ca tabla simplex final que se obtuvo, Siseemplea el procedimiento de andiss de sensibilidad para el caso Ide lascecién 6.7, se puede observar quc los clementos de la columna delJado derecho de esta tabla cambian a los valores siguientes: Ztayh pals al 36+ 26, to 3-20) [1422 brasb-) fy [E: _| 3 ft 3 a2 6, Por tanto, las dos variables bdsicas en esta tabla simplex, 3420 9-70 Be YY Be Permanecen no negativas para 0< @< . Si @ adquiere un valor mayor que 02, es necesa- rio que y2 se convierta en una variable bésica que sale para realizar otra iteracién del metodo simplex, y asi sucesivamente, tal y como se resume en la tabla 7.3. Sc sugiere al lector que siga los clculos de las tablas 7.2 y 7.3 al mismo tiempo para ob- servar la relacién de dualidad entre los dos procedimientos. TECNICA DE LA COTA SUPERIOR FFs comin en problemas de programacién lineal que algunas 0 todas las variables « indii- duales tengan restricciones de win superior. xj Su 1S j, en donde u ; ¢s una constante positiva que representa el maximo valor facrible dex. En la seccidn 4.8. puso de relieve que el factor determinante en cuanto al tiempo de dculoalco-318 7_Otros algoritmos para programacién lineal TABLA 7.3 Procedimiento de programacién paramétrica para las b, aplicado al dual del ejemplo de la Wyndor Glass Co. Intervalo Variable | Ec. Lado ded —_basiea |nim.| Z Ya _Ya_¥5|_ derecho Z@) | @| 1 0 2 6) -36420 I 3420 osos? =o | Mo 3 0 5 Ti] 9-76 n | @]o °o 5 ae 2) | @|1|o 6 o 4[3]) -27-se 9 4 eae fsass J myolfe tt obs 7 3|| -9+70 n |@)o}1 3 0 -a}5 si 20) | @|1}o 2 6 4 of -12-80 ozs y |M]ol}o 2 2 0 1] -5+6 yn {|@{o{1 0 3 + 0] 3420 rrer el método simplex es el msimero de restricciones funcionales, mientras que el niimero de res- tricciones de no nyyutividad casi carece de importancia. Entonces, un ntimero grande de restricciones de cota superior incluidas en las restricciones funcionales incrementa mucho ¢1 esfuerzo computacional requerido. La técnica de la cota superior evita este mayor esfuuerzo al eliminar las restricciones de cota superior del conjunto de restricciones funcionales y tratarlas por separado, en esencia, como testricciones de no negatividad. Hacer esto no causa problemas siempre y cuando ninguna de las variables adquiera un valor mayor que su cota superior. La tinica vez que el método sim- plex incrementa alguna de las variables es cuando la variable basica entrante aumenta su valor para obtener la nueva solucidn BE La técnica de la cota superior, simplemente aplica el méto- do simplex al reso del problema (es decir, sin las restricciones de cota superior) pero con la restriccién adicional de que cada nueva solucién bdsica factible debe satisfacer las restriccio- nes de cota superior ademés de las normales de cota inferior (no negatividad). Para poner en préctica esta idea, note que una variable de decisidn x, con una restriccién de cota superior x, <1; siempre se puede sustituir por xjaujny f= Mi—Vin endonde y ; serd entonces la variable de decisin. En otras palabras, se puede elegir entre dos tipos de variables de decisiOn, la cantidad mayor gue cero (x.,) 0 la cantidad menor que w ;). (Se hard referencia ax; y y; como variables de decisién complementarias:)7.3 Técnica de la cota superior 219 también se cumple que Os yj Su. Enutonces, en cualquier momento al trabajar con el método simplex se puede 1. Usar x;,endondeO< x; -2x,- > yt Entonces, después de eliminar algebraicamente x, de todas las demés ecuaciones, el segundo conjunto completo de ecuaciones ¢s (0) Z + y,=22 ay > P3s 8 (2) A tyne h La soluci6n basica factible que se obtiene es x; = 1, x =8, y3 = 0. De acuerdo con la prueba de optimalidad, se trata también de una solucién éptima, por lo que += 1, «, 6 ys =6 es la solucién que se busca para el problema original. ALGORITMO DE PUNTO INTERIOR En la scccidn 4.9 se present6 un importante desarrollo en programacién publicado en 1984, ‘que se debe a Narendra Karmarkar de AT&T Bell Laboratories. Sc trata de un poderoso algo- ritmo para resolver problemas muy grandes de programacién lineal con una idea muy dife-7.4_ Algoritmo de punto interior 321 rente al método simplex. Se introduciré aqu la naturaleza del enfoque de Karmarkar con la descripcion de una variante relativamente sencilla (la variante “afin” ode “escala afin”) de este algoritmo. ! (ELOR Courseware incluye esta variante bajo el titulo Solve Automatically by the Interior-Point Algorithm.) En esta seccion se centrard la atencién sobre las principales ideas de Karmarkar aun nivel intuitivo evitando los detalles matemaéticos. En particular, se pasardn por alto ciertos detalles ‘gus se neccsitatt pura la aplicacion completa del algoritmo (por ejemplo, cémo encontrar una solucién factible inicial de prueba) pero que no son esenciales para la comprensién de los con ceptos bisicos. Las ideas se pueden resumir como sigue: Conecpio 1. Obrener, del interior de la region tactible, una solucién factible que lleve ala sol- cién dptima, Comcepta 2. Moverse en la direccién que mejore el valor de la fancién objetivo lo més répido posible. Concepto 3. "Transformar la regin factible para colocar la solucién prueba actual cerca del centro permitiendo asf un mejora grande cuando se aplique el concepto 2. Para ilustrar estas ideas en esta seccidn se usard el siguiente ejemplo: Maximizar Z= x, + 2x), sujeta a xy +x, 58 y 20, x, 20. En la figura 7.3 se da la gréfica de este problema, en donde se puede observar que la solucién. ‘Optima es (x), #2) = (0, 8) con Z=16. Relevancia del gradiente para los conceptos 1 y 2 Elalgoriemo comienza con una solucidn prucba inicial que (al igual que todas las soluciones prueba subsecuentes) se encuentra en el interior de la region factible, es decir, adentvo de la Srontera dela region factible. Asi, por ejemplo, la solucién no debe estar en ninguna de las tres Fectas (2% = 0, #2 =0, x + x2 = 8) que forman la frontera de esta regiin en la figura 7.3. (No se puede usar una solucién prueba que esté sobre lafrontera porque esto llevaria a una opera- cién matemética no definida de divisién entre cero en algin punto del algoritmo.) Se eligié (%1, ¥2)= (2, 2) de manera arbitraria como la solucién prueba inicial. Para comenzar la aplicacién de los conceptos 1 y 2, observe en la figura 7.3 que la direc- cin del movimiento desde el punto (2, 2) que aumenta el valor de Z.a la mayor tasa posible es perpendicular a (y hacia) la recta de la funcidn objetivo, Z= 16= x, + 2x. Esta direccién se indica con la flecha de (2, 2) a (3, 4). Sumando vectores se tiene (3, 4) =(2, 2) + (1, 2), "tL entogue bisico de esta variante fue propuesto, de hecho, en 1967 por un matematicoruso, II. Dikin, y redescur bierto, después dela publicacién del trabajo de Karmarkar, por varios investigadores entre los que se cuentan E. R. Barnes, T. M. Cavalier A. L, Soyster, Se pucde consultar ademés R. J. Vanderbei, M.S. Meketony B.A. Freedman: “A Modification of Karmarkar's Linear Programming Algorithm”, Algorithmica 1(4) (Special Issue on New Approa «lies to Linear Programming): 399-407, 1986322 FIGURA 7.3 Ejemplo para el algoritmo {de punto interior donde el vector (1, 2) esl gradiente de la funcidn objetivo. (En la seccién 13.5 se estudiarén los gradientes con més detalle, dentro del contexto de programacién no lineal, campo enel que tlesile hace mucho se aplican algoritmos similares al de Karmarkar.) Las componentes de (2, 2) son justo Jos coeficientes de la funcién objetivo. Asi, con una modificacién ms, el gra dlicnte (1, 2) define la direccién ideal para moverse; la pregunta sobre la distancia que hay que ‘moverse se considerar4 mds adelante. Elalgoritmo, de hecho, opera sobre los problemas de programacién lineal una vez quese ‘han escrito en la forma aumentada, Sea x3 la variable de holgura de la restriccién funcional del ejemplo, esta forma es Maximizar Z= x, + 2x), sujeta a Byte +H *20, 20, ¥20. Ennotacién marricial (an poco diferente ala del capitulo 5, debide a que la variable de holgu- ta estd incorporada a la notacién), la forma aumentada se puede escribir en general como Maximizar Z=cTx, sujetaa Ax=b7.4 _ Algoritmo de punto interior 323 0 A=[L1 1], b=[8, 0-0 0. Por ejemplo. Note que ¢ = [1, 2, 0} es ahora el gradiente de la funcién objetivo. Enla figura 7-4. muestra la gréficade la forma aumentada del ejemplo, Ahora laregin factible consiste en el triéngulocon vértices (8, 0, 0), (0, 8, 0) y (0, 0, 8). Los puntosenel interior de esta region factible son aquellos en donde +; > 0, x > Oy x, > 0. Cada una de es- tas tres condiciones x, > 0 tiene el efecto de forzar a (x, «,) a alejarse de una de las tres i- nneas que forman la frontera de la regin factible en la figura 7.3. Uso del gradiente proyectado para aplicar los conceptos | y 2 En la forma aumentada, la solucién prueba inicial para el ejemplo es (2%), +2, 3) =(2, 2,4). Si se agrega el gradiente (1, 2, 0) se obtiene (3,4, 4) =(2, 2, 4) +(1, 2, 0). Sin embargo, ahora se tiene una complicacién. El algoritmo no se puede mover de (2, 2, 4) hacia (3, 4, 4) iporque (3, 4,4) es no factible! Six, = 3y x) = 4, entonces +3 = 8-3 — x =1 en lugar de 4. El punto (3, 4, 4) se encuentra en la cara de enfrente al ver el triéngulo factible de la figura 7.4. Entonces, para que siga siendo factible, el algoritmo proyecta (de manera in- directa) el punto (3, 4, 4) al eriéngulo factible con el trazo de una recta perpendicular a este tridngulo. Un vector de (0, 0,0) a (1, 1, 1) es perpendicular a este triéngulo, por lo que la rec- ta perpendicnlar que pasa por (3, 4, 4) est dada por la ccuacién (1s 825 *3)- G, 4, 4)- 60,1, 0), donde des un escalar. Como el tridngulo satisface la ecuacién x, + x) + x3 =8, esta recta per- pendicular intercepta al tridngulo en (2, 3, 3). Como (2, 3, 3) =(2, 2, 4) + (0, 1, -1), el gradiente proyectado de la funcién objetivo (el gradiente proyectado sobre la regi6n facti- ble) ¢s (0, 1, -1). Es este gradiente proyectado el que define la direccién del movimiento para el algoritmo, como lo indica la flecha en la figura 7.4. ‘Se dispone de una formula para el célculo directo del gradiente proyectado. Sea P la ma- tris de proyeccién P=I-AT(AAT) A, el gradiente proyectado en (forma de columna) es Pe.324 FIGURA 7.4 Cjemplo en ta forma ‘aumentada para el algoritmo de punto interior (0, 8, 0) 6ptima Asi, por ejemplo, 007 fi yy" 1 0/-/1ffp a yall pa y oi) 1 on Hes H 7 Otros algoritmes para programacién lineal 11)7.4 Algoritmo de punto interiar 325 enronces, e-bay eel-4 #4] “4-4 alle Elmovimiento de (2, 2,4) en la direcci6n del gradiente proyectado (0, 1,1) implica un incremento de aa partir de cero en la férmmula 2 2 0 x=|2]+ 4ac,=|2|+ del 1), 4 4 -1 donde el cocficiente 4 se usa s6lo para dar una cota superionde 1 acta finde mantener la facti- bilidad (toda x & 0). Obscive que al aumentar a a @= 1 el resultado es que x, disminuye 4 %3 = 4+ 4(1)(-1) =0, donde a > 1 lleva a.xs <0. As{,amide la fracci6n usada de la distancia que se puede mover antes de dejar la regién factible, éCudnto debe crecer a para moverse a la siguiente solucién prueba? Como el incremento en Zes proporcional al de, un valor cercanoa I es bastante bueno para dar un paso relativa- mente grande hacia la optimalidad en Ia iteracién actual. Sin embargo, el problema de un va- Jor muy cercano a 1 es que la siguiente solucién prueba puede quedar amontonada con una frontera de restriccién, haciendo dificil realizar mejoras grandes en las iteraciones subsecuen tes. Por lo tanto, es de gran ayuda que las soluciones prueba queden cerca del centro de la re- gidn factible (0 al menos cerca del centro de la porcién de la regién factible en la vecindad de la solucién éptima) y no demasiado cerca de ninguna frontera de restriccién, Con esto en mente, Karmarkar establecié para su algoritmo que un valor de a= 0.25 debe ser “seguro”. En la prictica, a veces se usan valores mucho mayores (como a= 0.9). Para desarrollar este cjemplo (y los problemas al final del capitulo) se eligié a= 0.5. (El OR Courseware utiliza = 0.5 como valor dado, pero también se dispone de a= 0.9.) Esquema de centrado para aplicar el concepto 3 Sélo falta un paso para completar la descripcién del algoritmo, a saber, un esquema especial Para transformar la regién factible de manera que la solucién prueba actual quede cerca del Gentro, Se acaba de describir el beneficio de tener la solucién prueba cerca del centro, ‘otro beneficio importante del esquema de centrado ¢s ¢l cambio constante de la direccign del gradiente proyectado para que apunte mds de cerca hacia una solucién éptima, conforme el algoritmo converge a esta solucién. Esta idea bésica del esquema de centrado es directa, sencillamente se cambia la esca- !a (unidades) para cada variable de manera que la solucién prueba quede equidistante de las fronteras de restriccién en el nuevo sistema de coordenadas. (El alguriemo original de Kar- ‘markar utiliza un esquema de centrado més sofisticado.) Enla figura 7.3 del cjemplose rienen tres fronteras de restricci6n, cada una correspondea tun valor de cero para una de las tres variables del problema en la forma aumentada, es decir, 1 =0, 2 = Oy 3 =O. En la figura 7.4se puede observar que estas tres restricciones cortan el plano Ax=b (x; + x) + x3 =8) para formar la frontera de la regién factible. La solucién326 7_Otros algoritmos para programacién lineal prueba inicial es (x,, x2, #3) = (2,2, 4), yse encuentra dos unidades alejada de las restriccio- nes x, = Oy x) = Oy alejada cuatro unidades de x =0, si se usan las unidades de las variables respectivas. Sin embargo, cualesquiera que sean estas unidades, son bastante arbitrarias y se pueden cambiar como se desee sin variar el problema. Entonces, se daré la siguiente escala a las variables: -4 gg % DM gg con el fin de hacer que la solucién prueba actual (1), x2, 73) = (2, 2, 4) se convierta en i, ¥, ¥3)=G, 1 D. Con estas nuevas coordenadas (substituyendo 2%; por 1,2 por st y 4% por #4), el pro- blema se convierte en Maximizar Z=2%, + 4%, sujeta a 2%, + 2%, + 4%, =8 320, %20, %20, como se muestra gréficamente en la figura 7.5. Observe que la solucién prueba (1, 1, 1) en la figura 7.5 equidista de las fronteras de res- triccion % = 0, % = Oy ¥ = 0. En cada iteracién subsecuente se da una nueva escala al pro- bblema para que la solucién prueba sea siempre (1, 1, 1) en las coordenadas actuales. FIGURA 7.5 Ejemplo con la nueva cescala para la iteracién 1. (0, 4, 0) 6prima7.4 Algoritmo de punto interior 327 Resumen y ejemplificacién del algoritmo Ahora se presenta un resumen y un ejemplo del algoritmo con la primera iteracién del ejem- plo, después con un resumen del procedimiento general y por iltimo con la aplicacién de este resumen a una segunda iteracidn. lteracion I. Dada la solucién prueba inicial, (x,, x3, ¥3) = (2, 2,4), sea D la matriz dia- gonad covespumlicute tal que x= DX de manera que 20 0 D=|0 20 0 0 4 Entonces, las variables con la nueva escala son las componentes de 1 4 too at 2 x») [2 z-pIx-|o 3 Offa |=] 2. oo Alles [ss 4 4 ‘Con estas nuevas coordenadas, A y c se convierten en Entonces, la matriz. de proyeccién es P=I-A™AAT)IA 0 0} [2 ay)" oj-j2ie 2 421] p 2 4 1 [4 4 4 oon on 100 44 8) [$ -) -} =|0 1 o|-3/4 4 s{-|-2 5-3) oO OL 8 8 16] |-} -} } ¥ as{ el gradiente proyectado es & -3 -$P2] pr cp=Pt=|-2 § -} ‘(34 -¥ -} 30} |. Sea vel palor absoluto de la componente negativa de ¢, que tiene el mayor valor absoluto, en- tonces »=|-2}=2 en este caso. Entonces, en las coordenadas actuales, el algoritmo se mueve ahora de la solucin prueba actual (¥, %, %)) =(1, 1, 1) a la siguiente solucién prucba328 7. Otros algoritmas nara prngramacién lineal RE aN wen como se musstua cir la figura 7.5, (Se escogio esta detinicion de » para hacer que la me- nor componente de ¥ sea igual a cero cuando = len esta ecuaci6n para la siguiente sahcién prueba.) En las coordenadas originales, la solucién es #, 20 os) [§ = ? *|=D¥=|0 2 0/]2|-/2). % oo afi} [2 Esto completa laiteracién, Se usard esta nueva solucién para comenzar con la siguiente itera- cién. Estos pasos se pueden resumir como sigue para cualquier iteracién. Resumen del algoritmo de punto interior. 1. Dada la solucién prueba actual (141, #3, 4+) 4p), S€ ace m 0 0 0 0 x 0 0 D-|0 0 x, 0 0 . Se calculan A = ADy € = De. i: ANAK) Ky Sc identifica la componente negati igual a este valor. Después se calcula c, = PE. dee, que tiene al mayor valor absoluto y se hace » BeY e 2 9 en donde aes una constante clegida entre 0 y 1 (por ejemplo «= 0.5). 5. Se calcula x = DX como la solucidn prueba para la siguiente iteracién (paso 1). (Siesta solucién prueba casi no cambia respecto a la anterior, entonces se dice que el algoritmo Converge a una solucién éptima y se detiene.) Ahora se aplicard este resumen a la iteracién 2 del ejemplo. Iteracion 2, Paso 1: Dada la solncidn actual (+, 2,3) = §, 3,2), se hace foo pD=|0 0 om ol}. 2329 Ry * Xs como se muestra en la figura 7.6.) Paso 2: . ol 5 2 i oN FIGURA 7.6 Ejemplo con fa nueva ‘escala para la iteracion 2,330 7 Otros algoritmos para programacién lineal 3] [0.83 $4 |=|1.40]. 3} [0.50 1g] [2.08 =|322 | =|4.92 1} [2.00 ¢s la solucién prueba para la iteracién 3. ‘Como hay muy poco que aprender con la repeticién de estos cdlculos para otras iteracio- ines, no sc hardin mids; peru en la figura 7.7 se presenta la regi6n factible reconfigurada después de dar la nueva escala sobre la solucién prueba que se acaba de obtener en la iteracién 3. ‘Como siempre, esta nueva escala coloca ala solucién prueba en (¥,, %, %;)= (1, 1, 1), equi- distante de las fronteras de restriccién %, = 0, = Oy %, = 0. Observe en las figuras 7.5,7.6y 7.7 que la serie de iteraciones y las nuevas escalas tienen el efecto de “deslizar” la solucin ép- tima hacia (1, 1, 1) mientras que las otras soluciones BF tienden a alejarse. Eventualmente, después de suficientes iteraciones, la solucién éptima quedara muy cerca de (#),%),¥;) = (0, 1,0) despues de dar la nueva escala, mientras que las otras soluciones BF estaran muy lejos del origen sobre los ejes %; y%. El paso 5 de esa iteracién conduciréa una solucién en las coorde- nadas originales muy cerca de la solucién éptima (s,, #), 3) = (0, 8, 0). La figura 7.8 muestra el progreso del algoritmo en el sistema de coordenadas x, = x ori ginal antes de aumentar el problema. Los tres puntos (1, 2) = (2,2), (2.5, 3.5) y (2.08, 4.92)— son las soluciones prueba para iniciar las respectivas iteraciones 1, 2 y 3. Se dibujé luna curva suave a través de estos tres puntos y se continué para mostrar la trayectoria del al- goritmo en iteraciones subsecuentes conforme se acerca a (2), %)) = (0, 8). Ocurre que la restriccién funcional para este ejemplo en particular es una desigualdad. ‘Sin embargo, las restricciones en forma de igualdad no causan problema al algoritmo, ya que ‘maneja las restricciones slo después de ponerlas en la forma anmentada para convertirlas en igualdades, (Ax = b). Para ilustrar esto, suponga que el tinico cambio en el ejemplo es que la restticcin x; + x <8 se cambia a x, + x» = 8. Entonces, la regién factible en la figura 7.3 cambia y queda sdlo como el segmento de recta entre (8, 0) y (0, 8). Dada cualquier solucién prueba inicial en el interior (x; > 0 y x2 > 0) de este segmento de recta, digamos (x), 2) = (4,4), elalgoritmo puede llevar a cabo los mismos cinco pasos dados en el resumen nada més con las dos variables y A = 1, 1]. En cada iteracién, el gradiente proyectado sefiala,a lo largo de este segmento, en la direccién de (0, 8). Con a= 4, la iteracidn 1 Heva de (4,4) a (2,6), laFIGURA 7.7 Ejemplo con la nueva cescala para la iteracin 3. cA 7.4_ Algoritmo de punto interior 331 x 1690, 1.63, 0) dptima iteracién 2 leva de (2, 6) (1,7), etc. (El problema 7.4-3 pide al lector que verifique estos re- sultados.) Aunque las dos versiones de este ejemplo tienen nada més una restriccién, tener mds im- plica slo un cambio en el procedimiento como ya se vio (ademés del aumento en los célcu- los). Si se tiene una sola restriccién, significa que A tiene un solo renglén, de manera que el término (AA7)" en el paso 3 se obtiene tomando el reciproco del ntimero obtenido del vec- tor producto AA”. Sise tienen restricciones funcionales multiples, A tiene varios rengiones y entonces el término(AA™)~ significa la inversa de la matriz.obtenida conel producto AA’. ara concluir, ¢s necesario hacer un comentario que puede dar una mejor perspectiva del algoritmo. Para el ejemplo en extremo pequefio que se presenté, el algoritmo requiere un ni- mero relativamente grande de célculos y después de muchas iteraciones obtiene s6lo una aproximacién de la solucién éptima. Por cl contrario, el procedimiento grafico de la seccién 3.1 encuentra de inmediato la solucién éptima en la figura 7.3 y el método simplex requiere s6lo una itcracién répida. Sin embargo, esto no debe ser raz6n para menospreciar la eficiencia del algoritmo de punto interior. Este algoritmo esté diseftado para manejar problemas gran- des que tienen muchos cientos o miles de restricciones funcionales. El método simplex requie- remiles de iteraciones en este tipo de problemas. Al “obtener una solucién” en el interior dela regi6n factible, el algoritmo de punto interior tiende a requerir un nmero mucho menor de iteraciones (aunque con mucho més trabajo por iteracién). Por lo tanto, los alguritmos de332 7_ Otros algoritmos para nengramarién tines (2.08, 4.92) FIGURA7.8 2 ‘Trayectoria del algoritma de punto interior para e! ‘ejemplo en el sistema de ‘coordenadas (x, x2) original ° + 73 j rs punto interior similares al que se presenté jugarén un papel importante en el futuro de la pro- gramacién lineal. ‘Vea en la seccién 4.9 para un anilisis més detallado de este papel y una comparacién del enfoque de punto interior con el método simplex. 7.5 | PROGRAMACION POR OBJETIVOS Y SUS PROCEDIMIENTOS DE SOLUCION En los capitulos anteriores se supuso que los objetivos de la organizacién que lleva a cabo un estudio de programacién lineal se pueden resumir dentro de un objetivo global, como maxi- mizar las ganancias totales o minimizar el costo total. Sin embargo, esta suposicién no siem- pre es realista. De hecho, como se analizé en la seccién 2.1, los estudios han encontrado que la administracién de las corporaciones en Estados Unidos con frecuencia tienen una variedad de objetivos distintos, por ejemplo, mantener las ganancias estables, incrementar (o mante- ner) el porcentaje de mercado, diversificar sus productos, mantener los precios estables, me- jorar la moral de los trabajadores, mantener ¢l control familiar del negocio y aumentar el prestigio de la compaiita. La programacién por objetives proporciona una manera de intentar alcanzar varios objetivos de manera simultdnea. Fl enfoque hisico de programacién por objetivos es establecer un objetivo numérico especifico para cada uno de los objetivos, formular una funcién objetivo para cada uno y des- pués buscar una solucién que minimice la suma (ponderada) de las desviaciones de estas fun- iones objetivo de sus metas respectivas. Existen tres tipos posibles de metas: 1, Una meta unilateral inferior establece un limite inférior por abajo del cual no se quiere caer (pero est bicn exeederlo).7.5_Programacién por obietivos y sus procedimiantne de salucién 333 2. Una meta unilateral superior establece un lamite superior que no se quiere exceder (pero std bien quedar por debajo del mismo). 3. Una meta bilateral establece un blanco speifco que no se quiere perder hacia ningiin lado. Los problemas de programacién por objetivos se pueden clasificar seguin el tipo de mo- delo de programacién matemitica (programacién lineal, programacién entera, prorat. idn no lineal, etcétera) al que se ajusta excepto por tener miltiples objetivos en lugar de uno, En este libro, slo se considerard la programaciéu linea! por objetivos, aquellos problemas de rogramaci6n por objetivos que de otra manera se ajustan a programacin lineal (cada fun- cin objetivo cs lineal, etcétera) y por lo mismo en adelante se eliminard el adjetivo de lineal, Otra clasificacién se refiere a la importancia relativa de las metas. Fin 11n caso, llamado programacién por objetivos sin prioridades, todas las metas tienen una importancia compa rable. En el otro caso, llamado programacién por objetivos con prioridades, existe una Jeraguta de niveles de provided paralas metas, de modo que las metas de primordial importan- cia reciben atencién con primera prioridad, las de importancia secundaria reciben atencién on segunda prioridad, asi sucesivamente (si hay més de dos nieveles de prioridad). Comenzaremos con un ejemplo que ilustra ls caracteristicas bésicas de la programacién por objetivos sin prioridades y después analizaremos el caso con prioridades Ejemplo prototipo para programacién por objetivos sin prioridades La DEWRIGHT COMPANY estudia tres nuevos productos para sustituir a los modelos ac- ‘wales que piensa descontinuar, de manera que ha asignado al departamento de IO la tarea de determinar qué mezcla de estos productos debe producir. La administracién quiere prestar atencién primordial a tres factores: la ganancia a largo plazo, la estabilidad de la fuerza de tra- bajo y el nivel de inversién de capiral que ser necesario para el equipo nuevo. En particulat, haestablecido los siguientes objetivos: 1) lograr una ganancia a largo plazo (en valor presente neto) de al menos $125 millones de délares por estos tres productos, 2) mantener el nivel ac- tual de empleo de 4.000 empleados y 3) mantener la inversién de capital en menos de $55 mi- llones de ddlares. Sin embargo, la gerencia se da cuenta que es posible que no se alcancen todas las metas simulténeas, por lo que ha analizado las prioridades con el departamento de 10, Este anilisisllevé aestablecer ponderaciones de penalizacién de 5 si no se logra la meta de las ganancias (por cada millén menos que se logre), 2 por sobrepasar la meta del nivel de empleu (por cada 100 empleados), 4 por quedar abajo en esta misma meta y 3 por exceder la meta de inversién de capital (por cada millon de exceso). La contribucién a la ganancia de cada nuevo Producto, del nivel de empleo y de la inversién de capital es proporcional a la tasa de produc- ‘ion, Estas conribuciones por tasa unitaria de produccién se muestran en la tabla 7.5, junto con las metas y las penalizaciones. Formulacién. El problema de la Dewright Company incluye los tres tipos posibles de ‘metas: una meta unilateral inferior (la ganancia a largo plazo); una meta bilateral (el nivel de empleo), yuna unilateral superior (inversién de capital). Si se definen las variables de deci- sin x}, 2, ¥3 como las tasas de produccién de los productos 1, 2 y 3, respectivamente, se ve que las metas se pueden establecer como 12x, + 9x, + 15x52 125 meta de ganancias 5x, +3x,+ 43= 40 meta de nivel de empleo Bx, + 7x, + 8xss 55 meta de inversion.334 7. Otros algoritmos para pragramacién lineal TABLA 7.5 Datos para el problema de programacién por objetivos sin prioridades para la Dewright Co. Contribucién unitaria Producve Ponderacién de Factor 2 Meta (unidades) Penalizacién Gananciaalargoplazo | 12 9 15 | 2125 (millones de détares) Nivel de empleo 5 34 | ~ 40(clentos de empleados) | 209, 4(-) Inversién de capital 5 7 8 |< _55 (millones de délares) 3 En forma mds precisa, dadas las ponderaciones de penalizacién en la columna de la dere- cha dela tabla 7.5, sea Z el msimero de puntos de penalizacién en los que se incurre al no lograr Jas metas. El objetivo global serfa entonces elegir los valores de x,, x2 yx para Minimizar — Z =5(cantidad abajo de la meta de gamnancia a largo plazo) + 2(cantidad en exceso de la meta de nivel de empleo) +4(cantidad abajo de la meta de nivel de empleo) + 8(cantidad en exceso de la meta de inversién de capital), donde no se incurte en puntos de penalizacién por exceder la meta de la ganancia a largo pla- 20 © por quedar abajo de la meta de inversién de capital. Para expresar este objetivo glo- bal matemsticamente, se introducen algunas variables uusiliares (variables adicionales que ayudan a la formulacién del modelo) y;, yo y yg, definidas como sigue: Jy= 12x + Oxy + 15x75 ~ 125 (ganancia a largo plazo menos la meta). Ya= 5x, + 3x, + 4x3 - 40 (nivel de empleo menos la meta). Tae 5x, +72 + Buy - 55 (inversién de capital menos la meta). Como cada y, puede ser positiva o negativa, se usaréla técnica descrita en la seccién 4.6 para ‘manejar tales variables; es decir, se sustituye cada una por la diferencia de dos variables no ne- gativas: na=-siy donde ¥1 20, ¥7 20, 2=H-Yay donde y3 20, 73 20, Ys=IE-I3, donde yz 20, y3 20. ‘Como se dijo en la scccién 4.6, para cualquier solucién BE, estas nuevas variables auxiliares tienen la siguiente interpretacion +2 [9s 19; 20, JF* 10 de otra manera; ype fod si; s0, 7 \0 de otra manera; de manera que } representa la parte positiva de la variable y, y y; su parte negativa (tal como lo sugieren los superindices). Dadas estas nuevas variables auxiliares, la funcién objetivo global se puede expresar ma- tematicamente como Minimizar Z = 5; + 2yf + 4y7 +3y$,7.5_Programacion por objetivos y sus procedimientos de solucién 335 «que ahora es una funcidn objetivo valida para un modelo de programacién lineal. (Como no hay penalizacién por exceder la meta de la ganancia de 125 o por quedar abajo de la inversion de capital de 5, ni yj ni yz deben aparecer en esta funcidn objetivo que representa lapenali- zacién total por las desviaciones de las metas.) Para completar la conversién de este problema de programacién por objetivos a un mo- delo de programacién lineal, se deben incorporar las definiciones anteriores de y} yyy diec- tamenteenel modelo (Noes enficiente con registrar las definiciones, como ze acabadehaccr, porque el método simplex sélo toma en cuenta la funcién objetivo y las restricciones que constituyen cl modelo.) Por ejemplo, como 7 ~ 97 = y, la expresién anterior para y, da 12x + 9x, + 18x, ~ 128= yf - yz. Después de mover las variables bésicas (yi ~ 97) al lado izquierdo y las restriccianes (125) al lado derecho, 2x + 94g + 15x5 - (yt ~ 7, 25, sc convierte en una restriccidn de igualdad valida para un modelo de programacién lineal. ‘Més atin, estas restricciones obligan a las variables auxiliares (y} — yj )a satisfacer sus defini- 0, el modelo de la segunda etapa sencillamente agrega las metas de segunda prioridad al modelo de la primera etapa (como si estas metas fueran, de hecho, de primera prioridad), pero-en este caso también agrega la restriccién de que la funcién objetivo de la primera etapa es igual a Z* (loque permite de nuevo eliminar los términos que in- cluyen a las metas de la primera etapa en la funcién objetivo de la segunda etapa). Después de aplicar otra vez el método simplex, si todavia se tienen soluciones miiltiples, se repite el pro- eso para otras metas de prioridad menor. Ejemplo. Sc ilustrard este procedimiento con el ejemplo resumido en la tabla 7.6. En la primera etapa, sdlo se incluyen las dos metas de primera prioridad en el modelo de programacién lineal. Entonces, se puede eliminar el factor comin M en las ponderaciones de penalizacién mostradas cn la tabla 7.6. ‘Trabajando igual que eu el modelo sin prioridades como si éstas fueran las tinicas metas, el modelo de programacién lineal que resulta es Minimizar Z=2y} + 3yz, sujeta a 5x + 3xz + 4x3 - (yf -— y7) = 40 Samy + 7x2 + 8a — (3 ~ 95) = 55 420, yf20, ypz0 (f=1,2,3;e=2,3). (Para facilitar la comparacién con el modelo sin prioridades con las cuatro metas, se mantu- vieron los mismos subindices para las variables aurxiliares.)338 7_Otros algoritmos para programacién lineal Usando el método simplex (0 inspeccién), una solucién éptima para este modelo de pro- gramacidn lineal tiene yj = Uy yj = 0, con Z=0 (es decit Z* = 0) ya que existen inumerables soluciones para (x;, x3, x2) que satisfacen las relaciones 5x + 3x, + 4x5 $40 Sx, + 7%, + 843 $55 al igual que lac restricciones de no negatividad. Por lo tanto, estas dos metas de primera prio- ridad deben usarse, en adelante, como restricciones. Al usarlas como restricciones, yj y yf quedardn obligadas a permanecer en cero y por lo mismo a desaparecer del modelo auromdti- camente. Sisccliminan yj y yf pero se agregan las metas de segunda prioridad, el modelo de pro- gramacién lineal para la segunda etapa se convierte en Minimizar Z=5yi + 4y7, sujeta a 12x, 19x, 1 15x5 —(y! 97) = 128 Sx; +3xp + 4x5 += 40 Sx, +7, +8x5 +95 = 55 y #;20, yf20, 9,20 (j=1,2,354=1, 2, 3). Al aplicar el método simplex a este modelo se obtiene una solucién éptima tinica «; =§, 0, #3 = 34, 91 =0, 1 = 84 J2 = Vy y3 =0, con Z= Debido a que esta solucidn es nica (o.a que no hay mis niveles de prioridad),e procedi- ‘miento se puede detener, con la solucién éptima (+), 2, 3) = (5, 0, 3 4) para el problema completo, Fsta solucién logea totalmente las das metas de la primera prioridad la mismo que tuna de las de segunda prioridad (no disminuir el nivel de empleados), y queda a s6lo8 4. dela otra meta de segunda prioridad (ganancias a largo plazo > 125). Procedimiento directo para programacién por objetivos con prioridades En lugar de resolver una sucesién de modelos de programacién lineal, elprocedimiento directo, aligual que el procedimiento secuencial, encuentra una solucién éptima para un problema de prugranacidn lineal por objetivos con prioridades resolviendo sélo un modelo de programa- cién lineal. Entonces, el procedimiento directo es capaz de duplicar el trabajo del procedi- miento secuencial nada més con una corrida del método simplex. Esta corrida encuentra de manera simultdnea las soluciones éptimas basada sdlo en las metas de primera prioridad y rompe empates entre estas soluciones al tomar en cuenta las metas de segunda prioridad. Sin ‘embargo, esto requiere una pequefia modificacién del método simplex. Si existen s6lo dos niveles de prioridad, la modificacién del método simplex es la que se vio como el metodo de la.M ilustrado en la scecion 4.6. En esta forma, cn lugar de sustituir Mo ‘en todo el modelo por un mimero positivo muy grande antes de correr el método simplex, se retiene la cantidad simbdlica M en la secuencia de tablas simplex. Cada cocticiente en el ren- gldn 0 (para cada iteracién) esté dado como una funcién lineal aM + 6, donde a es el factor ‘multiplicative y b es el término aditivo actuales. Las decisiones usuales basadas en estos coefi- cientes (variable bisica entrante y prueba de optimalidad) se basan ahora en los factores mul-76 7.8 Conclusiones 329 tiplicatives, excepto por los empates que se rompen usando los términos aditivos, Esta es la ‘manera en que ¢l OR Courseware opera cuando se resuelve el método simplex ya sea de ma- hera automatica 0 interactiva (método de la M). La formulacién de programacién lineal para el procedimiento directo con dos niveles de Priotidad inchuiria tadas las metas en el modelo en la forma usual, pero con ponderaciones de penalizacién bisicas de M y 1 asignadas a las desviaciones de las respectivas metas de pri- ‘mera y segunda prioridad. 3i 9c quicren usar otras ponderaciones de penalizacién dentro del mismo nivel de prioridad, estas penalizaciones bésicas se multiplican por los pesos individua- les asignados dentro de cada nivel. Este enfoque se ilustra con el siguiente ejemplo, Ejemplo. Para cl problema de programacién por objetivos con prioridades de la Dew- tight Co. resumido en la tabla 7.6, observe que 1) sc asignaron diferestes pesos de penaliza- cion dentro de cada uno de los dos niveles de prioridad y 2) los pesos de las penalizaciones individuales (2 y 3) para las metas de primera prioridad se myltiplicaron por M. Estas ponde- raciones llevan al siguiente modelo de programacién lineal que incorpora todas las metas Minimizar Z =Syj +2Myf +495 + 3Myz, sujetaa 12x, + 9x) + 15x ~ (yf - 7) = 125 5x, + 3x, + 4x3 -(t -y7) = 40 Sx, + 7x + 8x3 —(y — 3) = 55 y 520, yf 20, yf 20 (f=1,2, 3; 4=1, 2,3). Como este modelo utiliza M para representar un nimero positivo muy grande, el método simplex se debe aplicar como se describié e ilustré en la secci6n 4.6. De manera alternativa, se ucde sustituir un nimero positive muy grande en lugar de M en el modelo y después usar cualquier software basado en el mérodo simplex. De cualquier forma se llegard ala misma so- lucién éptima tnica obtenida por el procedimiento secuencial, Mas de dos niveles de prioridad. Cuando se tienen més de dos niveles de prioridad (digamos p de ellos), el procedimiento simplificado se generaliza de modo directo. Las pon- deraciones o pesos de penalizacion bésicos para ls respectivos niveles My, Mz... My-1y , donde M, representa un niimero que es bastante més grande que M3, My cs bastante ids grande que M;,...,y M,_. ¢s bastante mas grande que 1. Cada coeficiente enel renglén 0 de cada tabla simplex es ahora una funcién lincal de todas estas cantidades, en las que el factor multiplicativo M; se usa para tomar las decisiones necesarias; los empates se rompen prime- to con el factor multiplicativo de M, y después con el factor aditivo. CONCLUSIONES Eleuctodo simplex dual y la programacién lineal paramétrica son valiosos en especial para el ané- lisis posoptimo, aunque también son tiles en otros contextos. La técnica dela cota superior proporciona una forma simplificada del métado simplex para Ja situaci6n comiin en que muchas 0 todas las variables tienen cotas superiores explicitas. Re- duce en wna gran proporcién el esfuerzo computacional en problemas grandes.340 7__ Otros algoritmos para programacién lineal Los paquetes de programacién matemitica casi siempre incluyen estos tres procedimien- tos ysu uso es amplio. Debido a que su estructura bdsica se apoya en el método simplex segiin se presenté en el capitulo 4, conservan la eficiencia computacional excepcional para manejar problemas grandes como los descritos en la seccidn 4.8, ‘Sehan desarrollado otros algoritmos con propésitos especiales que aprovectian la estruc- ‘ura especial de ciertos tipos de problemas de programacién lineal (como los que se verén en Jos capttulos 8 y 9), En la actualidad se lleva a cabo una intensa investigacién en esta area. Elalgoritmo de punto interior de Karmarkar marca un nuevo desarrollo en programacién lineal. Este algoritmo y sus variantes constituyen un nuevo enfoque poderoso y promisorio para resolver con eficiencia algunos problemas muy grandes La programacién lineal por objetivos y sus procedimientos de solucién proporcionan una manera efectiva de mancjar problemas en los que la gereucia quiere lugrar varias metas al mis- ‘mo tiempo. La clave es una técnica de formulacién que introduce variables auxiliares que per- ‘miten convertir el problema en uno con formato de programacién lineal. REFERENCIAS SELECCIONADAS 1. Hooker, J. Nu: “Karmarkar’s Linear Programming Algorithm”, Interfaces, 16: 75-90, julio- agosto, 1986. 2. Lustig, IJ, R. E. Marsten y D, F Shanno: “Interior-Point methods for Linear Programming: Computational State of the Art”, ORSA Journal on Computing, 6: 1-14, 1994. (Vea ademas algunos comentarios sobre este articulo en pp. 15-86 de este niimcro.) 3. Marsten, R., R, Subramanian, M. Saltzman, I. Lustig y D. Shanno: “Interior-Point Methods for Linear Programming: Just Call Newton, Lagrange, and Fiacco and McCormick!”, Interfces, 20: 105-116, julio-agosto, 1990. 4. Saigal, Ri Linear Programming: A Modern Integrated Analysis, Ktuwer Academic Publishers, Boston, 1995. 5. Schneiderjans, M.: Goal Programming: Methodology and Applications, Kiuwer Academic Pub- lishers, Boston, 1995. 6. Terlaky; T. (ed.): Interior Point Methods in Mathematical Programming, Kluwer Academic Pub- lishers, Boston, 1996, 7. Vanderbei, R. J.: “Affine-Scaling for Linear Programs with Free Variables”, Mathematical Pro- gramming, 4%: 31-44, 1989, 8. "Vanderbei, R. J.: Linear Programming; Foundations and Extensions, Kluwer Academic Publishers, Boston, 1996, AYUDAS DE APRENDIZAJE PARA ESTE CAPITULO EN OR COURSEWARE Rutinas interactivas: Introducir o revisar un modelo general de programacién lineal (Enter or Revise a General Linear Programming Model) Preparacién para el método simplex. (Serup for the Simple Method), s6lo interactivo Soluci6n interactiva por el método simplex (Solve Interactively by the Simplex Method) Rutina automética: Solucién automética por el algoritmo de punto interior (Solve Automatically by the Interior-Paint Algorithm),Problemas del capitulo 7 Complemento de Excel: Premium Solver 341 Archivos para resolver lot ejemplos “Ch. 7 —Other Algorithms for LP” Archivo Excel Archivo LINGO/LINDO Archive MPL/CPLEX Vea la documentacién del software en el apéndice 1. PROBLEMAS Los simbolos a la izquierda de algunos problemas (o de sus incisos) significan los siguiente: T:_ Se sugiere que usc las rutinas interactivas indicadas (la impresién registra su trabajo). Para programacién li- uneal paramétrica s6lo se cuenta con el caso @= 0, des- pués de lo cual debe proceder en forma manual. C: Use la computadora para resolver el problema, ‘Un asterisco en el ntimero del problema inca que al final del libro se da al menos una respuesta parcial. 71-1. Considere el siguiente problema. Maximizar Z= -x,- x, sujeta a a+ S8 323 wat S2 y 420, 420. 14) Resuelva este problema gréficamente. 4) Use el método simplex dual para resolver el problema ) Trace en una gréfica la trayectoria que toma el método simplex dual 7.1-2.* Utilice el método snfplee dual para resolver el si Buiente problema, Minimizar Z= 5x +2ay+ 425, sujetaa 3H+ mt2m2> 4 64, + 3x, +5452 10 y 420, 20, 20, 7.1.3. Ustilice ef metodo simples dual paca resolver el sic guiente problema. Minimizar sujeta a 2x44 t 7+ 425 85, + 4) + 6x; + 40428 Bx + 8+. yt days 4 y 420 paraj~1,2,3,4. Toh + Day + 5ixy + Aig, 7.A-4. Considere el siguiente problema. Maximizar Z = 3%; +2x,, sujera a 3yt+ ms w+ 5 6 5x; +84, 27 y 420, 20. 1a) Resuelva mediante el métado simple original (en for- ma tabular). Identifique la solucién bésica complemen taria del problema dual en cada iteracién, 4) Resuelvael dual de este problema por el método simplex: dual. Compare la secuencia de soluciones bisicas re- sultante con las soluciones bésicas complementarias {que se obtuvicron en el inciso a. 7.18. Considere el ejemplo de anilisis de sensibilidad ppara.elcaso 1 dado en la seccidn 6.7, en donde se modifica [a tabla simplex inical dela tabla 4.8, cambiando by de 12 24, y cambiando con esto, los elementos respectivos en th columna del ado derecho de la tabla simplex finul a 54, 6, 12 y-2. Comience con esta tabla simplex final modifi cada y utilice el método simplex dual para obicuer la nueva solucién éprima que se muestra en la tabla 6.21. Muestre su trabajo.342 7__Otros algoritmos para pragramaciéi lin 7.1-6* Considere los incisos a y # del problema 6.7-1 Utilice el metodo simplex dual para obtener la nueva sol. cin éptima en cada caso, comenzando con la tabla sim- plex final revisada. 7.2-1.* Considere el siguiente problem. Maximizar Z = 8%; + 24%, suyjetaa 442x510 2y+ 4510 y #20, 20, Suponga que Z representa la ganancia y que es pusible ‘modificar la funcién objetivo mediante un cambio apro- piado del personal clave, cutie las dus actividades. En par- ticular, suponga que la ganancia unitaria dela actividad 1 se puede aumentar a mas de 8 (hasta un maximo de 18) a costa de disminuir la ganancia unitaria de la actividad 2.a menos de 24 en el doble de la cantidad. Entonces, en reali- dad Z se puede representar como Z(0) = (8+ 6)x + (24-20)s,, en donde @ es también una variable de UetisiGn tal que 0s 6s 10. 4a) Resuelva gréficamente la forma original de este pro- blema. Después amplie este procedimiento para resol- ver la extensin paramétrica del problema, esto es, en- cuentre el valor 6primo de Z(@) como una funcién de 6, para0-< 8510. 15) Encuentre|a solucién éptima dela forma original por el método simplex. Después aplique programacién li- neal paramétvica para encontrar la solucién éptima y el valor éptimo de Z(0) como funcién de 8, para 0 < 8 £10. Grafique Z(6). ¢) Determine el valor éptimo de 6. Después indique de qué manera se pudo haber identificady este valor Opti- mo, si se hubieran resuelto directamente dos proble- mas de programacion lineal normales. (Sugerencia: tuna funcién convexa alcanza su méximo en un punto terminal.) 17.22. Untilice programacién lineal paramderica para cn- contrat a solucién éptima del siguiente problema, como una funcién de 0, para 0 = 0-520. Maximizar Z(0) = (20 + 40)x; + (30 ~30)x, + 5.x, sujeta a 3x + 3x + x35 30 Bx, +64 + 445 75 Oy + m+ 545 y 420, 420, 420. Considere el siguiente problema. Maximizar Z(6) = (10 ~ 6)x; + (12 + 8)x, + (7 +26)x5, sujeta a At2mt 2m 30 Ht yt x20 y 420, 20, 4520. 1a) Utilice pragramacin lineal parameétrica para encon- trar la solucién dptima de este problema, como una funcidn de 8, para 0 0. 4) Construya el modelo dual de este problema. Después, encuentre la solucién éptima para ese problema dual como una funcién de, para@ = 0, con el uso del méwo- do descrito en la wlkima parte de la seccién 7.2. Indi- que enuna grifica qué hace este procedimiento. Com- pare las soluciones obtenidas con las soluciones basicas complementatias que se obruvieron en el inciso a. 17.2-4" Con el procedimiento de programacién lineal _Paramétrica haga cambios sistemiticos en los parémetros 4 para encontrar una solucién éptima del problema si- guiente, como una funcién de 8, para0 <6 <25. Maximizar 2(6)= 2x, + «3, suyeta a 4 $10420 4+ 4S28- 6 4510420 420, 420, Iudique en una gréfica qué hace este procedimiento. 17.2-5, Utilice programacién lineal paramétrica para en- contrar una solucién éptima del siguiente problema, como una funcién de 6, para 0 < 8 < 30. Maximizar 7(0)= 5%; +65; + 425 +745 sujeta a 3x) - 2p + xy + By 5135-20 2m tty-mr2ms 78-6 HtIytayt2as 304 0 by 520. 20, para f=1,2,3,4. Después identifique el valor de 6 que da el valor éptimo mayor de Z(@)Problemas del capitula 7 7.2-6. Considere el problema 6,7-2. Utilice programa- «én lineal parumérica para encontrar la solucin Sptima ‘como una fincién de @ en los siguientes intervalos de 8. 4) 0 queridas para llegar a ella, Qué tan cerca estarfa esta soluci6n de la solucién éptima (x, #3) = (0, 8)? 7-4-4. Considere el siguiente problema Maximizar Z= 2+ %, sujetaa Kt2q <0 24+ 59 y 420, 20. 1a) Resuelva este problema gréficamente. 4) Encuentre el gradiente de la funcién objetivo en el sis- tema de coordenadas original ,-x. Si se mueve del origen en la direccién del gradiente hasta alcanzar la frontera de la region factible, éa dénde se llega en rela- cidn con la solucién éptima? ec) Comenzando con la solucién prueba inicial (m, 23) = (2, 1), use el OR Courseware para realizar 10 itcracio- nes del algoritmo de punto interior presentado en la seucidn 7-4, cd) Repita el inciso ¢ con a=0.9. 7.4-5. Considere el siguiente problema, Maximizar Z= 2x, + 5a, +724, sujeta a wyt2x,+3x=6 y 420, 4) Grafique la regién factibl. ) Encuentre el aradiente de la funcién objetivo yencuen- tre el gradiente proyectado sobre la regiGn factibe. 6) Comience con la solucién prueba inicial (x), x3, ¥3) = (1, 1, 1) realice a mano dos iteraciones del algoritmo de punto interior presentado en la seccién 74. 20, 420.Problemas del capitulo 7 Cd) Comience con la misma solucién prueba inicial y use el OR Courseware para realizar 10 iteraciones. © 7.4.6, Comience con|a solucién prueba inicial (x, 9) , 2) use el OR Courseware para realizar 15 iteraciones del algoritmo de punto interior que se presents ex la sec- cin 7.4 para el problema de la Wyndor Glass Co. de la seccién 3.1. Dibuje adcunds una figura como la figura 7.8 para mostrar la trayectoria del algoritmo en el sistema de curdenadas original 4-2. 7.8-1. Una de las metas administrativas en los proble ‘mas de programacién pot objetivos se expresa como Bx, | 4a + 2ay ~ 60 donde 60 es la meta numérica especifica y cl lado izquier- do proporciona el nivel logrado de esta meta. 42) Sean y* la cantidad en la que el nivel logrado excede cesta meta (si hay logro) y y~ la cantidad abajo de la ‘meta (sila hay), muestre como se expresaria esta meta como una restriccién de igualdad al reformular el pro- bblema como un modelo de programacidin lineal 4) Si cada unidad arriba de la meta se considera el doble de seria que cada unidad abajo de la meta, éeudl esa re- lacién entre los coeficientes de y* y y~ en la funcién, objetivo que se quiere minimizar cn el modelo. 7.8-2. La administracién de Albert Franco Co, ha esta- blecido metas para los porcentajes de mercado que desea que cada uno de los dos nuevos productos dela compatifa capture de sus respectivos mercados. En particular, desea que el producto I capture al menos 15% de su mercado y elproducto 2 al menos 10%. Se plancan tres campatias de ublicidad para tratar de lograr esto. La primera est dir ¢gida al primer producto. La segunda al segundo y la terce- a intenta hacer hincapié en la reputacidn general de la ‘compaiiia y sus productos, Sean ¥, 2% yx la cantidad de dinero asignado (en millones de dares) a las campanas respectivas; entonces, el porcentaje de mercado para los dos productos se estima como % de mercado del producto 1 = 0.54, +0.2.%, % de mercado del producto 2 = 0.31 +0.2.x. Sedispone de $55 millones paralas tres campafas, pero la administracién desea dedicar al menos $10 millones a la tercera. Sino se pueden lograr amhas metas, wna dis fhucién de 1 en el porcentaje meta tiene la misma impor- tancia para los dos productos. Asi, se quiere conocer la manera més efectiva de asignar el dinero disponible a las tres campatas, 4) Formule un modelo de programacién por objetivos. 4) Reformule el problema como un modelo de progra- macién lineal. ©) Use el mécodo sfmplex para resolver el modelo. 345 7.8-3. Ladivisin de investigacién y desarrollo de cierta compaffa ha desarrollado tres nuevos productos. Ahora es necesario decidir la mezcla de estos productos qe debe fabricarse. La gerencia quiere que se dé una consideracién especial a tres factores: ganancia a largo plazo, estabilidad. cn la fuerza de trabajo incremento en los ingresos anua- les de la compafia diarante el ente afio a partie de los $75 millones obtenidos este afio. En particular, si se usan las unidades dadas en la siguiente tabla, se quiere 3D, donde P= ganancia total (descontada) sobre la vida itil de los nuevos productos, C= cambio (en cualquier direccién) del nivel actual de empleados, D = decremepto (si lo hay) en las ganancias del afio préximo respecto al nivel de este afi. Maximizar Z = P-6 La cantidad de cualquier incremento no entra en Z por- ue la gerencia esté preocupada més que nada en el logro dc algun ineremento para mantener contentos alos accio- nistas. (Tiene dudas sobre incrementos grandes que resul- te dificil sobrepasar en afios subsecuentes.) El impacto de cada nuevo producto (por tasa unitaria de produccién) sobre cada uno de estos Factores se mues- tra en la siguiente tabla: Contribucién tunitaria Producto Factor [1 23 | Meta Unidades Ganancia (rilones de a 2015 25 | Mariminar (rine Nivel de . (cientos de he aa Ingresos e! (willones de predmoato | 8 7 5] 275 ietares) 4) Defina yi" y 97 como la cantidad en exceso (silahay) y Y por debajo (sila hay) de la meta de nivel de emplea- ‘dos Defina y¥ y yy en la misma forma para la meta de ganancias el préximo afio. Defina x, s y 2x, como las tasas de produccién de los respectivos productos 1, 2y 3. Con estas definiciones use la técnica de programa- ign por objetivos para expresar de modo algebraico, Jt 9F YI entérminos de x, x) yxy. También expre- Se Pen tenis de 5. ¥ x5 6) Exprese la funcién objetivo de la gerencia en términos de, 25 25 Ws I> ITY I~ ©) Formule un modelo de programacién lineal. Ca) Use el método simplex para resolver el modelo,346 7.8-4. Reconsidere la versién original del problema de a Dewright Co, presentado en la seccién 7.5 y resumido en la tabla 7.5. Después de reflexionar sobre la solucién del método simplex, la administracién se hace preguntas de qué pasa si. 42) Se pregunta qué pasaria si las ponderaciones respecti- vvas en la columna derecha de la tabla 7.5 cambiaran 4 7, 4 Ly 3. éCambiaré la solucién éptima? éPor qué? C4) Se pregunta que pasarfa sila meta de ganancia total se incrementara a querer al menos $140 millones (sin cambio en los pesos de penalizacién originales) Ce) Resueiva el modelo revisado con ambos cambios. 7.8-8. Un pals en desarrollo tiene 15 millones de acres de tierra agricola en uso activo, controlada por el gobier- no. Este planea una forma de dividir esta tierra entre tres cosechas bdsicas (etiqueradas 1, 2y 3) el préximo aio, Se ‘exporta cierto porcentaje de cada una de estas cosechas para obtener capieal extranjero (délares) muy necesario y ¢l resto se usa para alimentar a la poblacién. El cultivo de estas cosechas también proporciona empleo para una pro- porcién significativa de la poblacién. Entonces, los prin- cipales factores que deben considcrarve al asignar la tierra son: 1) la cantidad de capital extranjero generado, 2) el aimero de viudadanos alimentados y 3) el numero de ci dadanos empleados en el cultivo de las cosechas. La si- _guiente rabla muestra la contribucion de cada 1 000 acres ‘de cosecha a estos factores y la columna de la derecha da la ‘meta establecida por el gobierno para cada factor. ‘Contribucion por 1000 acres, ‘Cosecna Factor [eee Meta Capital exuanje.s | 33.000 $5000 S000 | S40 WOH CCdadanos almentados | 150 -7§——«100|>1-750000 Ciudadanoterpincce | 10 tsa |= 200000 Al evaluar la seriedad relativa de no lograr estas metas, el gobierno ha concluido que las siguientes desviaciones de las metas deben considerarse iqualmente indesenbles: 1) cada $100 abajo de la meta de capital extranjero, 2) cada persona abajo de la meta de alimentacidn de cindadanas y 3) cada desviacidn de uno (en cualquier direccién) de la meta de ciudadanos empleados. 4) Formule un modelo de programacién por objetivos. '6) Reformule el problema como un modelo de progra- ‘macién lineal Ce) Use el mérodo simplex para resolver el modelo. 4) Ahora suponga que el gobierno concluye que la im- portancia de las metas dificre mucho de manera que debe usarse el enfoque de programacién por objetivos cou prioridades. En particular, la meta de primera 7. Otros algnritmoe para pragramacién lineal prioridad es ciudadanos alimentados 21 750 000, la meta de segunda prioridad es el capital extranjero > $70 000 000 y la de tercera prioridad es cindadanos empleados = 200 000, Utilice programacién por obje- tivos can prioridades para formular un modelo de pro gramacién lineal completo para este problema, 1) Utilice el procedimiento simplifieado para resolver el problema formulado en el inciso d. Cf) Utilice el procedimicnto secuencial para resolver el problema formulado en el inciso d. .5-6." Considere un problema de pragramacién por ob- Jetivos prioritarios con tres niveles de prioridad, slo una ‘meta para cada nivel de prioridad y dos actividades que contribuyen al logro de estas metas, como se resume en la siguiente tabla: ‘Contribueién unitaria ‘Actividad Nivel de prioridad H 2 Meta Primera prioridad Hi 2 ‘s20 Segunda priocidad 1 1 =15 Tercera priridad 2 i 240 42) Utilice programacion por ojetivos para formular un mo- delo de programacién lineal completo. ) Construya la tabla simplex inicial para aplicar el proce- sdimiento simplificado, Identifique la solucién BF inicial y la variable bisica entrante inital, pero no siga ) Partiendo del inciso b utilice el procedimiento directo para resolver el problema, 4) Use la Iégica de la programacién por abjetivas con Prioridades para resolver el problema grificamente Poniendo arencién slo en dos variables de decisién. Explique la logica usada. ©) Utilice el procedimiento secuencial para resolver el pro- blema. Después de aplicar la técnica de programacién Por objetivos para formular un modelo de programaciGu lineal (con variables auniliares) en cada etapa, resuelva el modelognéficamente poniendo atencion solo en dos variables de decisién. Identifique todas las soluciones (us Jn) — en una grifica. Si se de- nota la recta por y= a + bx, el objetivo es elegir las cons- tantes a y 6 que proporcionen el mejor “ajuste” segiin al- gan cniterio, Cast siempre, el criterio que se usa es el ‘método de minimos cuadrados, pero existen otros criterios interesantes que pueden usar programacién lineal para obtener los valores 6ptimos de a y b. 347 Formule un modelo de programacién lineal para este problema bajo el siguiente criterio: ‘Minimizar la suma de las desviaciones absolutas de los datos alrededor de la recta; es decir, Minimicar SI (0 +b (Sugerencia: observe que este problema se puede ver como un problema de programacién por objetivos sin pMroridades, en donde cada punto representa una “meta” para la recta de regresién.) CASO 7.1_ UNA CURA PARA CUBA Fulgencio Batista gdbeind’= 2 Cuba con tin Corizon aioe puno de’ faite mt: a los pobres, con avaricia, manejé con capricho a la poblacién cubana que esperaba que la guiaran, y, até con violencia a quienes criticaban sus politicas. En 1958, cansado de observar el su- imiento de sus hermanos.cubanos por la corrupcién y la tirana, Fidel Castro encabez6 un ataque guerrillero contra cl négimen de Batista y tomé el poder en 1959. Los cubanos y ‘otros miembros dela comunidad internacional, ereyeron que por fin habia triunfado la li- bertad politica y econémica en la isla. Sin embargo, los siguientes dos afios demostraron «que Castro iba hacia una dictadura comunista: mat6 a suis opontentes politicos y nacionali* 76 todos los hienes privadas. Estados Unidas respondid al liderazgo de Castraen 1961 ins vocando un embargo: comercial contra, Cuba. El embargo prohibia a cualquier pais la venta de productos cubanos en Estados Unidos lo mismo que la venta de productos esta dounidenses a Cuba. Los cubanos no sintieron el impacto real del embargo hasta 1989 cuando se colaps6 la economia sovietica. Antes de la desiftegracién de la UniGn Sovietica, ‘Guba recibja de ella en promedio $5 mil millones de délares de asistencia econémica. Con Ja desaparicién de la economia de la que dependia Cuba de manera casi exclusiva para su comercio, las cubanas fentan pocos canales para la compra de comida, vestido y medici- nas. Los canales se estrecharon aiifi ms cuando Estados Unidos aprobd la Ley de Torrice- Mi en 1992 que prohibja a las subsidiarias nortcamericanas en paises en’ desarrollo el comercio con Cuba que tenfa un valor de $700 millones anuales. ‘Desde 1989, la‘economia cubana sin duda ha sentidoel impacto de décadas de comer- cio congelado. Hoy'la pobreza imperaen la isla, Las familias novtienen dinero para las ne-. cesidades basicas, como comida, leche y ropa: Los nifos mueren de, desnutricién’o, expasicidn: Las enfermedades infecran la isla porque no disponen de medicamentos. Ta, poblacién sufre neuritis dptica, tuberculosis, neumonia e influenza. Pocos norteamericanos simpatizan con Cuba, pero Robert Baker, director de Helping “Hand, dirige un grupo de almas compasivas en Capitol Hill que no soportan que la politi- ca destruya tantas vidas humanas. Su organizaci6n distribuye ayuda humanitaria cada ano, én paises necesitados de todo el mundo. Mr, Baker reconoce la precaria situacién de Cuba ¥ desea asignarle aywda para el proximo aio!348 7_ Otros algoritmor para programacién lineal ‘Mt. Bakerquiere'mandar varios paquetes de ayuda a los cubanos. Dispone de tres'ti- * pos de paquctes. Bl paguere basico conticne slo comida, como granos y leche en polvo. ‘Cada paquete bisico cucsta $300, pesa 120 libras y ayuda a 30 personas. El paquete avan-@ zado contiene alimentos y ropa, como cobijas y telas. Cada uno cuesta $350, {bras v ayuda a 35 personas. El paquete supremo enntiene cnmidla, ropa ymedlicinas. Cada” Funo cuesta $720, presa 220 fibras y ayuda a 54 personas. i + Mr. Baker tiene varios objetivos que desca-lograr al decidir el mimero y tipus de pa- # Squetes de ayuda que asignaré.a Cuba, Primero, desea ayudar al menos a20% de los LI mi- Hlones de ciudadanos cubanos. Segundo, debido a que las enfermedades se propagan entre # lapoblacién, desea que al menos 3 000 paquetes mandados sean stipremos, Tetcero, como y,Sabe que muchas otras naciones también requieren ayuda hutmanitaria, desea mantener'el costo de Ia ayuda a Cuba abajo de $20 millones ‘Mr. Baker fija varios niveles de importancia para sus tres objetivos. Piensa que el més * importante es mantener los costos bajos pucs esto significarfa que su organizacion puede’ ayudar a un niimero mayor de paises. Decide penalizar su plan con 1 punto por cada mi- gion que exceda su meta de $20 millones. Cree que la segunda meta mas importante es ase sggurar que se envien al menos 3.000 paquetes supremos a Cuba, ya que no desea que se ‘gdesatrolle una epidemia y destruya por Completo a la poblacién cabana. Decide penalizar fu plan con 1 punto por cada 1.000 paquetes abajo de su objetivo de 3 000 paquetes. Por® Faltimo, piensa quel objetivo menos importante es llegar al menos a 20% de poblacién, [puesto que prefiere dar a menos individuos todo lo que necesitan ent lugar de slo tn poco ¢ 2.un niimero menor de individuos, Asi, decide penalizar su plan con 7 puntos por cada “100 000 personas menos que el. 20%. “ 7 © Mr: Baker se da cuenta que ticne ciertas limitaciones én los paquetes de ayuda quie ch~ Evia'a Cuba, Cada tipo de paquete tiene el mismo tamafio aproximado y como silo se per- smite cierto ntimero de vuelos de carga de Estados Unidas a Cuba, sdlo puede enviar un ‘gttvdximo de 40 000 paqueces, Junto con la limitacién de tamafio se encuentra con la restric- { eién de peso. No puede enviar més de 6 millones de libris de targa, Poriltimo, tiene na “ restriccién de seguridad, debe asegurar que los cubanos saben cémo usar los medicamen- tos de manera apropiada. Entonces, por cada 100 paquetes stipremos, Mr. Baker debe emandar un doctor a Cuba que le cuesta $33 000 cada uno. ‘si Idemefique tna de las técnicaé deScritas én este Capitulo que pueda aplicarsé al problenia de Mr Baker j 1imero de instalaciones programadas en el mes j. La tabla (incompleta) correspondiente, con los costos y requerimientos se da en la tabla 8.8. Lo que resta por hacer es identificar las ciftas de costos y suministros que falta. Como es imposible producir motores en un mes determinado para instalarlos el mes an- terior, xj debe ser cero paraé > j. Por lo tanto, no hay un costo real que se pueda asociar aesas ;- De cualquier manera, con cl objeto de tener un problema de transporte bien definido al que se pueda aplicar un paquete de computadora estindar (procedimiento de solucién de la secci6n 8.2) es necesaria asignaralgyin valor a los costos no identificados. Por fortuna, se pue de usar el métado de la M introdtucido en la seccién 4.6 para asignar este valor. Asf, se asigna un nuimero mizy grande (quc por conveniencia se denota pur M) a ests costos no identificados en la tabla de costos para forzar a que los valores correspondientes de xj sean cero en la solu- cion final. Los ntimeros que necesitan insertarse en la columna de los recursos de la tabla 8.8 no son obvios, porque esos “recursos”, es decir, las cantidades producidas en los meses respectivos, no son cantidades fijas, De hecho, el objetivo es encontrar los mejores valores para estas canti- dades. Como ya sc ha dicho, es necesario asignar un mimero fijo a todos los elementos de la tabla (también alos de la columna de recursos), para tener un problema de transporte. Aun que las restricciones sobre el abastecimiento no estén presentes en la forma usval, existen en forma de cotas superiores sobre la cantidad que se puede producir, a saber: Sat Mat Mat ma 525, Fat nt ay 4 535, yt Hyg t y+ ty < 30, aL ant Saat 544 $10. La tinica diferencia respecto al modelo esténdar para el problema de transporte es que estas restricciones estén en forma de desigualdades en lugar de igualdades. TABLA 8.8 Tabi incompleta de pardmetros para la Northern Airplane C (Coste por unidad distri Destino 1 2 3 4 Recursos 1 1.080 1.095 iio 1135 2 ? 1.110 Lis 1140 2 Orgen 3 ? ? 1.100 1s ? 4 2 2 2 1.130 2 Demanda 10 5 25 20362 8 _Problemas de transporte y asignaci6n TABLA 8.9 Tabla completa de parémetros para la Northern Airplane Co. Costo por unidad distribuida Destino = 1 2 3 4 5°) Recursos ' 1.080 1.095 110, 1.125, 0 25 2 M 110 1125 1.140 0 35 Origen 3 “ ™ 1.100 1s, ° 30 4 MM M1130 ° 10 Demanda lo Is 25 20 30 Para convertir las desigualdades en ecuaciones con el fin de que se ajusten al problema de transporte, se usa la familiar técnica de introducir variables de holgura, descrita en la seccién 4.2, Encl contexto de este ejemplo, Jas variables de holgura sc interpretan como asignaciones a tun destino ficticio que representa lacapacidad de produccién no wtilizada en los meses corres- pondientes. Este ajuste permite que el abastecimiento, en la formulacién del problema de transporte, sca la capacidad de producci6n toral en ese mes. Mds atin, como la demanda en el destino ficticio es la capacidad total no utilizada, esta demanda es (25 + 35 + 30+ 10) ~ (10+ 15 + 25 + 20) = 30. Incluida esta demanda, la suma de los recursos ahora debe ser igual ala suma de las demandas, que ¢s la condicién dada por la propiedad de soluciones factibles para que éstas existan, Los costos asociados con e! destino ficticio deben ser cero, ya que la asignacién ficticia no significa costo alguno. (Los costos con valor M serfan inapropiados para esta columna pues no se trata de forzar que los valores correspondientes de xy sean cero. De hecho, esos valores de- ben sumar 30.) . Enla tabla 8.9 se proporciona la tabla final de costos y requerimientos en la que el destino ficticio se indica por 5(F). Cuando se emplea esta formulacién y el procedimiento de solucién que se describe en la seccidn 8.2 (vea el problema 8.2-11 y su respuesta al final del libro), es bastante facil encontrar el programa de produccién éptimo. Ejemplo con un origen ficticio EL DISTRITO METRO cs una dependencia que administra la distribucién de agua en cierta regién geogréfica grande Ta regidn es bastante 4rida, por lo que el distrito debe comprar y tracr agua desde fuera de ella. Las fuentes de esta agua importada son los rios Colombo, Sa- cron y Caloric. El distrito revende el agua a los usuarios de la regién. Sus clientes principales son los departamentos de aguas de las ciuidades de Berdoo, Los Devils, San Go y Hollyglass. Es posible hacer llegar agua a cualquiera de estas ciudades desde cualquiera de los tres rios, con la excepcién de que no hay forma de abastecer a Hollyglass con agua del rio Calorie Sin embargo, dada la distribuciGn geogréfica de los acueductos y las ciudades en la regi6n, ¢l costo del abastecimiento para el distrito depende ranto de la fuente como de la ciudad ala que8.1 Problema de transporte 363 TABLA 8.10 Datos de recursos de agua para el Distrito Metro Costo (en decenas de délares) por acre-pie Berdoo | LosDevits | SanGo | Hollyglass | Recursos Rio Colombo 16 3 2 7 so Rio Sacron “4 3 | 19 15 60 io Calorie 9 20 2 = 30 Min, necesario 30 70 ° 10 (en millones Solicitado: 50 70 30 z= de acres-pie) abastece. En la tabla 8.10 se dan los costos variables por acre-pie de agua (en decenas de déla- res) para cada combinacién de rio y ciudad. A pesar de estas variaciones, el precio que el dis- tito cobra por acre-pie es independiente de la fuente de agua y es el mismo para todas las ciudades. Laadministracién del distrito tiene que resolver el problema de cémo asignar el agua dis- ponible durante cl préximo verano. Ena columna del lado derecho de a tabla 8.10 se dan las. cantidades disponibles en los tres rios, en unidades de un millén de acres-pie. E! distri- to se compromete a proporcionar una cantidad minima para cumplir con las necesidades esenciales de cada ciudad (con la excepcién de San Go, que tiene una fuente independiente de agua); estas necesidades minimas se muestran en el renglon correspondiente de la tabla. Elen- glon de solicitado indica que Los Devils no quiere mas agua que la que cubre sus necesidades minimas, pero Berdoo compraria hasta 20 mds, San Go, hasta 30 mas y Hollyglass comprarfa toda la que pudiera obtener, La administracion desea asignar toda el agua disponible de los tres ros de manera que por lo menos se cumpla con las necesidades minimas de cada ciudad y al mismo tiempo se mi- nimizar el costo total. Planteamiento. La tabla 8.10 ya casi esté en la forma apropiada de una tabla de costos y tequerimientos, en donde los rios son los origenes y las ciudades, los destinos. La nica difi- ‘cultad basica ¢s que no ha quedado claro cudles deben ser las demandas en cada destino. De hecho, la cantidad que debe recibirse en cada una (excepto en Los Devils) es una variable de decisién con cotas superior e inferior. Esta cota superior es la cantidad solicitada a menos que exceda la cantidad total disponible después de cumplir con las necesidades minimas de las otras ciudades, en cuyo caso, esta cantidad disponible se convierte en la cota superior. La se~ dienta ciudad de Hollyglass tiene una cota superior de (50 + 60 + 50) ~ (30 + 70+ 0) =60. Desafortunadamente, las cantidades de las demandas en a tabla de costos y requerimien- tos de un problema de transporte deben ser constantes, no variables de decisién acotadas. Para salvar esta dificultad, suponga de momento que no es necesario satisfacer las necesidades mi- nimas con agua de estos rios, de manera que las cotas superiores son las tinicas restricciones sobre las cantidades que deben asignarse. En estas circunstancias, la pregunta es si las cantida. des solicitadas pueden tomarse como la demanda en el planteamiento de un problema de transporte. iLa respuesta es s{!, después de hacer un ajuste. (éYa se dio cuenta el lector de cual ¢s el ajuste que se necesita?)364 8 Problemas de transporte y asignacién La situacién es andloga al problema de programacién de la produccién de la Northern Airplane en donde sc tenia un exceso 67 la capacidad de ubastecimiento, ahora sc tiene un exceso en lacapacidad de demanda. En consecuencia, en lugar de introducir un destino ficticio para “re- ibir” los recursos que sobran, el ajuste seré introducir un origen fictiio para “enviar” la capa~ Cidad de demanda no utilizada. La cantidad imaginaria de recursos para este origen ficticio corresponde al excedente de la suma de las demandas sobre la suma de los recursos reales: {00 + 70 + 30+ 60) ~ (50 + 60 + 50) =50. Este planteamiento conduce a la tabla de parmetros mostrada en la tabla 8.11, en la que Jas unidades empleadas son millones de acres-pie y decenas de millones de délares. Los costos en el renglén ficticio son cero porque las asignaciones ficticias no cuestan. Por otro lado, se asigna un costo alto, M, al elemento del Rio Calorie a Hollyglass. La razén es que el agua del fo Calorie no se puede usar para alimentar a la ciudad de Hollyglass y al asignar el costo M se evitard esta asignacién, Ahora se analizard cémo se pueden tomar en cuenta las necesidades minimas de cada ciu- dad en este tipo de formulaciunes. Como San Go no establecié una necesidad minima, no hay nada que hacer. De forma parecida, a formulacién para Hollyglass no requiere ajuste porque su demanda (60) excede en 10 la cantidad disponible en el origen ficticio (50), con lo que la cantidad que le debe llegar desde los origenes reales ser por lo menos de 10 en cualquier soli- in factible y, por lo tanto, su necesidad minima de 10 queda garantizada. (Si no hubiera ccurrido esta coincidencia, tendria que hacerse el mismo ajuste que para Berdoo.) La necesidad minima de Los Devils ¢s igual a la cantidad solicitada, asi que debe satisfa- cezse su denrana completa de 70 con agua de los origenes reales y no del ficticio. iEsta restric- cién necesita la ayuda del método de la M! Sie asigna un costo muy alto de M ala asignaci en la combinacién de! origen ficticio a Los Devils, se asegura que esta asignacién sea cero en la solucién éptima. Por tiltimo, considere Berdoo. A diferencia de Hollyglass, los recursos del origen ficticio son suficientes para “abastecer” (en forma imaginaria) por lo menos parte de la necesidad mi- nima de Berdoo ademas de la cantidad adicional que solicita. Entonces, si la necesidad mini- ama es 30, se deben hacer ajustes para evitar que el origen ficticio contribuya en més de 20 al abastecimiento total (50) de Berdoo. Esto se logra si se divide Berdoo en dos destinos, uno con 30 unidades de demanda y un costo M para cualquier asignacién que provenga del origen ficticio, y la otra con una demanda de 20 y con costo unitario de cera para la asignacién del destino ficticio, Esta formulacién dalla tabla final de pardmetros mostrada en la tabla 8.12. TABLA 8.11 Tabla de parametros sin las necesidades minimas para el Distrito Metro ee Coste (decenas de millones de délares) por unidad discribulda Destino Berdoo Los Devils SanGo___Hollyglass_| Recursos R. Colombo 16 3 2 7 50 R 1B 19 15 ey owen Rcaone % 20 2B m 50 Fieticio 0 0 ° ° 50 Demanda 50 70 30 ooMétodo simplex simplificado para el problema de transporte 365 TABLA 8.12, Tabla de costos y requerimientos para el Distrito Metro ‘Costo (en decenas de millones de dolares) por unidad distribuida Destino Berdoo (min.) Berdoo (adicional) Los Devils SanGo Hollyglass 1 2 3 4 3 Recursos R Colombo | 16 16 3B a 7 50 RSacron 2 4 4 B 19 15 60 Origen R Calorie 3 19 19 20 B m 50 Ficticio _4(F) m o M 0 o 50 Demands, 30 20 70 30 60 Este problema se resolverd en la siguiente seccién para ilustrar el procedimiento de solu- cién que se presenta ahi. 8.2 | METODO SiMPLEX SIMPLIFICADO PARA EL PROBLEMA DE TRANSPORTE El problema de transporte es sélo un tipo especial de problemas de programacién lineal y puede resolverse con el método simplex tal y como se describié en el capitulo 4. Sinembargo, cenesta seccién se verd que, sie aprovecha la estructura especial que se muestra en la tabla 8.6, se puede lograr un importante ahorro en los célculos. Se hard referencia a este procedimiento simplificado como el método simplex de transporte. ‘Alavanzar en la lectura, observe en particular la forma en que se aprovecha la estructura especial para lograr un menor esfuerzo computacional. Esto ilustrard una técnica de 1O im- portante: la simplificacién de un algoritmo para aprovechar la estructura especial del proble- ma que se tiene, Preparacién para el método simplex de transporte Para hacer hincapié en la simplificacin Jograda por el mérodo s{mplex de transporte, se revi- sard primero la forma en que el método simplex general (no simplificado) establecerfa el pro- blema de transporte en forma tabular. Después de construir la tabla de los coeficientes de restriccién (vea la tabla 8.6), de convertir la funcién objetivo a la forma de maximizacién y de usar el método de la M para introducir as variables artificiales 21,22... 4 € las m+ ecuaciones de restriccién respectivas (seccién 4.6), se ve que las columnas de la tabla simplex tendtfan la forma que se muestra en la tabla 8.13, donde todos los elementos que no se mues- tran en estas columnas son ceres. [Eltinico ajuste que queda por hacer antes de la primera ite- racién es eliminar algebraicamente los coeficientes distintos de cero de las variables bésicas iniciales.(artificiales) en el renglén O\} Después de cualquier iteracién subsecuente, el renglén 0 tendrfa la forma que se muestra enlatabla 8.14, Debido al patrén de ceros y unos que siguen los coeficientes en la tabla 8.13, aiden fundamental que se presenté en la seccién §.3 implica que «; y ¥; tienen la siguien- te interpretacién: 4; = miiltiplo del renglén éoriginal que se rest6 (directa o indirectamente) del renglén 0 original en todas las iteraciones del método simplex que levaron a la tabla actual366 8 Problemas de transporte y asignacién TABLA 8.13 Tabla simplex original antes de aplicar el método simplex al problema de transporte ¥; =multiplo del renglén m + j original que se rest6 (directa o indirectamente) del ren- ¢gl6n 0 original en todas las iteraciones del método simplex que dan la tabla actual. ‘Aluusar la teoria de dualidad expuesta en el capsculo 6, se puede reconocer que las u; y¥, son Jas variables duales.' Si x,; es una variable no basica, | cj — 4; — ¥; Se interpreta como. a tasaala que cambiaria Z si se aumentara el valor de x. Conel fin de sentar las bases que permitan la simplificacién, recuerde cudl es la informa- cién que necesita el métado simplex. En el paso inicial, debe obtenerse una solucién BF ini- cial, o que se hace en forma artificial introduciendo variables artficiales para que constituyan el conjunto de variables bésicas iniciales cuyo valor es igual a las s; y d;. Para llevar a cabo la prueba de optimalidad y el paso 1 de una iteracién (seleccionar una variable bdsica entrante) ‘se requiere conocer el renglén 0 actual, que se obtiene restando del rengl6n 0 anterior algiin miltiplo de otro renglén. El paso 2 (determinar la variable basica que sale) debe identificar la variable basica que llega primero a cero cuando aumenta el valor de la variable bésica entran- te; este se hace comparanda los coeficientes actuales de la variable bésica entrante con el lado derecho correspondiente. El paso 3 debe determinar la nueva solucién BE, que se encuentra restando algunos miiltiplos de un renglén, de otros rengloues de la tabla simplex actual. La pregunta es como obtiene el método simplex de transporte la misma informacion de una ‘mancra mucho més sencilla. La respuesta a esta pregunta es el tema de las paginas siguientes, pero se daré alguna informacién preliminat. Primero, no se necesitan variables artificiales, pues se dispone de un procedimiento senci- Hoy conveniente (con algunas variaciones) para construir una solucién inicial bésica factible. Segundo, el rengién 0 actual se puede obtener sin usar ningsin otro renglén con s6lo calcu- lar los valores de #; yy dircctamente. Come cada variable bdsica debe tener coeficiente cero cn el renglén 0, estos valores se pueden obtener si se resuelve el sistema de ecuaciones cy — : 0 para cada i yj tal que x; es variable bisica. i 'Seré més sencillo econocer estas variables como variables duals si se rectiquetaran todas com J; y después se carn- biaran todos los signos de! renglén O de la abla 8.14, lo cual convertrdlafuncién objetivo de nuevo a su forma origi- sal de minimizacién,8.2. Método simplex simplificado para el problema de transporte 367 TABLA 8.14 Renglén 0 de la tabla simplex si se aplica el método simplex al problema de transporte (Sc ilustrard este procedimiento directo més adelante al analizar la prueba de optimalidad del método simplex de transporte.) La estructura especial en la tabla 8.13 permite esta forma “conveniente de obtener el renglén 0 al dar como coeficientes de xy acy — 1, — 9, en lata bla 8.14, ‘Tercero, la variable basica que sale se puede ideutifivar de manera sencilla sin usar (dema- nera explicita) los coeficientes de la variable bésica entrante, Esto también se debe ala estruc- tura especial del problema, que facilita ver como debe cambiar la solucién cuando crece el valor de la variable entrante. Como resultado, la nueva solucién BF también se puede identi- ficar de inmediato sin manipulaciones algebraicas sobre los renglones de la tabla simplex. (Se verdn los detalles mds adelante cuando se describa cémo el método simplex de transporte rea liza una iteracién.) iLa gran conclusion es quese puede climinnr casi toda la tabla stmplex (junto con todo el es- fuerzo de actualizarla)! Ademés de los datos de entrada (los valores de, §; yd ;), la nica in- formaci6n que necesita el método simplex de transporte es la solucién BF actual, los valores actuales dem; ¥ 7; y los valores resultantes de cj — u, ~ 7) para las variables no bisicas x. Cuando se resuelve un problema a mano es conveniente registrar esta informacién en una ta. ‘la simples de transporte, como la que se muestra en la tabla 8.15. (Observe con cuidado que losvalores de. yey ~ 1; ~ 9; se distinguen en esta tabla encerrando en un cfrculo los prime- ros pero no estos tiftinus.) ‘Usted podrs apreciar de manera global la gran diferencia en eficiencia y conveniencia en- tre los métodos simplex de transporte y simplex si aplica ambos al mismo problema pequefio (vea el problema 8.2-19), Sin embargo, la diferencia es més importante en problemas gran- des que tienen que resolverse en una computadora. El tamafio dc las tablas simplex y de trans- porte sugiere, de alguna manera, esta gran ganancia. Para un problema de transporte que tiene m origenes y n destinos, la tabla simplex tiene m-+ + Lrenglones y (m + 1)(n + 1)co- Jumnas (sin incluir las que se Colocan ala izquicrda de ls columnas de x,.), y la tabla simplex de transporte tendré m renglones y n columnas (excluyendo los dos renglones y columnas i formativas adicionales) Si se dan valores am ym (por cjemplo, m=10 y= 100, que serfa un problema bastante normal de tamafio mediano), se puede observar cma crece la razén del smimero de celdas en la tabla simplex entre el mismo niimero en la tabla de transporte, confor- mem y n crecen. "Como ls variables no bisicasautomdticamente tienen valor ceo, le solucién BF actual se identifica por completo re- istrando so lor valores de lar variables bisies. En adelante ve ward exta convencin368 8 Problemas de transpurte y aalgractont TABLA 8.15 Formato de la tabla simplex de transporte Destino 4 Demanda 4 _ = Informacion adicional que se agrega en cada celda Sin es une Si xy es una variable bésica voriable no bésica % % ana" Se Paso inicial Recuerde que el objetivo de este paso es obtener una solucién inicial BE: Como todas las res- tricciones funcionales en el problema de transporte son igualdades, el método simplex obten- drfa esta solucién introduciendo variables artificiales y usdndolas como variables bésicas iniciales, segtin se describié en la seccién 4.6. La solucién bésica que resulta de hecho s6lo ¢s factible para la versi6n revisada del problema, por lo que se necesita un buen ntimero de itera- ciones para hacer que el valor de estas variables sea cero y se obrengan las soluciones BF rea- les. El método simplex de transporte pasa por alto todo esto, pues usa un procedimiento mas sencillo para construir directamente una solucién BF real en la tabla de transporte. Antes de describir este procedimiento, es necesario establecer que el mimero de variables basicas en cualquier solucién bisica de un problema de transporte es una menos de lo que se espera. Normalmente, en los problemas de programacién lineal, se tiene una variable bisica Por cada restriccién funcional. En los problemas de transporte con m recursos yn destinos el nniimero de restricciones funcionales es m-+ n. Sin embargo, mimero de variables bésicas = m+ — 1. Esto se debe a que se manejan restricciones de igualdad y este conjunto dem + necuacio- ‘nes tiene una ecuacién adicional (0 redundant) que se puede climinar sin cambiar la regidn factible, esto ¢s, cualquiera de las restricciones se satisface en forma automdtica siempre que las otras_m+ n— 1 restricciones queden satisfechas. (Esto se puede verificar demostrando que cualquiera de las restricciones de recursos es exactamente igual a la suma de las restriccio- nes de demanda menos la suma de las ofras restricciones de recursos, y que cualquicr restric- in de demanda también puede expresarse sumando las ecuaciones de recursos y restando Jas otras ecuaciones de demanda. Vea el problema 8.2-21.) Por lo tanto, cualquier solucién BFR_Métoda simplex cimplificada para el prohlama da transnrte 369 en una tabla de transporte debe aparecer con exactamente m + n 1 asignaciones no negativas encerradas en un circulo, en donde la suma de las asignaciones en cada renglén o columna es ignal a su demanda o sus recursos. El procedimiento para construir una solucién inicial BF selecciona, una por una, las m +n — Lvariables basicas. Desputs de cada seleccién, sc asigna a csa variable un valor que va a satisfacer una més de las restricciones (climinando ast, el renglén o columna de esa resttic- cin para cualquier nueva asignacion). Una vez hechas las m + # — Lelecciones, el resultado es que se ha construido una solucién bésica completa, de tal manera que se satisfacen todas las. restricciones. Se han propuesto varios criterios diferentes para elegir las variables bisicas. Se presentan y ejemplifican tres de ellos después de describir el procedimiento general Procedimiento general para construir una solucién inicial BF. Al iniciar, todos los renglones de los origenes y las columnas de destinos de la tabla simplex de transporte se toman en cuenta para proporcionar wna variable bsica (asignacién) 1. Seselecciona la siguiente variable bdsica (asignacién) entre los renglones y columnas en que todavia se puede hacer una asignacién de acuerdo con algin criterio. 2. Sehace una asignacién lo suficientemente grande como para que use el resto de los recur- sos en ese rengién o la demanda restante en esa columna (cualquiera que sea la cantidad més pequefa). 3. Scelimina ese renglén o columna (la que tenia la cantidad més pequefia en los recursos 0 demands restantes) para las nucvas asignaciunes. (Si cl rengléu y la columa tienes la misma cantidad de recursos y demanda restante, entonces arbitrariamente se elimina el renglén. La columna se usard después para proporcionar una variable bisica degencrada, cs decir, una asignacién con cero unidades encerradas en un circulo.) 4, Sisdlo queda un renglén o una columna dentro de las posibilidades, entonces el procedi- ‘miento termina cligiendo como bisicas cada una de las variables restantes (es decir, las va- riables que no se han elegido ni se han eliminado al quitar su renglén o columna) asociadas con ese renglén © columna que tiene la nica asignacién posible. De otra ma- nera, se regresa al paso 1. Criterios alternatives para el paso 1 1. Reglade la esquina noroeste: \a primera elecci6n es x,; (es decir, se comienza en la esquina noroeste de la tabla sfmplex de transporte). De ahi en adelante, si xy fue la ltima varia- ble bsica seleccionada, la siguiente eleccidnes x;,,. (es decir, se mueve una columna ala derecha) si quedan recursos en el origen i. De otra manera, se elige x;,1,; (es deci, se mueve un renglén hacia abajo). Ejemplo. Para hacer mds concreta esta descripcién, se ilustrard el procedimiento general ‘encl problema del Distrito Metro (vea la tabla 8.12) usando la regla de la esquina noroeste en el paso 1. Como en este caso m= 4y n= 5, el procedimiento encontraré una solucién inicial BE que tiene m +n ~1=8 variables bisicas. ‘gin embargo, ndtese que cualquier solucién bésicafatible con m + m~ 1 variables distintas de cero mo necsariamente «stuna solucidn bisica porque puede ser el promedio ponderado de dos o mds soluciones BF degencradas (cst0¢s,50- uciones BF que tienen alguna variables bisicas iguales a cero). No debe preocuparse en cuanto aetquetar tales solu- ciones como bisicas pues el método simplex de transporte construye s6lo soluciones BF legitimas. 2En la seccidn 4.1 se hizo notar que el método simplex es un ejemplo de los algoritmas (procedimientos iterativos de solucién) que més se usan en el trabajo de I. Observe que este procedimiento también es un algoritmo, en el que ‘eada ejecucién sucesiva de los (cuatro) pasos consttuye una iteracion,370 8 Problemas de transporte y asignacién TABLA 8.16 _Solucién inicial BF con la regla de la esquina noroeste Destino 1 2 3 4 | Recursos | _u, 13 n uw 1 50" B 19 5 2 © 60 oni = 9 19) 20 M 3 a . 19) 50 M ° m ° ° 40 so Demanda 30 20 70 30 60 | Z=2470+10M Como se muestra en la tabla 8.16, la primera asignacién es x1, = 30, lo que completa la demanda de la columna | (y la elimina para nuevas asignaciones). La primera iteracién deja 20 unidades de recursos restantes en el renglén 1, as{ después se elige sy, 144 ~ 12 como varia- ble basica. Como los recursos restantes no son mayores que la demanda de 20 unidades de Ja columma 2, se asiginan todos estos recursos & x, 10, y se climina este rengldn. (Se opta por climinar cl renglén 1 y no la columna 2 siguiendo la instruccién entre paréntesis del paso 3.) Enronces se selecciona x, 2 = 2,2 - Como la demanda de 0 que queda en la columna 2 ¢s ‘menor que los recursos de 60 en el rengidn 2, se asigna x.) = Oy se elimina la columna 2. Si se contintia en esta misma forma, llegard el momento en que se obtenga la solucién ini- cial BF completa que se muestra en la tabla 8.16, en la que los miimeros dentro de los cfrculos son los valores de las variables bésicas x) = 30,..., 45 = 50 y todas las otras variables ( etc.) son no basicas iguales a cero. Se agregaron flechas para indicar el orden en que st eligic- ron las variables bésicas (asignaciones). El valor de Z para esta solucién es Z=16(30)+ 16(20)+---+ 0(50) = 2470+ 10M. 2. Método de aproximacién de Vegel: para cada renglén y columna que queda bajo considera- cién, se calcula su diferencia, que se define como la diferencia aritmética entre el costo uni- tario mis pequerio (cy )yel que le sigue, de los que quedan en ese renglén ocolumna. (Sise tiene ‘un empate para el costo més pequefio de los restantes de un renglén o columna, entonces ladiferencia ¢s 0.) Enel rengl6n ocolumna que tiene la mayor diferencia seelige la variable que tiene el menor costo unitario que queda. (Los empates para la mayor de estas diferen- Gias se pueden romper de manera arbitraria.) Ejemplo. Ahora se aplicaré el procedimiento general al problema del Distrito Metro usan- do el criterio del método de aproximacién de Vogel para seleccionar la siguiente variable basica en el paso 1. Al aplicarlo, es mds conveniente trabajar con la tabla de pardmetros (en lu-8.2. Método simplex simplificado para el problema de transporte 371 gar de la tabla simplex de transporte completa), comenzando con la que se muestra en la tabla 8.12, En cada iteracién, después de calcular y escribir las diferencias para cada renglon y co- Jumna que quedan bajo consideracién, se encierra en un circulo la mayor de ellas y se enmarca €n un cuadro el costo unitario menor en ese rengién o columna. La variable con este costo unitario menor se selecciona como la siguiente variable bdsica y su valor se indica en la esqui- na inferior derecha de la tabla actual, junto con el renglén o columna que se elimina (vea los pasos ? y 3 del procedimiento general). La tabla para la siguiente itcracién cs la misina, pow se elimina este rengl6n o columna y se resta la cantidad asignada de la demanda 0 los recursos cotrespundientes (cualesquiera que sobren). La aplicacién de este procedimiento al problema del Distrito Metro da la serie de tablas de parémetros que se muestran en a tabla 8.17, en donde la solucién BF inicial consiste en las ‘ocho variables basicas (asignaciones) dadas en la esquina inferior derecha de las tablas de pa- metros respectivas. Este ejemplo ilustra dos caracteristicas sutiles del procedimiento general que american atencién especial. Primero, observe que la iteracién final elige tres variables (x31, 39 Y 33) para entrar a la base, en lugar de una sola que se clige en las iteraciones anteriores. La razén es que en este punto queda slo wn renglén (el renglén 3) sin eliminar. Por tanto, el paso 4 del procedimiento general dice que se seleccionen como bésicas todas las variables restantes aso- ciadas con el renglén 3. Segundo, note que la asignacién x33 = 20en la peniiltima iteracién agota tanto los recur- 808 restantes en ese renglén como la demanda que queda cn esa columna. Sin canbargo, en Iu gar de eliminar los dos, el paso 3 dice que se elimine sélo el renglén y se deje la columna para que mds tarde proporcione una variable basica degenerada. De hecho, la columna 3 se usa jus- to para este propésito en la iteracién final cuando se sclecciona x, = O como una de las varia- bles basicas. Vea en la tabla 8.16 otro ejemplo de este fendmeno, donde después de hacer la asignacién x, = 20se elimina sdloel renglén 1, y lacolumna 2 se conserva para proporcionar Ja variable basica degenerada xy) = 0 en la siguiente iteracién. Aunque una asignacién de cero puede parecer irrelevante, de hecho juega un papel im- Portante, pues como se verd pronto, el método simplex de transporte debe conocer todas las m+ n+ 1 variables bésicas, incluso aquellas que valen cero, que constituyen la solucién BF actual 3. Método de aproximacién de Russell: para cada rengl6n de origené que queda bajo conside- racién, debe determinarse i; el mayot costo unitario ¢ de los que quedan en ese ren- gidn, Para cada columna de destino j que todavia esté bajo consideracién, se determina 5, el mayor costo unitario de los que hay en esa columna. Para cada variable sy que no haya sido seleccionada en estos renglones o columnas, se calcula Ay = cy ~ #; ~ 3;. Se clige la variable con cl mayor valor neyativy (cu tétininos absoluros) de Ay. (Los empates se pueden romper de manera arbitraria.) Ejemplo. Sc aplicard de nuevo el procedimiento general al problema del Distrito Metro (vea la tabla 8.12) usando el método de aproximaci6n de Russell. En la tabla 8.18 se mues- tran los resultados que incluyen la serie de variables basicas (asignaciones). En ha iteracién 1, el mayor costo unitario en cl renglén 1 es # = 22, en la columna 1 es ¥ = M, ete. Asi, A= 6 m - 5, =16-22- M=-6- M.372 A Problemas de transporte y asignacién TABLA 8.17. Solucién BF ial con el método de aproximacién de Vogel Dest renci 1 2 3 4 S| Recursos por rengién H eee re eee, 50 3 2 od is 60 1 Origen 3 1) 2 50 ° A) M o mo) 0 50 0 Demanda 30-20-70 + «30 «60 | Seleccionar xy=30 Diferencia por columna | 2 4 0 15 | _Eliminar ta columna 4 Destino Diferencia 1 2 3 | Recursos por renglén 7 16 16 13 17 50 3 2 4 “4 1B 15 60 1 Origen 3 9 19 20 M 50 ° 46) M 0 M (] 20 o Demanda 30 20 70 60. | Seleccionar x4j=20 Diferencia por colurma | 2 “4 ° © | elimina et rengion 46) Destino Diferencia i 3 Recursos _ por rengién H 16 [3] 7 50 Origen 2 4 B 15 60 T 3 19 20 m 50 o Demanda 30 70 40 | Seleccionar x)= 50 Diferencia por columna | 2 ° 2 | _Bliminar ef renglén 1 Destino Diferencia ri 2 3 5 | Recursos _por renglén : 2 4 14 3 Ts] 0 7 Ovigen 3 19 19 20 mM 50 ° Demanda 30 20 20 40 | Seleccionar x,5= 40 Diferencia por columna | 5 5 7 i= 13) |_etiminar ta colurnna 5 Destino Diferencia H 2 5 Recursos _ por renglén 2 14 “4 13 20 q Origen 3 19 19 20 50. ° Demanda 30 20 20 Seleccionar x)= 20 Diferencia por columna 5 5 @ Etiminar el renglén 2 Destino fi 2 3 Recursos Origen 3 i919 20 50 ‘Demanda 3020.0 ‘Seleccionar x)= 30 x= 20 m=08.2_ Método simplex simplificado para el problema de transporte 373 TABLA 8.18 Soluci6n inicial basica factible con el método de aproximacién de Russell Valor més leeracién | at _ yy a Ys | negative de dy | Asignacion 1 nw mM M 9M BoM Xas= 50 2 Jn 9 Mm 19 20 2M As = 10 30 [nm 9 7 19m 78 740 4 19 2B 19 20 2 5 9 23 9 2B 6 X= 30 Z=2570 ‘El empate con Ay = ~24 se rompe de modo arbitraio. Al calcular todos los valores de Ay para i=1,2,3,4 y j=1,2,3,4,5.se observa que A ys = 0-2.M tiene el valor negativo mayor, por lo cual, se elige x 4g = 50 como la primera variable basica (asignacién). Esta asignacién agota todos los recursos que se tienen en el renglén 4, por lo que este renglén se elimina. ‘Observe que esta climinacién cambia y y 3 para la siguiente iteraci6n, por lo que ahora se requiere volver a calcular Ay con j=1,3 al igual que es necesario eliminar i= 4. Ahora el valor negativo més grande es Ay =17-22-M= 5 M, asi, x5 = 10se convierte en la segunda variable bésica (asignacién), yse elimina la columna 5. Las iteraciones subsecuentes proceden de una manera similar, pero el lector quiz desee probar su comprensién verificando el resto de las asignaciones dadas en la tabla 8.18. Al igual ue con otros procedimientos de esta seccién (y de otras) el OR Courseware puede resultar Uitil, cuando se trata de hacer célculos y como ilustracién del enfoque. (Vea la rutina interacti- va para encontrar una solucién BF inicial.) Comparacién de criterios alternativos para el paso 1. Se compararén estos tres criterios para elegir la siguiente variable bisica, La virrud principal de la regla de la esquina noroeste sla facilidad y rapidez.con que se aplica. Sin embargo, como no le da importancia a os costos unitatios ¢;, por lo general la solucién que se obticne distard mucho de la ptima. (Observe en la tabla 8.16 que 35 = 10, aun cuando ¢sg = M.) Si se realiza un esfuerzo un poco mayor para encontrar la soluci6n inicial BE es posible que se reduzca mucho el ntimero de iteraciones que después necesita el método simplex de transporte para encontrar la solu- ci6n dptima (vea los problemas 8.2-10 y 8.2-8). El objetivo de los otros dos criterios es preci- samente encontrar una solucién asf. El método de aproximacién de Vogel ha sido el més popular durante muchos afios,! en parte porque cs relativamente fécil hacerlo a mano. Este critetio toma en cucnta lus costs tunitarios en forma efectiva ya que la diferencia representa el minimo costo adicional en que se NV. Jd y W. R. Vogel: Mathematical Programming, Prentie-Lall, Englewood Cliffs, NJ. 1958,374 8 Problemas de transporte y asignacién incurre por no hacer una asignacién en la celda que tiene el menor costo en esa columna o renglén. El método de aproximacién de Russell proporciona otro criterio excelente! que es fécil poner en prictica en una computadora (aunque no a mano). Es cierto que todavia se requiere més experimentacién para determinar cul es més eficiente en promedio, pero com frecuencia este criterio ha proporcionado una solucién mejor que el de Vogel. (Para el ejemplo, el méto- do de aproximacién de Vagel por casualidad encuentra la colucién éptima con Z— 2460, mientras que el de Russell fala por muy poco con Z = 2570.) En un problema grande, quizd valga la pena aplicar ambos critetios y después usar la mejor solucién que se obtenga para ini- ciar las iteraciones del método simplex de transporte, Una ventaja exclusiva del método de Russell es que sigue el patrén del paso 1 de una ite- racin del método simplex de transporte (como se ver4 muy pronto), yesto, dealguna mane- ra simplifica el programa completo de computadora. En particular, los valores dei; y 3; se definieron de manera que los valores relativos dee, #; ¥; son una cstimacién dc los valo- res relativos de cj ~ u; ~ vj que se obtendrén cuando el método simplex de transporte alcan- cc la solucién dptima. Ahora se usaré la solucién inicial bisica factible obtenida en la tabla 8.18 por el método de aproximaci6n de Russell para ilustrar el resto del método simplex de transporte. Asi, en la tabla 8.19 se muestra la tabla simplex de transporte inicial (antes de encontrar las; y », El siguiente paso es verificar si esta solucién inicial es efectivamente éptima aplicando la prucha de optimalidad. TABLA 8.19 Tabla simplex de transporte inicial (antes de obtener ¢, con el método de aproximacién de Russell Desti 3 @ @ +2 [is] Origen Ho Be [2al gm [aw so anit 0 M Lol ole so Demanda x | » | » | 3 | «| z-257 'E, J. Russell, “Extension of Dantzig’ Algorithm to Finding an Initial Near-Optimal Basis for the Transportation Problem”, Operations Revearch, Y7: 187-191, 1969,8.2_ Método simplex simplificado para el problema de transporte 375 Prueba de optimalidad Si se recurre ala notacién de la tabla 8.14, la prueba de optimalidad esténdar del método sim- plex (vea la seccién 4.3) para el problema de transporte, se puede reducir como sigue: Prueba de optimalidad: una solucién BF es 6ptimass y s6lo sicy ~ u, ~ »j > O para toda (i, ) tal que x,; ¢s no bésica!, Asi, lo tnico que esta prueba requiere es la obtencién de los valores des; y v; para a solucién bsica factible actual y el célculo de los valores c, — u; — 9; como se describe enseguida Como elvalor dee; ~ 1; ~ vj debe ser cero si xy es una variable bisica, ; y 9; satisfacen el conjunto de ecuaciones cy =u; + 9; para cada (i,j) tal que x, es bisica Existen m + n~ 1 variables bisicas y por tanto hay m + — Lecuaciones de este tipo. Como el niimero de incdgnitas (las #, y »;) ¢8m-+ n, se puede asigndr un valor arbitrario a cualquiera de estas variables sin violar las ccuaciones. La cleccién de esta variable y su valor no afecta el valor de ningiine,;~ w; - »;, aun cuando xy sea no bésica, por lo que la tinica diferencia (me- nor) estriba en la facilidad para resolver estas ecuaciones. Una opci6n conveniente para lograr esto es seleccionar law, que tiene el mayor mimero de asignaciones en su renglén (los empates se rompen de manera arbitraria) y asignarle un valor de cero. Gracias a la sencilla estructura de estas ecnaciones, resulta muy facil obtener algebraicamente los valores del resto de las varia bles. ‘Amanera de demostracién, s¢ dardn las ccuaciones que corresponden a cada variable ba- sica en nuestra solucién BF inicial. ea: 19243 +). Se hace 3 =0, asi »)=19, xq: 1943+. wy: Bangt ry ky =m ty. ey: B=) + 95. Se conoce uz =-5, asi v5 = 18, x3: Bem ty. Se conoce v3 =18, asi uy =-5. x15: 17 =, + 5 Se conoce #,-~-5, asi v5 ~22. wag: OR gt 5. Se conoce ¥5=22, asi y= —22. Siscestablece #3 = 0 (puesto que ¢l renglin 3 de la tabla 8.19 tiene el mayor mimero de asig- naciones: 3) y se resuelven una por una las ecuaciones, se obtienen de inmediato los valores de las incégnitas, mostrados a la derecha de las ecuaciones. (Observe que esta obtencién de los valores dew; y vj depende de qué variables x,y son variables basicas en la solucién BF ac- tual, de manera que ser4 necesario repetir esta derivacién cada vez. que se obtenga una nueva solucién BE) La nica excepeidites que dos u unis suluciones bisicas factiblesequivalentes degeneradas (es deci, soluciones idén- ‘ticas que tienen distintas variables bisicas degeneracasiguales a cero) pueden ser 6ptimas pero sdlo una deellas puede “satifacer a prueba ce optimalidad. Esta excepcién se ilusra mas adelante enc ejemplo (obscrve las soluciones idénti= casen ls dos titimas tabla simplex de la tabla 8.23, en donde nada mis a tia solucién saisface el criterio de opti- smulidad).376 8 Problemas de transporte y asignacién ‘Una vez familiarizado con este desarrollo, tl vez encuentre més conveniente resolver las ecuaciones sin escribirlas y trabajar directamente sobre la tabla simplex de transporte. Asi, en Ja tabla 8.19 se comienza por escribir el valor de # = Oy después se toma cada una de las asig- naciones (231, 32. 34) €N ese renglén, para las que se establece », = c;; en seguida se bus- can las asignaciones en estas columnas (excepto en el renglén 3), Como x,,. Mentalmente se calcula #3 = ¢) ~ 7). Tomando 23g, se establece v3 = ¢93 ~ ta, y asi hasta encontrar y escribir todos los valores Ue las 4; y v; . (lintente estw.) Deapues se Calculant y esusibent lus valuies de cy ~ mj — v; para cada una de las variables no basicas x, (es decir, para las celdas sin asigna- ci6n); en la tabla 8.20 se muestra la tabla simplex de transporte inicial que se obtiene. En este momento se puede aplicar la prueba de optimalidad para verificar los valores de ey —4j 7; dados en esta tabla 8.20. Como dos de estos valores, (é25 ~ iz -%5=-2 y £44 ~ #4 ~P4=-1), 6on negativos, se concluye que la solucién BF actual no es dptima. Entonces, el método simplex de transporte debe proceder a hacer una iteracién para encon- trar una mejor solucién BE Una iteracién Igual que para el método simplex estndar, una iteracién de esta versién simplificada debe de- rerminar una variable bésica entrante (paso 1), una variable basica que sale (paso 2) y después identificar la nueva solucién BF que resulta (paso 3) Paso I: comoc, ~ u; ~ ») representa la tasaa la que cambiala funcién objetivo si se incre- ‘mental variable no basica x, la variable bdsica que entra debe tener un valor de; ~ 4; ~ negativo, para que ¢l costo total Z disminuya. Entonces, los candidatos en la tabla 8.20 son 25 Y #44. Entre ellos se elige el valor negativo més grande (en términos absolutos) de Gj ~ m4; ~¥; como la variable basica entrante, que en este caso corresponde a x5. TABLA 8.20 Tabla simplex de transporte inicial completa Iteracién Destino o t 2 3 a el Ta 14 14 13 2 3 ‘Origen 20] > ms al al a 4) M+3 +3 M+4 Demanda 30 20 70 30. 60. Z=2570378 8_Problemas de transporte y asignacion En general, siempre existe s6lo wna reaccién en cadena (en cualquier direccién) que se puede completar con éxito para conservar Ia factibilidad, cuando la variable basica entrante aumenta su valor. Esta reaccién en cadena se identifica al hacer una seleccién entre las celdas que tienen variables bdsicas: primero, la celda donadora en la columna con la variable bisica; después, la celda receptora en el renglén que corresponde a la celda donadora; luego, la celda donadora en la columna donde se encuentra esta celda receptora, y asi sucesivamente, hasta que la reavciGn en cadena conduce a urra celda donators e1t el renin con la vatiable bisiva entrante. Cuando una columna o renglén tiene mds de una celda adicional con variable basi- ca, puede ser necesario explorar el camino a seguir para averiguar cudl debe seleccionarse como celda donadora o receptora. (Todas las dems menos la adecuada llegarn tarde o tem- pranoa.un camino sin salida en un rengién o columna sin otra celda con variable bisica.) Des- pués de identificar la reaccién en cadena, Ia celda donadora que tiene la asignacién menor proporciona en forma automitica la variable bisica que sale. (En caso de un empate para la celda donadora, se puede elegir cualquiera como variable bésica que sale.) Paso 3: la nueva solucién BF se identifica sumando el valor (antes de los cambios) de la va- riable bisica que sale alas asignaciones de cada celda receptora y restando esta misma cantidad de las asignaciones de cada celda donadora. En la tabla 8.21 se observa que el valor de la varia- ble bésica que sale x45 8 10, por lo que esta porcién de la tabla simplex de transporte cambia, como seilustra en la tabla 8.22 para la nueva solucién. (Como xs es no bésicaen la nueva so- lucién, su nueva asignacién es cero y ya no se muestra en esta tabla.) ‘Ahora se puede sefialar una interpretacién iil de las cantidades cy — u; — », obtenidasen la prucba de optimalidad. Debido al cambio de 10 unidades en las asignaciones de las celdas donadoras a las receptoras (mostrado en las tablas 8.21 y 8.22), e1 costo total cambia en AZ = 10(15~ 17 + 13 ~13)= 10(-2) = 10(¢35 ~ 42 ~ 5). ‘Asi, cl efecto de aumentar cl valor de la variable bésica entrante 25 fue un cambio en el cos- to a una tasa de -2 por unidad de aumento. Esto es justo lo que indica el valor de (5 ~ Hy ~ ¥; = -2 en la tabla 8.20. De hecho, otra manera (menos eficiente) de obtener 6; ~ #; ~ ¥; para cada variable no bésica x; es identificar la reaccién en cadena que causaria un aumento de una unidad en esta variable y calcular el cambio en el costo. Algunas veces es itil esta interpretacién intuitiva para verificar los cAlenlos en la prneba de oprimalidad TABLA 8.22 Parte de la segunda tabla simplex de transporte que muestra los camt en la solucién BF Destino 3 4 5 Recursos rH B 7 \ os @ 30 / 3 ro os . ®@ ry Demanda 70 30 60