INVESTIGACION DE OPERACIONES, Contiene: Caps: 4 y 5 AUTOR + Hillier, Frederick S Lieberman, Gerald J. FOTOCOPIADO DE _ : Investigacién de operaciones /Frederick ' Gerald J berman . 7a ed.— Mé: + McGraw-Hill, 2002. SEMESTRE + OTONO 2004 “USO EXCLUSIVO ALUMNOS FACEA, PARA FIN INVESTIGACION” DE DOCENCIA E4 OO 41 Solucion de problemas de programacién lineal: método simplex Es el momento de comenzar a estudiar el método simplex, un procedimiento general para re- solver problemas de programacién lineal. Desarrollado por George Dantzig en 1947, estd comprobacda su extraordinaria efciencia, ye usa en forma rutinaria para resolver problemas Brands cn las compuradorasactuales. Excepto en el caso de problemas muy pequetios, secje- Guta siempre en una computadora y existe una amplia variedad de paquetes complejus de software para ello. También se usan extensiones y variaciones del método simplex para reli zat andlisis poséptimo (que incluye el andlisis de sensibilidad) sobre el modelo Este capitulo describe y ejemplitica las caractristicas principales del método simplex. La primera secciGn presenta su natutaleca general junto con su representacién geométrica, Las tres secciones subsecuentes desarrollan el procedimiento para resolver cualquier modelo de programacion lineal que se establezca en nuestra forma esténdar (maximizacién, todas las restricciones funcionales de la forma < y restricciones de no negatividad sobre todas las varia bles) y que s6lo tenga cantidades no negativas en el lado derecho, de las restricciones funcio. nales. Ciertos detalles sobre ciimo romper empates esperarin ala scecidn 4.5, y la section 4.6 describe la adaptacién del método simplex a otras formas de modelos, Despues se presenta cl anilisis poséptimo (seecién 4.7) y se describe cl mancjo en computadora del métocio simplex (seccién 4.8). Laseccién 4.9 introduce una lrernativa al método simplex (el enfoque de pun to interior) para tesulver problemas de programacién lineal grandes. ESENCIA DEL METODO SiMPLEX Elmétodo simplex es un procedimiento algebraico. Sin embargo, sus conceptos fundamenta- les son geométrics. La comprensién de estos conceptos geométricos proporciona una fuerte intuicién sobre cémo opera el método simplex y qué lo hace tan cficiente. Por lo: tanto, antes de profundizar en los detalles algebraicos, se dedicard esta seccidn a la visualizacign del méto- do desde un punto de vista geometrico. Para ilustrar los conceptos geomeétricos generales, se usaré el ejemplo de la Wyndor Glass Co. delaseccion 3.1. (Las secciones 4.2 v4.3 usan el lgcbra de método simplex para resolver este mismo ejemplo.) La seccidn 5.1 profuundiza en estos conceptos en problemas grands. Para refrescar la memoria, el modelo y la gréfica para este ejemplo se repiten en la figura 4.1. Se marcaron las cinco restricciones de fiontera y sus puntos de intexsecciGn ya que son Puntos clave para el anlisis. Una frontera de restriccién es una recta que marca el limite de 'o que permite la restriccién correspondiente. Los puntos de interseccin son las soluciones4. Soluci6n de problemas de programacién lineal: método simplex FIGURA 4.1 Restrieciones de frontera y soluciones fen los vértices para el problema de la *, Maximizar Z = 34 + 5%, aro sujeta a (0,9) aos4 2m $12 3x +2a $18 y #20, 20 (0, 6) Wyndor Glass Co. (4,0) (6,0) a en los vértices para el problema. Los cinco puntos que se encuentran en los vértices de la re- ‘gin factible: (0, 0), (0, 6), (256), (4, 3) y (4,0), son las soluciones factibles en los vérices (solu ciones FEV). [Los otros tres —(0, 9), (4, 6) y (6, 0)—sc llaman soluciones no factibles en un vértice.| Eneste ejemplo, cada solucién en un vértice se encuentra en la interseccién de dos fronte- ras de restriccién. (Para un problema de programacién lineal con.» variables de decisién, cada tuna de sus soluciones en los vértices se encuentra en la interseccién de m fronteras de restric- ciones.?) Algunos pares de soluciones FEV en la figura 4.1 comparten una frontera de resttic~ in, y otros no. Serd importante distinguir estos casos con la siguiente definicién general, Para cualquier problema de programacién lineal con n variables de decisi6n, dos soluciones FEV son adyacentes entre sisi comparten 1-1 fronteras de restriccién. Dos soluciones FEV adyacentes estén conectadas por tn segmento de recta que esté en estas mismas fronteras de restriccidn compartidas. Este segmento de recta recibe el nombre de orilla o arista dela regiGn factible. Como n=2 en el ejemplo, dos de sus soluciones FEV son adyacentes si comparten una frontera de restriccién; por ejemplo, (0, 0) y (0, 6) son adyacentes porque comparten la fron- tera x, =0. Ta regidn factibleen la figura 4.1 tiene cinco aristas que consisten en las cinca seg- mentos que forman la frontera de esta regidn. Observe que de cada solucién FEV salen dos aristas. Entonces, cada solucién FEV tiene dos soluciones FEV adyacentes (cada una se en- ‘cuentra en el otro punto terminal de una de las dos aristas), como se enumera en la tabla 4.1. "Aunque uns solucién en un vétice est dfinida en teminos dem ftonteras de resticionescuyasinterseciones dan ¢stasoluién, también es posible ue una 0 mis fronteras adinalespasen por este mismo panto.4.1 Esencia del método simplex uw TABLA 4.1 Soluciones FEV adyacentes para cada solucién FEV del problema de la Wyndor Glass Co. Solucién FEV | Sus soluciones FEV adyacentes (0.0) (0,6) y (4,0) (0,6) (2, 6) y (0, 0) 26) (4.3) (0, 6) (4,3) (4.0) y (2,6) (4.0) (0.0) y (4, 3) (En cada renglén de esta tabla, la solucién FEV en la primera columna es adyacente a las dos soluciones FEV en lasegunda columna, pero las dos soluciones en lasegunda columnanoson adyacentes ent si.) {Una razén para analizat las soluciones FEV adyacentes es la siguiente propiedad gencral Ge la soltciones, que proporciona una manera muy ttl de veificar si una solucién FEV es una solucién éptima. Prucba de optimalidad: considere cualquier problema de programacién lineal que osea al menos una solucién éptima. Si una solucién FEV no tiene soluciones ELV adyacentes que scan mejores (segiin el valor de Z), entonces éa debe ser une solucién ‘optima. Ast, por ejemplo (2, 6) debe ser Optima simplemente porque su valor correspondiente de Z= 36 es mds grande que Z = 30 para (0, 6) yZ= 27 para (4, 3). (En laseccién $1 se analicn, 4 mds por qué esta propiedad se cumple.) Esta prueba de optimalidad se usa en el metodo simplex para determinar cuéndo se ha llegado a una solucién dpi En este punto se puede aplicar el método simplex a un ejemplo. Solucién del ejemplo Se presenta aqui un bosquejo de lo que hace el método simplex (desde el punto de vista geo- métrico) para resolver el problema de la Wyndor Glass Co, Ent cada paso, primero se establece la conclusién y después se da la raz6n entre paréntesis. (Consulte la figura 4.1 para visualisar el problema.) Paso inicial: Elija (0, 0) como la solucién FEV inicial para examinarla, (Esta cs una clec- i6n conveniente porque no se requieren célculos para identifcarla.) Prucha deoprimalidad: Concluya que (0, 0) no es una solucién dptima. (Las soluciones FEV adyacentes son mejores.) Tteracién 1: Muévase a una solucién FEV adyacente mejor, (0, 6), realizando los: siguien- tes tres pasos. 1. Entre as dos aristas de la regi factible que salen de (0,0), clija moverse alo largo dela arista que aumenta el valor de 2. (Con una funcién objetivo Z= 3. + 5x, al aumentar el valor de x, el valor de 7: crece mis répido que si aumenta el valor de *).) 2. Deréngase al llegar ala primera frontera de restrcci6n: 24 =12. [Si se mueve mds lejos ena diteccién seleccionada en el paso 1, suldré de la region factible; por: ejemplo, al mo- verse hasta la segunda frontera de restricidn en esa direccién se llega (0.9), quees una solucién no factible en un vértice.}112 4 Solucién de problemas de programacién lineal: método simplex 3. Obtengala interseccién del nuevo conjunto de fronteras de restricci6n: (0, 6). (Lasecua- ciones para estas fronteras de restriccidn, 17 =0 y 2.x, = 12, llevan de inmediato a esta so- lucién.) Prucha de optimatidad: concluya que (0, 6) no es una solucién éptima. (Existe una solu- cién FEV adyacente mejor.) Iteracién 2: Muévase a una mejor solucién FEY, (2,6), realizando los siguientes pasos. 1. En las dos aristas de la regién factible que salen de (0, 6) elija moverse alo largo de la que vaa la derecha, (Moverse a lo largo de esta arista aumenta el valor de Z, mientras que it para atrés hacia abajo del eje sc, lo disminuye.) 2. Deténgase al encontrar la primera nueva frontera de restricciGn en esa direccién: 3x, + 2x =12. (Si se mueve més lejos en la diteccién clegida en el paso 1, saldré de la region factible.) 3. Obtenga a interseccién del nuevo conjunto de fronteras de restriccién: (2, 6). (Las ecua- ciones de estas fronteras de restriccién, 3x; +2:x) = 18 y 2x) =12 dan de inmediato esta solucién.) Prucba de optimalidad: concluya que (2,6) es una solucién éptima y deténgase. (Ninguna de las soluciones FEV adyacentes es mejor.) En la figura 4.2 se muestra la secuencia de soluci6n FEV cxaminada, donde cada nimero: dentro de un circulo identifica qué iteracién obtuvo esa solucién. ‘Ahora se analizarén los seis conceptos importantes de solucién del método simplex que proporcionan el razonamiento que lleva a los pasos anteriores. (Tenga en mente que estos conceptos también se aplican al resolver problemas con més de dos variables de decisién para os que no se dispone de una grafica parecida a la figura 4.2 como ayuda para encontrar una solucién éptima.) Conceptos de solucién importantes El primer concepto de solucidn se basa directamente en la relacién entre las soluciones épti- mas y las soluciones factibles en los vértices dadas al final de la seccién 3.2. FIGURA 4.2 Esta gréfica muestra la se- cuencia de soluciones FEV ©.,@) examinadas por el método simplex para el problema de la Wyndor Glass Co. La solucin 6 2, 6) se encuentra después de examinar tres soluciones. 0) NZ20 (4,0) *4.1_Esencia del método simplex 13 Concepto de solucién 1: el método simplex analiza sélo las soluciones FEV. Para cualquier problema con al menos una solucién éptima, encontrar una de ellas requiere nada mds encontrar la mejor solucién FEC,! Como el ntimero de soluciones factibles por lo general es infinito, la reduccién del nimero de soluciones que deben examinarse a un pequefio ntimero finito (s6lo tres en la figura 4.2) es una simplificacion enorme. El siguiente concepto de solucién define el flija del méeodo cimplex. Concepto de solucién 2: el método simplex es unalgoritmoiterativo (procedimiento ds solucion sistemético que rep una serie de pasos ia, lamadaitracién, hasta que se obtiene el resultado deseado) con la siguiente estructura: Inicializacién: Preparacién para comenzar las iteraciones, que incluye encontrar una solucién FEV inicial, Prucba de uptimalidad: és éptima la solucién FEV actual? Sino 7 Siloes — » Termina, Teeracién: Realizar una iteracién para encontrar una solucién FEV mejor. Observe que cuando se resolvié el ejemplo ses hhasta que se encontré una solucién dptima, Ahora se analizaré cémo comenzar. Concepto de solucién 3: siempre que es posible, la inicializacién del métada sim- plex elige el origen (todas las variables de decisién iguales a cero) como la solucion FEV inicial. Cuando se tienen demasiadas variables de decisidn para encontrar una Solucion FEV inicial en una gréfica, esta eleccin elimina la necesidad de usar procedi. mientos algebraicos para obtenerla, Casi siempre es posible scleccionar el origen cuando todas las variables de decisién tienen res- tricciones de nu negatividad, porque la interseccin de estas fronteras de restriccién lleva al Origen como una solucién en un vértice. Entonces, esta solucién es una solucién FEV a me- fos que sea no facible porque viola una o mas restrcciones funcionales. Sies no factible se necesitan los procedimientos especiales descrieos en la seccién 4.6 para encontrar la solueion FEV inicial. El siguiente concepto de solucién se reficre a la selecci6n de una mejor solucién FEV en cada iteracién, Concepto de solucién 4: dada una soluci6n FEY, es computacionalmente més ripi- do reunir informacién sobre us soluciones FEV adyacentes que sobre otras solucivnes EEN, Por lo tanto, cada vez que el mérodo simplex realiza una iteracién para moverse dela solncidn FEV actual a una mejor, siempre escoge una solucion. FEV adyacente ala actual. No considera otras soluciones FEV. En consecuencia, toda la trayectoria que sigue hasta alcanzar, eventualmente, una soluciGn optima es alo largo de las avistas de la regién factible. i6 este diagrama de flujo en dos itcraciones ‘Lasiniarestrccénes que el problema debe tener solucones ictbles en os vices. Rats segura si regi fc sible es acotada,4 42 4 Solucién de problemas de programacién linea: método simplex Ahora se verd cudl solucién FEV adyacente se debe seleccionar en cada iteracién. ‘Concepto de solucién 5: después de identificar la solucién FEV actual, el método simplex examina cada una de las aristas de la regidn factible que salen de esta solucién. Estas aristas llevan a una solucién FEV adyacente en el otro punto terminal, pero el método simplex ni siquiera se tama la molestia de obtener la solucién FEV adyacente. Sélo identifica la tasa de mejoramiento en Z que se obtendrfa al moverse por esa arista. Entre las aristas con una taza positina de mejoramiento en Z, selecciona moverce por quella con la tasa mds grande de mejoramiento en Z. La iteracién termina al obtener primero la solucién FEV al final de esta arista y despues reetiquerar esta solucién FEV adyacente como la soluci6n FEV actual para pasar ala prueba de optimalidad y (si es necesario) a la siguiente iteracién. En la primera iteracién del ejemplo, moverse de (0, 0) a lo largo de la arista sobre el eje x, da- ria una tasa de mejoramiento en Z de 3 (Z crece 3 por cada incremento de una unidad en.x,), mientras que al moverse por la arista sobre el eje x) se tendrfa una tasa de mejoramiento en Z de 5 (Z aumenta 5 por cada incremento de una unidad en x), de manera que se toma la deci- sin de moverse alo largo de esta iltima arista. En la segunda iteracin, la tinica atista que sale de (0, 6) que darfa una tasa de mejoramiento en Z positiva es la que lleva a (2,6), por lo que se toma la decisién de moverse por ella. El concepto de solucidn final aclara la manera en que se realiza la prucha de optimalidad en forma eficiente. Concepto de solucién 6: el concepto de solucién 5 describe cémo el método sim- plex examina cada arista de la regin factible que sale de la solucién FEV actual. Con este examen de una arista es sencillo identificar la tasa de mejoramiento en Z que se ‘obtendrfa al moverse por ella hasta la solucién FEV adyacente en el otro extrema, Una tasa positiva de mejoramiento en Z implica que la solucién FEV adyacente es mejor que Ja actual, mientras que una tasa negativa de mejoramicnto cn Z implica quc la solucién FEV adyacente es peor. Por lo tanto, la prueba de optimalidad consiste simplemente en verificar si alguna de las aristas lleva a una tasa posiriva de mejoramiento en Z. Si ningu- na lo hace, la solucién FEV actual es éptima. Encl ejemplo, al moverse por cualquiera de las dos aristas desde (2, 6), el valor de Z disminu- yc. Esto lleva, de inmediato, a la conclusién de que (2, 6) cs Sptima. PREPARACION PARA EL METODO SIMPLEX La secci6n anterior subrayé los conceptus geométricos fundamentales del método simplex. Sin embargo, lo comin es que este algoritmo se trabaje en una computadora que sélo puede seguir instrucciones algebraicas. Por lo tanto, es necesario traducir el procedimiento geomé- trico conceptual que se acaba de describir en un procedimiento algebraico que se pueda usar. En esta seccién se introduciré el lenguaje algebraico del método simplex y se relacionaré con los conceptos de la seccién anterior. El procedimiento algebraico se basa en la solucién de sistemas de ecuaciones. Asi, el pri- ‘mer paso para preparar el mérodo sfmplex es convertir las restricviunes fisncionales de desigual- dad en restricciones de igualdad equivalentes. (Las restricciones de no negatividad se dejan como desigualdades porque se manejan por separado. ) Esta conversién sc logra con la intro-4.2 Preparacién para el método simplex 45 duccién de variables de holgura, Para ejemplificar, considere la primera restriccién funcio- nal en el problema de la Wyndor Glass Co. de la seccién 3.1 ay s4. La variable de holgura para esta restriccién se define como wae ve ¢6 la hotgura que queda en el lado izquierdo de la desigualdad. Entonces, sit ag a4 anit) Dada esta ecuacién, x; < 4se cumple si y s6losi4 ~ x; =x 20, Entonces, la restriccién origi- nal x, <4 es totalmente equivalente al par de restricciones Mtms=4 y x20. Al introducir variables de holgura en las otras restrcciones funcionales, el modelo de ProgramaciGn lineal original para este ejemplo (que se muestra a la izquiceda) se puede susti {Ru por cl modelo equivalente (llamado forma aummentada del modelo) que se encuentra ala derecha: Forma original del modelo Porm aumentada del modelo! Maximizar Z = 3x + 533, Maximizar Z = 3m + 533, sujeta a sujeta a % <4 Oa ty 4 2m s12 (2) 2m ty 2 3u + 2a S18 (3) 3542% +x5=18 7 20. 420, para j=1,2,3,4,5. Aun cuando ambas formas del modelo representan justo el mismo problema, la nueva forma cs mucho mds conveniente para la manipulacién algebraica y la identificacion de las solucion ies FEY. Sele da el nombre de forma aumentada de! problema, porque la forma original se ‘amen con algunas variables suplementarias necesarias para apicar el método simplex, Si una variable de holgura es igual a0 en la solucién actual, cutonces esta soluciOh se ene {uentra sobre la frontera de estriccién para la restriccidn funcional correspondiente. Un va. lor mayor que cero significa que la soluciGn esté en el lado factble dela frontera de. restriccién, mientras que un valor menor que O significa que esté en cl lado no fuctible de esta fromtera. 1a sdemostracién de estas propiedades proporcionada por el ejemplo de demostracin en el OR Tutor tiene cl nombre de Interpretation of the Slack Variables 1. rerminologia sada en a seccin anterior soluciones en los vertices, et.) se apica al forma original del problema. Ahora se introduciré la terminologia coxrespondientea la for, ma aumentada. Una solucion aumentada es una solucién para las variables originales (las variables de decisién) que se aumenté con los valores correspondientes de las variables, de holgura, “Las variables de holgura no s¢ mucstran en la funcién objetivo porque sus coeficientes son cero.16 4. Solucién de problemas de programacién lineal: método simplex Por ejemplo, al aumentar la solucién (3, 2) en el ejemplo, se obtiene la solucién aumentada (3, 2, 1, 8, 5) puesto que los valores correspondientes de las variables de holgura son 3 =1, £4=8y x5=5. Una solucién bésica (BF) es una solucién en un vértice aumentada. Para ilustrar esto, considere la solucién no factible en el vértice (4, 6) en la figura 4.1. Al au- mentarla con los valores abtenidas para las variables de holgura x, =0, x 4=Oy xz =—6se llega a la solucién bisica correspondiente (4, 6, 0, 0, -6). El hecho de que las soluciones en los vertices (y por ende las soluciones bésicas) puedan ser 0 no factibles implica la siguiente definicién: Una solucién bésica factible es una solucién FEV aumentada, Asi, la solucién FEV (0, 6) del ejemplo es equivalente a la solucién BF (0, 6, 4, 0, 6) paracl problema en la forma aumentada. La tinica diferencia entre las soluciones bésicas y las soluciones en un vértice (0 entre las soluciones BF y soluciones FEV) es el hecho de que estén incluidos los valores de las variables de holgura. Dada cualquier solucién bésica, la solucién en el vértice correspondiente se obtie- ne con sdlo quitar las variables de holgura. Entonccs, las rclaciones geométricas y algcbraicas entre estas dos soluciones son muy estrechas, como se verd en la seccién 5.1. ‘Como los términos solucion bdsica y solucién bdsica factible constituyen partes muy impor- tantes del vocabulario normal de programacién lineal, es necesario aclarar sus propiedades al- gebraicas. Para la forma aumentada del ejemplo, observe que el sistema de restricciones funcionales tiene 5 variables y 3 ecuaciones, asi Numero de variables ~ ntimero de ecuaciones = § - 3 = 2, Este hecho proporciona 2.grados de libertad al resolver el sistema ya que se pueden elegir dos variables cualesquiera e igualarlas a cualquier valor arbitrario para resolver las tres ecuaciones en términos de las tres variables restantes.! El método simplex usa cero para este valor arbitra- rio, Ast, dos de las variables (liamadas pariables no basicas) se igualan a cero y, entonces, la solu- cién simultdnea de las tres ecuaciones para las otras wes variables (llamadas variables bdsivws) una solucién bdsica. Estas propiedades se describen en la siguientes definiciones generales. ‘Una solucién basica tiene las siguientes propiedades: 1. Cada vatiable se designa ya sea como variable bésica 0 como variable no bisica. 2. Elnsimero de variables bdsicas es igual al ntimero de restricciones funcionales (ahora ecua- ciones). Por lo tanto, el mimero de variables no bdsicas es igual al nimero total de variables ‘menos el mmimero de restricciones funcionales. 3. Las variables no bisicas se igualan a cero. 4. Los valores de las variables hdsicas se obtienen como la solucién simultdnea del sistema de ecuaciones (restricciones funcionales en la forma aumentada). (Con frecuencia se hace referencia al conjunto de variables bésicas como la base.) 5. Si las variables bdsicas satisfacen las restricciones de no negatividad, la soluci6n basica es una soluci6n BF. 'Bste método de determinar el nimero de grados de libertad para un sistemade ecuaciones es vido siempre yeuando cl sistema no incluya eeuacionesredundantes. Esta condicién siempre se cumple para el sistema de eevacionesform- do por ls rstrcciones Furcionales en la forma aumentada de un modelo de programacin lineal4.2_Preparacin para el método simplex u7 Con cl fin de ilustrar estas definiciones se consideraré de nuevo la solucién BF (0, 6, 4, 0,6). Esta solucién se obtuvo aumentando la solucién FEV (0,6). Sin. embargo, otra manera deobtenerlaeselegir x; y 4 como variables no bésicas, es decir, como las dos variables que se igualan a cero, Las tres ecnaciones respectivas llevan a s3 = 4, x3 =6 y x5 =6.como la soluicion para las tres variables bisicas,segtn se muestra en seguida (las variables bésicas aparecen en negritas): 1-0 ¥ 4-0, woh Qo +43 a4 wad (2) 2x tay =12 % =6 @) 3x, + 2x, +a =18 x =6 Como estas tres variables bisicas son no negativas, esta solucién basica (0, 6, 4, 0, 6) es sin duda una solucién bsica fuctible. gual que cio» pares de soluciones FEV son adyacenter, se dice que los pares correspon- dientes de soluciones BF son adyacentes. La siguiente es una manera sencilla de decir cuéndo dos soluciones BE son adyacentes. Dos soluciones BF son adyacentes si sodas menos una de sus variables no bdsica som las mismas. Esto implica que rodas menos una de sus variables bisicas son también las mismas, aunque tal ver ‘von valores numéricos diferentes. En consecuencia, trasladarse de la solucién BF actual a una adyacente significa cambiar una variable de no bdsica a basica y viceversa para otra variable (y después ajustar los valores de las variables bdsicas para que sigan satisfaciendo el sistema de ecuaciones).. Para dar un ejemplo de soluciones hasicas factibles adyacentes, considerc un par de soluciv- nes factibles en vértices adyacentes cn a figura 4.1: (0, 0) y (0, 6). Sus soluciones aumentadss (0, 0, 4, 12, 18) y (0, 6, 4, 0, 6) son, de mancra autonxitica, soluciones BF adyacentes, Sin embargo, no es necesario ver la figura 4.1 para legar a esta conclusién. Otra forma de verloes observar que sus variables no bisivas (x), x2) y(%), 4), Son las mismas. excepto que.x 4 susti- tuye ap. En consecuencia, trasladarse de (0, 0,4, 12, 18) a (0,6, 4,0, 6) implica cambiar +, de variable no basica a basica y lo contrario para x 4. Al trabajar con el problema en la forma aumentada conviene tomar en cuenta y mani lar la ecuaci6n de la funcién objetivo al mismo tiempo que las nuevas ecuaciones de las restric. Giones. Antes de comenzar con el método simplex es necesario escribir el problema una vez més en una forma equivalente: Maximizar Z, sujeta a (0) Z-3x, - 5x, = 0 qa) xy + ay -4 (2) 2xy tay 2 3) 3x, + 2x +%5= 18 ¥j20, paraj=1,2,..8 43 4. Solucion de problemas de programacién lineal: método simplex Es justo como si la ecuacién (0) fuera una de las restricciones originales; pero como yase en- ‘cuentra cn forma de igualdad, no necesita variable de holgura. Al mismo tiempo que se agre- {26 una ecuacién también se agregé una variable (Z) al sistema de ecuaciones. Por lo tanto, al usar las ecuaciones (1) a (3) para obtener una solucién basica como se describid, se usa la ecuacién (0) para encontrar al mismo tiempo el valor de Z. Por casualidad, el modelo para el problema de la Wyndor Glass Co. se ajusta a nuestra for- sua estdndas, yeodae exe restricciones funcionales tienen valores no negativos b; en el lado de- recho. Si el caso fuera diferente, seria necesario hacer ajustes adicionales en este punto antes de aplicar ef método simplex. Estos detalles se dejarén pendientes hasta la seccién 4.6 para ahora dedicar toda la atencién al método simplex. ALGEBRA DEL METODO SIMPLEX Con propésitos ilustrativos, se seguir4 usando el ejemplo prototipo de la seccién 3.1, como se escribid al final de la seccién 4.2. Para comenzar a relacionar las canceptas geamérricas, con los algebraicos del método simplex, en la tabla 4.2 se describirén en paralelo , el punto de vista geomérrico y el algebraico de los pasos que sigucn para resolver este ejemplo. El pun to de vista geométrico (presentado por primera vezen la seccién 4.1) se basa en la forma origi- nal del modelo (sin variables de holgura), otra vez. consulte la figura 4.1 para visualizar lo escrito en la segunda columna de la tabla, Consulte la forma aumentada del modelo presen- tada al final de la seccién 4.2 cuando analice la tercera columna de la tabla. Ahora se darin los detalles de cada paso en la tercera columna de la tabla 4.2. Paso inicial Lacleccidn de x y x2 como las variables no bdsicas (las variables que se igualan a cero) para la solucién BF inicial se basa en el concepto de solucion 3 en la secci6n 4.1. Esta eleccicn climi- nal trabajo requerido para despejar las variables bisicas (x3, 4, *s ) del siguiente sistema de ecuaciones (donde las variables bésicas se muestran en negritas): x1 =0 y x2 =0, ast Qoom +e =4 mo4 2) 2m $y = 12 4212 (3) 3x, + 2x +x5=18 ws =18 La solucién BF inicial es (0, 0, 4, 12, 18). Observe que esta solucién se puede leer de inmediato porque cada ecuacién tiene justo tuna variable bisica con coeficiente 1, y esta variable bisica no aparece en ninguna otra ecua- cidn. Pronto se verd que cuando cambia el conjunto de variables bisicas, el método simplex ‘usa un procedimiento algebraico (eliminacién gaussiana) para convert las ecuaciones a la misma forma conveniente para leer las soluciones BF subsccucutes. Esta forma sc llama for- ma apropiada de eliminacién de Gauss. Prueba de optimalidad La funcién objetivo es Z= 3x +502,43 Algebra del método simplex TABLA 4.2 tie Interpretaciones geométricay algebraica de los pasos del método simplex para resolver el ejemplo de la Wyndor Glass Co, Secuencia del método_Interpretacién geométrica Interpretacién algebraica Feoincal Se seeccona (0,0) como la solucién FEV inl. Se selectonax, yx, como variable wo bnew para i selriAn AF incl (0,0, %, 13,10), cpumatdad act Cptina porque al moverse por cusluler Noes Sptima porque al aumenear el valor de ‘optimalidad _arista que sale de (0,0), Zerece, ‘ualquier variable ne bésiea ej 0.43), el valor de Zaumenca, Ieoracién | Paso | ‘Se mueve por laarsta sobre el eje x3 Se aumenta el valor de x2 y se ajustan los valores de las otras variables para que saisfagan ef sistema de ecuaciones, Fuso? Sedation al encontrar la primera rntar de Se detion cuando el valor dla primera variable restrccién x= 12), bisica (xy, 14 0 x5) laga a cero (x). Paso 3 Aeemauentralanerseccin del nueva par de Con x come varlable bia x, no bic, se aoc rey eESOT (0.6) ek nueva” resueve l stoma de ecusciones 06408) solucién FEV. fe a nueva soluciin RE Cptimaicad NOS Sptima porque al moverse por lara No es 6ptma porque al aumertar el valor de ‘optimalidad que va de (0,6) haclala derecha, & crece, tuna variable no bésien (x) el valor de 2 leoracién 2 Paso | Semueve por la arsta que vahacala erecha Se aumenta el valor x; ys ajustan ls de lt deme variables para que saisagan el Sterna de ecuaciones. Pmo2 Se detene cuando encuentra a primera rontera Se dtine cuando primera varable ba ee, e restriccion (Bey + 2x3 = 18). 1; 013) lega a cero (a). Peso} Se-encuenta interseccién del nuevo par do Conn come variable Lisi no Bsa, se waee Renner: 2,6) esa nueva” resuelve l stoma de ecuacone: (26 0°00) solucién FEV. sla nueva solucién BF Prusbade (2,6) es 6ptima porque al moverse por (26,2, 0,0) es éptima porque al aumentar e! optimaliad casi ata que ale de 2,6), Z decree. valor de calquer warble ne Ban Gao el valor de Z disminuye, de manera que Z = 0 para Ia soluci6n BF inicial, ya que ninguna variable basica (13, x 4, x5) tiene coeficientedistinto de cero en esta funciGn objetivo, cleneficiente de ae variables at) Sieas (1, az) da la tasa de mejoramiento de Z sie aumentara el valor de esa variablea mis de cero (y se ajustan los valores de las variables bisicas para que satisfagan cl sistema de ccuacio- nes), Estas tasas de mejoramiento (3 y 5) son postins. Por lo tanto, segtin el concepto de so- lucidn 6 en la seccidn 4.1, se concluye que (0, 0, 4, 12, 18) no es éptima. Para cada solucién BF que se examina después de varias iteraciones, al menos una varia- Ox pases ene cocfcicure diferente de ceo en la fanciGn objetivo, Por lo tanto, la prueba de optimalidad usardla nueva ecuacién (0) para reescrbir lafuncién objetivo en eéeminos de La variables no basicas, como se verd mds adelante. Spans gu eta merpreacn de fos coefcenes dex basen que estas variables se encuentten ene lado dere hos? = 38+ 51-Cuandose pasanal lado inquierdo de laccuaciin (0),2.~ 3-85 ~ O,loscociecane len ws Uc cero cambian su signo,120 4 Solucién de problemas de programacién lineal: método simplex Determinacién de la direccién de movimiento (paso | de una iteracién) Aumenrar el valor de una variable no bisica (y ajustar los valores de las variables bésicas para ‘que satisfagan el sistema de ecuaciones) corresponde a moverse a lo largo de una arista que sale de lasolucién FEV actual. Segxin los conceptos de solucién 4 y 5 en la seccidn 4-1, laelec- cidn de cudl variable no bisica debe aumentar su valor se hace como sigue: Z=3x, + 5x, Aumenta x? Tasa de mejoramiento en Z = 3. éAumenta x)? Tasa de mejuramicnty eu Z= 5. 5 > 3, de manera que se elige x) para aumentar su valor. ‘Como se indica en seguida, x) se llama la variable bdsica entrante para la iteracién 1. En cada iteracién del método simplex el propésito del paso 1 es elegir una variable no bisica para que aumente su valor (y se ajustan los valores de las variables bésicas para que satisfagan el sistema de ecuaciones). Al aumentar el valor de esta variable no basica se convertiré en variable biésicn para la siguiente solueién BE Por lo tanto, esta variable se llama la variable ‘rante para la iteracién actual (porque es la que entrard ala base) Determinacién de dénde detenerse (paso 2 de una iteracién) El paso 2 contesta la pregunta de cuénto aumentar el valor de la variable bésica entrante x) antes de detenerse. Al aumentar la variable x2 crece el valor de Z por lo que se quiere incre- ‘mentar lo mds posible sin dejar la regin factible. El requerimiento de satisfacer las restriccio- ines fuuncionales en la forma aumentada (que se muestra en seguida) significa que al aumnentar 4) (manteniendo la variable no bésica x; = 0) cambia el valor de algunas variables basicas, ‘como se observa en el lado derecho. = =0, asi, Qo tes =4 i 2) Qxy tay =12 842 12-2x, (3) 3x, +2) +x5 ~18 a5 = 18-2. El otro requisito para la factibilidad es que todas las variables sean no negativas. Las variables no basicas (incluyendo a la variable entrante) son no negativas, pero es necesario verificar ccudnto puede crecer x» sin violar las restricciones de no negatividad para las variables bésicas, wy = 420 = no hay cota superior sobre x2. 12 wg2l2-2m20 > ms 6 oe 2 Entonces x2 puede crecer justo hasta 6, punto enel que. ha legado a0, Aumentar x, amés de 6 causaria que x, se valviera negativa, lo que violarfa la factibilidad. Estos célculos reciben el nombre de prueba del cociente minimo. El objetivo de la prue- bacs determinar qué variable basica llega a cero primero cuando crece la variable entrante. De jinmediato se puede descartar la variable basica en las ecuaciones donde el coeficiente de a va- riable basica entrante ¢s cero o negativo, puesto que estas variables nu decrecen si la variable4.3. Aigebra del método simplex 12 pésicaentrante aumenta, (Esto ocurtié con x, en la eciacién (1) de ejemplo Sin embargo, Por cada ecuacién donde el coeficiente de a variable bisica cntranke es estriciamenta positivo (> 0), esta prueba calcula el caiente del lado derecho entre el coeficiente de a variable hae Sorrante, Ta variable bisieaen la ccuasion con elcociente minimo es la que lega a cero prime- ro cuando crece la variable bésica entrante, En cualquier iteracién del metodo simplex, el paso 2 utiliza la pruchn del cociente minimo para dleterminar cul varia sia lega primero a cro uuu aumentacl valor delavareble hen Faghtrants, Al disminuir hasta cero el valor de esta variable bisica, se convierte en mariable np ‘bdsica para a siguiente solucién BE Por lo cant esta variable se lamna variable basica que sale para la iteracin acrual (ya que es la que deja la base). De cesta manera, 74 ¢s la variable basica que sale para la iteracién 1 del cjemplo, Solucién de una nueva solucién BF (paso 3 de una iteracién) Alaumentat x2 =0 hasta #2 =6, el procedimiento se mueve de lasolucién BE inicial mostra- da a la izquierda hacia la nueva solucién RF a la derecha, Solucién BF inicial Nueva solucigu BF Variables no bisicas: x, =0, x) =0 x4=0 Variables basicas: S324, e4=12, xy =18 a re Elpropésito del paso 3 es convertir el sistema de ecuaciones a una forma mds conveniente (la forma adecuada de climinacién gaussiana) para llevar a cabo la prueba de optimalcil yhasi- Silene iteraci6n (sis necesario) con la nueva solucién BE En el proceso, esta forma tambien ‘dentificard los valores de +s y x para la nueva solucién. Se escribird de nuevo el sistema de ecuaciones completo, con ls nuevas vatiables bisicas en negritas (Z es la variable bdsica en la ecuacién de la funcién objetivo): 0) Z- 3x, - Sy =0 ot) 4 +45 (2) 2x, +4 (3) 3x, + 2x +6 Bntonces, x sustituy6 a4 como lavaiablebisicaen la ecuacién (2).ParadespejarZ, ey, 3 Y-s5, deste sistema de ecuaciones es necesario realizar algunas operaciones algebraicas ce: mentales para reproducir el patrén actual de coeficientes de x (0, 0, 1, 0) como los nucveg Sfententes de #2. Se pueden realizar cualquiera de los dos tipos de operaciones algebraicas elementales: 1. Multiplicar (o dividir) una ecuacién por una constante dlstinta de cero. 2. Sumar (o restar) un miltiplo de una ecuacién a (0 de) otra ecuacion, Para prepatat la eecucion de estas operaciones, observe que los respectivos coefcientes oraz ene sistema ce ecuaciones anterior son ~5, 0, 22, ye intenta convertirlosen0, 0,1 y O. respectivamente. Para convertir el coefciente de 2en la ecuacidn (2) en un I, se usael pri- ‘mer tipo de operacién algebraica elemental y se divide esta ecuacidn cutre 2 para obtener Q) 2 +fe6122 4. Soluci6n de problemas de programacién lineal: método simplex Para convertir los coeficientes de ~Sy 3 en ceros, es necesario usar un segundo tipo de opera- cidn elemental. En particular, se suma ala ecuacidn (0) esta nueva ecuacién (2) multiplicada por 5, y se resta de la ecuacién (3) esta nueva ecuacién multiplicada por 2. El nuevo sistema de ccuaciones que resulta es (0) Z-3x, + Say = 30 2 a) +m : a 2) — (3) 3x - x4t es = 6 Como x; = Oy x4 =0, las ecuaciones en esta forma llevan de inmediato a la nueva solucién BE (x1, 3, 3, 4, x5) = (0, 6, 4, 0,6), loqueda Z=30. Este procedimiento para obtener la solucién simultdnea de un sistema de ecuaciones li neales se llama método de climinacién de Gauss-Jordan, o cn forma corta climinacién gaussia- na! El concepto clave de este método es usar las operaciones algebraicas elementales para reducir el sistema de ecuaciones original a la forma apropiada de eliminacién gaussiana, en donde cada variable basica se elimina de todas las ecuaciones menos una (su ecuacién) y enesa ecuacién tiene coeficiente +1. Prueba de optimalidad para la nueva solucién bi factible La ecuacién (0) actual da el valor de la funci6n objetivo en términos nada més de las variables no bisicas actuales, Z= 30+ 3x ~ Sey ‘Aumentar el valor de cualquiera de estas variables no bdsicas (con el ajuste de los valores de las variables basicas para que cumplan con el sistema de ecuaciones) significa trasladarse a una de las dos soluciones BF adyacentes. Como x; tiene coeficiente positivo, al crecer lleva a una solu- cién BF adyacente que es mejor que la solucién actual, por lo que ésta todavia no es éptima, Iteracién 2 y la solucién éptima que resulta ComoZ = 30-+ 3x; ~ §.4,¢ puede aumentarsi aumenta el valorde ®y, pero nol de. 4. Por Jo tanto, el paso 1 clige a, como la variable bisica entrante. ara el paso 2 el sistema de ecuaciones actual llevaa las siguientes conclusiones sobre qué tanto se puede aumentar (con x 4~ 0): mndim 20 3 acting, 620 > no hay cota superior sobre 6-3m20 > ms $=2 3), de manera que x, debe convertitse en variable bsica. (Este cambio se indica en la tabla 4.4 mediante el recnaciro al. rededor de la columna abajo de ~5,) Paso 2: se determina la variable basica que sale con la prueba del cociente minimo. Prueba del cociente minimo 1. Elija los coeficientes de la columna pivote que son estrictamente positives (> 0). 2. Divida cada coeficiente entre el elemento del lado derecho cn ch mhisinu renglén. 3. Identifique el renglén que tiene la menor de estas razones. 4, Lavariable bésica en ese rengléu es la variable basica que sale, entonces sustitiyala por la Variable bésica entrante en la columna de la variable bésica de la siguiente tabla, TABLA 4.4 Aplicacién de la prueba del cociente minimo para determinar la primera variable bisica que sale en el problema de la Wyndor Glass Co, Variable Coeficiente de Lado basica | nim M3 Xt» | derecho Razén Zz mi] t{-3 -s 0 0 o fo 6 a | o 1 0 ' O06 |4 “ 0 fz} 0 1 o fio 226 « minne ta Bay 2126 4. Soluci6n de problemas de programacién lis Ponga un recuadro en este rengién que se llama renglén pivote. El ntimero que se encuentra en los dos recuadros se llama mimero pivote. Endlejemplo: los célculos para la prueba del cociente minimo se muestran ala derecha de la tabla 4.4. El renglén 2 es el renglén pivote (vea el recuadro alrededor de ese rengion en la primera tabla simplex de la tabla 4.5) y x, es la variable bésica que sale, En la siguiente tabla simplex (vea la tabla 4.5) x sustituye a x4 como la variable basica para el renglon 2. ‘Paso 3: se despeia la nueva solucién BF mediante operaciones elementales can renglo- nes (multiplicacién o divisidn de un renglén por una constante diferente de cero; sumao res- ta de un miiltiplo de un renglén con otro) para construir una nueva tabla simplex en la forma apropiada de climinacién gaussiana, abajo de la tabla actual, y después se regresa a la prueba de optimalidad. Las operaciones clementales con renglones que deben realizarse son: 1. Divida el renglén pivote entre el niimero pivote. Use este nuevo renglén pivote en los pa sos 2y 3, 2. Para los renglones (incluso cl renglén 0) que ticnen un coeficiente negarivo en la colum- na pivote, se suma a este renglén el producto del valor absoluto de este cocficiente por el nuevo rengl6n pivote 3. Paralos renglones que tienen un coeficiente positivo en la columna pivote, seresta de este renglén el producto de este coeficiente por el nuevo renglén pivote. Encl ejemplo: debido a que x2 sustituye a x4 como variable bésica, se necesita reproducit cl patrén de la primera tabla de coeficientes de la columna de x 4 (0, 0, 1, 0) en la columna de 2 dela segunda tabla simplex. Para comenzar, se divide el rengién pivote (renglén 2) entre el ntimero pivote (2), 1o que da el nuevo renglén 2 mostrado en la tabla 4.5 1Después, se suma al renglén 0 el nuevo renglén 2 multiplicado por 54Luego se resta del rengién 3 el nuevo ren- glén 2 multiplicada par 2 (0 de manera equivalente, se resta del renglén 3 el renglén 2ante rior). Estos célculos evan a la nueva tabla simplex que se muestra en la tabla 4.6 para la iteracién 1. Asi, la nucva solucién BF cs (0, 6, 4, 0, 6), con Z= 30, Después se regresa a laprueba de optimalidad para verificar sila nueva solucién BF es 6ptima. Como el nuevo ren- gl6n 0 todavia tiene un coeficiente negativo (-3 para x), la soluci6n noes Gptima, y se nece- sita por lo menos una iteracién més, TABLA 4.5 Tabla simplex para el problema de la Wyndor Glass Co. después de dividir el primer renglén pivote entre el primer némero pivote : an a Cosficiente de Iteracion basica | nim. | Z | om x2 xts_Xe——Xs__|derecho Zz of:']/s3 3 ° ° ° 0 x» | @ |] o t ° 1 o ° 4 : % @ | 0 0 z 0 i 0 a x || o 3 GJ ° ° 1 18 z |@]o »n |] o ' a |@|o ° 1 ° ; ° ® e a4.4 El método simplex en forma tabular 127 TABLA 4.6 _ Primeras dos tablas simplex para el problema de la Wyndor Glass Co. Variable | Ec. Coeficiente de Lado Iteracién _basica_|nim.| Z * a 2 Pi Xs [derecho z fo]: }/s3-s i et = 0) ° x [alo ices me leG)e| Oe eee eal! Zoo oes » |mfols o : an |@lolo 4 . s }@}o}] 3s 0 o 4 1 6 eS Iteracién 2 para el ejemplo y Ia solucién éptima que resulta {La segunda iteracion comienza de nuevo en la segunda tabla simplex de la tabla 4.6 para en- contrar la siguiente solucién BE Sise siguen las instrucciones de lox pasos 1 y 2, se encuentra que »; es lavariable basica entrante y x la variable basica que sale, como se muestra en la ta. bla 4.7, Para l paso 3se divide el renglén pivore (renglén 3) en la tabla 4.7 entre el mimero pivo- te (3). Después, se suma al renglén 0 el nucvo rengién 3 multiplicado por 3, Luego, se resta cl nuevo renglén 3 del rengién 1. En Ia tabla 4.8 se tiene ahora el conjunto de tablas simplex completo. La nueva solucién BFes (2, 6, 2,0, 0), con Z = 36. Al hacer la prueba de optimalidad, se encnentra que la solu Clones dptima porque no hay coeficientes negativos en el rengién 0, de manera que el algo ‘mo termina. En consecuencia, la solucién éprima para el problema de la Wyndor Glass Co. (antes de introducir variables de holgura) es x; = 2, x =6. Ahora compare la tabla 4.8 con el trabajo que sc hizo en la secci6n 4.3 para verificar que, en realidad, estas dos formas del método simplexson equivalentes, Después observe que la for. ima algebraica es uncjor para entender la l6gica que fundamenta el método simplex, pero la TABLA 4.7 Pasos | y 2 de la iteracién 2 para el problema de la Wyndor Glass Co, Variable | Ee. Coeficiente de Lado Heeracién_basica |num.[Z [4 aa xy x3 [derecho Razén128 45, 4 Solucién de problemas de programacién lineal: método simplex TABLA 4.8 Tabla simplex completa para el problema de la Wyndor Glass Co. Variable | Ec. Coeficiente de Lado. feeracién _bésica | nam. [ 2 | ual ase Zz @)i | a 0 ° ° eee| eles ° 4 4 |@)] 0) 0 az] s | @|o | 3 1 18 z |@}lifa ° 30 ello | in c : : x | @|o | lo o ie s | @|o |B 0 @ i -] z |@m@|1{o o o 1 6 \ s |am}ofo o 4 s 2 2 3 a Q) 0 0 1 oO 0o 6 x | @}o C0 i 2 forma tabular organiza cl trabajo de mancra més conveniente y compacta. En gencral se usard esta forma de ahora en adelante. Encl OR Tutor puede encontrar un ejemplo adicional de aplicacién del método simplex en forma tabular. Vea la demostracién llamada Simplex: Method—Tabular Form, ROMPIMIENTO DE EMPATES EN EL METODO SIMPLEX Es posible que haya observado que en las dos secciones anteriores no se dijo qué hacer cuando las reglas de seleccién del método simplex no evan a una decisién clara, ya sea porque hay empates (valores iguales) o por otras ambigiiedades parecidas. Se estudiarin estos detalles. Empate para la variable basica entrante El paso 1 de cada iteracidn elige la variable no hdsica que tiene el cneficiente negativa con el ‘mayor valor absoluto en la ecuacién (0) actual como la variable bdsica entrante. Ahora suponga que dos o més variables no basicas tienen cl cocficiente negativo més grande (cn valor absolu- 10), ¢s decir, que hay un empate. Por ejemplo, esto ocurrirfa en la primera iteracién del pro- blema de la Wyndor Glass Co, si se cambiara la funcién objetivo a Z = 3x; + 3x2, con lo que Ia ecuacién (0) inicial seria Z — 3x; - 3x, = 0. {Cémo debe romperse este empate? La respuesta es que-se puede elegir entre estos dos contendientes de manera arbitraria. ‘Tarde o temprano se llegaré ala solucién éptima, sin importar cudl de las variables empatadas se haya escogido, y no existe un método conveniente para predecir cual lleva ahi con mayor4.5._Rompimiento de empates an al métada simplax 129 rapidez. En este ejemplo, si se escoge x, como variable entrante, el método simplex alcanza la solucién éptima (2, 6) en tres iteraciones y si se elige x, llega en dos. Empate para la variable basica que sale: degeneracién Ahora suponga que el empate ocurre entre dos 0 mis variables bisicas al elegir la variable que sale exrel paso 2 de una fteracion, éImporta cual se escoge? En teoria, si, yen una forma critica debido a que puede ocurrir la siguiente sucesidn de eventos. Primero, todas las variables em- ppatadas se hacen cero al mismo tiempo cuando aumenta el valor de la variable entrante. Por lo tanto, aquellas que no se eligieron como variable bésica que sale también tendrdn un valor de cero en la nueva solucién BE (Las variables bdsicas con valor de cero se llaman degeneradas y el mismo nombre se da a la solucién BF correspondiente.) Segundo, si una de estas variables bésicas degencradas sigue con valor de cero hasta que se selecciona como variable bisica que sale en una itcraciéu posterior, la variable basica entrante deberd también quedar con valor de cero (ya que no puede crecer sin que la variable bésica que sale se vuelva negativa), entonces el valor de 2 quedara sin cambio. Tercero, si Z permanece igual en lugar de mejorar cada itera- ci6n, el método simplex puede caer en un ciclo que repite la misma secuencia de soluciones en forma periddica, en lugar de aumentar en algiin momento para llegar a la solucidn éptima. De hecho, se han construido ejemplos artificiales que se quedan atrapados en un ciclo perpe~ tuo de este tipo. Por fortuna, aunguc en teoria es posible que haya ciclos perperuos, muy rara vez han ocu- rrido en problemas reales. Si ocurriera un ciclo siempre se puede salir de él cambiando la elec- 0 para toda i= 1,2,...,m. En esta seccién se establecerd cémo hacer los ajustes requeridos a otras, formas legitimas de modelos de programacién lineal. Se verd que estos ajustcs sc pueden ha- cer en el paso inicial, y que el resto del método simplex se aplica justo como se aprendié. Eltinico problema serio que introducen las otras formas de restricciones funcionales (=, > oon lados derechos negativos) es identificar una solucién inicial bdsica factible. Antes, era muy sencillo encontrar esta solucién inicial al hacer que las variables de holgura fueran las va- riables bdsicas iniciales, donde cada una era igual a la constante no negativa del lado derecho de la ecuacién correspondiente. Ahora debe hacerse algo més. Elenfoque estindar que se uti- liza en estos casos es la técnica de variables artificiales. Esta construye un problema artificial més conveniente introduciendo una variable ficticia (llamada variable artificial) en cada res- triccién que lo requiera. Esta nueva variable s¢ introduce s6lo con el fin de que sea la variable bbésica inicial para esa ecuacién. Las restricciones usuales de no negatividad también se apli- can sobre estas variables y la funcién objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las iteraciones del método simplex automdticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucién; después de esto se resuelve el proble- ma real. Para ilustrat la técnica de las vatiables attficales, primero se considera el easv en que ka Ainica forma no estndar en el problema es la presencia de una o més restricciones en forma de igualdad. Restricciones en forma de igualdad En realidad, cualquier restriccién en forma de igualdad, fam + ign +0 + indy 2h; es equivalente a dos restricciones de desigualdad: Axi + miata + + inky SH; AX + inky too + igh 205.4.6 Adapracién a otras formas de modelo Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el mimero de restri clones, ¢ més conveniente usar la técnica de la variable artificial que se ilustraré con elo guiente ejemplo. Ejemplo. de manera q 133 Suponga que se modifica el problema de la Wyndor Glass Co. del seccién 3.1, hc fe vepwire que a planta 3 se use en toda su capacidad, El nico cambioque su, fre cl modelo de programacién lineal esque latercea estrcridn, 44, 12a s18 eee wen una restriccion de igualdad 3x, + 2xy 8, Spae dec] modelo completo se conviree en el que se muestra en la esquina supetior dere- cha de la figura 4.3. Esta figura también muestra la regidn factible con tinta mie oscura, y ahora consiste nada mds en el segmento que conecta los puntos (2, 6) y (4, 3) Después de introducir al sistema de ec ccesitan para las restricciones de desiguald. (0) q) (2) (3) Desafortunadamente, estas ecuacione: Z ~ 3x, - 5x = a +e = 2m tye 3x) + Dy . -uaciones las variables de holgura que todavia se ne- fad la forma aumentada del problema se convierte en 0 4 12 18, no tienen una solucién BF inicial obvia porque en la FIGURA 4.3, ‘Cuando la tercera restriccién funcional se converte an igualdad, fa region factible para el problema dela Wyndor Glass Co. se convierte en a segmento de recta entre (2, 6) y (4, 3). ” 19 Maximizar Z = 3x, + 5%, sujeto a A s4@ 2x 512, 3m 42x, =18 420, 420134 4. Solucién de problemas de programacién lineal: método simplex Obtencién de una solucién basica factible inicial. EI procedimiento es construir un problema artificial que iene la misma solucién éptima que el problema real, haciendo dos modificaciones a este problema real. 1. Seaplica la técnica de la variable artificial introduciendo una variable artificial no ne- gativa (denotada por ¥5)! en laecuacién (3), como si fuera una variable de holgura 8. 2, Se asigna una penalizacién enorme al hecho de tener Xs > 0, cambiando la funcién obje- tivo Z= 3x, + 5x) a Z=3x, + 5x - Ms, donde M simbélicamente representa un niimero positivo muy grande, (Este método que fuerza a Xs hasta llegar a ¥5 = 0 en la solucidn dprima se llama método de laM.) (3) 3x, + 2xy + 5s Ahora se encuentra la solucién ptima para el problema real con la aplicacién del método simplex al problema artificial; la solucién BF inicial es la siguiente: Solucidn BF inicial ‘Variables no bésicas: ‘Variables bisicas: Bs =18. Como ai; hace las veces de la variable de holgura en la tercera restriccién del problema ar- tificial, esta restriccidn es equivalente a 3x; + 2x S18 (justo como en el problema original de la Wyndor Glass Co. en la seccidn 3.1). A continuacién se muestra el problema artifi cial que resulta (antes de aumentarlo) al lado del problema real. Problema real Problema artificial Defina y= 18— 3x, - 23 Maximizar Z= 34) 4 53 - My, Maximizar Z = 3 +54, sujera a sujeta a a os4 s 2x2 $12 2x ay 2g = 18 3mj+ 2m y (03m + 2x3 + 20, x1 20, Entonces, igual que en la secci6n 3.1, la regién factible para (x, 22) en el problema artificial es la que se muestra en la figura 4.4. Ta tinica porcidn de esta regién factible que coincide con la del problema original ¢s cuando ¥5 = 0 (de manera que 3x; + 2x2 = 18) La figura 4.4 mucstra, ademas, cl orden cn cl que ¢l método sfmplex examina las solucio- nes FEV(o las soluciones BF después de aumentar el problema), donde los niimero en los circulos identifican qué iteracién obtuvo esa solucién, Observe que en este caso, el método simplex se mueve en sentido positivo (contrario al de las manecillas del reloj) mientras que en 'Se distinguirdn siempre las variables artfciales mediante la barra sobre lla.4.6 Adaptacién a otras formas de modelo 135, a Defina % = 18-35 -2ay, Maximizar Z = 3x4 5.4, ~ Mi, sujeto a s4 dase 3q+2y sl Co y 420, 20 eee FIGURA 4.4 Esta gréfica muestra la region factble y la secuencia de soluciones FV O.O.@.Q) que examina el método simplex para el problema 26M artificial que corresponde (0,0) tee al problema real dela Z figura 4.3. ¢l problema original se movia en sentido negativo te paso de preparacién. Conversion de fa ecuacién pués de aumentar el problema artificial es (0) Z~ 3x, ~ 54, + Mi, q) x + ay (2) 2x, +24 (3) 38x + 2s + #18 (0) a la forma apropiada. Para la eliminacién algebraica de de la ecuacién ecuacién (3) multiplicada por M. Z- 3x, ~ 5x) + Mi, ~MBx,+2x + Nuevo renglén (0) Z ~ (3M + 3)x; ~ (2M +B), uu (vea la figura 4.2). Ta razén de esta dife- objetivo del problema artificial, simplex y comprobar que sigue el eamino mostradyen la figu- Elsistema de ecuaciones des- (0), se resta de esta ecuacién (0) la 0 18) -18M,136 4. Solucién de problemas de programacién lineal: método simplex Aplicacién del método simplex. Esta nueva ecuacién (0) da Zs6lo en términos de las variables no bésicas (x, 2), Z=-1BM+ BM+3)x, + 2M Say Como3 M + 3 >2M + 5 (recuerde que M representa un nimero muy grande), si se aumenta 4), Zcrece a una tasa mds répida que al aumentar x), de manera que se elige x; como la varia- bile bésiea entrante. Esto causa un movimiento de (0, 0) a (4, 0) en la iteracién 1, como ce muestra en la figura 4.4, y Z se incrementa en 4(3M + 3). ‘Las cantidades que incluyen el valor M nunca aparecen en el sisterna de ecuaciones en otro renglén que no sca el (0), as{ que s6lo tienen que tomarse en cuenta en la prueba de opti- ‘malidad y al determinar la variable basica entrante. Una manera de manejar estas cantidades esasignara M algin valor numérico (muy grande) y trabajar con las cantidades que resulten en a ecuacién (0) en a forma acostumbrada. Sin embargo, este enfoque puede acarrear erto- res de redondeo significativos que a su vez pueden invalidar la prueba de optimalidad. Por lo tanto, es mejor hacer lo que acaba de mostrarse, esto es, expresar cada coeficiente de la ecua~ ciGn (0) como una funcién lineal aM + b de la cantidad simbélica M al registrar y actualizar por separado el valor numérico de: 1) el factor multiplicative a y 2) el factor aditivo b. Como se supone que M es tan grande que 6 es despreciable comparado con M cuando a # 0, las deci- siones en la prueba de optimalidad y la eleccién de la variable bésica entrante se hacen sdlo con los valores de los factores mutiplicativos en la forma usual. La tinica excepcién ocurte cuando hay un empate que se rompe usando los factores aditivos. Ena tabla 4.1] se muestra la tabla simplex que resulta al aplicar esta técnica al ejemplo. Observe que la variable artificial 5, ¢s una variable bdsica (3s > 0) en las dos primeras tablas simplex y no bdsica (Zs = 0)en las tiltimas dos. Entonces, las dos primeras soluciones BF para este problema artificial son no fitcribles para el problema real mientras que las dos tiltimas son soluciones BF para el problema real. Este ejemplo incluyé sdlo una restriccién de igualdad. Si un modelo de programacién li- neal tiene mds, cada una debe manejarse de la misma manera, (Si cl lado derecho es negativo, primero se multiplican ambos lados por ~1.) Lados derechos negativos La técnica que acaba de presentarse para manejar una restriccién de igualdad con lado dere~ cho negativo (esto es, multiplicar ambos lados por ~1) también se puede usar con las restric~ ciones de desigualdad con lado derecho negativo. Si se multiplican ambos lados de una desigualdad por -1 se invierte el sentido de la desigualdad; es decir, < cambia a 2 y viceversa. Por ejemplo al hacer esto con la restriccién. wy-¥)S-1 (Estos, xy $42 ~1) da la restricci6n equivalente mm tx221 — (estoes, x2 - 12%) pero ahora el lada derecho es positivo. Cuando se tienen lados derechos no negativos para to- das las restricciones fancionales, el método simplex puede comenzar porque (después de au- mentar) estos lados derechos se convierten en los valores correspondientes a las variables bsicasiniciales, que deben satisfaccr las restricciones de no negatividad.4.6 Adaptacién a otras formas de modelo 137 TABLA 4.11 Conjunto completo de tablas simplex para el problema de la figura 4.4 Lado z ae eae s_| derecho Ze Oh ees | susan ss miotemna o | -1em » | mM] o n 0 1 0 0 4 ° cs @ ° oO z ov 1 0 2 Xs @) 0 3 2 o 0 1 18 Zz 0) ' o ~2M-5 3M+3 0 0 6M +12 i = iw |e 1 ° 1 ° ° 4 x Q) 0 0 2 0 1 o 12 Le @), o | 2 =3 0 n 6 9 zi/@]s oO 0 =F. 0 MHS | oy x» | m | o ' o Tyo o 4 . « | @ | 0 | (@——e—7F3 1 6] 3 T coe @) 0 0 1 2 0 z 3 3 Zz (0) I oO 0 0 2 M+i 36 1 1 x a 0 1 0 ° a ; 2 ts) It 1 »|@]olfo o 1 ao 2 1 4 | @ Ahora se estudiard cémo aumentar las restricciones de ayuda de la técnica de variables artificiales. Restricclones funcionales de la forma > Para ilustrar la manera en que la técnica de variables artificiales maneja las restricciones de la forma 2 se usard el modelo del disefio de terapia de radiacién para Mary, presentado en la sec- cién 3.4. Por conveniencia se repite el modelo aqut y se seniala con un recuadro la restriccion de interés en este caso, Ejemplo de terapia de radiacion Minimizar Z = 0.42 + 05x sujeta a 0.34 40.1 < 2.7 05m +054) = 6 6m +04e 2 6 M20, 420. ll tipo >, como-x, + 2, 2 conta138 0.6m + 0426 10 FIGURA 4.5 Grafica del ejemplo de terapia de radiacién y sus soluciones en los vertices. 0 5 Segmento con linea gruesa Solucién dptima 03x + Oley $2.7 4. Soluci6n de problemas de programacién lineal: método simplex Puntos = soluciones en los vértices regién factible (75,48) 0.535 + 0.53 = 6 10 i En [a figura 4.5 se repite la solucién gréfica para este ejemplo (presentado en la figura 3.12) con algunas diferencias. Las tres rectas de la figura, junto con los dos ejes constituyen las cinco fronteras de restriccién del problema. Los puntos dibujados en la interseccién de ‘cada par de restricciones son las soluciones en los vertices. Las tinicas dos soluciones factibles en un vértice son (6, 6) y (7.5, 4.5) y la regién factible es el segmento que une estos dos puntos. La solucién éptima es (21, #2) = (7.5, 4.5), con Z= ‘Muy pronto se mostrard la manera en que el método simplex resuelve este problema a 5.25. partir de la solucién directa del problema artificial correspondiente. No obstante, primero se describira como manejar la tercera restriccion.4.6 Adaptacién a otras formas de modelo 139 El enfoque involucra la introduccién de dos variables: una variable de superdvit xg (defi- nida como 5 = 0.6 + 0.4 ~ 6) y una variable artificial %, como se vert en seguida, 0.6, + 04x, 6 > 06x; + 0.4%) ~ x5 6 (x20) > 0.6%; + 0.42 — 5 + 2¥5 = 6 (x5 20, % 20). Aatuh as oe llama variable de superavit porque resta el exceso de! lado izquierdo sobre el de- recho para convertir la estrccidn de desigualdad en una de igualdad equivalente. Une ve Bracla esta Conversién, se introduce una variable artificial igual que para las testriccionee de igualdad, {Una vez introducida a variable de holgura xs en la primera restriccin, se inserta una va- fable artificial ¥, en la segunda restriecin y sc aplica el mnérodo de la M; el problema sec ial completo (en la forma aumentada) es Minimizar Z=0.4% + 05x) + ME,+ Mis, sujeta a 0.3.x + O.lxy + x3 27 05x, +05 + Fy 6 06x; + 0.4% ~ 35+ %=6 Y 120, 220, 320, 8,20, x520, %>0 Observe que los coeficientes de las variables artifcales en la funcidn objetivo son + M, en lae gar de —M porque aliorase debe minimizar Z. Entonces, aun cuando es Posible que ¥4>0y/o Se 30 guyana solucin factible paral problema artifical, la unidad de penalizacin tan gem. de de +.Mf evita que esto ocurra en una solucién éptima, Como siempre, laintroduccidn de variables artificiales hace que laregica factible se am lie. Compare las restricciones sobre (x, 2) para el problema real con las restrieciones on, rrespondientes del problema artificial, Restricciones sobre (31, 2) Restricciomes sobre (x1, >) para el problema real para el problema artificial 0.31 + 0.x, <2.7 0.3%; + Ole < 2.7 0.52; + 0.5% 05x, 1 0.5% 56 — (=se cumple si4=0) 0.6%; + 0.4%, 26 No hay restricci6n (excepto cuando ¥, = 0) 20, 20 *20, 220 [aintoduccién de la variable artificial para que naga ls veces dela variable de holguraen {a segunda restriccin, permite valores de (x, 2) menores que larecta0.5x, + 0.5e, s6enin figura 4.5. La introduecion de xs y X en la terera restrccién del problema real (y el movi, miento de estas variables al lado derecho) lleva a la eenacién 0.61; + 0.47 =64 25 — Debido a que la inicarestriccidn sobre.xs ys es que sean no negatvas, su diferencia xy ~ Zq pus ser un niimero positivo o negative, Enronces, 0.6 + U-Aty puede tomar cuslquies valor, lo que tiene el efecto de eliminar la tercera restriccidn del problema artificial y permitie Puntos en los dos lados de la recta 0.63% + 0.4) = 6 en la figura 4.5. (Se conserve L tercera testriccién en el sistema de ecuaciones porque més adelante volver a ser relevante, después eque el método de la M lleve a = 0.) En consecuencia la reginfactible para el problema140 4 Solucién de problemas de programacién lineal: método simplex artificial es el poliedro completo de la figura 4.5 cuyos vértices son (0, 0), (9, 0), (7.5, 4.5) y (0, 12). ‘Como ahora el origen es factible para el problema artificial, l método simplex comienza con (0, 0) como la solucién FEV inicial, es decir, con (3, 2,3, 4,5 ,%) = (0,0, 2.7,6,0, 6) como solucién BF inicial. (FI propésito de crear el problema artificial es hacer que el ori- gen sea factible para tener un punto de partida convenicnte para ¢l método simplex.) Después ce seguiré la trayectoria del mérodo simplex deade el origen hasta la solucién Sptima pata lus dos problemas, el artificial y el real. Pero primero, écémo maneja el método simplex la mini- mizacion? Minimizacion Una manera directa de minimizar Z con el método simplex es cambiar los roles de los coefi- cientes negativos y positivos cn cl renglén 0, tanto para la prucba de uptintalidad como para cl paso 1 de una iteracién. Sin embargo, en lugar de cambiar las instrucciones del método simplex para este caso, se presentard una manera sencilla de convertir cualquier problema de ‘minimizacién en un problema equivalente de maximizacién: Minimizar Z=¥ 6}; ces equivalente a Mosimizar -Z~ 3 (-ey)xy3 pl ¢s decir, las dos formulaciones llevan a la(s) misma(s) solucién(es) éptima(s). Las dos formulaciones son equivalentes porque entre mds pequefia es Z, més grande es. ~Z, entonces, la solucidn que da el menor valor de Z dentro de la region factible, también debe dar el mayor valor de —Z en esta region. Por lo tanto, en el ejemplo de terapia de radiacién se debe hacer el siguiente cambio cn la formulacion: Minimizar Z= 04x, + 0.5%, > Maximizar -Z =" - 0.4m - 0.5%, Después de introducir ls variables artificiales £4 y %, yde aplicar el método de la M, la con- version correspondiente es Minimizar Z- 0.40, +0.Sx, + MBy+ Mi > — Maximizar -Z = -O.4x, ~ 0.5%) - ME,- Mis. Solucién del ejemplo de terapia de radiacién Fl ejemplo ests casi listo para aplicarle el método simplex. Si se usa la forma de maximizacién que se acaba de obtener, cl sistema de ecuaciones completo es (0) -Z+04x,+ 0.5%. + May + Mig= 0 ay 0.3m + OL) + 2x5 =274.6 Adaptacién a otras formas de modelo 141 (2) 05% + 0.5% + Fy 8) 0.6%, 1 04x, = a5 + = Las variables bisicas (xs, 4, %) en la sohuci6n BF inicial (para este problema artificial) se muestran en negritas, Observe que este sistema de ecuaciunes todavia no esté en a forma apropiada de elimina- cin gaussiana para iniciar el método simplex, ya que todavia deben eliminarse las variables Lisicas &4 y Bs de la ecuacion (U) de manera algebraica. Como # y X, tienen coeficiente M, se tienen que restar de a ecuacién (0), Ia ecuaci6n (2) y la ecuacidin (3) ambas madsiplicadas or M. A continuacién se resumen los céleulos de todos los coeficientes(yloslados derechos), en donde los vectores son los renglones relevantes de la tabla simplex correspondiente alsiste. ‘ma de ecuaciones anterior. Renglén 0: (04, 05, 0, M;, 0, M, 0} -M(05, 05, 0, 1, 0, 0, 6) =M(0.6, 04, 0, 0, 1 6) Nuevo renglén 0=[-11M+04, -09M+05, 0, 0, M, 0, -l2M), La tabla simplex inicial que resulta, lista para comenzar el método sfmplex, se muestra ena tabla 4.12. Al aplicar el método simplex en la forma acostumbrada se obtiene la secuen- cia de tablas simplex mostradas en el resto de la tabla 4.12. En cuanto ala prueba de oprim lad y a eleccion de la variable bdsicaentrante en cada iteracin, las cantidades que inclayen Af se tratan justo como se explicé para Ja tabla 4.11. Fn particular, siempre que M esté presente, s6lo se usa su factor multiplicativo a menos que haya un empate, en cuyo caso el Empate se rompe con los términos aditivos correspondicntes. Un empate de este tipo ocurre en la ltima seleccién dela variable bésica entrante (vea la pentiltima tabla simplex) en donde los coeficientes de. y x5 on cl rengién 0 tienen el mismo factor multiplicativo, =}. Alcom- parar los términos aditivos, I< Z, se selecciona x5 como la variable bisica entrante. Observe en la tabla 4.12 la progresiGn de valores de las variables artficiales #4 y 5 yde 2, Secomienza con valores grandes, ¥4= 6 y Xs = 6, con 7 = 12.M (-Z~-12M), La primera iteracién reduce mucho estos valores. El método de la M logra hacer que ¥ = 0 (como una ‘nueva variable no hésica) en la segunda iteracién y en la siguiente hace lo misino con® 4. Con #4 = Oy 6 = 0, se garantiza que la solucién bésica dada en la iltima tabla simplex es factible Para el problema real. Como pasa la prueba de optimalidad, también es 6ptima. Ahora se puede ver lo que el mérodo de la M ha hecho en la gréfica de la figura 4.6. La re- gid facrible para el problema artificial tiene al iniciar cuatro soluciones FEV, (0, 0), (9,0), (0, 12) y (7.5, 4.5), y después sustituye las primeras tres con das solciones FEV nuevas, (8, 3), (6, 6), después de que i decrece hasta ¥, =0, de manera que 0.6x; + 0.4x, >6 se convierte en una restriccin adicional. (Observe que las tres soluciones FEV susticuidas, (0, 0), (9,0) y (0, 12), eran, de hecho, soluciones no facribles en los vrtices para el problema real mostrado en la figura 4.5.) Comenzandu con el origen como una solucion FEV inicial conveniente para el problema artificial, el proceso se mueve por la frontera a las otras tres so- lucioues FEY, (9, 0), (8, 3) y (7.5, 4.5). La tltima de éstas es la primera que también es facti~ ble paral problema real. Por coincidencia, esta primera solucién factible resulta éprima, por Jo que no se necesitan mis iteraciones.142 4_ Solucién de problemas de programacién lineal: método simplex TABLA 4.12. El método de la M para el ejemplo de terapia de radiacién Variable | Ee. ae Lado Iteracién basica | nim. | Z | x x x A xs | derecho z | @ | -1|-Lueo4 -o9m-os 0 0 mM 0 =m » | w | o | [os ol 1 0 o 0 2 ° % | @ | 0 | jos 0s ° ' ° ° 6 x | @ | | [oe o4 ° ° - 1 ‘ Tey, it My 4 z fmf] oe ny 338 " 0 | -2m-36 x | o 1 [ty g ° ° ° ° ; oo 3 3 1 5 | alee ° 5 i ' ° ° 1s ie w | o| Ce Oz =i 2 =I fi 06] saa Sy, by lt z |@|-al o ° peo Smit Bat | oma nfo 1 ° 2 ° 3 -= : a | : 7 7 8 5 5 5 u | @]o ° ° 3 \ ; 3 05 a_|@|o| o fi =10 ° 3 3 3 z |. [=| ». ° 05 M-lI 0 ™ “325 xn | @io 1 ° 5 “1 ° ° 18 d = Go | ° ° tae 1 1 03 x | }ol 0 \ 3 ° ° 45 En otros problemas con variables artficiales, puede ser necesario realizar iteraciones adi- cionales para llegar a una solucién éptima después de obtener Ia primera solucién factible para cl problema real. (Este fue el caso en el ejemplo resuelto en la tabla 4.11.) Asi, puede pensarse que el método de la M tiene dos fases. En la primera fase, todas las variables artificia- les se hacen cero (debido a la penalizacién de M por unidad al ser mayores que cero) con el fin de obtener una solucién bisica factible inicial para el problema real. En la segunda fase todas las variables artificiales se mantienen en cero (por esta misma penalizaci6n) mientras que el método simplex genera una secuencia de soluciones BF que llevan a la solucién éptima. Elmétodo de dos fases que se describe a continuacién es un procedimiento directo para realizar estas dos fases sin siquicra introducir la M de una manera explicita. Método de dos fases Enel ejemplo de terapia de radiacin que se acaba de resolver en la tabla 4.12, recuerde la fun- cidn objetivo real * Problema real: Minimizar Z= 0.42 + 0.5%).4.6 Adaptacin a otras formas de modelo 143 708 2 =6412M Restricciones para el problema artificial (0, 12) pe 034+ O.bxy < 2.7 0.5m + 0.5xy <6 (= se comple si (0463 + 0.435 2 6 cuando 3 0) M20, 20 (%20, %20) Este segmento oscuro es la regi6n factible para el prablema real (%,=0, %=0), (7.5, 4.5) 6peima FIGURA 4.6 Ow La grafica muestra la regién factble y la se- . ‘uencia de soluciones @Wz=47+05m FevV@.0,2.@ examinadas por método simplex (con i ae ‘el método de la M) r _ t 4 ‘ pare problema © a OI artificial correspon- (0, 0) diente al problema ' (9, 0) A real de a figura 45. Z=0+12M Sin embargo, el método de la M utiliza la siguiente funcién objetivo (o su equivalente en la forma de maximizacién) en todo el procedimiento: Método deta M: — Minimizar —Z = 0.44, + 0.54 + Mi q+ Mi. Como los dos primeros coeficientes son despreciables comparados con M, el método de dos fases puede climinar la M usando las siguientes dos funciones objetivo que definen a Z de ‘manera completamente diferente. Método de dos fases: Fase 1: Minimizar Z= 4+ X (hasta que #4 = 0, % =0). Fase 2: Minimizar Z = 0.4% + 0.5%) (con ¥4=0, % = 0). La funci6n objetivo de la fase 1 se obtiene dividiendo la funcién objetivo del método de la M entre My eliminando los términos despreciables. Como la fase 1 concluye al obtener una so-144 4 Solucién de problemas de programacién line método simplex luci6n BF para el problema real (aquella en la que %4 = Oy %¢ = 0), esta solucién se usa como la solucién BF inicial para aplicar el método simplex al problema real (con su funcién objeti- vo) en la fase 2. ‘Antes de resolver el ejemplo de esta manera se hard un resumen de las caracteristicas ge- nerales. Resumen del método de dos fases. Paso inicial: se revisan las restricciones del pro- bblema original introduciendo variables artficiales seguin se necesite para obtener una solu- cin BF inicial obvia para el problema artificial. Fase 1: cl objetivo de esta fase es encontrar una solucién BF para el problemareal. Para ha- cer esto, Minimizar =X de variables artificiales, sujeta alas restricciones revisadas. La solucién éptima que sc obticne para este problema (con Z ~ 0) scré una solucién BF para el problema real. Fase 2: el objetivo de esta fase es encontrar una solucién 6ptima para el problema real. Como las variables artificiales no son parte del problema real, se pueden eliminar ahora (de todas maneras todas tienen valor de cero). Comenzando con ja solucién BF obtenida al final de la fase 1, se usa el método simplex para resolver el problema real. En seguida se resumen los problemas que deben resolverse por el método simplex en las fases respectivas para el ejemplo. Problema para la fase 1 (ejemplo de terapia de radincién): Minimizar Z = 24+ 5, sujetaa 0.3m; + O.1x; + x3 =27 05x, + 0.5%, + ¥4 =6 06x, + 04x, — e+ B= 6 y x20, 2220, 3320, F420, x520, ¥520. Problema para la fase 2 (ejemplo de terapin de radiacién): Minimizar Z=0.4%, + 0.5%, sujeta a 0.3%; + Oley + x3 05x, + 0.5x2 0.6x; + 0.4%, y 120, 20, £220, 4520. 'se estén pasando por alto otras trea posbilidades: 1) variables artifciales > 0 (que se presentan en la siguiente sub seccin), 2) variables atfciales que Son variables bisicas degeneradas y 3) variables rtfciales que se retienen como variables no bésicas en la fase 2 (sin permirir que mielvan a enrear coma héseas) para ayndaren elandlisie pacéprima subsecuente. ELOR Courseware le permite explorar estas posbilidades.4.6 Adaptacién a otras formas de modelo 145 Las tnicas diferencias entre estos dos problemas se encuentran en la funci6n objetivo y en la inclusi6n (fase 1) 0 exclusién (fase 2) de las variables artificiales ¥ 4 y Z. Sin las variables ati. fciale, el problema para la fase 2 no tiene una solucén BF inicial obvia, El tnico propésito Para resolver cl problema de la fase 1 es obtener una solucidn BE con Z4=Oy %=0 aque se pueda usar como la solucién BF inicial para la fase 2, La tabla 4.13 muestra el resultado de aplicar el método simplex a este problema para la fase 1 [Elrenglén Oen a tabla simplex inicial se obtiene al convertir minimizar Z= #4 + %q amarimizar (-Z) ~ Bq Spy y desputs usat ypeructomeselementales con renglones pata clime nar las variables bdsicas 4 y ¥6 de~Z-+ X4 + 3g = 0.] En la peniiltima tabla simplex existe un empate para la variable bdsica entrante entre «3 y x5, que se rompe arbitrariamente en favor de-4s. La solucién obtenida al final de la fase 1 es, entonces, (1, #2, 24, 2) — (6,6, 0.3, 0, 0, 0) o despues de eliminar %4 y ¥., (x, 82, x3, x5) = (6, 6, 0.3, 0). Segtin se afirmo en el resumen, esta solcidn de la fase 1 es sin duda una solucién BF para cl problema rea (problema dela fase 2) puesto que es la solucin (después de hacer xg 0) del sistema de ecuaciones que consiste en las tres restricciunes fancionales para el proble- ima de lafase 2. De hecho, después de eliminar las columnas de #4 y %, al igual quel renglén 0 para cada iteracién, la tabla 4.13 muestra una manera de utilizar la climinacion gaussiana para resolver este sistema de ecuaciones reduciéndolo alla forma que tiene en la tala simplex final, TABLA 4.13 Fase | del método de las dos fases para al ejemplo de terapia de radiacién Variable | Ec. Coeficiente de Lado Iteracion_basiea [nam.| Z | x x2 xy oy X4_|derecho z | @ [1 fou case 0-2 ery (ly 0 03 OF 1 0 0 7 o & @ | o |fosl—os ° 1 0 6 uw [@|o [lol o 0 o ile eo ' Soe, o | -21 3] 2 0 «© of s ; «fm]oj}. [i] ¥ i] os a | @ gL -2 1 oo | ts & | @ | 0 | Ce fel a 3 7s z lol- [oo | = as eee ie : $ ae « }@]o|[oo | _— » [@|o |e 1 tele TG z |o@]-' |e 0 1. 1+ to x |m@i[e@}u 0 o « 3 F\e eee ato}olo 1 »0 ¢ 5s sly146 4 Solu ‘An da nenhlemas de programacién lineal: método simplex La tabla 4.14 muestra la preparacién para iniciar la fase 2 después de completar la fase 1. Se comienza con la iltima tabla simplex en la tabla 4.13, se eliminan las variables arificiales (ay Re), se sustituye a funci6n objetivo dela fase 2 (~Z = -0.4xy ~ 0.532 en la forma de ma- ximizacidn) en el renglén 0 y después se restablece la forma apropiada de eliminacién gaus- siana (con la eliminacién algebraica de las variables bsicas +, y x2 del renglén 0). Asi, el renglén 0 en la tabla simplex se obtiene con las siguientes operaciones elementales con renglones ceria pendltinta tabla simplex: sc vestan del renglén 0, el renglén 1 muleiplicado por 0.4 y el rengl6n 3 multiplicado por 0.5. Observe que los renglones I y 3 no cambian excepto por la climinacién de las dos columnas. Los tinicos ajustes ocurren en el renglén 0 a fin de sustiruir la funcién objetivo de la fase 1 con la funcién objetivo de la fase La iltima tabla simplex en la tabla 4.14 es la tabla simplex inicial para aplicar el método simplex al problema de la fase 2, coma se muestra. inicio de la tabla 4.15. Una sola iteracién lleva a la solucién éptima que se muestra en la segunda tabla simplex: (x1, 2, #3,%5) =(7.5, 4.5, 0, 0.3). Esta solucién cs la solucién éptima deseada para el problema real que interesa ‘més que el problema artificial construido para la fase 1. ‘Ahora observe lo que el metodo de las dos fases ha hecho en la grifica de la figura 4.7. A partir del origen, la fase 1 examina un total de cuatro soluciones FEV para el problema artifi- cial. Las primeras tres de hecho eran soluciones no factibles en los vertices para el problema real mostrado en la figura 4.5. La cuarta solucién FEV, en (6, 6), ¢s la primera que también es ————— TABLA 4.14 Preparacién para la fase 2 en el ejemplo de terapia de radiacién Coeficiente de Variable | Ec. Lado basica |nam.| Z| x x2 *s_ 4 xs__%e_[ derecho z |@|+|o o o 1t 0 1«|o n |mfo| 1 0 0 -4 -5 5] 6 “Tabla sil final pala 3 foe | » |@lo}o o 1 § 4 -1 | 03 iO Olt Oe hs Occ eccsisa|a6 ze doen | 0) 06 ° ° _ eo [ole | | oo s ‘ Se liminan Fay elo lag o st ; ACO OD s ‘ z |@|-+| o# os o ° ° Se sustitye la funcén a [oO . 5 . objetivo paral fase 2 » |@ oo 1 1 03 n |® Ce) 5 6 z |@l+[o o o “05 =54 Serectablecelatorms x, | () | Oo] 1 OO ‘ omidntn |e] 0 8 eo n |@lolo 1 5 64.6 Adaptacién a otras formas de modelo 147 TABLA 4.15 Fase 2 del método de las dos fases para el ejemplo de terapia de radiacién Variable | Ee, ae Lado Heeracién —_bisica | mdm. [|Z x A x x3 _|derecho Zz @ | a ° ° 0-05 | -s4 x | @ | 0 I o os 6 2 % @ ° 0 0 1 i 03 _| » | @ | 0 ° i ° 5 é zl@l- ° ° os 0 | -s25 4 w | o 1 ° 5 ° 15 | ao ° ° 1 1 03 Oe ° \ - ° 45 FIGURA 4.7 a Lagréfica muestrala (0, 12) secuencia de solucio- > nes FEV para la fase | ODA, después para la fase 2 @.Q) cuando se aplica el método de las dos fases al ‘ejemplo de terapia de : radiaci6n Arto : Ss $9 Este segmento oscuro es s 7 Ja regin factible para el ‘ 70) problema real (fase 2) in : 7 < ¥ = \"S (7.5, 4.5) optima Regién factible @a.3) para el problema artificial (fase 1) (0, oy a (9, 0)148 4. Solucién de problemas de programacién lineal: método simplex factible para el problema real, de manera que se convierte en la solucién FEV inicial para la fase 2, Una iteracidn lleva a la solucién FEV éptima en (7.5, 4.5). Siel empate para la variable bésica entrante que surgié en la pentiltima tabla simplex de la tabla 4.13 se hubiera roto de otra manera, entonces la fase | habria ido directamente de (8, 3) a(7.5,4.5). Después de utilizar (7.5, 4.5) para establecer la tabla simplex inicial para la fase 2, laprucha de optimatidad habria revelado que esta solucién era éptima y no se habrfa realizado ninguna iteracién, Resulta interesante comparar los métodos de la M y de las dos fases. Se comenzaré por sus fanciones objetivo. Método de la M: Minimizar Z = 0.4m + 0.5x) + ME 4+ MX,. Método de dos fase: Fasel: — Minimizar Z= 4+ 55. Fase 2: Minimizar Z = 0.40 + 0.5% Dado que los términos Mis y Mis dominan alos términos 0.4%, y 0.5%; en la funcién ob- jetivo para el método de la M, esta funcién objetivo es esencialmente equivalente a la de la fase 1 mientras X 4 y/o X, sean mayores que cero. Entonces, cuando X 4 = Oy Xs = 0, la funcién objetivo del método de la M se vuelve completamente equivalente a la funcién objetivo de la fase 2. Debido a estas equivalencias virtuales en la funcién objetivo, el método de la M y el de dos fases tienen casi siempre la misma secuencia de soluciones bésicas factibles. La tinica ex- cepcién posible ocurre cuando existe un empate para la variable bésica entrante en la fase 1 del método de dos fases, como sucediié en la tercera tabla simplex de la tabla 4.13. Observe que las primeras tres tablas simplex de las tablas 4.12 y 4.13 son casi idénticas, fa iniva diferencia ¢¢s que los factores multiplicativos de M en la tabla 4.12 se convierten en cantidades tinicas en los puntos correspondientes de la tabla 4.13. En consecuencia, no se contaba con los factores aditivos que rompieron cl empate para la variable basica entrante en la tercera tabla simplex dela tabla 4.12 para romper este mismo empate en la tabla 4.13. El resultado en este ejemplo fue una iteracién adicional en el método de dos fases, aunque en general, la ventaja de contar con los factores aditivos es minima, El método de dos fases sigue los pasos del método de la M usando sélo los factores multi- plicativos en la fase 1 y eliminando las variables artificiales en la fase 2. (El método de la M puede combinar los factores multiplicativos y aditivos asignando un valor muy grande a ‘M, pero esto podria crear problemas con inestabilidad numérica.) Por estas razones €s co- miin que cuando se trate de paquetes de computadora se use el método de dos fases. Sin soluciones factibles Hasta aqui, esta seccién se ha ocupado més que nada del problema elemental de identificar la soluci6n BF inicial cuando no se dispone de una obvia. Sc a visto que se puede usar la técnica de variables artificiales para construir un problema artificial y obtener una solucién BF inicial para este problema artificial. El método de la M o el de dos fases permiten al método simplex comenzar su recorrido hacia las soluciones RF y por tilrimo hacia la solucién éptima del pro- blema real.4.8 Adaptaci6n a otras formas de modelo 149 No obstante, se debe estar consciente de un obstéculo que se puede presentat, Puede no ¢xistir una cleccién obvia para la solucién BF inicial por la poderosa razén de que lio existan Soluciones factibles! Al construir una Solucién factible artifical, no hay nada que impida al método simplex proceder como siempre c incluso infurmar que encontré una supuesta solu- cidn éptima, Por fortuna, la técnica de las variables artifictales proporciona algunas sefiales que indi- ‘can que esto ha ocurtido: cl problema original ma tiene soluciones facribles, entonces cualqnier solucin prima obtenida con el método de la M o en la fase 1 del méodo de dos ses levaa tuna sofucin final que con ‘ene al menos una variable artificial mayor que cero. De otra manera rodasson iguales a cero. Para lustrar esto, cambie la primera restri figura 4.2) como sigue: in del ejemplo de terapia de radiaciGn (veala 0.3%, +0.1x 52.7 > 0.34, +0.1x) <18 con lo que el problema ya no tiene soluciones factibles. Si se aplica el método de la M como antes (vea la tabla 4,12) se obtiene la tabla simplex que se muestra en la tabla 4.16, (La fase 1 del método de dos fases conduce ala misma tabla simplex, excepto que cada expresién con M se reemplaza s6lo por cl factor multiplicativo.) Entonces, por lo comin, el método de la AMindicaria que la solucién dptima es (3, 9,0,0,0,0.6). Sin embargo, ya que una variable ar. ‘ficial «= 0.6> 0, el mensaje real aqui es que el problema no tiene soluciones factibles, TABLA 4.16 EI método de la M para la revision del ejemplo de terapia de radiacién que no tiene soluciones factibles Variable| Ee. coseconee ae Lado Ieeracién basica | nim. | z x Xr x Xe Xs, Ke |_ derecho z | @ [-1[ wos -oomos 0 o | =m x» | a] o| [os mn H ° ° ° 18 : % | @ | o | [os 05 0 1 0 0 6 % [@ | o | [os] oa ° ° - 1 ‘ z ]@|- ° ° “ 0 | -s4m—24 a | mo 1 ° ° ° ‘ 1 - % 1a io ° 1 ° ° 3 & |@]o|} o ° “1 fl 24 z |o ° © MOS 16M—L mM 0 | -06m-57 x | a]o 1 ° s+ ° ° a : a | @o ° 1 “3 3 ° ° 9 eee lores ° ie ey 1 064 Soluci6n de problemas de programacién lineal: método simplex Variables que pueden ser negativas En la mayor parte de los problemas practicos, los valores negativos para las variables de deci- si6n ticnen un significado fisico, por lo que es necesario inciuir las restricciones de no negati- vidad en la formulacién de los modelos de programacién lineal, Sin embargo, esto no ocurre siempre. Como ejemplo, suponga que en el problema de la Wyndor Glass Co. el producto 1 ya estd en produccién y que la primera variable de decisién x representa el incremento en la tasa de produccién, Entonccs, un valor negative Ue x indicat fa quc debe distnimuirse la pro- duccién del producto 1 en esa cantidad. Tal reduccién podria ser deseable para permitir una tasa de producci6n mis alta del nuevo producto 2 més rentable, con lo que se permitirfan va- lores negativos de x; en el modelo. ‘Como el procedimiento para determinar la variable bisica que sale requiere que todas las variables tengan restriccidn de no negatividad, cualquier problema que contenga variables que pueden adquirir valores negativos debe convertirse en un problema equivalente que cm- plee sélo variables no negativas antes de aplicar el método simplex. Por forcuna, se puede hae cer esta conversién. La modificacién que requiere cada variable depende de si tiene o no una cota inferior (negativa) sobre los valores permitidos. Se presentard cada caso. Variables con una cota sobre los valores permitidos. Considere cualquier varia- ble de decisién x; que puede tener valores negativos, pero nada més aquellos que satisfacen tuna restriccién de la forma xj Lj, donde L eswna constante negativa. Esta restr vidad haciendo el cambio de variables x)=xj;-L;, demanera que in se puede convertir en una de no negati- 0. Entonces (x; + L,) se sustituye por x, en cl modclo y la nucva variable de decisién x/; no puede ser negativa. (Esta misma técnica se puede utilizar cuando L,; es positiva para convertir luna restriccién funcional x; 2 L; a una restriccién de no negatividad x 2 0.) ara ejemplificar, suponga que la tasa de produccién actual para el producto 1 en el pro blema de la Wyndor Glass Co. es 10. Con la definicién de x, que se acaba de dar, el modelo completo en este punto ¢s el mismo que el dado en la seccién 3.1, salvo que la restriccidin de no negatividad x > 0 se sustituye por x 2-10. Para obtener el modelo equivalente que necesita el método simplex, la variable de decisin se redefiniré como la tasa de produccién total del producto 1, x= +10, : Jo que leva a los siguicutes Canbius ex la funcién objetivo y las restricciones: Z=3n+5e Z = 3{xj-10) +5 Za -30+3x\+ 5%, a 4 sol sa si sit 2xys12 - 2st |, 2x,512 3m +2518 3(xj 10) +24 518 Bei 420548 2-10, 120 1-102 -10, «20 120, 204.8 Adaptacién a otras formas de modelo 151 Variables sin cota sobre los valores negativos permitidos. En caso de que x, no enga una cota inferioren el modelo formulado, serequicre un cambio distinto: x se sustita- ye en todo el modelo por la diferencia de dos nuevas variables no negatinas, xj=x} =}, donde x} 20,4720. Como x} y-«; pueden tomar cualquir valor no negativo, esta diferencia x} ~ 27 puede e- ner cualquier valor (positivo 0 negativo), por lo que es nna susteucién legitima paras, cnel modelo. Después de estas susituciones, el método simplex puede proceder con variables que son no negativas. Las nuevas variables, x} y.x; tienen una interpretacién sencilla. Como se explica en cl si- gniente pérrafo, cada solucién BF para la nueva furma del modelo necesariamente tiene la Propiedad de que x} =00.j = 0 (oambas). Por tanto, en la solucién dptima obtenida pore! método simplex (una solucién BE), ={er six; 20, i 0, — deotra manera; lx;l, sixj $0, vu, de otra manera; de forma que x} representa la parte positiva de xy xj su parte negativa (como lo sugieren los superindices) Por ejemplo, six, = 10, las expresiones anteriores dan x} = 10 y x; =0. Este mismo va- lor de x = «¢j ~x7 ocurriré también con valores grandes de} yx, tales quex; = <7 +10. Algraficar estos valores de +} yr; en dos dimensiones se obticne una recta con punto er nal en x} ~ 10, 27 =0 para evitar violar las restricciones de no negatividad. Este punto es la tinica solucién en un vértice sobre la recta. Por lo tanto, s6lo este punto terminal puede ser arte de una solucién FEV global o de la solucién BF que involucra a todas las variables del modelo, Esto ilustra por qué necesariamente para cada solucién BF se tiene que x} -0 0 ¥j =0 (0 ambas). Para ilustrar el uso de x} y 27, se regresard al cjemplo, dado en la pagina anterior en don- dese vuelve adefinir como el ineremento sobre latasa de producci6n actual de 10 para el producto 1 en el problema de la Wyndor Glass Co. Pero ahora suponga que la restriccién x 2 ~10 no estéincluida en el modelo original, ya {que es claro que no influye en lasolucién Gptima. (En algunos problemas, ciertas variables no Necesitan tener cotas inferiores explictas cuando las restricciones funcionales impiden valo. Fesmenores.) Entonces, antes deaplicar el método simplex, mse reemplaza por laiferencia, xi-x7, donde xj 20, x7 20, como se muestra: Maximizar Z= 3m +533, Maximizar Z = 3xf- 34; + 5, sujetaa nos 4 sujeraa atm s4 as |, 2x, s12 3x4 257518 Bat ~ 347 + 2p 518 22 0 (solamente) 820, 420, 20152 47 4 Solucién de problemas de programacién lineal: método simplex Desde un punto de vista computacional, este enfoque tiene la desventaja de que el nue- vo modelo equivalente tiene mas variables que ¢l modelo original. De hecho, si ninguna va- riable original tuviera restriccién de cota inferior, el nuevo modelo tendria el doble de variables. Por fortuna este enfoque se puede modificar un poco para que el mimero de varia- bles aumente slo en uno, sin importar cudntas variables originales tengan que sustituirse. Esta modificacién se hace reemplazando cada variable de este tipo, xj, por donde xj 20, «720, donde x" es la misma variable para toda j relevante. En este caso, la interpretacién dex" es que =x" es el valor actual de la variable original negativa mds grande (en términos de valor absolu- to), entonces, x’ es la cantidad por la que x j excede este valor. Con esto, el método simplex puede hacer que algunas +’; adquieran valotes mayores que cero aun cuando x" >0. ANALISIS POSOPTIMO En las secciones 2.3, 2.4 y 2.5 se hizo hincapié en que el anliis posdptimo, el andlisis que se hace después de obtener una solucién éptima para la versién inicial del modelo, constituye luna parte muy importante de casi todos los estudios de investigacién de operaciones. Este he- ccho es particularmente cierto para las aplicaciones comunes de programacién lineal. Esta sec- ciénesté dedicada a presentar el papel que juega el método simplex al realizar este andlisis. La tabla 4.17 resume los pasos que deben seguirse en un andlisis posdprimo en estudios de programacién lineal, La diltima column de esta tabla identifica algunas técnicas que em- plean el método simplex. Aqui se dard una introduccién breve a estas técnicas y los detalles se dejan para capitulos posteriores. Reoptimizacién ‘Como se analizé en la secci6n 3.7, los modelos de programacién lineal que surgen en la préc- tica casi siempre son muy grandes, con cientos o miles de restricciones funcionales y variables de decisién. En estos casos, pueden ser de interés muchas variaciones del modelo bésico que consideran diferentes escenarios. Por lo tanto, después de encontrar una solucién éprima para una versidn de un modelo de programacién lineal, debe resolverse el problema de nuevo TABLA 4.17 Anilisis poséptimo para programacién lineal Tarea pésita Técnica Encontrar errores y debildades dal modelo Demostrar la valigez del modelo final ectuar una divsién apropiada de ot ecursos de le organ wr as actividades bajo estudio y tras dethidades importaneoe Determina las estimaciones crucales que Extracci6n de errores del modelo ‘Valiactén del modelo Decisi6n gerencial final sobre ‘signacion de recursos (valores deb) Reoptimizacién Veaiaseccion 24 Precios sombra Evaluacién de ls estimaciones de Anilsis de los parimetros del modelo pueden afectar la solucién Sptima de un sensibildad estudio mas amplio Evaluacién de trueques entre Determinar el mejor trueque Programacién lineal los parimetros del modelo aramétrica4.7 Anilisis poséptime 153 (con frecuencia muchas veces) para una versidn ligeramente diferente del modelo. Casi siem- prese deben resolver varias veces durante la erapa de extraccidn de errores del modelo (descri- ta.en las secciones 2.3 y 2.4) y, por lo general, se hace lo mismo un gran niimero de veces durante las etapas de andlisis poséptimo. ‘Una manera de hacerlo es sencillamente aplicar el mérada simplex desde el principio a cada nueva versién del modelo, aunque cada corrida pueda requerir,en problemas grandes, cientos 0 miles de ireraciones. Sin embargo, una forma mucho mde efciente xs la le reopuint. sar. La reoptimizacién deduce los cambios que deben introducirse ala tabla simplex final (como se estudiard en las sceciones 5.3 y 6.6). Esta rabla simplex revisada y la solucién dptima del modelo anterior se usan como la tabla iniial y la solucid basica inicial para resolver el nuc- vomodelo. Siesta solucién es factible para el nuevo modelo, se aplica el método simplex en la forma usual, a partir de esta solucién BF inicial. Sila solucidn no ¢s factible, tal vez se pueda aplicar un algotitmo similar llamado método simplex dual (descrito en la seccién 7.1) pata en- contrar la nueva solucién éptima,! comenzande con esta sqlucién bisica inicial, La gran ventaja de la técnica de reoptimizacién sobre el hecho de volver a resolver el Problema desde el principio, es que quizd la solucién éptinta para el problema revisado esté ‘mucho mds cerca de la solucién éptima anterior que de una solucién BF inicial construida como siempre pata cl inétodo simplex. Asi, si se supone que las revisiones del modelo son moderadas, se requerirén s6lo unas cuantas iteraciones para reoptimizaren lugar de cientos 0 tal vez. miles que pueden realizarse al comenzar desde el principio. De hecho, las soluciones del modelo anterior y del revisado con frecuencia son las mismas, en cuyo caso, a técnica de reoptimizacién requiere s6lo una aplicacién de la prueba de optimalidad y ninguna iteracion, Precios sombra Recuerde que los problemas de programacién lineal con frecuencia se pueden interpretar como la asignacidu de recursos a las actividades. En particular, cuando las restricciones fun- cionales son de la forma s, las, (los lados derechos) se interpretaron como las cantidad de los respectivos recursos disponibles para las actividades bajo estudio. En muchos casos, pue- dc haber dudas respecto alas cantidades que estarin disponibles. Siasies, los valores, que se ‘san en el modelo inicial (validado), en realidad pueden representar una decisin inicial tenta- iva del gerente sobre la cantidad de recursos de la organizacién que se asignardn a las activi- dades consideradas en el modelo y no a otras que el gerente considere importantes, Desde esta perspectiva més amplia, algusnus valores de 6; se pueden inerementar en un modelo revi- sado, pero s6lo cuando se presenten razones poderosas en cuanto a que esta revisién serd be- néfica. En consecuencia, la informacién sobre la contribucién econémiica de los recursos a la ‘medida de desempeno (Z) para el estudio en curso casi siempre serd itil en extremo. El méto- do simplex proporciona esta informacién en forma de precios sombra para los recursus res pectivos. Los precios sombra para el recurso i(denotados por y) miden el valor marginal deeste recur- s0,es decir, larasaala que Z puede aumentars se incrementa (tn poco) la cantidad que se pro- "Elsinicorequisito para usar el método simplex dual aqui es que todavia se pas la prueba de opimalided laplcarla al ‘engin 0 dela tabla simplex final rida, Si no, cn su haga se pu sar Off algortmo lamado meade pri- mal-ual.154 4 Solucidn de problemas da pragramaciAn linaal: métoda simplex porciona de este recurso (b).!+2 El mérodo simplex identifica este precio sombra como yf = Coeficiente de la i-ésima variable de holgura en el rengion 0 de la tabla simplex final. Como ejemplo, en el problema de la Wyndor Glass Co., Recurso i = capacidad de produccién de la planta i ( para los dos nuevos productos bajo estudio, » 2, 3) que se proporciona 4, = horas del tiempo de produccién por semana que se proporcionan cn la planta i para estos nuevos productos. Proporcionar una cantidad sustancial de tiempo de produccién para los nuevos productos re- queriré un ajuste en los tiempos de produccidn para los productos actuales, asi que elegir los valores de b; es una decisién administrativa dificil. La decisién inicial tentativa ha sido b=4, by=12, b=18, como se refleja en el modelo bésico considerado en la seccién 3.1 y en este capitulo, Sin em- bargo, la gerencia desea ahora evaluar el efecto de cambiar cualquiera de los valores de lasb; . Los precios sombra para estos recursos proporcionan justo la informacion que necesita la gerencia, La tabla simplex final en la tabla 4.8 (vea la pagina 128) lleva a = precio sombra del recurso 1, precio sombra del recurso 2, 93 = 1 = precio sombra del recurso 3. Con sdlo dos variables de decisién, estos ntimeros se pueden verificar gréficamente si se ob- serva que un incremento individual de 1 en cualquierb, de hecho aumentaria cl valor de Zen yf. Por ejemplo, la figura 4.8 muestra este incremento para el recurso 2 al volver a aplicar el metodo grafico que se presenté en laseccién 3.1. La solucién éptima, (2, 6) con Z= 36, cam- bia a (3, 18) con Z= 37} cuando b; aumenta en 1 (de 12 a 13), de manera que yi =0Z=37}-36=3. Como Z se expresa en miles de délares de ganancia semanal, yf = } indica que sie agre- gara una hora més de tiempo de produccién a la semana en la planta 2.para estas nuevos pro- ductos, aumentarfa la ganancia total en $1 500 a la semana. éDebe hacerse esto? Depende de Ja ganancia marginal de otros productos que por el momento usan este tiempo de produc cidn. Si existe un producto actual que contribuye con menos de $1 500 de la ganancia sema- nal por una hora de produccién ala semana en la planta 2, entonces valdrfa la pena algiin cambio en la asignacién del tiempo de produccién a los nuevos productos, Esta historia continuard en la seccién 6.7, donde el equipo de IO de la Wyndor utiliza los precios sombra como parte del andliss de sensibilidad del modelo. 'Blincremento en}, debe se suficientemente pequefio para que el conjunto actual de variables bdsicassiga siendo 6p- timo, ya que esa tsa (el valor marginal) cambia si el conjunto de variables bisicas cambia En caso de una restriccién funcional de a forma 2 0, su precio sombra se define de nuevo comollatasa ala que pue- {de aumentar Z al incrementar (un poco) el valor deé;, aunque la interpretacin usual deb, ahora seria algo diferente a Ja cantidad de recursos disponibles.4.7 _Anélsis poséptimo 155 af Z=3x +m a 2-139 2=3(5)+ 58) 373 | aa FIGURA 4.8 6 2a 12+ Z= 30) +56) 36 [A273 La grica muestra 2,6) precio sombraes y3=2 F arael recurso 2 del as4 problema de la Wyndor Glass Co. Los dos puntos son las soluciones éptimas para by=12 0b, =13, yal in- Sertar estas soluciones en la funcién objetivo se ve que un Incremento de | en by oca- siona un aumento de y' enz. 2 ¢ 6 * La figura 4.8 demuestra que y3 =} ¢s la tasa ala que aumentarfa Z sise incrementara un Poco 6, pero también demuestra el fendmeno general de que esta interpretacin es valida ada mas para aumentos pequefios en. Sise aumenta amés de 18 unidades, la solucién 6p. tima se queda en el punto (0, 9) sin que la atrmente mis. (En ese pranto cambia el conjunto de variables basicas en la soluci6n dptima y debe obtenerse una tabla simplex final con nuevos precios sombra, inchayendo y3 =0.) Ahora observe en la misma figura por qué yf =0. La restriccién sobre el recurso 1, #1 £4, noatan a la solucidn dptima, (2, 6), ya que existe un superavit de este recurso, Por Io tanto, sib; adquiere un valor mayor que 4, no se obtendré una nueva solucién éprimacon un valor mayor para Z, Por el contrario, as restricciones sobre los recursns 2 y 3,23 <12y8x; 1 2s) < 18, son restricciones de atadura (en las que se cumple la igualdad para lasolucin ptima), Debido a.que la disponibilidad limitada de estos recursos (by = 12,43 = 18) uta aZ para que no} pueda incrementarse, los precios sombra de estos recursos son positives. Los economistas se refieren acste tipo de recursos como bienesescasos, mientras que ls recursos disponibles con superd- vit (como el recurso 1) son bienes libres (recursos con precios sombra de cero). El ipo de informacion que proporcionan los precios sombra es valiosa para la gerencia cuando examina la posibilidad de reasignar recursos dentee de la organizacién. También re- Sulta muy dtl cuando un aumento end; se puede lograr con sélosalira comprar un poco mis del recurso, Por ejemplo, suponga que Z representa ganancias y que las yanancias unitaras de las actividades (los valores dec) inclayen los costos (a precios normales) de todos los recur. $08 que se consumen. Entoness, un previo sombta positive de y7 para el recurso i significa que la ganancia total Z se puede aumentar en la cantidad y* comprando una unidad mas de este recurso a su precio normal. Asimismo, si se tiene que pagar in precio mayor al nominal130 ‘4 Solucion de problemas de programacion lineal: metodo simplex por la cantidad adicional del recurso, yf representard el precio maximo (cantidad adicional sobre el precio normal) que vale la pena pagar.! La tcorfa de dualidad proporciona cl fandamento teérico de los precios sombra y se des- cribe en el capitulo 6. Andlisis de sensibilidad Cuando se examiné la suposicién de certidumbre para la programacién lineal al final dela sec- cidn 3.3, se hizo notar que los valores usados para los pardmetros del modelo (las a,b; ¥¢j qque se identifican en la tabla 3.3) casi siempre son sélo estimaciones de las cantidades cuyos verdaderos valores no se conocerin hasta que el estudio de programacién lineal se Heve ala préctica en cl faturo, El propdsito principal del anilisis de sensibilidad cs identificar los pard- metros sensibles (esto es, aquellos que no pueden cambiar sin cambiar la solucién éptima) Los parametros sensibles son los pardmetros que serd necesario controlar muy de cerca con- forme el estudio se ponga en practica. Si se descubre que el valor verdadero de un parimetro sensitivo difiere de su valor estimado en el modelo, esto da la sefial inmediata de que la solu- cién debe cambiar. &Cémo se identifican los pardmetros sensibles? En el caso de las b;,, acaba de verse que esta informacién esté dada por los precios sombra que proporciona el método simplex. En. particular, si y? > 0, entonces la solucién éptima cambia sid; lohace, porlo ques; es un pars metro sensible. Sin embargo, ¥;° = 0 indica que la solucién éptima no es sensible al menos a cambios pequefios en b;.. En consecuencia, si el valor que se usa para b; es una estimacién de lacantidad de recurso que se tendré disponible (y no una decisién administrativa), los valores ded; que se deben controlar con més cuidado son aquellos con precios sombra positives, enes- pecial los que tienen precios sombra grandes. Cuando el problema tiene sélo dos variables, la sensibilidad de los distintos parimetros se puede analizar con una gréfica. Por ejemplo, en la figura 4.9 se puede observar que ¢ puede cambiar a cualquier otro valor dentro del intervalo de 0 a 7.5 sin que la solucién épti- ma (2, 6) cambie. (La razén es que cualquier valor de c, dentro de este intervalo mantiene la pendiente de Z= cx; + 5x) entre las pendientes de las lineas 2x, = 12y3x + 2x2 = 18.) De igual manera, sic) = 5¢s el tinico parémetro que se cambia, puede tomar cualquier valor ma- yor que 2 sin que afecte la solucién éptima. Ast, ni ¢ ni ¢, son pardmettos sensibles. ‘La manera mAs facil de analizar la sensibilidad de cada uno de las pardmetros ag es verifi- car sisu restriccién correspondiente es de atadura en la solucién éptima. Como x} < 40 es tuna restriccién de atadura, cualquier cambio suficientemente pequefio en sus coeficientes (a1: = 1,12 = 0) no cambiars la solucién dptima, asi que éstos no son parémetros sensibles. Por otro lado, tanto 2x3 s 12como3x; + 2x, $ 18, son restricciones de aradura, por lo que al cambiar cualquiera de sus coeficientes (a) = 0, @32 = 2, 41 = 3,39 = 2) tendrd que cambiar la solucién éptima, y por lo tanto, éstos son pardmetros sensibles. Es comin que se preste més atencién al andlisis de sensibilidad sobre los pardmetros b; y ¢, que sobre losa ;. Enlos problemas reales con cientos o miles de restricciones y variables, el efecto al cambiar una ay por lo general es despreci: le, mientras que el cambio en el valor de una b; 0 una c, puede tener un impacto real. Atin més, en muchos casos, los valores de las 3S as ganancias unitaras no incluyen los costos de los recursos consumidos, entonces x? representa el precio otal tunirario méximo que valdea la pena pagar para aumentarFIGURA 4.9 La grain muestra el nai de sensibiidad de cy cy para tt problema dela Wndor 8 Glass Co. Comenzando con 7 26-20 1 bu, ta recta ea uncon objetivo orginal en donde Gclyqenysckcor — Z=30203 45x ptimaos (2.6) is otras dos rectas muestran los extremos de cuanto puede ‘amblara pendiente dela funcin obletivo sin que cambie ta slucién Spema @2.6).AS. cone, Seal intervlo de valores peracet Oe qe7s Cong Sel interalo permisibe para ¢ perm eq22 4.7_Anilsis poséptimo 157 = 75, 45%, (0Z = R24 42m) (2, 6) Spina ‘44; quedan determinados por Ia tecnologta que se estd usando (a veces se les da el nombre de Coeficientes tecnol6gicos) por lo que puede que haya muy poca (o ninguna) incertidumbre respecto a sus valores finales. Esto resulta ventajoso ya que existen muchos més parimetros ‘y que b; yc; en problemas grandes. En problemas con mas de dos (0 tal vez tres) variables, no se puede analizat la sensibili- dad de los parémetros en una gréfica como se hizo con el problema de la ‘Wyndor Glass Co. Sin embargo, se puede extraer el mismo tipo de informacién del método simplex. Para obte. nerla es preciso usar la idea fisndamental que se describe en la seccion 5.3 para deducir los cambios que se generan en la tabla simplex final como resultado de cambiar el valor de un pa. rimetro cn el modelo original. En las secciones 6.6 y 6.7 se describe y ejemplifica el resto del procedimiento, Uso de Excel para generar informacién para el andlisis de sensibilidad Es comtin que el andlisis de sensibilidad se incorpore en los paquetes de software hasado enel nérodo simplex. Por ejemplo, el Excel Solver genera informacion para el andlisis de sensibili- dadsise le pide. Como se muestra en la figura 3.19 (vea la pagina 72), cuando Solver produce cel mensaje de haber encontrado una solucién, también da a la derecha una lista de tres rest menes que puede proporcionat: Siseselecciona el segundo (llamado “sensibilidad”) despues de resolver el problema de la Wyndor Glass Co., se obtendré el informe de sensibilidad moxtra. do en Ia figura 4.10. La tabla superior ahf proporciona la informacién para el andlisis de sensi. bilidad acerca de las variables de decisiGn y sus coeficientes en la funcidn objetivo, La tabla inferior hace lo mismo para las restricciones funcionales y los lados derechos158 4. Solucin de problemas de programacién lineal: metodo simplex \Celdas cambiantes Valor Gradiente Coeficiente Aumento Disminucion Colda___Nombre__Iqual_reducido objetivo _permisible_permisible SCH _Solucion Puer'as 2 o 3 45 a $D$9_Solucién Ventanas 6 0 5 iew0 3 FIGURA 4.10° Informe de [Restricciones sensibilidad Valor Sombra Restriccién Aumento Disminucién proporcionado por Celda___Nomb Jqual__precio lado derecho permisible_permisible Excel Solver para el SESS Planta 1 Totales 2 a 416430 2 problema de la SES6 Planta? Totales 12 15 2 6 é ‘Wyndor Glass Co, SES7_Planta3 Totales 18 4 18 6 6 * N. de. Los encaberais de las columnas corresponden ala traduccin de Excel y Solver. En gener se conservarin as figuras como aparecen alco rer el programa. El exo expla qué correponden. Observe primero la tabla superior en esta figura. La columna del “valor igual” indica laso- lucién éptima. La siguiente columna contiene los cates redacidas 0 gradiente reducido. (No se estudiardn estos costos ahora debido a que la informacién que proporcionan también se pue- de obtener del resto de la tabla superior.) Las siguientes tres columnas proporcionan la infor- macién necesaria para identificar el intervalo permisible para conservar la optimalidad para cada cocfiviente ¢; en la funcién objetivo. Para cualquicr¢,, su intervalo permisible para consecvar la uptimalidad cs el intervalo de va- lores de este coeficiente en el cual a solucién éptima actual permanece Optima, suponiendo que xno hay cambios en lus vtros woeficientes. Ta columna del “coeficiente objetivo"da el valor actual de cada coeficiente y las dos columnas siguientes el aumento permisible y la disminucién permisible a partir de este valor para permane- cer dentro del intervalo permisible. Por lo tanto, 3-35c,<3445, demaneraqne 0<¢<75 scl intervalo permisible para. en el cual la solucién 6ptima actual permanecerd Gptima (su- poniendo que ¢ = 5), justo como se encontré con el método gréfico en la figura 4.9. De ma- nera similar, como Excel usa 1E + 30(10*°) para representar el infinito, 8-35cS5+0, demancraque 2<¢ es el intervalo permisible para cy que conserva Sptima a la solucién, El hecho de el aumento y la disminucién permisibles sean mayores que cero para el coefi- ciente de ambas variables de decisién proporciona otra parte de la informacién itl, como se describe en seguida (Cuando la tabla superior del informe de anlisis de sensibilidad generado por Excel Solver indica que tanto el aumento permisible como la disminucién permisible son mayores que cero ppara todos los cocticientes objetivo, ¢s tuna seflal de que la solucién éptima en la columna de “valor igual” es la nica solucién éptima. Por el contrario, algiin aumento o disminucién per- ‘isible igual a cero indica que existen soluciones miiltiples. Al cambiar el coeticiente corres- pondiente en una cantidad muy pequefta a un valor mayor que cero y resolver de nuevo el problema se obtiene otra solucién FEV Optima para el modelo original.4.7__Anélisis poséptimo 159 Ahora considere la tabla inferior dela figura 4.10 que se centra en el andlisis de sensibili- dad para la tres restricciones funcionales. La columna de “valor igual” proporciona el valor ‘el Tao isquierdo de cada estricci6n para la solucion éprima. Las dos columnas siguientes dan los precios sombra y cl valor actual de los lados derechos (b;) de cada restriccidn. Cuando ne cambia s6lo un valor b, las dos tltimas columnas proporcionan elaumento permitible lass ‘nimucitn permisible afin de permanecer dentro del interoalopermivible para seguir futile. Para cualquier 6,, su intervalo permicihle para coguie factible cs el iawea valu de valores para este lado derecho en el cual la solucién BF Optima actual (con valores ajustados! para las varia- bis bdsicas) permanece fartible, suponiendo que no eambian lus ons ladox deccchon Entonces, si se usa la tabla inferior de la figura 4.10, se combinan las dos tiltimas columnas on tos valores actuals de los lados derechos se obtienen los intervalos permisibles para se. guir factible: 256, 6 nivel minimo aceptable) como se hizo para el proble- ‘ma de centaminacién de la Nori & Lets Co. en la seccién 3.4. La programacién lineal para- meétrica permite entonces la investigacién sistemética de lo que ocurre cuando se cambia una decisién inicial tentativa sobre loc trueques (como el nivel ménimo aceptable para lor benefi- cios) a fin de mejorar un factor a costa de otro. La técnica algorfemica para programaci6n lineal paramétrica es una extensién natural del anilisis de sensibilidad, por lo que también esté basada en el método simplex. El procedi- miento se describe en la seccién 7.2. PAQUETES DE COMPUTADORA Si la computacidn clectsdnica no se hubiera inventado, sin duda no sc oirfa hablar de progra- macién lineal y el método simplex. Aunque es posible aplicar el método simplex a mano para resolver problemas muy pequenos de programacién lineal, los célculos necesarios son dema- siado tediosos para llevarlos a cabo de manera rutinaria. Sin embargo, el método simplex es unalgoritmo particularmente adecuado pata su ejecucién en computadora. La revolucién de las compuradoras ha hecho posible la amplia aplicacién de la programacién lineal en las ilti- mas décadas. Implantacién del método simplex Existe una amplia disponibilidad de programas del método simplex en esencia para casi todos los sistemas de cémputo madernas, Por lo general, estos prngramas son parte de paquetes de software complejos de programacién matemética que incluyen muchos procedimientos des- critos en los capitulos subsecuentes (incluso los referentes a andlisis poséptimo). Estos programas de computadora no siempre siguen la forma tabular o la algebraica del meétodo simplex que se presentaron en las secciones 4.3 y 4.4. Estas formas se pueden simpli- ficar de manera significativa al levarlas a la computadora. Af los programas usan una forma matricial (que suele llamarse método simplex revisado) muy adecuada para computacién. Esta forma abpiene justo los mismos resultados que las formas tabular y algebraica, pero calcula y almacena s6lo los nimeros que necesita para la iteracién actual, y después guarda los datos ‘esenciales de manera més compacta. En la seccién 5.2 se describe este método. Elmétodo s{mplexse usa en forma rutinaria para resolver problemas de programacién li- neal sorprendentemente grandes. Por ejemplo, algunas computadoras personales podero- sas (en especial las estaciones de trabajo) pueden resolver un problema con varias miles de restricciones fancionales y un nimero mayor de variables de decision. En el caso de compu- tadoras grandes se habla de diez mil restricciones funcionales.! Para ciettos tipos especiales de 'Nointenteestoencasa, Los problemas deste tiporequeren un sistema de programaci6n lineal complejo que wa ls téenicas modernas que aprovechan a proporcién de coeicentes en a mati y otras tecnica especiales (por ejemplo, donieas de qucbre para encontrar con rapidez una solucién BF incial avanzada). Cuando se resuelven problemas en forma peritlica deypucs Ualguaatulizacin menor dels dats, con frecuencia se ahorra mucho tempol user (o modifica) la ima solucién Sptima como soucin incl bisicafatble para la nueva cota4.8 Paquetes de computadora let roblemas de programacién lineal (como problemas de transporte, asignacién y flujo de cos- fo minimo que se describirén en secciones posteriores), ahora pueden resolverse problemas de tamafio mucho mayor con versiones epecializadas del método simplex. Varios factoresafectan el tiempo que tarda el método simplex yeneral en resolver un pro- blema de programaci6n lineal. El mds importante es el nsimero de restriccionesfuncionales ordi. narias, De hecho, l tiempo de eilculo tiende a ser, a grandes rasgos, proporcional al cubo de este ntimero, por lo que al duplicarlo el tiempo puede quedar multiplicado por un factor spruninnady de 8. Por el contratio, el niimero de variables es un factor de importancia relati- Yamente menor! Ast, aunque se dupliquen, tal vez ni siquiera se chuplique el tiempo de edleu- los. Un tercer factor con alguna importancia ¢s la densidad de la tabla de coeficientes de las restricciones (es decir, laproporcién de cocficientes disintor de cero) ya que esto afecta cl tiem: po de cdlculo por iterncién. (En problemas grandes encontrados en la préctica, es comin que {a densidad esté por debajo de 5% e incluso sca mcuor al 1% y esta “proporcion” tiende a are. Jerar mucho el método simplex.) Una tegla empirica comiin para estimar el mimero burdo de itoracioncs cs que ticnde a ser el doble del mimero de restricciones funcionales, En problemas de programacién lineal grandes, es inevitable que al inicin se cometan al- unos errores y se tomen decisiones equivocadas al formular e! modelo ¢ introducitlo en la computadora. Entonces, como se estudié en la seccidn 2.4, se necesita un proceso exhaustive de pruebas y refinamiento (validacién del modelo). El producto terminal usual no es un mode. loestético que el méroda simplex resuelve una vez. Mis bien, elequipo de1O y casi siempre la Serencia toman en cuenta una larga serie de variaciones sobre el modelo basico (en ocasiones, ‘niles de variaciones) para examinar diferentes escenarios como parte del anilisis posdptimo. Este proceso completo se acelera mucho cuando se puede llevar a cabo de manera interactina 1 una compuradora personal, Con la ayuda de los lenguajes de modelado matemtico y de los avances en la tecnologia de computadoras esto es, cada vez. més, tina prictica comin. Hasta mediados de la década de los 80, los problemas de programacién lineal se resolvian casi exclusivamente en computadoras grandes. Un interesante desarrollo recicnte es la explo sion en la capacidad de ejecutar programas de programacin lineal en las computadoras per- sonales, incluyendo las microcomputadoras y las ¢staciones de trabajo, Estas, que incluyen algunas con capacidad de procesamiento en paralelo, ahora se usan en lugar de las compu- tadoras grandes para resolver modelos masivos. Las computadoras personales més ripidas o se quedan atrés aunque la solucién de modelos extensos suele requerir memoria adicional, Software de programacién lineal descrito en este libro Hoy se dispone de un gran mimero de paquetes de software para programacién lineal y sus extensiones, que satisfacen distintas ncvesidades. Uno que se considera en particular podero- soes CPLEX, un producto de LOG, Inc., con oficinas ea Silicon Valley. Durante més de una clécada, CPLEX ha marcadbo el camino de la solucién de problemas de programacion lineal cada veo. mis grandes. Los extensos esfuerzos de investigacién y desarrollo han permitido tuna serie de actualizaciones con inerementos drésticos en la eficiencia. CPLEX 65, libera do en marzo de 1999 proporciona otra mejora de un orden de magnitud. Este software ha te- suelto con éxito problemas de programacién lineal reales surgidos en la industria con tantas como 2 millones de restricciones funcionales y unt nimero comparable de variables de deci. sin. Con frecuencia, CPLEX 6.5 usa el método simplex y sus variantes (como el método simplex dual presentada en la secci6n 7.1) para resolver estos problemas masivos. Ademés "Esta aflrmacién supone que se estéutlizando el método simplex revisado descrito en la scccidn 8.2.162 4 Solucién de problemas de programacién lineal: método simplex del método simplex, CPLEX 6.5 cuenta con otras herramientas poderosas para tesolver pro- blemas de programacién lineal. Una es un algoritmo répido como un rayo que usa el enfoyue dde punto interior introducido en esta seccién. Este algoritmo puede resolver algunos proble- mas de programacién lineal enormes que el método simplex no puede (y viceversa), Otra ca- racteristica es el método simplex de reds (descrito en la secci6n 9.7) que puede resolver tipos especiales de problemas de programacién lineal aun més grandes. CPLEX 6.5 también va ‘més alld de la programacién lineal ¢ incluye algoritmas madernas para pragramnciée estern (capitulo 12) y programacién cuadrdtica (seccién 13.7). Como a menudo se usa para resolver problemas realmente grandes, lo normal ¢s que CPLEX se use junto con un lenguaje de modelado de programacién matemitica. Como se des- cribié cn la secci6n 3.7, los lenguajes de modelado estan disefiados para formular con eficien- cia modelos de programacién lineal grandes (y modelos relacionados) de manera compacta, después de lo cual, se corre un solucionador para resolver el modelo. Varios lenguajes de mo- delado sobresalientes trabajan con CPLEX como solucionador. ILOG introdujo hace pacn su propio lenguaje de modelado, llamado OPL Studio, que se puede usar con CPLEX. (Se puede encontrar una versién de evaluacién de OPL Studio en la pagina de Internet de ILOG, www.ilog.com.) ‘Como se mencions cn la seccién 3.7, la versin de estudlianes de CPLEX se incluye en el OR Courseware como ¢! solucionador de! lenguaje de modelado MPL. Esta versi6n trabaja con el método simplex para resolver problemas de programacién lineal. LINDO (iniciales de Linear INternctive and Discrete Optimizer) es otto prominente pa- quete de software para programacién lineal y sus extensiones. Un producto de LINDO Systems, con oficinas en Chicago, LINDO tiene una historia més antigata que CPLEX. Aun- que no tan poderoso como CPLEX, la versién completa de LINDO ha resuelto problemas con decenas de miles de restricciones funcionales y cientos de miles de variables de decisién. Suyya duradera popularidad se debe en parte aa sencillez de manejo. Para problemas relativa- mente pequefivs (tamafo libro de texto), el modelo se puede introducir y resolver de manera bastante intuitiva, por lo que se trata de una herramienta til para los estudiantes. Sin embar- go, LINDO no cuenta con algunas caracteristicas de los lenguajes de modelado para el mane- jo de problemas de programacién lineal grandes. En esos casos, puede ser més eficiente usar cl lenguaje de modelado LINGO para formular el modelo y después correr el solucionador que comparte con LINDO para resolver el modelo. Se puede bajar la versién de estudiantes de LINDO de la pagina de Internet www.lin: do.com. Bl apéndice 4.1 proporciona una introduccidn al uso de LINDO, El CD-ROM tam- bign inchuye un tutorial de LINDO yas formulaciones en este formato de todos los ejemplos del libro a los que se puede aplicar. Los solucionadores basados en las hojas de caleulo cada vezson mejor recibidos para pro- gramacién lineal y sus extensiones. Entre los lideres se encuentran los solucionadores produ- cidos por Frontline Systems para Microsoft Fxcel, Lotus 1-2-3 y Corel Quattro Pro. Ademés del solucionador bisico que incluyen estos paquetes, se dispone de dos més poderosos: el Premium Solver y el Premism Solver Plus. Debido al amplio uso actual del software de hojas de céleulo como Microsoft Excel, estos solucionadores han hecho que un creciente niimero de personas conozcan el potencial de la programacién lineal. Para problemas tipo libros de texto (y algunos considerablemente mas grandes), las hojas de célculo proporcionan una ma- nera conveniente de formular y resolver el modelo de programacién lineal, como se describe enlaseccién 3.6. Los solucionadores més poderosos pueden resolver modelos bastante gran- des con varios miles de variables de decisién. Sin embargo, cuando la hoja de célculo crece a49 4.9 __ Enfoque de punto interior para resolver problemas de programacién lineal 163 lun tamafio dificil de manejar, un buen lenguaje de modelado y su sohucionador pueden pro- Porcionar un enfoque mds eficiente para formulat y resolver el modelo, Las hojas de céleulo proporcionan una excelente herramienta de comunicacién, en espe- cial si se trata de aininistradores tipicos que se sienten a gusto con este formato pero no con tas formulaciones algebraicas de IO, Por esto, es comiin que los paquetes de optimizacién y {os lenguajes de modelado pueden importar y exportar datos y resultados al formato de uns hoja de célculo. Por ejemplo, el lnguaje de modelada MPL ahora incluye una mejors (lane da OptiMax 2000 Component Library) que permite creat la sensacién de un modelo en hoja de célculo para el usuario del modelo pero que usa MPL para formularlo de manera muy eficien- te. (La versién de estudiate de OptiMax 2000 se incluye en el OR Courseware.) El Premium Solver es uno de los complementos de Excel incluido en el CD-ROM, Se puede instalar para obtener un desempefio mucho mejor que con el Excel Solver estindar. Entonees, todo el software, los tutoriales, y los ejemplos en el CD-ROM proporcionan varias opciones atractivas de paquetes para programacién lineal Opciones de software disponibles para programacién lineal, 1, _Ejemplos de demostraci6n (en OR Tutor) y rutinas interactivas para un aprendizajeefi- ciente del método simplex. 2. Excel el Premium Solver para formular y resolver modelos de PL en una hoja de célculo. 3. MPL/CPLEX para la formulacién y solucidn eficiente de modelos grandes de PL. 4. LINGO ysu solucionador (compartido con LINDO) que da una manera alternativa de formular y resolver modelos grandes de programacién lineal con eficiencia. 8. LINDO para formular y resolver modelos de programacién lineal cn forma directa, su profesor especifique qué software usar. Cualquiera que sea la eleccidn, adquirird ex Periencia con el tipo de software actual que usan los profesionales de IO. ENFOQUE DE PUNTO INTERIOR PARA. RESOLVER PROBLEMAS DE PROGRAMACION LINEAL El desarrollo de més impacto durante la década de 1980 en investigacién de operaciones fue cldescubrimiento del enfoque de punto interiot para resolver problemas de programacién li- neal, Este descubrimiento se hizo en 1984, cuando un joven matcmatico de AT&T Bell La- boratories, Narendra Karmarkar, anuncié el desarrollo de un nuevo algoritmo para resolver problemas grandes de programacién lineal. Aunque el algoritmo experiment6 solo una mez~ cla de aceptacién y rechazo al competir con el método simplex, el concepto clave de solucién que se describird parecfa tener un gran potencial para resolver problemas de PL enormes mas alli del aleance del método simplex. Muchos investigadores de alto nivel trabajaron en modi- ficaciones del algoritmo de Karmarkar para aprovechar su potencial completo, Se han logra- do grandes avances (y continyian) y se ha desarrollado varios algoritmos podcrosos que usan cl enfoque de punto interior. En la actualidad, los paquetes de software més eficaces diseiia- dos para resolver problemas muy grandes (cumo CPLEX) incluyen al menos un algoritmo que usa el enfoque de punto interior junto con el método simplex. La investigacién sobre es- toy algoritmos contintia y su implantacién en la computadora sigue mejorando, Esto ha reno- vado la investigacién sobre el método simplex lo mismo que sobre su implantacién en la computadora (recuerde el avance dréstico de CPLEX 6.5 citado en la seccidn anterior). Con-164 4 Solucién da problemas de programarién lineal: métado simplex ‘ima la competencia por la supremacia entre los dos enfoques para resolver problemas muy grandes. ‘Ahora se estudiarélaidea clave en que se apoya el algoritmo de Karmarkar y us variantes, subsecuentes que usan el enfoque de punto interior. El concepto de solucién clave ‘Aunque es radicalmente diferente al método simplex, el algoritmo de Karmarkar comparte algunas de sus caracteristicas. Fs un algoritmo iterative. Comienza por identificar unasolucion prueba factible, En cada iteracién, se mueve de una solucién prueba actual a una mejor solu- ‘cién prueba en la regién factible. Después contimta este proceso hasta llegar a una solucién prueba que es (en esencia) dptima, Lagran diferencia se encuentra en la naruraleza de estas soluciones prucba, Para el méto- do simplex, las soluciones prueba son soluciones FEV (0 soluciones BF en el problema aumen- tado), de manera que todos los movimientos se hacen por las aristas sobre la frontera de la regi6n factible, Para l algoritmo de Karmarkar, as soluciones prueba son puntos interiores, cs deci, puntos dentro de la frontera de la regi6n factible. Estas larazén por la que se hace re- ferencia al algoritmo de Karmarkar y sus variantes como algoritmos de punto interior. Para ilustrar esto, la figura 4.11 muestra la trayectoria seguida por el algoritmo de punto imerior en cl OR Courseware cuando se aplica al problema de la Wyndor Glass Co., comen: GURA 4.11 ah Lacuna de (1,2) a (2,6) muestra una trayectoria ‘pica seguida por un algoritmo de punto Interior, através del interior de la region factible para el problema de la Wyndor Glass Co.4.9 Enfoque de punto interior para resolver problemas de programacién lineal 16s, TABLA 4.18 Salida del algoritmo de punto interior en OR Courseware ara el problema de la Wyndor Glass Ci x x Zz v 2 3 Lanse 4 23.8189 37744 5 29.1323 Vs«701 55 dare (80268 5.71816 33.989 192134 5.82908 34.9094 1.96639 5.90595 35.429 1.98385 5.95199 35.7115 1.99197 5.97594 35.8556 1.99599 5.98796 35.9278 1.99799 5.99398 35.9639 1999 5.99699 35.9819 19995, 5.9985 35.991 1.99975, 5.99925 35.9955 1.99987 5.99962 35.997 1.99994 5.999% 35.9989 -_-_ ges zando en la solucion prueba inicial (1, 2). Observe que todas la soluciones prueba (puntos) que aparecen en esta trayectoria se encuentran dentro de la frontera de la regidn factible cou forme la trayectoria se acerca a la solucién éptima (2, 6). (Todas las soluciones prueba subse Cuentes qué no se muestran estén también dentro de la fiuntera de la region factible.) Compare esta trayectoria con la seguida por el método simplex alrededor de la frontera de (0, 0) a (0, 6) a (2, 6). La tabla 4.18 muestra una salida real del OR Courseware para este problema.! (Inténte- 4o.) Observe como las soluciones prueba sucesivas se van acercando ala solucién Sptima pero en realidad nunca llegan, Sin embargo, la desviacién se vuelve infnitesimalmente pequetia Para propésitos practicos, la solucién prueba final puede tomarse como lasolucién Optima. La seccién 7.4 presenta los detalles del algoritmo de punto interior especifivu que se de- sarroll6 en el OR Courseware. Comparacién con el método simplex ‘Una manera significativa de comparar los algoritmos de punto interior con el método sim= plex es examinar sus propiedades tedricas en cuanto a complejidad computacional. Karmar- Kar demostré que la versiGn original de su algoritmo es un algoritmo de tiempo polino- ial; es decir, el tiempo que se requiere para resolver cualquier problema de programacién li neal se puede acotar por arriba por una funcién polinomial del tamafio del problema, Se han construido contracjemplos patoldgicos para demostrar que el mérodo simplex no posee esta propiedad y que cs un algoritmo de tiempo exponencial (esto cs, el tiempo requerido slo puede ser acotado por arriba mediante una funcién exponencial del tamaiio del problema). La diferencia en el desemperi en el peor de os casos es considerable. No obstante, esto nada dice “Laing e lama Sle Automatically by the Interior Point Algom (solucién automstica por el algoremo de punto interior). El meni de “option” da dos altemativas para cierto pardmetro a del algoritma (definide en laseecin 7-4, La cleccion usada aqui es el valor eseablecido dea = 05.166 4. Salueidn da penhlamae de programarién lingal: mbtnda simple sobre su comparacidn en el desemperio promedio en problemas reales, que es un asunto de ‘mayor importancia. Los dos factores bésicos que determinan el desempefio de un algoritmo para un proble- ‘ma real son el tiempo promedio de computadora por iteracién y el nsimero de iteraciones, Las si- guientes comparaciones conciernen estos Factores. Los algoritmos de punto interior son mucho més complicados que el método simplex. Se requicren nucty und céleuluy cu Cada iteaci6ut para encontrar la siguiente solucidn prue- ba. Por lo tanto, el tiempo de computadora por iteracién para un algoritmo de punto interior es muchas veces mayor que para cl método simplex. ara problemas bastante pequefios, el niimero de iteraciones requeridas por un algorit- ‘mo de punto interior y por el método simplex tiende a ser comparable. Por ejemplo, en un problema con 10 restricciones fincionales, 20 iteraciones seria lo normal para los dos tipos de algoritmos. En consecuencia, en problemas de tamafio similar, el tempo total de compu- tadora para un algoritmo de punto interior tenderé a scr mucho mayor que para cl nétodo simplex. Por otro lado, una ventaja de los algoritmos de punto interior es que los problemas gran- des no requieren muchas més iteraciones que los problemas pequefios. Por ejemplo, un pro- blema con 10 000 restricciones funcionales tal vez requiera menos de 100 iteraciones. Aun considerando el tiempo sustancial de computadora necesario por iteracién para un problema de este tamafo, un niimero de iteraciones tan pequefio hace que el problema sea muy maneja- ble. Por el contrario, el método simplex puede requerir 20 000 iteraciones con lo que puede no terminaren un tiempo razonable. Entonces, es muy probable que los algoritmos de punto interior sean més répidos que ¢l metodo simplex para problemas tan grandes. La razén de esta gran diferencia en el mimero de iteraciones en problemas grandes es la diferencia en las trayectorias seguidas. En cada iteraci6n el método simplex se mueve de la so- Jucién FEV actual a una solucién FEV adyacente por una arista de la frontera de la regi6n factible. Los problemas grandes tienen cantidades astronémicas de soluciones FEV. La tra- yectoria desde la solucién FEV inicial hasta una sohucidn éptima puede dar muchas vueltas por la frontera, tomando numerosos pasos a cada solucién FEV adyacente siguiente. En con- traste, un algoritmo de punto interior sc salta todo esto caminando por ¢l interior de la regign factible hacia la solucién éptima. Al agregar restricciones funcionales se agregan aristas a la frontera de la regién factible, pero esto tiene muy poco efecto sobre e! ntimero de soluciones prueba que se necesitan en la trayectoria a través de! interior. Esto hace posible que los algo- ritmos de punto interior resuelvan problemas con un niimero muy grande de restricciones fincionales. Una iltima comparacién importante se refiere a la habilidad para realizar los distintos ti- pos de andlisis posdptimo descritos en la seccién 4.7. El método simplex y sus extensiones son muy adecuados y su uso es muy extenso para este tipo de andlisis. Desafortunadamente, el enfoque de punto interior en la actualidad tiene una capacidad muy limitada en esta area. Dada la gran importancia del andlisis poséprimo, ésta es una falla crucial de los algoritmos de punto interior, Sin embargo, se estableceré una forma en que cl método simplex se puede combinar con el enfoque de punto interior para salvar este obstéculo. 'sin embargo, linvestigaciondiigidaaaumentar esa capacidad contnia avanzando. Por ejemplo, veaH. J. Green berg, “Matrix Sensitivity Analysis rom an interior Solution ofa Linear Program”, INFORMS Journalon Computing, 11 316-327, 1999 y sus referencias.4.9 _ Enfoque de punto interior para resolver problemas de pengramacién lineal 167 Papeles complementarios del método simplex y el enfoque de punto interior La investigacién que se realiza en la actualidad! contintia proporcionando mejoras sustancia- les ena implantacién en computadora del método simplex inchuidas sus varantes) ye alge, Dene gE Panto interior, Por lo tanto, cualquier prediccién sobre su pape futuro estes gos, De todas maneras, se dard un resumen de nuestra prediccidn actual arerea de sus pepeles complementarios, Elmétodo simplex (y sus variants) signe siendoelalgoritmo estindar paruel uso rutina- to de programacion lineal. Es el algoritmo més eficente para problemas con menos de unes Guanes clentos de restrccionesfuncionales. Tambign cs cl mas eficiente para algunos (pero no todos) los problemas con hasta varios miles de restrcciones funcionales y casi un numero, imitado de variables de decisién, por lo que la mayor parte de los usuarios lo siguen usando Para este tipo de problemas. Pero, cuando el nimero de restricciones funciomates aumenea, ada vez cs més probable que el enfoque de punto interior sea el mas eficiente, y ahora se usa con frecuencia. Cuando el tamatio llega a decenas de miles de restricciones funcronales, elem foque de punto interior puede ser el nico capaz.de resolver el problema, Aun asf, no siempre Ocurre esto, Como se mencions en a seccién anterior, el moderne suftware (CPLEX 6.5 ) ha fenido éxito en el uso del método simplex y su variantes para resolver algunos problemas ma, sivos con cientos de miles ¢ incluso millones de restricciones y variables de decision Estas generalizaciones sobre la comparacién entre el enfoque de punto interior y el méto- do simplex para distincas tamafios de problemas no se cumplirn en todos los casos, El sof Ware dado y el equipo de cémputo que se usan tienen un impacto importante. Eltipospeifico de problema de programacién lineal que se desea resolver afecta miicho la comparacion, Al Pasar el tiempo se sabré mds sobre cémo identificar los tipos de problemas que sun més ade- cuados para cada tipo de algoritmo. Uno de los productos secundarios del enfoque de punty interior ha sido la renovacién importante de los esfuerzos dedicados a mejorar laeficiencia de los programas de compu Fee Gel mérodo simplex. Se han lograto progresos impresionantes en los tltimos afios y habré mds por venir. Al mismo tiempo, lainvestigacién y desarrollo en marcha sobre el enfe. uc de punto interior aumentard todavia més su poder, y quiad a un paso mis acelerado que en el caso del método simplex. El mejoramiento de la tecnologia de las computadoras, como el procesamiento masivo ‘en paralelo (un gran nimero de unidades de computadora que operan en paralelo en distintas Parres del mismo problema), también significaré un aumento sustancial en eltamafio del pro- bblema que cualquiera de los dos tipos de alguritmos pueda resolver. Sin ‘embargo, por el mo- mento parece que los enfoques de punto interior tienen mucho mayor potencial que el método simplex para aprovechar cl procesamiento en paralelo, Como ya se dijo, una desventaja grave del enfoque de punto interior es su limitada capa- cidad para realizar un andlisis pos6ptimo. Para compensar esta alla, los investigadores han in. tentado desarrollar procedimientos para cambiar al método simplex cuando cl algoritmo de Punto interior termina. Recuerde que las soluciones prueba obtenidas por éste se acercan cada ver més a una solucién éprima (la mejor solucién FEV) pero nunca Hegan a ella. Por ¢sto, un procedimiento para cambiar de enfoque requiere identificar la solucién FEV (o laso- lucién BF del problema aumentado) que ¢s muy cercana a la solucién prueba fina. Por ejemplo, si se observa la figura 4.11, es sencillo ver que la solucién prucha final en la tabla 4.18 es muy cercana.a (2,6). Desafortunadamente, en problemas con miles de variables168 4.10 4. Soluci6n de problemas de programacin lineal: método simplex de decisién (en los que no se dispone de una gréfica), laidentificacién de una solucién FEV (BE) cercana es una tarea dificil y tardada, No obstante, sc ha progresado bastante en el de- sarrollo de procedimientos para hacerlo, Una vez encontrada la solucién BF cercana, se aplica la prueba de optimalidad del méto- do simplex para verificar si se trata de la solucién BF éptima. Si no es éptima, se llevan a cabo algunas iteraciones del método simplex para moverla hacia el 6ptimo. En general, s6lo se ne- cetitan nae cuantae iteraciones (tal vez una sola) ya que el algoritmo de punta interior se acerca mucho a una solucién éptima. Estas iteraciones deben poderse realizar bastante répi- do, aun en problemas demasiado grandes para resolverlos desde el principio. Después de ub- tener realmente una solucién éptima, se aplican el método simplex y sus extensiones para ayudar a realizar el anilisis posptimo. Debido a las dificultades que implica la aplicacién de un procedimiento de cambio (que incluye el tiempo adicional de computadora), algunos profesionales preferirin usar nada mis ‘el métoda simplex desde el principio. Esta parece una buena apcidn cuando sélo en algunas ‘ocasiones se encuentran problemas suficientemente grandes para que un algoritmo de punto interior sea un poco més répido (antes de hacer el cambio) que el método simplex. Esta mo- desta aceleracién no justificarfa ni el tiempo adicional de computadora para el procedimiento de cambio ni el alto costo de adquirir (y aprender a usar) el software basado en el enfoque de punto interior. Sin embargo, para las organizaciones que con frecuencia deben manejar pro- blemas de programacién lineal extremadamente grandes, la adquisicién del nuevo software de este tipo (con el procedimiento de cambio) ral vez valga la pena. Cuando se trata de pro- blemas enormes, la tinica forma de solucién disponible pueden ser estos paquetes. Las aplicaciones de los modelos de programacién lineal muy grandes algunas veces lle- van a ahorros de millones de délares. Slo una de estas aplicaciones puede pagar varias veces el costo de los paquetes de software basados cn cl cnfoque de punto interior y cl cambio al método simplex al final. CONCLUSIONES El método simplex es un algoritmo eficiente y confiable para resolver problemas de progra- macién lineal. También proporciona la base para levar acabo, en forma muy cficiente, las dis- tintas etapas del andlisis poséptimo. ‘Aunque tiene una interpretacién geométrica itil, el método simplex es un procedimien- to algebraico. En cada iteracién se mueve de la solucién BF actual a una adyacente mejor me- diante la eleccién de la variable bésica entrante y la que sale; después usa la eliminacién de ‘Gauss para resolver cl sistema de ecuaciones lincalcs, Cuando la solucién actual no ticne una solucidn BF adyacente que sea mejor, la solucién actual es dptima yl algoritmo se detiene. Sc presenté la forma algebraica completa del método simplex para establecer su légica y se llevé el método a una forma tabular més conveniente. Para preparar el inicio del método simplex, algunas veces es necesario obtener una solucién bésica factible inicial para un pro- blema artificial. En este caso se puede usar el método de la M, 0 bien, el método de dos fases, para asegurar que el método simplex obtenga una solucién éptima para el problema real. La implantacién en computadoras personales del método simplex y sus variantes sc han convertido en herramientas tan poderosas que se usan a menudo para resolver problemas de programaci6n lineal con cientos de restrieciones funcionales y variables decisiGn y en ocasio-Apéndice 4.1_Introduccién a uso de LINDO 169 ‘es, para problemas bastante més grandes. Los algoritmos de punto interior proporcionan luna nueva herramienta poderosa para resolver problemas muy grandes. APENDICE 4.1_INTRODUCCION AL USO DE LINDO i paquete de LUNDU est diserado para aprenderlo y usarlo con fcilidad, en especial con problemas Pequefios como los encontradas en este libro, Ademds de programacién lineal, ramhién se puede usar para resolver problemas de programacidn entera (capitulo 12) y euadrética(secciSn 13.7). Este apén. dice se cenera en st uso para programacién lineal. LINDO permite introducir un modelo en forma algebraica directa. Por ejemplo, éstaes una forma sencilla de escribir un modelo en LINDO para c ejemplo dela Wyndor Glass, Co. dea seccién 3.1 ! Problema de Wyndor Glass Ca. Modelo LINDO 1X1 = lotes del producto I por semana 1 X2.= lotes del producto 2 por semana ! Ganancia, en 1000 délares MAX Profit) 3X1 + 5X2 Subject to ! Tiempo de produccigs Plant 1) X1 Plant 2) 2X2 <= 12 Plant 3) 3X1 +2X2 <= 18 END Ademis del modelo bdsico, esta formulaciGn incluye varios comentarios aclaratorios, donde cada comentario se indica cuando inicia con un signo de exclamacién. As, los tres primeros renglones dan cl titulo ya definicién de la variables de decisién. Estas pueden estar en miniisculas 0 maytisculas, pero suelen usars ls maytisculas para que no se vean desproporcionadas con ls “subindices”. Otra opeion ¢s usar palabras sugestivos (0 abreviaruras), como el nombre del producto que se fabrca, para repre- sentar la variable de decisiéa en todo el modelo, siempre quc la palabra teuiga a lo mas ocho letras. La quinea linea de la formulacién LINDO indica que el objetivo de! modelo es maximizar la fn- cidn objetivo, 3x4 + 5x, La palabra Profit (ganancia) seguida de un paréntesisaclara que la cantidad que se maximiza es la ganancia. El comentario en el cuarto renglon explica que las unidades de la fun- 0 >= como. (Para sistemas que incluyen los simbolos < y>, LINDO no los recono- ceri.) El final de ls restricciones se indica con la palabra END. LINDO supone de modo automético las restricciones de no negatividad, Si, por ejemplo, x; notiene restriccidn de no negatividad, debe indicar- secon FREE X1 en el renglén que sigue a END.170 4 Solucién de problemas de programacién lineal: método simolex Pra resolver este modelo en la versiGn para Windows de LINDO, se selecciona el comando Solve del ment Solve o bien se oprimeel bordn Solve en la barra de herramicuras. En una plaraforma distinca a Windows, s6lo se escribe GO seguido de la tecla Intro donde esté el cursor. La figura A4.1 muestra el informe de solucion que entrega LINDO. ‘Tanto la primera como la Ultima linea en esta figura indican que se encontré una solucién dprima cn la iteracién 2 del método simplex. Después esta el valor de la funci6n objetivo para esta solucidn. En seguida, se tienen los valores de 3 y x, para la solucién dptima, La columna ala derecha de estos valores proporciona los costos reducidos. No se han estudiado en este capitulo porque la informacion que proporcionan se puede derivar del intervalo permisible para seguir éptima para los coeficientes de la funcién objetivo, y también se dispone de estos intervalos per- misibles (como se verd en la siguiente figura). Cuando la variable es una variable bdsica en la solucién 0, x= Oy.x5>Oenka solucién éptima, 4) Describa como puede usar la informacién para adap- tar el método simplex a fin de resolver este problema én el ntimero minimo posible de iteraciones (si co- mienza con la solucién BF inicial de costumbre.) No realice iteraciones. 320, 20. 175 +) Utilice el procedimiento desarrollado en el inciso a) para resolver este problema a mano, (No use el OR Courseware.) 4-3-9. Diga si cada una de la siguientes afirmaciones es falsa o verdadera yjustifique su respuesta con la referencia alas citasespecificas (sequin el nvimero de pagina) en clea pitulo, 4) Lategla del método simplex para elegir la variable bé- sicaentrante se usa porqe siempre conduce a la mejor solucién BF adyacente (mayor valor de Z)) La regla de la razén minima del mérodo simplex para clegi la variable bisica que sale se usa porque al hacer otra eleccién con una raz6n mayor se lega a ui solu cidn que no es factible. ©) Cuandlo el método simplex obticne la siguiente solu- cin BE se usan operaciones algebraicas elementales para eliminar cada variable no basica de todas las ecu. ‘iones menos una (su ecuacién) y para darle un coef iente de +1 en esa couacidn, DA 44-1. Repita el problema 4.3-1, usando la forma ta- bbular del método simplex. DiC 44-2, Repita el problema 4 3 tabular del método simplex. Die 44-3. Repita el problema 4.3-3, usando la forma tabular del método simplex. D , usando la forma 4-4-4. Considere el siguiente problema, Maximizar Z~ 2a, + x, sujeta a Atms 40 44 +5 100 y 420, 20. 4) Resuelva este problema grificamente a mano. Identifi que todas las solueiones FEV. 4) Ahora repita el inciso @ usando una regla para dibujar la grifica con cuidado, De) Mediante célculos manuales resuelva este problema por el método simplex en forma algebraica rd) Ahora use el OR Courseware para resolver este probleuna inreractivamente por el método simplex en su forma algebraica. De) Mediante calculos manuales resuelva este problema or el método simplex en forma tabular. asf) Ahora uulice el OR Courseware para resolver este problema de manera interactiva por el método simplex en forma tabular, cg) Use un paquete de software basado en el método. simplex para resolver este problema.176 4-4-5. Repita el problema 4.4-4 para resolver el siguien- te problema. Maximizar Z = 2 + 3, sujetaa 4, + 2x, $30 m+ 520 y 420, 420. 44-6. Considere el siguiente problema. Maximizar Z= 2x, + 4%) + 3%, sujeraa 3u + 4x + 2x 560 2x, + + 2x $40 w+ xy + 2x $80 y 420, 420, 420. ,1a) Trabaje el mérodo simplex paso a paso en la forma algebraica 1B) Trabaje el mérodo simplex en forma tabular. Ce) Use un paquete de software basado en el método simplex para resolver el problema. 44-7. Considere el siguiente problema. Maximizar Z =3x, + 5x + 6x, sujetaa Int gt mast Atlgt asd K+ mt dys 4 mt at ys3 y 420, 20, 20. a) Trahajeel mérodo simplex paso paso en forma al sgebraica rh) Trahaje el método simplex en forma tabular. Ce) Use un paquete de computadora basado en el méto- agi P dlo simplex para resolver el problema. 44-8, Considere el signiente poblema Maximizar Z = 2x, - x + 23, sujeta a rgt3ys 4 lytm $10 Kom RS 7 4 Solucién de problemas de programacién lineal: método simplex 420, Daa) Teabaje el gebraica 14) Trabaje el método simplex paso a paso en la forma tabular. ©e) Use un paguete de computadora basado en el me- todo simplex para resolver este problema. Dy 44-9. Trabaje el método simplex paso a paso (en forma tabular) para resolver el siguiente problema, Maximizar Z = 2a ~xy +23) sujeta a Bytmt 4S 6 ay +2 51 Ktm- ms? HBO, 20, 20. DJ4.4-10, ‘Trabaje el mézodo simplex paso a paso para, resolver el siguiente problema Maximizar Z=~% +. + 2x5, sujeta a at2m- 4 < 20 2x, +44, +2 = 60 2x +34 xy < 50 420, 20, 20. 4.5-1. Considete las siguientes afitmaciones sobre pro- ‘gramacién lincal y cl método simplex. Esiquete cada una como falsa 0 verdadera y justifique su respuesta 1#) En una iteracién especifica del método simplex, si hay tun empate para la variable que debe salir de la base, en- tonces la siguiente solucién BF debe tener al menos, tuna variable basica igual a cero. 10 existe una variable basica que sale en alguna tera~ cin, entonces el problema no tiene soluciones facti- bies. 6) Sialmenos una de las variables bisicas tiene coeficien- te de cero en el renglén 0 de la tabla simplex final, en- tonces el problema tiene soluciones éptimas miiltiples. 4) Sic problema tiene soluciones Sptimas multiples, en- tonces el problema debe tener una regién factible aco- tada, olProblemas del capitulo 4 45-2. Suponga que se proporcionan las siguientes res- tricciones para un modelo de programacién lineal con va- riables de decision 1 y 2, = + 3x 5 30 35+ 3 5 30 y 420, 420. 19) Demuestre en una grifiea que la vegidu faurible es no acotada. 4) Siel objetivo cs maximizat Z = ~x, + x, étiene cl mo- delo una solucién éptima? Si es asi, encuéntrela, Sino, explique por que. ©) Repita el inciso & si el objetivo es maximizar Z = x aa 4) Para funciones objetivo donde este modelo no tiene soluciones éprimas,ésignifica esto que no hay solucio- nes buenas segain el modelo? Explique. Qué pudo ha- ber salido mal al formular el modelo? Die) Seleccione una funcién objetivo para la que este modelo no tenga solucién éptima. Después trabgje el meétodo simplex paso a paso para demostrar que Z es no acotada. Gf) Para la fancién objetivo seleccionada en el inciso e, Use un paquete de software basado en el método sim: plex para determinar que Z no es acotada. 4.5-3. Siga las instrucciones del problema 4.5-2 para las siguientes testriciones: 2x- 520 4-2 $20 y 420, 920. Dit 4.6-4. Considere el siguiente problema, Maximizar Z = 5m +, 43x +43, sujeta a 4 ~ Diy + 44 + 38x45 20 ~45) + 62+ 5x4, < 40 2x; ~3xy + 8x1 + Bx, < 50 "20, 420, 420, 420. ‘Trabaje el método s{mplex paso a paso para demostrar que 7 es no acotada, 4.5-5. Una propiedad bésica de cualquier problema de programacion lineal con una regién factible acotada es ue toda solucién factible se puede expresar como una combinacion convexa de las soluciones FEV (tal vez en mis de una forma). De igual manera, para la forma au- ‘mentada del problema, toda solucién factiblese puede ex- resar como una combinacién convexa de las solucio- nes BE, 177 #) Demuestre que cualguier combinacién convexa de ‘walguier conjunto de soluciones factibles debe ser una solucién factible (de manera que cualquier combina- in convexa de soluciones FEV debe ser factible). 4) Utilice el resultado establecido en el inciso a para de- mostrar que cualquier combinacién convexa de solu ciones BF debe ser una solucién factible. 45-6. Utilice los hechos dados en el problema 4.5-5 para demostrar que las siguientes afirmaciones dehen ser ‘iertas para cualquier problema de programacién lineal ue tiene una regién factible acotada y soluciones éprimas ‘mips: 4) Toda combinacién convexa de soluciones BF éptimas debe ser éptima. 4) Ninguna otra solucidn facible puede ser Sprima. 45-7. Considere un problema de programacién lineal de dos variables cuya soluciones FEV son (0, 0), (6, 0), (6, 3), (3, 3) y (0, 2). (Veaen el problema 3.2-2 la grafica dela region factible.) 4) Use la grafica de la regidn factible para identificar to- das las restricciones del modelo. 6) Para cada par de soluciones FEV adyacentes, dé un «jemplo de una funcién objetivo tal que todos los pun- tos en el segmento entre esas dos soluciones en los vér- tices sean Soluciones éptimas. 4) Ahora suponga que la funcién objerivo es Z~—x, + 2x, Use el método gréfico para encontrar todas las soluciones éprimas. Dad) Para a funcién objetivo del inciso,trabaje el méto- do simplex paso a paso para encontrar todas las sol ciones BF éptimas. Después escriba una expresién al- gebraica que identifique todas las soluciones 6p DjI4.5-8. Considere el siguiente problema. Maximizar Z= x, + 2,45 + <), sujeta a 483 satay s2 y 4420, para j=1,2,3,4. ‘Trabaje el método simplex paso a paso para encontrar t- das las soluciones BF dptimas, 4.6-1.* Considere el siguiente problema Maximizar Z= 2x, + 3x). sujera a atlas 4 at a3 y #20, 20.178 48) Resuelva este problema grificamente. b) use el método de la M para construir la primera tabla, simplex completa para el método simplex ¢ identifi- car la solucién BI inicial (artificial) correspondiente. ‘Tambien identifique la variable basica entrante y la va rable basica que sale. 1) A partir del inciso 6 trabaje el método sfmplex pasoa paso para resolver el probleia 4.6.2. Considere el siguiente problema Maximizar Z = 44 +2) + 3m + 5x4, sujeta a 2a + Bay + 45 + 2x = 300 B+ mt mt Sey 300 “x;20, para j=1,2,3,4. 4) Useel méroda de la M para construir la primera tabla simplex completa para el método simplex ¢ identi ficat a solucién BF inicial (avficial) correspondiente dentfique también a variable bisicaentrante inicial y la variable bisica que sale. 16) Trabajeel método simplex paso a paso para resolver el problema, 6) Usilice el mérodo de dos fases para construir la prime- ra tabla slmplex completa parala fase 1 eidentifique la soluciSn BF inicial (artificial) correspondiente. Identi- fiquc también la variable bisica enerante inicial yl va- Fiable bisica que sale 1) Trabaje la fase 1 paso a paso. ¢) Construya la primera tabla simplex completa para la fase 2. 1) Trabajela fase 2 paso apaso para resolver el problema, _g) Compare a serie de soluciones BF obtenidas ene inci- sob con as de los incisosd yf (Cuales de estas solucio- nes son factbles s6lo paral problema artificial obteni- doalineroducir las variables artficiales y cudles son de hecho factibles para el problema real? ch) Use un paquete de software basado en el método simplex para resolver el problema. 4.6-3. Considere el siguiente problema, Minimizar Z= 3x +2, sujeta a 2q+ 4210 Bn +2gs 6 H+ mz 6 y 420, 20. : 2) Resuelva este problema grificamente 1b) Useel método de la M para construir la primera tabla simplex completa para el método s{mplex ¢ identifi- 4. Solucién de problemas de programacién lineal: método simplex que la solucién BF inicial (artificial) correspondiente. Tdentifique rambién la variable bisica enerante inicial y la variable bisica que sale. 1) Trabaje el mérodo simplex paso a paso para resolver el problema. 4.6-4.* Considere el siguiente problema. Minimisar 2-20, + 3,4 My sujetaa xytdeyt2ay28 Bx +2x 26 y 420, 420. 4) Reformule este problema para que se ajuste a nuestra forma esténdar del modelo de programacién lineal presentado en la seccién 3.2. 1) Urilice el método de la Af para trabajar el mérodo simplex paso a paso para resolver el problema, 1) Unlice el metodo de las dos fases pata wabajar ol mé= todo simplex paso a paso para resolver el problema. 4) Compare la secuentia de soluciones BF obtenidas en los incisos by c. éCurdles de estas soluciones son facti- bies s6lo para el problema artificial obtenido al intro- dducir las variables artficiales y cudles son de hecho fac- tibles para el problema real? ce) Useun software basado ene! método simplex para re- solver el problema. 520, 4.6-8. Segiin el método de la M, explique por qué el mé- todo simplex nunca elegirfa una variable artificial como variable bisica entrante, una vez que todas las variables ar- tificiales son no bésicas. 4.6-6. Considere el siguiente problema. Maximizar Z= 90. 1 70%, sujeta a Qe +452 mm 22 ¥ H20, 20. 48) Demuestre en una grifica que este problema no tiene soluciones factibles. ©) Use un paquete de computadora basado en el méto- do simplex para determinar que el problema no tiene soluciones factibles 1) Utiliceel método de la M para trabajar el método sim- plex paso a paso y demostrar que el problema no tiene soluciones factibles. 14) Repita el inciso para la fase 1 del método de las dos fases.Problemas del capitulo 4 4.6-7._ Siga las instrucciones del problema 4.6-6 para el siguiente problema. Minimizar Z= 500%, + 7000%,, sujeta a 2y+ 21 4-2m21 y 420, 420. 4.6-8. Considere el siguiente problema. Maximizar Z =m +52 +323, sujeta a 4 - 2x + 3x 220 2a + 4m + xy = 50 y 420, 20, 48) Use el método de la M para construir la primera tabla, simplex completa para ¢! método simplex e identifi- car la solucién BF inicial (artificial) correspondiente. ‘También identifique la variable bésica entrante inicial ylla variable bdsica que sale. 1b) Trabaje el mérodo simplex paso a paso para resolver el problema. 11¢) Use el método de dos fases para construir la primera tabla sfmplex completa para la fase I eidentificar la so- lucién BF inicial (artificial) correspondiente. También identifique la variable bisica entrante inical la varia- ble bésica que sale. 1) Trabaje la fase 1 paso a paso. 6) Construya la primera tabla simplex completa para la fase 2. 1.) Trabajela fase 2 paso a paso para resolver el problema. 8) Compare la secuencia de soluciones BF obtenidasen el {nciso 4 con las de loa incisos @ yf (Cusles de estas so~ luciones son factibles sélo para el problema artificial obtenido af introducir las variables autfiviales y cules son factibles de hecho para el problema real? Gh) Use un paquete de software basalo en el mécodo simplex para resolver el problema. 4.6-9. Considere el siguiente problema. Minimizar Z= 2x + x,+3x, sjera a Sx + 2x, +72 420 3x + 2am + Sy 2 280 y 420, 320, 420, 420. 179 1a) Use el método de dos fases y trabaje la fase 1 paso a aso. Cb) Use un paquete de software basado en el mérodo simplex para formular y resolver la fase 1 del proble- ma. 16) Trabaje la fase 2 paso a paso para resolver el problema original (Ca) Use tn programa de computadora basado en el mé- todo simplex para resolver el problema original. 4.6-10.* Consider el siguiente problema, Minimizar Z = 3x; +2) + 45, sujeraa 2s, + m+ 345-60 3x + 3x, + 5x2 120 y 120, 1) Utilice el método de la M para trabajar el método simplex paso a paso a fin de resolver el problema 18)Use el método de dos fases para trabajar el método simplex paso a paso y resolver el problem: ) Compare la serie de soluciones BF en los incisos a éCodles de estas soluciones son factibles sélo para el problema artificial obtenido al introducir las variables attificiales y cudles son de hecho factibles para el pro- blema real? ) Use un paquete de software basado en ef metodo simplex para resolver el problema. 20, 20. 4.6-11. Siga las instrucciones del problema 4.6-10 para el siguiente problema. Minimizar Z = 34; + 2s + 7s, sujeta a +m =10 Ixy +45 210 y 420, 420, 420. 4.6212. Siga las instrucciones del problema 4.6-10 para el siguiente problema. Minimizar Z= 3x +25) + x3, sujetaa Sty 27 By + ant 210 y 420, 220, 420.180 4.6-13. Eiquete cada una de ls siguientes afirmaciones comb falsa 0 verdadera y justfique su vespuesta 2) Cuando un modelo de programacién lineal tiene una restricciOn de igualdad, se introduce una variable arti- ficial a esta restricci6n con el fin de comenzar el méto- do simplex con una solucién basica micial obvia que sea factible para el modelo original ) Cuando se érea un problema artificial introductendo variables artificiales y usando el método de la M, sito- ddas la variables artificiales en una soluci6n éptima del problema artificial son iguales a cero, entonces el pro- blema real no tiene soluciones factibles. ) En la préctica suele usarse el mérodo de dos fases por- que, en general, se requieren menos iteraciones para legar auna solucién dptima que en el método de laM. 4.6-14. Considere el siguiente problema, Maximizar Z= 5 +4) + 2x3, sujetaa 4x-mt as 5 =x, -¥y + Dep < 10 y 20, 20 (sin restriceién de no negatividad sobre x) 12) Reformule este problema para que todas las variables tengan restricciones de no negatividad. Dt b)Trabaje el mézodo simplex paso a paso para resolver el problema. ‘© e)Use un payuete de sofware Lasadoen el método sim= plex para resolver el problema, 4.6-18.* Considere el siguiente problema, Maximnizar Z sujera a “3x + HS 6 yt tn, (sin restriccidn de cota inferior para x). 4) Resuelva este problema por el método gréfic. 4) Reformule este problema de manera que tenga solo dos restricciones funcionales y todas las variables ten- gan restricciones de no negatividad. 46) Trabaje el método simplex paso a paso para resolver este problema 4.6-16. Considere el siguiente problema, Maximizar Z = -x, + 23) + ¥3, sujeta a 3x, + 5 $120 m- H-4m 5 80 -3x, + x, + 2x $100 4. Soluci6n de problemas de programacién lineal: método simplex (sin restricciones de no negatividad). 1a) Reformule este problema para que todas las variables tengan restricciones de no negatividad. p46) Resuelva el problema por el métodto simplex. Ge) Useun paquete de computadora basado en el método, simplex para resolver el problema. 4.6-17. En este capitulo se deccribié el mérodo simplex segiin se aplicaa problemas de programacién lineal en los aque la funcién objetivo se debe maximizar. En la seceién 4.6 se describié cémo convertit un problema de minimi- zacién en uno equivalente de maximizacién para aplicarel método simplex. Otra opcién en los problemas de mini- izaciéin es hacer algunas modificaciones alas instrueuio- nes que se dieron para el método simplex, afin de aplicar el algoritmo directamemte, 44) Describa cules deberfan ser estas modificaciones, 6) Use el métoxto de la. para aplicar el algoritmo modi- ficado que desarrollé en el inciso a y_resuelva el si- guiente problema directamente, a mano. (No use el ‘OR Courseware.) Minimizar Z sujeea a 3x + 4270 3x + Sy + 2332.70 y 420, 9, + Bx) + 5a, 420, 420. 4.6-18. Considere el siguiente problema. Maximizar Z = -2%, + x - 445 + 3%q sujeta a Kt yt8ytlys 4 Ro mt eed 2x + x <2 4 +2xy +x; 42x = 2 y 20, 420, 420 (sin restricciones de no negatividad para x) 1) Formule de nuevo este problema para que se ajuste a ‘nuestra forma estindar del modelo de programacién lineal que se presenté en la seccién 3.2 ) Use el método de la M para construir la primera tabla simplex completa para el método simplex e identifi- que la solucién BF inicial (artificial). Identifique tam- bin la variable basica entrante y la variable bésica que sale ©) Use el método de dos fases para construir ef renglén 0 de la primera tabla simplex para la fase 1. cd)Use un paquete de computadora basado en el método simplex para resolver este problema.Problemas del capitulo 4 14.6-19. Considere el siguiente problema, Maximizar Z = 4x +532 + 3x3, sujeraa y+ x4 2e4220 153; + 6x -55 < 50 + 3x, + 54x, © 30 a m3, 20, ‘Trabaje el método sfmplex paso a paso para demostrar que este problema no tiene soluciones tactibles. 420. A.7-1. Consulte el inzernalo permisible para seguir factble dado en la figura 4.10 para los lados derechos respectivos del problema de la Wyndor Glass Co. dado en la seccién 3.1. Utilice el método gréfico para demostrar que cada in- tcevalo permisible dado es correcto. 4.7-2, Reconsidere el modelo del problema 4.1-5. In- terprete los lados derechos de las restricciones funcionales como la cantidad disponible de los recursos respectivos 4a) Useel andlisis gréfico para determinar los precios som- bra delos recursos respectivos, comocn la figura 4.8 ) Use el andlisis grafico para realizar un andlisis de sensi- bilidad sobre este modelo, En particular, verifique cada parmetro del modelo para detetminar si es un parimetro sensible (un pardmerro cuyo valor no puede cambiar sin que cambie la solucién éptima) examinan- do la gréfica que identifica la solucién dpeima. ©) Useel andlisisgréfico como en la figura 4.9 para deter- ‘inar cl intcrvalo permisible para cada valor ¢; (coefi- fies de TrendLines son que puede vender a fo mas 12 000 blusas y'15 000 camisolas. Los prondsticos de demanda también indican que los pantalones de lana, las faldas “ajustadasy Jos blazers de lana tienen una gran demanda porque son articulos bsicos nece- sarios en todo guardarropa profesional. En especial, la demanda de los pantalonesde lana ; &.7 000 pares ¥ la de'los sacos o blazers es 5 000. Katherine desca cumplir con al menos 60% de la demanda de estos dos articulos para mantener la least de su base de clientes y ‘no perdetlos en el Faeuro, Aung la demanda de las faldas no ge puede estimar, Katheritie) siente que debe producir al menos 2 800./. ~ 4 4) Ted intenta convenicet a Katherine de no producir camisas de terciopeto pues la demanda de esta moda novedosa es baja. Afirmia que «dla es responsable de $500 000 de los costos de diseiia y's ‘otros costos fijgs. La contribucién fers (previo del articulo.~ costos de matetiales ~ costo de" mano de obra) al vender la novedad debe cubvir estos costox fijas, Carlacamica de rerciopelo ge-!, ma que dada la contribucion neta, aun sisesaisace la nera una contribucién neta de $22. Brat demanda maxim no lard Wué piensa del argumento de demands méxina no lard ganancins, {Qué piensa del argument de"TedhCaso 4.2 Nuevas fronteras 185 ob), Formule y resuelva un problema de programacion lineal para maximizar la ganancia dadas la testrieciones de producci6n, recursos y demand, ‘Antes de tomar una decision final, Katherine planca expicnat las Siguicrive preguntas inde= Pendientes excepto cuando se indique otra‘cosa. > ue @), Hl distribnidor de textiles informa a Katherine que no puede regfesat c! terciopelo porque los Drondsticos de démanda shinestran que tarlermacds desta sels dismal en el fuenos Casncesy Katherine no obtendré el reembolso por el rerciopelo; én qué cambia este hecho el plan de pro duccién? ; 4) &Cuales ua explicaciGn eeonémica inenitiva para la diferencia entre las solciones enconteadas en los incisos h ye? x ¢) Ellpersonal de costura encuentra dificultades al coset los fortos de las mangas de los saéosde ied pues el pated siene una forma exteia ¥ el pesado mate ial de lana ex dificl de cottar ycoser. El ~ incremento-en el tiempo para coser tin saco de lana atimenta los.costos de mano de obray magi: ? nado para cada saco en $80. Dado esee nuty wsty, cums prenidas de cada tipo debe producir © TrendLines para maximizarla ganancia? ‘ F) Pldiseribuidor de ventiles infosias Katherine que como oro cliente caicelé st orden, ella pa." dc obtener 10 000 yardas adicionales de acecato, $725 Sophisticated Surveys explora las siguientes opciones de’ manera acimulada. #) Formule un modelo de programacién lineal para minimizar los costosal mismio tiempo que sc cumple con las restrieciones impuestas por AmeniBank, a 4) Siel margen de ganancia para Sophisticated Surveys ¢5.15% del costb! Zcital serd la cotizacion que presenten? 90520, eS Fe Ges et erie xy 2) Desputs de entregat st propiiesta, seinformia « Sophisticared Surveys que tiene el menor dacto” pero que a AmeriBank no le gust6 la solution, En especial Rob piensa que la poblacidnSeleccin. 4, “thidano es sificigntemente representativa dé la poblacién de clientes deta hanes Ftrlesea al mic- 4. tos 50 personas de cada grupo de edad entrévistadasen cada regidn, *Cudles lantievacotizacion © gue entrega Sophisticated Surveys? - 5 z ‘Rob siente que Sophisticated Surveys tiene una mnestea Major della necesaria pata la pobiacign de 18.2 25 atios y la poblacién de Silicon Valley. Eneonices impne!la nueva réstriceign de qué jo ms de 600 individuos de ln poblacién de 18 a 25 aftos deben entrevistarse yno mas de 650 per- % —sonas de la poblaciéin de Silicon Valley ‘Cites 1s sineva Satizacion® 3 : #) Cuando Sophisticated Surveys calcul el costo de llegar hasta f entrevista alos individuos espe ‘fens, lacompatia pensé que llegar hata los individuos de las poblacionesjSyonts sca los anda Sencillo, Sin embargo, en una investigacién reciente, determiné que esté suposicidn estaba equi Po¢ oracle Los auevos costos de ls enctiesa en poblaci6n dé 18 «25-08 sc propuiciois en latac bla que sigue. 2 wes ¢ Fae Coste por persona de fa encuesta regional —_—_————eaeeEH Silicon Valley» : $6.50 ‘Ciudadas grandes 900528 $6.75 5 Cludades pequenas : $7.00 4 Dados los nuevos costs, écual es la nueva propuesta? Sant bt rare ON188 CASO 4.3 4. Soluci6n de problemas de programacién lineal: método simplex. )) Para asegutar fa tuestra deseada de individuos, Rob impone requerimicntos todivia mis est tos Fijael porcenrajcexacto de personas que deben entrevstarse de cada poblacién, Los requeri * < mieotos se dan en fa siguiente rablar 1} Porcentaje de la poblacién ¢ de personas entrevistadas- PSs * ee erent » 18a2s : 25%: 26.240: 35% ‘i é 41250 20% Slomas 20% Siicon Valley 20%6 . : Cludades grandes @ 8 50% é é _ Ciudades pequerras 30% ie }éQudnro sictementan’el cxstu egios niievos reyuerinnicinoe Ia investigations pata So: isiated Survey? Sashes 9s At Mh rt ASIGNACION DE ESTUDIANTES A ESCUELAS Bt consejodifectivo de lh eseuela Spragield ha tomade la decision dle cera una de sass. cuelas de nivel medio (sexta, séprimo: 'y octave grados) al final del aii escolar y reasignar a todos los estudiantes del proximo afto a las tres escuelas restantes. El distrito escolar pro- porciona transporte para todos aquellos quie dehan trasladarse més de wna milla aproxirna- damente, por lo que el consejo directivo deséa'planear la reasignactén de manera que se ininimnive ef wsto (otalde uansporte. El costo anual de transporte por estudiante desde cada una de las seis Areas residenciales'a cada escuela s¢ muestra en la siguiente tabla (junto con offos datos bisicos para el siguiente ao), donde 0 indica que no és necesario cl trans: porte yun guidn indica que ly asignacién no ¢s factible, Tonv an | Porconaye[rorcomare Parctouye[Sotede tanmporte par esac | ‘Area _| estudiantes on 60. grado|en To, gradolen 80. grado) Escuela! | Escuela 2 | Escuela 3.) i OP Powe | Saf i008] of a7 poe a a 8 apropos mL ele | $00" 69 Be BRS Pe See PHP S Pato: | S200 2 4 350. 2 40. 32. $200, ‘$500 haar Foes | fom of | so. Bem fk Led seen | seo. fo de eset 9001100. 1000 ‘Laescuela también impone la restriccin de que cada gradodebe constitmix entre 30% 1 36% de cada poblacién escolar: La tabla anterior muestra el porcentaje de poblacién es: a dg nivel medio cn cada dea para cl siguiente afo, que cursard cada grado, ALE ROA ICA eaCaso43_Asignacin de estudiantes a escueas 189 fas de asistencia an esevela se pueden traac de manera ques dvidi cualqhies eer cheres ims de una escuela, pero suponga que los porcentajes dela tabla se mantendrdn para cual ‘quier asignacién parcial de un drea a\una escuela. - , El consejo directivolo contratd coma: cotisultor de investigacion de operaciones para ayndarle 9 determinat cudntos estudiantes cn cada dtea deben asignares a cada escuela. ‘@).. Formule un modelo dé programacién lineal para este:prohlems. © fox 8) Resuelva el modelo. : #) #Cudl es su recomendacién al consejo directivn de la'escuela? eet Después de estudiat'su recomendacién, el consejo directivo expresa sti preocupacidin sobre Ia division de las areas residenciales entre las escuelas. Le indican que “les pustaria “mantener cada colonia en tna escnela” Cae 1) Ajustesusrecomendaciories lo mejor que pried pard permitirquecida érea seasigne sdloa una. sacucla. (Agteyat. eta restriocion puede forzaloa maniptlar algunas otras restrcciones.) 3, estos mismos conceptos se generalzan a dimensiones mayores, s6lo que ‘as Fronteras de retricciGn son ahora biperplanos en lagar de planos, an resumir oiderecualquicr problema de programacién lineal conn variables de decisién y una regién Eactible acorada. Una solucién FEV se encuenta en la inereeeriae den gon we estrlc- Sig she cablen as otras esricciones), Unaatista de a region aedeece ‘un segmen- to de recta factible en la interseccién de n~ 1 fromterss de restriccién, doule cada punto Feo com ache uentra en una frontera de restrccién adicional (por lo que estos, Puntos termina A cambiar del punto de vista geomézticn al algebraica, la intersecién de fronteras de (eaurigciGn cambia asolucin simulténen de las ecnacione de Pontere. Lass conceos ek de fron- cra de restriccién que llevan a (definen) una solucién FEV. son las ecuaciones de definicién, y LrLr———“—™_—s_ONONNNsSOCOSC es una arista de la regién factible. En seguida se analizarén describiran las implicaciones de todos estos Propicdades de las soluciones FEV En este momento se dedica Ia atencién a tres propiculues fuandamentales de las soluciones FEV que se cumplen para eualguier problema de programacion linea! que tiene solncio- Nes factibles y una regidn factible acuta JTeePiedad 1: a) Sicl problema tiene exactamente una slucién 6ptima, entonces sta debe ser una solucién FEY; 6) siel problema tiene soluciones ptimas miiltiples (y re B8i6n factible acotada), entonces al menus dos deben ser soluciones FEV. adyacentes, Lapropiedad 1 es un concepro bastante intuitivo deste el punto de visa geométrico. Pri- BAO, considere el caso a, ilustrado con el problema de la Wyndor Glass Ce (vea la figura 5.1), donde la tinica solucién éptima (2, 6) es sin duda una solucién FEV. Note que nada es- Pectal hayenel ejemplo que lleve a este resultado. Para cualquier problemas. sola solu- ion éprima,sicoapre es posible seguir elevando la recta (hiperplano) des her objetivo hasta que toque sdlo un punto (la solucion Optima) en un vértice de la regién factible, Se dard ahora una demostracicn algebraica para este caso, Demostracidn del caso a de la propiedad 1: Se desarrolla una demostracd Por com- ‘radiccén suponiendo que existe exactamente una slucin éprimay” que noes una so-196 5. Teoria del método simplex lucién FEV. Después se demuestra que esta suposicién lleva a una contradiccién y por Jo tanto no puede ser cierta. (La solucién que se supone dptima se denota por x* y el valor correspondiente de la funcidu objetivo por Z*.) Recuerde la definicién de solucidn FEV (una solucién factible que no est en nin- giin segmento que conecta a otras dos soluciones factibles). Como se ha supuesto que Ia solucidn éptima x* no es una solucién EEV, esto implica que deben existir otras dos soluciones factibles tales que el segmento de recta que las une contiene la solucién p- ima. Sean x’ y x" estas otras dos soluciones factibles y sean 7; y Zs los valores respec- tivos de la funcién objetivo. Igual que para cualquier otro punto sobre el segmento de recta que conecta ax’ y x", x*eax"+(l-a)x' para algiin valor de @ tal que 0 < @ < 1, Entonces, 2 = 0%, +(\- az. Como las ponderaciones @ y 1 - a suman 1, las vinicas posibilidades que se tienen al compatar Z*,Z, yZq son: 1) Z* = 2, = Zy, 2)Z1Z*>Zq.1a primera posibilidad implica que x’ yx" también son éptimas, lo que contradice la su- posicién de que existe exactamente una solucién dptima. Las otras dos posibilidades contradicen la suposicién de que x* (no una solucién FEV) es éptima. En conclusién, ¢s imposible tener una solucién éptima que no sea una solucion FEV. ‘Ahora considere el caso b que se demostré en la seccién 3.2 bajo la definicién de solucién Jéptima con el cambio de la funcién objetivo del ejemplo a Z = 32x; + 2x2 (vea la figura 3.5 en la pagina 35). Lo que ocurrié en el procedimiento gréfico es que la recta que representa a la funcién objetivo se mueve ltacia arriba hasta que conticne el segmento de recta que conecta las dos soluciones FEV (2, 6) y (4, 3). Lo mismo pasa en dimensiones mayores, excepto que la funcién objetivo es un hiperplano que se mueve hasta que contiene el o los segmentos que conectan dos (0 mis) soluciones FEV adyacentes. Como consecuencia, es posible obte- net todas las sohiciones dptimas como promedios ponderados de soluciones FEV dptimas. (Esta situacién se describe con mds detalle en los problemas 4.5-5 y 4.5-6.) El significado real dela propiedad 1 es que simplifica mucho la busqueda de una solucién ptima, ya que ahora sélo tienen que tomarse en cuenta las soluciones FEV. La propiedad 2 pone de relieve la magnitud de esta simplificacién. Propiedad 2: Existe sélo un nimero finito de soluciones FEV. Esta propiedad sin duda se cumple en ls figuras 5.1 y 5.2, donde nada més se tienen 5 y 10 soluciones FEV, respectivamente. Para ver por qué en general este niuneto ¢s finito, re- cuerde que cada solucién factible en un vértice ¢s la solucién simultdnea de un sistema de mecuaciones elegidas entre m +n ecuaciones de frontera de restriccién. El ntimero de combi- naciones de las m + # ecuaciones tomadas n a la vez ¢s m+n) _ (m+n)! n } > mint quees un numero finito, Este nimero, a su vez, es una cota superior para el niimero de solucio~ nes FEV, En la figura 8.1, m=3 y -2, de manera que existen 10 sistemas diferentes5.1__Fundamentos del método simplex 197 de dos ecuaciones, pero s6lo la mitad de ellos dan soluciones FEV. En la figura 5.2, m=4y 28 de manera que hay 35 sistemas diferentes de tes ecuaciones, pero sdlo 10 conducen a soluciones FEV, {a propiedad 2 sugiere que, en principio, puede obtenerse una solucién ptima median- fia enumeracién exhaustva; esto es, se pueden encontrar y comparar todas las soluciones FEV, que son un miimerofinito. Desafornunadamente existent nimercs finitos que (para pro- Péaltos précticos)hien podrian zor infnisos. Pur jemplo, un probleme te rogramacién li- neal bastante pequefio que consta de sélo m=60 testricciones y "=50 variables, tendria Propiedad 3: Si una solucién FEV no tiene soluciones FEV adyacentes que scaumejo- ‘es (cu términos del valor de Z), entonces no existen soluciones FEV que sean mejores, Por lo tanto, se garantiza que tal solucisn FEV es una solucién dprima (por la propie- lad 1), sise supone que el problema posee al menos una solucin 6ptima (lo que se farantiza si el problema tiene soluciones factibles y una region factible acotada), Parailustrar a propiedad 3 considere la figura 8.1 paral ejemplo dela Wyndor Glass Co, Tas soluciones FEV (0, 6) y (4, 3) son adyacentes ala solucion FEV (2, 6) y ninguna de las cis tene un valor mejor de 7. Esto implica que ninguna de las otras sake: FEV, (0,0) y (0,4), pueden ser mejores que (2, 6) y por lo tanto (2, 6) debe ser optima. FIGURA 5.3 2 Modificacion del problema de la ‘Wyndor Glass Co., ue viola tanto la rogramacin lineal 6 ‘como la propiedad 3 para las soluciones FEV en programacién lineal, Z = 36= 34 + Sx198 5. Teoria del método simplex aumenté la regién factible hacia la derecha de ($, 5). En consecuencia, las soluciones FEV ad- yacentes a (2, 6) son ahora (0, 6) y($,,5) y de nucvo ninguna de las dos es mejor que (2, 6). ‘Sin embargo, ahora otra solucidn FEV, (4, 5), ¢s mejor que (2, 6), lo que viola la propiedad 3. La raz6n es que la frontera de la regién tactible va hacia abajo de (2, 6) a ($,,5) y despues “dobla hacia afuera” hasta (4, 5), mis alld de la recta de la fiuncidn objetivo que pasa por (2,6). El punto clave es qn el ripe de simacién que se ilustra en la figura 5.3 no puede ocurrir en programacién lincal. La regién factible en esta figura implica que las restricciones 2x) < 12 y 3x, + 2x s 18 se cumplen para 0 x < §. Sin cmburg, bajo la condicion de que s x, <4,la restricci6n 3x, + 2x) <18 se elimina y la reemplaza x7, <5. Este tipo de “restricciones condicionales” no estén permitidas en programacién lineal. La razén basica para que la propiedad 3 se cumpla es que en cualquier problema de pro- ‘gramacién lineal, la regién factible siempre tiene la propiedad de ser un conjunto convex, se- tin se define en el apéndice 2 y se ilustra en varias figuras ah{ mismo. Para un problema de dos variables, esta propiedad de convexidad significa que el dmgulo dentro de la regién factible cn todas las soluciones FEV es menor que 180°. Esto sc ilustra en la figura 5.1, donde los én- gulos en (0, 0), ( 0,6) y (4, 0) son de 90° y aquellos en (2, 6) y (4, 3) tienen entre 90° y 180°. Por el contratio, la regién factible de la figura 5.3 n9 cs un conjunto convexo debido a que el Angulo en (§, 5)es mayor que 180°. Este es el tipo de “doblez hacia afuera” con un dngulo ma- yor que 180° que no puede ocurtr en programacion lineal. En problemas de n dimensiones se sigue aplicando este concepto intuitivo de “nunca doblar hacia afuera”” ara aclarar el significado de regidn factible convexa, considere el hiperplano de la fun- cién objetivo que pasa por una solucién FEY, y que es igual o mejor quc todas las soluciocs FEV adyacentes. [En el ejemplo original de la Wyndor Glass Co. este hiperplano es la recta de la funcién objerivo que pasa por (2, 6).] Todas estas soluciones adyacentes [(0, 6) y (4, 3) en el ejemplo] deben estar ya sea en el hiperplano o en el lado no favorable (seguin lo mide el va- lor de Z) del hiperplano. El que la regién factible sea convexa significa que su frontera no se puede “doblar hacia afuera” més alld de una solucién FEV adyacente para dar otra solucién FEV quescencuentre en el lado favorable del hiperplano, para que la propiedad 3 se cumpla. Extensiones a la forma aumentada del problema En cualquier problema de programacién lineal en nuestra forma estdndar (incluyendo las res- tricciones funcionales de la forma ¢), la apariencia de las restricciones funcionales después de introducir variables de holgura es la siguiente: (Yaa + ayaa Ht Many + Snot aby (2) ayy + 2g%2 ++ Bante + Xn aby (mn) yp X1+ yn X2 40+ nn Ky m1 dD donde sn 415 942-9 ¥nom SON Variables de holgura. En la seccién 4.6 se describié como pue- de obtenerse esta misma forma (la forma apropiada de eliminacién gaussiana) para otros pro- blemas de programacién lineal, introduciendo variables artificiales, eteétera. Entances las soluciones originales (x1, %2 ..., #,) quedan aumentadas con los valores correspondientes de las variables de holgura o artificiales (415 %n42-+09 n+m) Y Qutizd tambign algunas variables de superdvit. A partir de este aumento, en la seccién 4.2 se definieron las soluciones basicas5.1 Fundamentos del método simplex 199 como soluciones en un vértice aumentadas y las soluciones bésicas factibles (soluciones BF) como soluciones FEV aumentadas. En consecuencia, las tres propiedades anteriores de las soluciones FEV también se cumplen para las soluciones BE En este punto deben aclararsc las relaciones algebraicas entre las soluciones basicas y las soluciones en los vértices. Recuerde que cada solucién en un vértice es la solucién simultanea de un sistema de » ecuaciones de frontera, alas que se dio el nombre de ecuaciones de defini- cién, La pregunta clave es: 2cémo puede distinguirse cuando una ecuacién de frontera en par- ticular es una de las ecuaciones de definicidn siel problema se encuentra en la forma aumenta- da? Por formina, la respnesta es sencilla. Cada restriccidn tiene una variable indicativa que indica por completo (segiin si su valor es cero 0 no) cudndo la solucién actual satisface la ecuacidn de frontera de esa restriccibn. En la tabla 5.3 aparece un resumen, Para el tipo de res- triccién en cada renglén de la tabla, observe que la ecuacién de frontera de restriccién corres- pondiente (cuarta columna) se satisface si y s6lo si la variable indicativa de esta restriccion (quinta columna) es igual a cero. En el dltimo renglén (restriccién funcional de la forma >), de hecho, la variable indicativa ,,; ~ x,, esa diferencia entre la variable artificial Z,; ylava~ riable de superdvit x. ‘As{ pues, siempre que la ecuacién de frontera de restricci6n sea una de las ecuaciones de definicién para una solucién en un vértice, su variable indicativa tiene valor de cero en la for- ma aumentada del problema. Cada una de estas variables indicativas se lama variable no basi- ca para la sulucién bisica correspondiente. En seguida se resumen las conclusiones y la terminologfa (que se introdujo en la seccién 4.2). Cada solucién bésica tiene m variables bésicas, y el resto son variables no bésicas iguales a cero. (El niimero de variables no basicas es igual an més el mimero de variables de superSvit.) Los valores de las variables bésicas constiruyen la sohucién simultinea del sistema de m ecua- ciones del problema en la forma aumentada (después de igualara cero las variables no bisicas) Esta solucién basicaes la solucidn en el vértce aumentada cuyas m ecuaciones de definici6n son las indicadas por las variables wo bisicas. En particular, siempre que wna variable indicativa en Ja quinta columna de la tabla 5.3 sea una variable no bisica, la ecuacin de frontera de restric- cidn en la cuarra columna es una ecuaciGn de definiciOn para la solucidn en el vércice, (Para res- tricciones funcionales de la forma 2, al menos una de las dos variables suplementarias Hy Y %, es siempre una variable no bisica, pero la ecuacion de frontera de restricciOnse convierteen una ecuacién de definicién sélo si ambas variables son no bésicas.) TABLA 5.3 Variables indicativas para las ccuaciones de frontera de restriecién* ipode | Formadela restriccion | _ restriccién No negatividad | x, 20 Funcional (s) Funcional (-) Funcional (2) "Variable indicative ~O = se satiaface [a ecuacin de rontara de restiecibn; ‘variable indicatva #0 = se viola a ecuacién de frontara de restriccion.200 5 Teoria del método si Ahora considere las soluciones bésicas factibles. Se puede observar que los inicos requisi- tos para que una solucién sea factible en la forma aumentada del problema son que satisfaga cl sistema de ecuaciones y que todas las variables sean no negativas. ‘Una solucién BF ¢s una solucién basica en la que las m variables basicas son no negativas (0) Se dice que una solucién BE es degenerada si cualquiera de estas m variables ¢ igual acero. Entonces, ¢s posible que una variable sea igual a cero y no sea una variable no bdsica para la solucién BE actual. (Este caso correspondea una solucién FEV que satisface otra ecuacién de frontera ademés de sus.» ecuaciones de definicién.) Por lo tanto, es necesario saber con exacti- tad cudl es el conjunto actual de variables no bésicas (0 ¢l conjunto actual de variables basicas) y no confiar en los valores de cero. ‘Ya se hizo notar que no todo sistema de» ecuaciones de frontera conduce a una solucién. en un vértice, ya sea porque el sistema no tiene soluciones o porque tiene soluciones mlti- ples. Por razones andlogas, no todo conjunto de n variables no bésicas conduce a una solucién bésica. Sin embargo, el método simplex evita estos casos. Para ejemplificar estas definiciones, considere una vez més el ejemplo de la Wyndor Glass Co. Sus ecuaciones de frontera y las variables indicativas se muestran eu la tabla 5.4. Alaumentar las soluciones FEV (vea la tabla 5.1) se obtienen las soluciones BF enumera- das cn Ja tabla 5.5. En esta tabla se han colocado. juntas las soluciones bisicas factibles adya- centes, excepto el par formado por la primera y la tltima. Note que en todos los casos, las variables no bésicas son necesariamente las variables indicativas de las ecuaciones de defini- cin, Entonces, las soluciones BF adyacentes difieren en qne tienen slo una variable no bési- ca distinta, También observe que cada solucién BF ¢s la solucién simulténea del sistema de ‘ecuaciones para el problema en forma aumentada (vea la tabla 5.4) cuando las variables nu bisicas se igualan a cero. ‘De igual manera, las otras tres soluciones no fiactibles en los vértices (ea la tabla 5.2) lle- van a las otras soluciones bésicas no factibles que se muestran en la tabla 5.6. Los otros dos conjuntos de variables no bésicas, 1) x y x3 y 2) x2 y a4, no conducen a una solucién bésica porque al hacer cualquier par de variables igual a cero no se llega a te- ner una solucién al sistema formado por las ecuaciones (1) a (3) dadas en la tabla 5.4. Esta conclusién se equipara a la observacién que sc hizo antes respecto a que los conjuntus corres pondientes de ecuaciones de frontera de restriccién no conducen a una solucién. TABLA 5.4 Variables indicativas para las ecuaciones de frontera de restriccién del problema de la Wyndor Glass Co.* Restriccién en Ecuacién de frontera | Variable Restricci form: ntada de restricci6n indicativa m20 x20 n=0 x 20 20 x=0 xo ns4 oat on x4 % 2ns 12 Q me x ey =12 x 3x42 S18 @)3nt2at x52 18 34 +212 =18 Xs "Variable indicatva = 0 = Ia ecuacion de frontera de restriccion se satsfacer ‘variable indicatva #0.= la ecuacion de frontera de restrccion se viola.5.1__Fundamentos del método simplex 201 TABLA 5.5 _Soluciones BF para el problema de la Wyndor Glass Co, Ecuaciones de Variables Solucién FEV definicion Solucién BF no basicas (@.0) (0.0,4,12, 18) A % 06 (0.6,4,0,6) a x 26) 2.6,2,0,0) a 43) (4.3.0,6,0) x 4 (4.0) (4.0.0, 12,6) Eltodo simplex comienza en na olucién bisicafactible y se mueve en forma iterativaa tuna solucién basica factible adyacente mejor, hasta que logra una sulucion ptima. {Como se alcanza la solucién BE adyacente en cada iteracin? Recuerde que pars el problema original se obtiene una solucion facibleen un vérticead- Yaccare a partir de la solucién actual cuando: 1) se elimina una ecuacisn de fronter (ecuncion de definicién) del conjunto de » restricciones que definen la solucion actual, 2) se hace un Movimiento alejandose de la solucién actual, en la direccién factible alo largo de las Lies- \ricclones de Frontera (una arista de la regién factible)restantes y 3) el movimicmtose deine al encontrar la primera restriccién (ecuacidn de definicidn) nueva. JDe manera equivalent, en a terminologta nueva el método simplex lega a una soluciga BF adyacente a partir de la solucién actual cuando: 1) se elimina una variable (la variable bési- Fe esse Conjunto de m variables no bésicas que definen la solucién actual, 2) se aleja de la solucién actual al incremensar el valor de esta variable desde cero (y ajustando las otras variables bisicas para que sigan satisfaciendo el sistema de ecuaciones) al mismo. tiempo que se santienen lan ~ variables no bisicasrestantesanivel cero, y 3) se detiene cuandodl vatex de laprimera variable bisica (la variable hasica que sale) llega acero (a su estriccionde fivatn £2). Con cualquiera de estas dos interpretaciones, para clegir entre las malternativas del paso 1 Solucién no factible Ecuaciones de Solucién bisica en un vértice definicién no factible no basicas 0.9) (9, 4,-6, 0) % (4,6) (4.6.0, 0, 6) % % 6,0) (6.0.2, 12,0)202 5. Teoria del método simplex Ley TABLA 5.7. Secuencia de soluciones obtenidas por el método simplex para el problema de la Wyndor Glass Co. Solucién | Ecuaciones FEV | de definicion Variables |Restricciones funcionales no basicas | en la forma aumentada iteracién BF ° ©. (0.0,4, 12, 18) rr re] 2g tx4= 12 Big 1 Bagg a= 18 1 8) (0,6,4,0,6) my tKye 4 2x, + x42 12 Bx + 20g + 5 = 1B 2 (2.6,2,0,0) x tue 4 Dxeqt Ky= 12 3xj 42x, + 5=18 Ta tabla 5.7 ilustra la cercana correspondencia entre estas interpretaciones geométrica y algebraica del método simplex. Con los resultados presentados en las secciones 4.3 y 4.4, Ja cuarta columna resume la secuencia de soluciones BF encontradas para el problema de la Wyndor Glass Co., y la segunda columna muestra las soluciones FEV correspondientes. En atercera columna observe que en cada iteracién se climina una frontera de restriceién (ccua- idn de definicién) y se incluye otra para obtener la nueva solucién FEV, De manera similar observe en la quinta columna que cada iteracién elimina una variable bésica ¢ incluye otra para obtener la nueva solucién BE. Atin mds, las variables no bisicas que se quitan y se agre~ gan son las variables indicadoras de las ecuaciones de definicién que se eliminan y se incluyen en la tercera columna. La ultima columna muestra el sistema de ecuaciones inicial [sin incluir la ecuacién (0)] para la forma aumentada del problema, con las variables bésicas actuales en En cada caso, observe wm al hacer cero las variables no bésicas y resolver cl sistema de ecuaciones se obtiene la misma solucién para (x,, x) )que con el par de ecuaciones de defi- nicién correspondiente en la tercera columna. METODO PLEX REVISADO El método simplex, tal como se describié en el capitulo 4 (y que en adelante se Ilamard método simplex original) es un procedimiento algebraico directo. Sin embargo, esta forma de ¢jecutar el algoricmo (ya sea en forma algebraica o tabular) no cs cl procedimiento de céleulo més efi ciente cuando se trata de emplear una computadora, pues calcula y almacena muchos niime- ros que no se necesitan para la iteracién actual y muchos que ni siquiera son pertinentes para latoma de decisiones en iteraciones subsecuentes. Las tinicas cifras importantes en cada itera cién son los coeficientes de las variables no bésicas en la ecuacién (0), los coeficientes de la va- riable bisica entrante en las otras ecuaciones y el lada derecho de las ecuaciones. Serfa muy ‘itl contar con un procedimiento que obtuviera esta informacién de manera eficiente sin te- ner que calcular y almtavenar los demas cocficientes. Como se mencioné en la seccién 4.8, estas ideas motivaron el desarrollo del método sim- plex revisado. Este método se ide6 para que lograra exactamente las mismas cosas que el méto- ddo simplex original, pero de manera més eficiente para su ejecucién en una computadora. Asi, se trata de una versién simplificada del procedimiento original. Calcula y almacena slo5.2. Método simplex revisado 203 la informacién que se necesita en el momento y guarda los datos esenciales de manera més compacta. Elmétodo simplex revisado usa operaciones explicitas con matrices, por lo que es impor- tante describir el problema en notaciGn matricial. (Vea en cl apéndice 4 un repaso de matri- ces.) Para ayudar al lector a distinguir entre matrices, vectores y escalares, se usarn siempre letras MAYUSCULAS en negritas para representar matrices, letras mintisculas en negri- tas para representar vectores y letras cursinas normales en cl caso de los escalares. También se uusard el cero en negritas (0) para denotar el vector nulo (un vector cuyos elementos son todos cero) ya sea en forma de columna o de rengldn (lo que debe ser claro por Ia forma del proble- ma), mientras que el cero normal (0) seguird representando el mimero cero. 'Si se emplean matrices, nucstra forma estandar del modelo general de programacién li- neal establecido en la seccién 3.2 se convierte en: Maximizar Zax, sujeta a Axsb x20, donde c es un vector rengién C= [er F2y05 en) x, b y 0 son vectores columna tales que x, 0 x: x=|"? |, , o=|.), Ea y Acs la matriz a an Am fee ees oe Bm Ama A Para obtener la forma anmentada del problema se introduce el vector columna de las variables de holgura Ena Xn x, =|" Xam de manera que las restricciones se convierten en wnt | by [Ee204 5 Teoria del método simplex donde Tes la matriz identidad dem x my el vector nulo O ahora tiene» + elementos. (Alfi nal de la seccién se hacen comentarios sobre cmo manejar problemas que no estén en nues- tra forma estindar.) Obtencién de una solucion basica factible Recuerde que el enfoque general del método simplex es obtener una sucesién de soluciones bd sicas factibles mejoradac hasta alearzza la solucién éptima, Una de las earacisfstivas clave del método simplex revisado ticne que ver con la forma cn que obtiene cada nueva solucién BE después de identificar sus variables bisicas y no bdsicas. Dadas estas variables, la solucién bé sica que resulta ¢s la solucién de las m ecuaciones wn |», cen las que las m variables no bdsicas de entre los m +m clementos de t| se igualan a cero. Cuando se eliminan estas n variables igualindolas a cero queda un conjun- 0 dem ecuaciones con m inedgnitas (las variables busiens). Este sistema de ecuaciones se pue- de denotar por Bxy=b, donde cl vectur de variables basicas a. xy=| Xm se‘obtiene al climinar las variables no bésicas de y la matriz base By Bi Buy se obtiene al climinar las colusmias correspondientes a los coeficientes de las variables no bés cas de [A, T]. (Atin mds, los elementos dex y, por lo tanto, las columnas de B pueden que- dar colocadas en diferente orden al cjecutar el método simplex.) Elmeétodo simplex introduce sélo variables bisicas tales que R sea no singular, de manera que B™ siempre existe. Asi, para resolver Bx g = b, se premultiplican ambos lados porB™: BBx, = Bb.5.2 Método simplex revisado 205 Como BB = I, la solucién deseada para las variables bisicas es x, =B"b. Sea ¢p el vector cuyos elementos son ls coefcientes de la funcién objetivo (incluyendo los {0s Para las variables de holgura) que corresponden alos elementos de x, El valor de la fancién objetivo para esta soluciéin hisica es entonces Za e5Xy = cgBb. Ejemplo. Para ilustrar este método para obtener una solucién bisa facible, considere ‘otra vez cl problema de la Wyndor Glass Co., presentado en la seccidn 3.1 que se tesolvi6 em, Pleando el método simplex original cn la tabla 4.8. En este caso, 10100 4 s =(3,5), [A,1]=/0 2.01 of b=li2h x2} 32001 18 : Con referencia ala tabla 4.8, la serie de soluciones bisicas factibles obtenida con el método simplex (original o revisado) ¢s la siguiente: Iteracitn 0 ¥ 100 #3] [1 0 of 4] [4 Xs=|*4 B=|0 1 O/=B, asi ¥4/=|0 1 0//12/=/12], Ms 901 xs} [0 0 iflis} [is 4 x= (0, 0,0), esdeci, Z= (0, 0, 0]/12/=0. 18 Iteracién 1 3 to 6 Ho 0 xp=/} B=|0 2 of o + of Xs o 2 1 oO 7 1 de manera que *3] fl 0 off 4] [4 a |=|0 4 offiz|=l6), xs} [0 -1 iflis} [6 p= (0,5,0], esdeci, Z=(0, 5, 0]]6|= 6206 5 Teoria del método simplex Iteracién 2 dde manera que 1} =|0 } 0-4 x my x &p = (0, 5, 3), loo 7 1 =|o 2 of =|o } Oj 2 3 o - -$\) 4] |2 0{12}=\6|, dfs} [2 [2 es decir, Z= (0,5, as = 36. 2 Forma matricial del conjunto de ecuaciones actual Eltiltimo preliminar antes de resumir el método simplex revisado es mostrar la forma matri- cial del conjunto de ecuaciones que aparece en la tabla simplex en cualquier iteracién del mé- todo original. Para el conjunto original de ecuaciones, la forma matricial es 1 07 o a 1* Este conjunto de ecuaciones se exhibe también en la primera tabla simplex de la tabla 5.8. Las operaciones algebraicas rcalizadas por el inétodo simplex (multiplicar una ecuacién por una constante y sumar un miltiplo de una ecuacién a otra) se expresan en forma matti- TABLA 5.8 Primera y Ultima tabla simplex en la forma matricial Coeficiente de Variable Lado Neeracion| basica | Ec, | Z | Variables originales | Variables de holgura [derecho z lo 1 “ ° | 0 U xe | (t2...,m) | Oo A 1 b5.2. Método simplex revsado 207 cial premultiplicando ambos lados del conjunto original de ecuaciones por la matriz apropia- da. Esta matriz tiene el mismo nimero de elementos que la matriz identidad, excepto que cada miiltiplo de una operacién algebraica se debe colocar en el lugar que se necesita para que la mulkiplicacién de matrices realice esta operacién. Adu despues de una serie de operaciones, algebraicas a través de varias iteraciones se puede deducir cual debe ser esta matriz (simbéli- camente) en cada paso, al usar lo que ya se sabe sobre el lado derecho del nuevo conjunto de ecuaciones. En particular, después de cualquier iteracién, x» = B™'b y Z=cgB™b. por lo que el lado derecho de las ecuaciones se converte en Z2)_[1 cgB" ][0]_[cgB 'b xe} [o Bt jib} | Bb Debido a que se realiza la misma serie de operaciones algebraicas en ambos lados del con junto original de ecuaciones, se usa esta misma matriz.que premultiplica el lado derecho ori- ginal para premultiplicar el lado izquicrdo original. En consccuciia, como. 1 egB! V1 -¢ 0}_[1 csB1A-c c,B") o B! jo At} jo Bla Bt } la forma matricial que se busca para el conjunto de ecuaciones después de cualquier iteracion es La segunda tabla simplex de la tabla 5.8 también muestra este mismo conjunto de ecuacio- nes, Ejemplo. Pata ilustrar esta forma matricial para el conjunto actual de ecuaciones, conside- re el conjunto final de ecuaciones que se obtiene en la iteracién 2 para el problema de la Wyndor Glass Co. Si se emplea la By ¢g dadas en la iteracidn 2 al final de subseccién anterior, se tiene 1 0 0 1, 0 0. 1 cpB7 = (0, 5, 3}|0 0 00 csB'A-c={0, 5, 3]]0 1|-[3, 5]=(0, 0). 10208 Ademés, usando los valores de x = B'by Z = ¢gB™'b que se calcularon unas cuantas pigi- nas antes, estos resultados dan el siguiente conjunto de ccuaciones: como se observa en la tabla simplex final de la tabla 4.8, Procedimiento global Existen dos implicaciones importantes en la forma matricial del conjunto de ecuaciones ac- tual mostrado en Ia tabla 5.8. La primera es que sdlo es necesario obtener B™ para poder calcular todos los mimeros de la tabla simplex a partir de los parémetros originales (A, b, es) del problema. (Esta implicacién es laesencia de la idea fundamental que se describe en la si- guiente secci6n.) La segunda es que cualquiera de estos mimeros se puede obtener en forma individual al efectuar sola una muleiplicacién vectorial (un renglén por una columna) en lugar de multiplicar la matriz. completa. Por lo tanto, se pueden calculat los niimeros requeridas para evar a cabo una iteracién del método simplex conforme se necesiten sin dedicar el esfuuerz0 ‘omputacional que toma obtener sodas los ntimeros. Estas dos implicaciones clave se incor- poran en el siguiente resumen del procedimiento global. Resumen del método simplex revisado 1, Paso inicial: el mismo que en el método simplex original. 2. Iteracién: Paso 1 se determina la variable bésica entrante: igual que en el método simplex ori- ginal. Paso2_se determine la variable bésica que sale: igual que en el método simplex ori nal, pero se calcula s6lo los niimeros que se necesitan para hacerlo [los coeficientes de la variable bisica entrante en todas las ecuaciones menos la ecuacién (0), y después, para cada cocficiente estrictamente positivo se calcula el lado derecho de esa ecuacién}.! Paso 3 se determina la nueva solucién basica facible: se obtiene B™ y el conjunto xp=B"b. 3. Prucbadeoptimalidad: 1a misma que en cl método simplex original, excepto que se calcu- lan s6lo los mimeros necesarios para realizar esta prucba, es decir, los coeficientes de las ‘variables no bdsicas en la ecuacién (0). Enel paso 3 de una iteracién, B~! se puede obtener cada vez usando una rutina estandar de computadora para invertir matrices. Sin embargo, como B (y porlo tanto B™) cambia tan. poco de una iteracién a ou, resulta mds eficiente obtener la nueva B™ (denotada por B jteys) apartir de la B de la iteracién anterior (denotada por B ha): (Sise trata de la solucin BE inicial, B= 1= B~.) Un método para hacer esta derivacién se basa directamente en la inter- "Webido aque el valor de xp ese vector completo formado por ls lados derechos excepo la ecuacin (0), noes nece- sariocalcular ls ados derechos sixy se calcul6enel paso 3 dela iteraién anterior.5.2. Método simplex revisado 209 pretacién de los elementos de B™ [los coeficientes de las variables de holgura en las ecuacio- nes (1), (2), +5 (am) actuales} que se presentaré en la siguiente seccién, as{ como en el procedimiento usado por el método simplex original para ubtener el nucvo conjunto de ecua- ciones a partir del anterior. Para describir formalmente este método, sea 4 = variable bésica entranre, a’, = coeficiente de x, en la ecuacién (i) actual, para i =1, 2,..., m (calculado en. el paso 2 de una iteracién), = mimero de ecuaciones que contienen a la variable basica que sale. Recuerde que el nuevo conjunto de ecuaciones [sin la ecuacién (0)] se puede obtener a partir del conjunto precedente restando la ecuaci6n (r) multiplicada por ay jay, de la ecuacién (#), para todai=l, 2,...,m exceptoi=r y después se divide la ecuacién (r) entre. Entonces, el clemento de Bs jy, en el renglény la columna j es Bibiga)y — 2A Brhinady sider oe ang) Bibevady = 1 Bihiga)s sié= Estas formulas en la notacién matricial se expresan como Brew = EBz) niga donde la matriz Kes una matria identidad excepto que su column, se sustituye porel vector m Sf n te sider, =|? |, donde n=} : site mn a Entonces E=[U,, Un y.oss Uys ty Upsts-+-3 Up}, donde los m elementos de cada vec- tor columna U; son cero excepto por un 1 en la iésima posicién. Ejemplo. Sc ilustraré el método simplex revisado aplicéndolo al problema de la Wyndor Glass Co. Las variables basicas iniciales son las variables de bulgur Xs xp= (xa) 5 Iteracién 1 Como la matriz inicial B“! = I, no se necesitan célculas para obtener los nimeros requeridos que identifican la variable bisica entrante x, (~eq = 5 < -3= ~7))y la variable basica que sale 2 4(0 yy = 5 ba [it = HP <1 = by tgp, por lo que r=2). Ast, el nuevo conjunto de variables bisicas es * xp =| | Ey210 5 Teoria dal métadn imply Para obtener la nueva B™, 0 a= =| th a entonces 1 0 off1 0 0) [1 0 0 BI-|o } olfo 1 0/-jo 4 04 0 -1 10 0 if jo ad de manera que 1 0 oy 4] [4 xz=|0 } o}12}=|6). eee 6 Para probar siesta solucién es 6ptima, se calculan los coeficientes de las variables no basi- as (x; y #4) en la ecuacidn (0). Al realizar nada mds las partes relevantes de la multiplicacién de matrices, se tiene 1 cgB'A-c=(0, 5, 0)/0 S| cgB = [0, 8, 0}]— de manera que los coeficientes de x, y x4 son -3 y §, respectivamente. Como », tiene cocfi- ciente negativo, esta soluci6n no es éptima. Iveracién 2 Con estos coeficientes de las variables no bdsicas en la ecuacién (0), como sdlo *;, tiene coefi- ciente negativo, la siguiente iteracién comienza por identificar x, como la variable bésica en- trante. Para determinar la variable basica que sale se calculan los otros coeficientes de x) ° oy 1 ojo —|=|0 —} -1 13 3 1 B'A=|0 05.2 Método simplex revisado 2u1 ‘Usando la columna del lado derecho de la solucién BF actual (el valor de xg) que se acaba de obtener en laiteraci6n I, las razones 4/1 > 6/3 indican que x es la variable bésica que sale yel nuevo conjunto de variables bisicas es 7 a 1 ail |Z con Ta 0 -— m 1} at ar | | 3. Lan] 3 Por lo tanto, la nueva B ' es 10 -}]f1 0 o} fi 4-3 B'=/0 1 Oj/0 3 0}=|0 $ oO}, joo $ifo -1 1) jo -} 3 entonces 1 4-377 4] [2 xe=|0 $ Off12)=|6 jo -3 -3)h18] [12 Al aplicar la prueba de optimalidad se encuentra que los coeficientes de las variables no basi- cas (x4 y x5) en la ecuacién (0) son -— 3+ cB! =(0,5,3]}— 4 0 — -$ 4 Como ambos coeficientes (3 y 1) son no negativos, la solucién actual (x = 2, *) = 6, 4 =0, x5 = 0) es ptima y termina el procedimiento. Observaciones generales La presentacién anterior se limité al caso de problemas de programacién lineal que se ajustan nuestra forma estindar dada en la seccidn 3.2, pero las modificaciones para otras formas son, relativamente sencillas. E] paso inicial se Hevaria a cabo de manera idéntica que en el método simplex original (vea la seccidn 4.6). Cuando este paso comprende la introduccién de varia- bles artificiales para obtener una solucién inicial BF (y por lo tanto para obtener la matriz, idéntica como matriz base inicial), estas variables se incluyen en los mt elementos de x, Ahora se haré un resumen de las ventajas que tiene el método simplex revisado sobre el original. Una de ellas es que puede reducirse el ntimero de célculos aritméticos. Esto es vilido en especial cuando Ja matriz A contiene un gran nimero de elementos iguales a cero (lo que por lo general ocurre con los problemas de gran escala que surgen en la practica). La cantidad de informacion que se tiene que almaccnar es menor, algunas veces mucho menor. El método simplex revisado también permite el control de los errores de redondeo que inevitablemente212 5.3 5 Teoria del método simplex se generan en una computadora. Este control se puede ejercer al obtener en forma periédica la matriz B directamente de la inversa de B. Atin mds, algunos de los problemas del andlisis posdptimo que se presentaron en la seccién 4.7 se pueden manejar mejor con este método. Por estas razones, en general se prefiere cl método simplex revisado cuando se corre en una computadora. UNA IDEA FUNDAMENTAL En esta seccidn se hard hincapié en una propiedad del método simplex (en cualquiera de sus formas) que el método simplex revisado puso de manifiesto en la seccidn anterior.! Esta idea fundamental proporciona la clave tanto para la teorfa de dualidad como para el andlisis de sensibilidad (capitulo 6), dos partes muy importantes de la programacién lineal. La propiedad involucra los cocficientes de las variables de holgura y la informacién que contienen. Es un resultado directo del paso inicial, donde se asigna un coeficiente de +1 a la #-ésima variable de holgura x,,; en la ecuacién (i) y de 0 en rodas las demds ecuaciones [incluso laecuaci6n (0)] parai=1, 2,...,, como lo muestran el vector nulo 0 y la matriz.identidad I en la columna de variables de holgura en la iteracién 0 de la tabla 5.8. (En la mayor parte de esta seccidn se supone que el problema se encuentra en nuestra forma estdndar, con b, 2 0 para toda i=1, 2,...,, y no se necesitan ajustes adicionales en el paso inicial.) Elotro factor clave cs quc las itcraciones subsecuentes producen cambios en las ecuaciones iniciales sélo mediante 1. Ta mulriplicacién (o divisién) de una ecuacién completa por una constante distinta de cero, 2. Lasuma (o resta) de un muiltiplo de una ecuacién completa y otra ecuacién completa, Camo ya se describié en la seccién anterior, una sucesién de operaciones algebraicas de este tipo es equivalente a premultiplicar la tabla simplex inicial por alguna matriz. (Vea en el apéndice 4 un repaso de matrices.) La consecuencia se puede resumir como sigue. in verbal de la idea fundamental: después de cualquier iteracién, los coc ficientes de las variables de holgura en cada ecuacién revelan de inmediato como se obtuvo la ccuacién a partir de las ecuaciones iniciales. ‘Coma ejemplo de la importancia de esta idea, recuerde de la tabla 5.8 que la formula ma- tricial que el método simplex obtuvo para la solucién éptima es x,=B'b, donde xy €s el vector de variables basicas, B™! es la matriz de cueficientes de las variables de holgura para los renglones 1 at de a tabla simplex final y bes el vector original del lado dere- cho (disponibilidad de recursos). (Mas adelante se denotaré esta matriz. particular B™' por S*.) El anilisis posSptimo por lo general incluye una investigacién de los cambios posibles enb. Sisc usa esta formula, se puede observar justo como cambia la solucién BF éptima (si se convierte en no factible debido a valores negativos de las variables) como una funcién deb. ‘Noes necesario volver a aplicar el método simplex una y otra vez para cada nuevo vector b, ya 'Sin embargo, como algunos profesores no cubren la seccin anterior, ésta se escribié de manera que se pueda enten- der sin leer antes la seccién 5.2. Es ttl observar la notacién matricial introducida al principio de las secci6n 8.2, inclu- yendo la importante ecuacidn que se obsuvo, x5 = Bb.5.3 Una idea fundamental 213 que los coeficientes de las variables de holgura ilo dicen todo! De manera similar, esta idea fundamental es un ahorro computacional enorme en el resto del andlisis de sensibilidad. Para dejar bien claro el por qué y el como de esta idea, se observard de nuevo el ejemplo de la Wyndor Glass Co, (El OR ‘Tutor incluye otro ejemplo de demostracién.) Ejemplo. La tabla 5.9 mueetra la parte relevante de la tabla simplex para ilustrar esta idea fundamental. Los coeficientes de las variables de holgura se encuadraron en las tablas simplex porque son los coeficientes cruciales para la aplicacidu de esta idea. Para evitar que se enci- ‘men, el renglén pivote y la columna pivote se identifican sdlo por un recuadro. Iteracién 1 Para mostrar la idea fundamental se dirigiré la atenci6n a las operaciones algebraicas realiza~ das por el método simplex al usar la eliminacién gaussiana para obtener la nueva soluci6n bi sica factible. Si se realizan todas las operaciones con el renglén 2 antiguo en lugar de con el nuevo, las operaciones algebraicas que se detallaron en el capitulo 4 para la ireracién 1 son renglén 0 nuevo = renglén0 antiguo + (§)(renglén 2 antiguo), renglén 1 nuevo = renglén 1 antiguo + (0)(rengldn 2 antiguo), renglén 2 nuevo (9) (renglén 2 antiguo), renglén 3 nuevo = renglén 3 antiguo + (-1)(renglén 2 antiguo). TABLA 5.9 Tabla simplex sin las columnas de la izquierda para el problema de la wyndor Glass Co. Cosficience de ado teeracién [5 rm 4 % xy __|_ derecho 3 = ° ° ° ° ° 1 ° 1 ° 0 4 ° 2 ° 1 ° 2 3 2 ° ° 1 \a ° i ° 3 ° 3 30 ' 1 ° ° 4 ' 1 ° ' ° : ° ‘ 3 ° ° “1 \ 6 ° i ' % ° ° ; ° ° ' } + 2 2 i > ° 1 o i ° ‘ 4 1 : 1 ° ° ; j214 5 Teoria del método simplex Si por el momento se ignora el renglén 0, se ve que estas operaciones algebraicas son lo mis- mo que premultiplicar los renglones 1 a 3 de la tabla simplex inicial por la primera matriz 1 0 0 0 go} 0-11 Los renglones 1 a 3 de la tabla simplex inicial son flo10d00 4 Rengloues antiguos 1-3 [ 2.010 12), 3 200118 donde las tercera, cuarta y quinta columnas (los coeficientes de la variables de holgura) for- ‘man una matriz identidad. Entonces, 1 OOy1a100:¢4 Nuevos rengiones 1-3 =|0 pollo 20104 a eles eae ae 1 0f7 0 0]4 =|o 1]o 4 ole} 3 olo -1 1J6 ‘Observe que esa primera matriz se reproduce justo como los coeficientes de las variables de holgura en los renglones 1 3 de la nueva tabla simplex, porque estos cocficientes cn la tabla inicial formaban una matriz identidad. Asi, tal como se establecié en la descripcién verbal de Ia idea fundamental, los coeficientes de las variables de holgura en la nueva tabla simplex pro- porcionan sin duda un registro de las operaciones algebraicas realizadas. Esta idea no es motivo de gran emocién después de slo una iteracién ya que se puede ver directamente en la tabla inicial cules dehen ser estas operaciones, pero se vuelve invaluable ‘una vez que se han realizado todas las iteraciones. Para cl renglén 0, la operacién algebraica realizada se reduce al siguicnte cdlculo de nratsi- ces, en donde ahora se prestaré atencidn al vector [0 $, 0] que premultiplica a los renglones 1 a 3 de la tabla simplex inicial. oe Nuevo renglén 0 = [-3, -5 10, 0, 0°0]+(0, §, o]0 2.0 1 0 12 3.200 1:18 0, [0 ¥_0,] 30). Note que este vector se reproduce exactamente como los coeficientes de las variables de hol- ‘gura en el renglén 0 de la nueva tabla simplex, tal como se aseguré en la idea fundamental. (Una vez mis, la razén’es la matriz identidad para los coeficientes de las variables de holgura enlos renglones 1 a 3 de la rabla inicial, junto con los ceros para esos cocficientes en el renglén 0 de esa tabla.)5.3, Una idea fundamental 215 Teeracién 2: Las operaciones algebraicas realizadas en la segunda tabla simplex de la tabla 5.9 para la itera- cidn 2 son rengl6n 0 nuevo = renglén 0 antiguo + (1)(renglén 3 antiguo), rengién 1 nuevo = renglén 1 antiguo + (-})(1cuglon 3 antiguo), renglén 2 nuevo = renglén 2 antiguo + (0)(renglén 3 antiguo), renglén 3 nuevo = (})(renglén 3 antiguo), Si por el momento se ignora el renglén 0, estas operaciones son lo mismo que premultiplicar los renglones 1 a 3 de esta tabla simplex por la matriz 10 -f oa of. oo 4} Alescribir esta segunda tabla simplex como el producto de matrices dado en la iteracién 1 (a saber, la matriz correspondiente multiplicada por los renglones 1 a 3 de la tabla simplex ini- Gial) se obtiene 10 - #2 0 oy ofl 00: € Renglones 1-3finaes=| 0 1 Oj/0 2 ol/0 2,0 10.12 o 0 jo -1 1/3 2:0 0 18 1} -}]f1 of1 0 0: 4 =|0 $ offo 201012 o -} 313 2:00 1 18 0 oft ¥ -$]2 =|0 1/0 3 O}6|. 1 ojo -} 3]2 Las primeras dos matrices que se muestran en la primera linea de estos célculos resumen las ‘operaciones algebraicas de la segunda y primera iteraciones, respectivamente. Su producto cs la primera matriz.de la segunda linea, que después combina las operaciones algebraicas de las dos itcraciones, Observe que esta tnatriz se reproduce igual que los coeficientes de las varia- bles de holgura en los renglones 1a 3 de la nueva tabla simplex (final) que se muestra en la ter- cera linea. Lo que esta parte de la tabla revelaes la formaen que se obtuvo rod la tabla simplex final (excepto el renglén 0) a partir de la tabla simplex inicial, rengl6n 1 final =(1)(renglén 1 inicial) + _(2)(tenglén 2 inicial) + (~4)(renglén 3 inicial, rengldn 2 final = (0)(renglén 1 inicial) + (3)(cenglén 2 inicial) + (0)(renglén 3 inicial), engin 3 final = (0)(renglén 1 inicial) + (—J)(renglén 2 inicial) + (4)(renglén 3 inicial) ara entender Ia raz6n por la que estos multiplicadores de los renglones iniciales son co- rectus teudrian que revisarse rodas las operaciones algebraicas de las dos iteraciones. Por ejemplo, épor qué el renglén 1 final incluye (3)(renglén 2 inicial), aun cuando nunca se agre- g0 un miltiplo de ese renglén 2 al renglén 1? La razén es que el renglén inicial 2 se restd del renglén 3 inicial en la iteracién 1 y después (})(renglén 3 antiguo) se resté del renglén 1 anti- guo en la iteracién 2,216 5. Teoria del método simplex. Sin embargo, no hay necesidad de averiguar todo esto. Aunque el método simplex haya realizado cientos o miles de iteraciones, los cocficientes de las variables de holgura en la tabla simplex final revelardn en qué forma se obtuvo esta tabla a partir de la tabla simplex ini- cial, Lo que es mis, las mismas operaciones algebraicas darian estos mismos cocficientes aun cuando se cambiaran algunos de los parémetros en el modelo original (tabla simplex inicial), cde manera que estos coeficientes también pueden revelar en’ qué forma cambia el resto de lata- bla simplex final si se hacen cambios en la inicial. ara completar esta historia para el renglén 0, la idea fundamental dice que todo el ren- gion 0 final se puede calcular a partir de’ Ja tabla simplex inicial usando solo lus cucficientes de las variables de holgura en el renglén 0 final, (0, 3, 1}. Este célculo se muestra en seguida, el primer vector es el rengl6n 0 de la tabla simplex inicial yla matriz esta formada por los renglo- nes 1 a 3 de la tabla simplex inicial. 10:10 0 4 Renglén O final=|-3, -5'0, 0, 0:0]+(0, $, W]O 2 0 1 0 12 32:0 0 1:18 =[0, 0,f0, § 1,] 36). Observe de nuevo cémo el vector que premultiplica los renglones 1 a3 de la tabla simplex ini- cial se reproduce exactamente como los coeficientes de las variables de holgura en cl renglén 0 final. Estas cantidades deben ser idénticas dehido a los coeficientes de las variables de holgura cen la tabla simplex inicial (una matriz.idéntica abajo de un vector nulo). Esta conclusién es la que corresponde al renglén 0 cn la idea fundamental. Resumen matematico La aplicacién més importante de la idea fundamental involucra la tabla simplex final, por lo que se dard una expresién matemética general justo en términos de esta tabla, mediante la no- tacién matricial. Sino ha leido la seccién 5.2, debe saber que los pardmetras del modelo estan dados porla matriz A= ||«j|y los vectores b =||d;{| ye Ile, Ih segtin se establecié al princi- pio de esa seccién. La notaci6n necesaria que falta se resume ¢ ilustra en la tabla 5.10. Note que el vector t (que representa el renglén 0) y la matria'T (que representa los otros renglones) corresponden alos renglones de la tabla siniplex inicial en la tabla 5.9, mientras que el vector t* y la matriz. "T+ corresponden a los nuevos renglones de la tabla simplex final en la tabla 5.9. Esta tabla también muestra una particién de estos vectores y matrices en tres partes: los coeficientes de Jas variables originales, los coeficientes de las variables de holgura (el centro de nuestra aten- cidn) y el lado derecho. Una vez més, la notacién hace distincién entre las partes de la tabla simplex inicial y la tabla simplex final usando un asterisco en este iiltimo caso. ‘En cuanto a los coeficientes de las variables de holgura (parte central) en la tabla simplex inicial dela tabla 5.10, observe el vector nulo O en el rengién O y la matriz identidad I abajo, lo que proporciona la clave de la idea fundamental. El vector y la matriz en la misma porcién de Ja tabla simplex final, y* y $*, juegan entonces un papel importante en las ecuaciones, para la idea fandamental. Ay ben a tabla simplex inicial se convierten en A* yb* en a tabla simplex final. Para el rengl6n 0 final, los coeficientes de las variables originales son 2* ~ ¢ (de manera que el vector 2* es lo que se ha agregado al vector de coeficientes iniciales, ~€) y el lado dere cho Z* denota el valor éptimo de Z.5.3_ Una idea fundamental 217 TABLA 5.10 Notacién general para las tablas simplex inicial final en la forma matricial, ilustrada con el problema de la Wyndor Glass Co, Tabla simplex Renglén 0: (Otros renglones: Combinados: En este punto es util regresar a la tabla 5.8 de la seccion 5.2 y compararla con la tabla 5.10. (Sino ha estudiado la seccién 5.2, necesitard leer las definiciones de la matriz. base B y los vectores x p y¢g dadas en esa seccién antes de estudiar a tabla 5.8.) La notacién para las componentes de la tabla simplex inical es la misma en las dos tablas. .a parte inferior de la ta- bla 5.8 muestra cualquiera de las tltimas tablas simplex en forma matricial, mientras que la parte inferior de la tabla §.10 da la tabla simplex frial cn forma matricial. Observe que la ma- tric B~! en la tabla 5.8 se encuentra en la misma posicién que S* en la tabla 5.10. Asi, s*=B7 cuando B es la matriz base para la solucién dptima encontrada por el método sfmplex. De nuevo, con referencia ala tabla 5.10, suponga que se tiene la tabla simplex inicial, ty ‘T,y de la tabla simplex final sélo se conocen y* y S*. ¢Existe alguna manera de utilizar esta in- formacién para calcular el resto de la tabla final? La tabla 8.8 proporciona la respuesta. Esta tabla incluye una parte dela informacién que no es directamente valiosa en ste plantea- miento, es decir, mo se pueden calcular y* y S* (y* =¢gB~ yS* = B™) si se conoce el con- junto actual de variables bésicas y, por lo tanto, la matriz de la base actual B para que el método simplex encuentre la solucién éptima. La parte inferior de esta tabla también muestra cémo se puede abtener el resto de la tabla simplex a partir de los coeficientes de las variables de holgura. Esto se resume como sigue: Idea fundamental (2) tt=t+y*T =[y"A-ciy* i y*b}. (2) T* =S*T =[S*A : S*: S*b}218 5 Teoria del método simplex Entonces, si se conocen los parémetros del modelo en la tabla inicial (c, A yb) y sélo los coefi- cientes de las variables de holgura en la tabla simplex final (y” y S*), estas ecuaciones permi- ten calcular todos los niimeros restantes de la tabla simplex final. Estas dos ecuaciones se usaron cuando se describié la iteracién 2 para el problema de la Glass Co. en la subseccién anterior. En particular, el lado derecho de la expresin. para el renglén 0 final en la iteracién 2 es justo t+ y*T, y la segunda linea de la expresién para Jos ecngloncs finales 1 a 3 cs exactamente &*T. Se daré ahora un resumen de la logica matemitica que respalda las dos ecuaciones de la idea fundamental, Para derivar la ecuacion (2), recuerde que la seric completa de operaciones algebraicas realizadas por el método simplex (excepto las que involucran el renglén 0) es equivalente a premultiplicar T por alguna matriz, sea ésta M. Por lo tanto, ut = M1, pero ahora es necesario identificar M. Alescribir las componentes deT y T*, esta ccuacién se convierte en [At ‘Como la componente del centro (o cualquier otra) de estas matrices iguales debe ser la mis- ma, se deduce que M = S* y asi la ecuacién (2) es valida. La ecuacién (1) se obtiene de manera similar al observar que la serie completa de opera- ciones algebraicas que incluyen el renglén 0 se reduce a sumar a t una combinacién lineal de los renglones de’, lo que es equivalente a sumar a t algiin vector multiplicado por T. Si este vector se denota por ¥, se tiene terevr, pero todavia es necesario identificar v. Escribiendo las componentes de t y t* se llega a fet -ciy* i Z*)= (0:0) + viA! 1: b] t [e+vA! yi vb}. Aligualar las componentes centrales de estos dos vectores iguales se tiene v= y*, lo que com- prueba la ecuacién (1). Adaptacién de otras formas de modelos Hasta ahora, la idea fundamental se ha descrito con la suposicién de que el modelo original se encuentra en nuestra forma estandar dada en la seccién 3.2. No obstante, la logica matemiti- ca anterior revela con exactitud queé ajustes se necesitan para otras formas de! modelo origi- nal. La clave es la matriz identidad I en la tabla simplex inicial, misma que se convierte en S* en la tabla simplex final. Sihan de introducirse algunas variables artificiales en la tabla simplex. inicial para que sirvan de variables basicas iniciales, entonces I en esta tabla simplex esté for- mada por el conjunto de columnas (ordenadas en forma apropiada) de todas las variables basi- cas iniciales (tanto de holgura como artificiales). (El conjunto de columnas de cualesquiera variables de superdvit es irrelevante.) Las mismas columnas en la tabla simplex final propor- cionan $* para la ecuacién'T* = $*T y y* para la ccuacién t* = t + y*T. Sise se introdujeran5.3 Una idea fundamental 219 algunas M en el renglén 0 preliminar como coeficientes de las variables artificiales, entonces lat para la ecuaciOn t* = t + y"T es el renglén 0 de la tabla simplex inicial después de eliminar algebraicamente estos coeficientes distintos de cero de las variables bésicas. (De otra manera, el rengién 0 preliminar se puede usar como t pero deben restarse estas M del renglén 0 final para obtener y*,) (Vea el problema §.3-11.) Aplicaciones La idea fundamental tiene una gran variedad de aplicaciones en programacién lineal. Una de ellasinvolucra el método simplex revisado. Segiinse describié en la seccién anterior (vealat- bla 5.8), este método utiliza B y la tabla simplex inicial para calcular todos los nuimeros re- levantes de a tabla simplex actual en cada iteracion. Va atin mds lejos que la idea fundamental al utilizar B~! para calcular el mismo y* como y* ~ ¢,B™ Otra aplicacién incluye la interpretacién de los precias sombra (yi , 93 ,.... Ym) descritos entaseccin 4.7. La idea fundamental revela que Z* (el valor deZ para la sulucin dptina) es Zr =yrb = Soto, asi, por ejemplo, = 0b, + 50a + by paral problema de la Wyndor Glass Co, Esta ecuacién conduce de inmediato ala interpreta- cién de las y} dada en la seccién 4.7. Otro grupo de aplicaciones en extremo importantes incluye varias de las tareas de posopti- matidad (la técnica de reoptimizacién, el andlisis de sensibilidad y la programacién lineal pa- ramétrica, descritas en la seccién 4.7) que investigan el efecto que causan uno o més cambios enel modelo original. En particular, suponga que ya ce aplicd el método simplex para obtener tuna solucién éptima (inclusive y* y $*) para el modelo original y que estos cambios se hacen después. éCusles serfan los cambios resultantes en la tabla simplex final si se aplicara exacta- mente la misma secuencia de operaciones algebraicas a la tabla inicial revisada? Como y* y S* no cambian, la idea fundamental revela de inmediato la respuesta. Por ejemplo, considere el cambiode 6, = 12.46, = 13,tal ycomose ilustraen la figura 4.8 para el problema de la Wyndor Glass Co. No es necesario resolver todo el problema para obte- ner la nueva solucién ptima (x, 2) = (3, $4) porque la idea fundamental proporciona en seguida los valores de las variables bisicas (b*) en la tabla simplex fina. &3 1 4 -yf4 x |=b*=S"b=|0 } 0//13|= A o -¥ als) L$ Existe todavia una manera mds sencilla de efectuar estos célculos. Como el dnico cambio ocu- rreen la segunda componente de b (Ad, = 1), yeste vector esté premultiplicado nada més por la segunda columna de S*, el cambio en b* se puede calcular tan facil como. t t abt =| d]ab=| 3 “4 -}220 5.4 3 Teorfa del método simplex por lo que los valores originales de las variables bésicas en la tabla simplex final (x3 = 2, 4, =6, %, =2), ahora se convierten en *) [2] [ d] [& xy |=lol+| $]=|8) vj i) (3) L$ (Si cualquiera de estos nuevos valores fuera negativo y, por lo tanto no factible, entonces se aplicaria la técnica de reoptimizacién descrita en la seccién 4.7, comenzando con esta tabla fi- nal revisada.) Al aplicar el andlisis incremental ala ecuacién anterior de Z* también se obtiene La idea fundamental también se puede aplicar a la investigacién de otro tipo de cambios cn cl modelo original de una manera muy parecida; ésta cs la parte medular del procedimien- to de andlisis de sensibilidad que se describird en la iltima parte del capitulo 6. “También se podré ver en el siguiente capftulo que la idea fundamental tiene es un aspecto clave en la itil teorfa de dualidad para programacién lineal. CONCLUSIONES Aungue el método simplex es un procedimiento algebraico, est4 basado en algunos concep- tos gcométricos bastante sencillos. Estos conceptos permiten usar el algoritmo para exami nar un niimero relativamente pequefio de sohuciones bésicas factibles antes de alcanzar ¢ identificar la solucién éptima. El capitulo 4 describe cémo se usan las operaciones algebraicas elementales para cjecutar la forma algebraica del método simplex, y después cémo usa la tabla stmplex las operaciones ele- ‘mentales en los renglones equivalentes de la misma manera. Estudiar e! método simplex en es- tas formas es una buena manera de iniciar el aprendizaje de los conceptos bésicos. Sin embargo, estas formas del método simplex no proporcionan la manera mds eficiente para su gjecucién en computadora. Las operaciones con matrices son un camino més répido para com- binary realizar operaciones algebraicas clementales u uperaciones con reuglones. Pur lo tan to, al usar la forma matricial del método simplex, cl método simplex revisado proporciona una ‘manera efectiva de adaptar el método simplex para programarlo en una computadora. La tabla simplex final incluye la informacién completa para poderla reconstruir algebrai- ‘camente a partir dela tabla simplex inicial. Esta idea fundamental tiene aplicaciones muy im- portantes, en especial en el andlisis de posoptimalidad, REFERENCIAS SELECCIONADAS 1, Bazaraa,M. S.J. J. Jarvis y H. D. Sherali: Linear Programming and Network Flows, 2a, ed., Wiley, ‘Nueva York, 1990. Dantzig, G. B. yM.N. Thapa: Linear Programming I: Introduction, Springer, Nueva York, 1997. Schriver, A.: Theory of Linear Programming, Wiley, Nueva York, 1986. Vanderbei, R.J.: Linear Programming: Foundations and Extensions, Kluwer Academic Publishers, Boston, MA, 1996. heyProblemas del capitulo § 221 AYUDAS DE APRENDIZAJE PARA ESTE CAPITULO EN OR COURSEWARE Un ejemplo de demostracién en el OR Tutor: dea fundamental Rutinas interactivas: Introducir o revisar un modelo general de programacién lineal (Enter or Revive a General Linear Programming Model) Preparacién para el método simplex, slo interactivo (Set Up for the Simplex: Method Solucién interactiva por el méwelo simplex. (Solve Interactvely by the Simple Method) Archivos (capitulo 3) para resolver el ejemplo Wyndor: Archivo Excel Archiva LINGO/LINDO. ‘Archivo MPL/CPLEX ‘Vea el apéndice 1 para la documentacién del software. PROBLEMAS Los simbolos a la izquierda de algunos problemas (0 de sus incisos) significan los siguiente: D: El ejemplo de demostracién indicado puede ser til. 4: Puede verifcar su trabajo con las rutinas interactivas indicadas para el método simplex original. Unasterisco en el mimero del problema indica que al final del libro se da al menos una respuesta parcial. 5.1-1." Considere el siguiente problema. Maximizar Z= 3x +22, sujeraa dnt ms6 tlm s6 y 420, 20. #) Resuelva este problema graficamente. Identifique las sotuciones FEV con un circulo alrededor, en la grifica 4) Idencifique todos los conjuntos de dos ecuaciones de definicién para el problema. Para cada uno obrenga (si existe) la soluci6n correspondiente en el vértice y clasi- fiquela como solucién FEV 0 como no factible. ¢) Introduzca las variables de holgura con objeto de es- cribir las ecuaciones funcionales en la forma anmenra- da. Utilice estas variables de holgura para identificar la solucién bisica que corresponde a cada solucién en un vértice, encontrada en el inciso b. <4) Haga lo siguiente para cada conjunto de dos ecuacio- nes de definicién del inciso b: identifique las variables indicativas para cada ecuacién de definicién; escriba los conjuntos de ecuaciones del inciso e despues de eli- ‘inar estas dos variables indicativas (no basica); lne- {go use el iltimo conjunto de ecuaciones para obtener {as dos variables restantes (variables hésicas); compare lasolucién bisica que resulta con la solucién bésica co- rrespondiente obtenida en el inciso Sin ejecutar el método simplex, utilice su interpreta- cién geométrica (y la fancién objetivo) para identifi car la trayectoria (secuencia de soluciones FEV) que segnirfa para llegar ala solucién éptima. Para cada so- lucién FEV identifique la decision tomada para la si- guiente iteracién: i) cudl ecuacidn de definicidu se eli- ‘mina y cul se agrega; if) cudl variable indicativa se climina (variable bésica entrante) y eal se introduce (variable bisica que sale). 5.1-2, Repita el problema 5.1-1 para el modelo del pro- blema 3.1-5, 5.1-3. Considere el siguiente problema, Maximizar Z = 2 +323, sujera a y -3q+ ms 1 4m +225 20 4-510 a t2ms 5 420, 20.m2 5 Teorla de! método simplex 1a) Resuclva este problema grificamente, Identifique las soluciones FEV y seftdlelas en la grifica. +) Desarrolte una tabla que muestre cada sohucién FEV y las ccuaciones de definicidn correspondientes, la solu- cidn BF y las variables no bisicas. Calcule Z para cada solucién yutilices6lo esta informacién para identificar la solucign éptima. ) Desarrolle la tabla correspondiente para las soluciones no factibles e1t los vértices, cre. También identifique los conjuntos de ecuaciones de definicién y las varia- bles no basicas que no conducen a una solucién. 5.1-4. Considere el siguiente problema. Maximizar Z= 2m - + %, sujeca 3x4 yt my S60 - %y+ 24510 st a- a5s20 y 420, 20, Después de introducir las variables de holgura y de reali- 2ar na ireracién completa del método simplex se obtiene la siguiente tabla simplex. 220. ado \dere- Ike leno 0 30 0 10 ltera- cen 48) Adentifique la solucién FEV obtenida en laiteraci6u 1 ') Tdentifique las ecuaciones de frontera de restriccién que definen la solucion FEN. 5.1.5. Considere el problema de programacién lineal de tes variables que se muestra en la figura 5.2. 2) Construya tina rabla similar a la $.1 que muestre el conjunto de ecuaciones de definicién para cada solu- cién FEV. ) éCuales son las ecuaciones de definicién para la solu- cidn no factible en el vértice (6, 0, 5)? ¢) Tdentifique uno de los sistemas de tres ecuaciones de fiontera de restriecién que no conduzcaa una solucién FEV nia una solucién no factible en un vértice. Expli- que por qué vcurre est en ese sistema, 5.1-6. Considere el problema de programacién lineal dadoen la tabla 6.1 como el problenra dual del ejemplo de la Wyndor Glass Co. 4) Identifique los 10 conjuntos de ecuaciones de defini- cidn de este problema. Para cada uno, obtenga (si exis- te) la solucién correspondiente en el vértice y clasifi- quela como solucién FEV 0 como solucién no factible en un vértice. 'b) Para cada solucidn en un vértice, obtenga la solucién hésica correspondiente y su conjunto de variables no bisicas. (Compérelas con la tabla 6.9.) 5.17. Cunt ol siguicate problema, Minimizar Z = x + 2, sujera a =a + mS15 2x, + ms 90 230 y 420, 420. 22) Resuelva este problema por el método grifico, 1) Desarrolle una tabla con todas las soluciones FEY y tas ccuaciones de definicidn correspondientes, la solucidn BBE y las variables no bisicas. 5.1-8. Reconsidere el modelo det problema 4.6-3. 4a) Identifique los 10 conjuntos de ecuaciones de defini- cidn parael problema, Para cada uno, obstenga (si exis- te) la solucién correspondiente en el vértice y clasifi- ‘quela como solucién FEV 0 como solucién no faetible en un vértice. 8) Para cada solucién en un vértice, obtenga la solucién bisica correspondiente y su conjunto de variables no bisicas. 5.1-9. Reconsidere el modelo de! problema 3.1-4. 4) Identifique los 15 conjuntos de ecuaciones de detini- cin para este problema, Para cada uno, obtenga (si existe) la solucién correspondiente en un vértice ycla- sifiquela como solucién FEV 0 como solucién no fac- tible en un vértice. b) Para cada solucidn en nn vértice obtenga la solucién bbisica correspondiente y su conjunto de variables no bisicas. 5.1-10. Cada una de las siguientes afirmaciones es cierta en casi todas las circunstancias, pero no siempre. En cada caso, indique cudndo no es cierta y por qué 8) La mejor solucién FEV es una solucidn éptima. 4) Una solucién éptima es una solucién FEV. 6) Una solucién FEV es la ‘nica solucién dptima si nin- guna de las soluciones FEV adyacentes ¢s mejor (se- gin el valor de la funcién objetivo). 8.1-11. Considere la forma original (antes de aume: tar) de un problema de programacién lineal con » varia- bles de decision (cada una con una restriccién de no negatividad) y m restricciones funcionales. Btiquete las si-Problemas del capitulo 5 guientes afirmaciones como falsas 0 verdaderas y después justifique su respuesta con referencias especificas (incluya Ia cita de la pgina) al material del capitulo, 4) Siuna solucién factible es éptima, debe ser una solu- cién FEV. 6) El mimero de soluciones FEV es al menos (mim “mint 6) Siuna solucién FEV tiene soluciones adyacentes que son mejores (segiin Z), entonces una de estas solucio- nes FEV adyacentes debe ser Sptima. 5.1-12, Etiquete las siguientes afirmaciones sobre pro. bblemas de programacién lineal como falsas 0 verdaderas y después justifique su respuesta. 4) Siuna solucién factible es 6ptima pero no FEV, enton- ces existe un niimero infinito de soluciones Sptintas. 4) Sie valor de la funcidn objetivo es igual en dos puntos factibles diferentes x" y x" *, entonces todos los pun- tos sobre el segmento de recta que conectaax* y x** son factibles y Z tiene e1 mismo valor en todos ellos. 6) Sil problema tiene n variables (antes de aumentar), ‘entonces la solucién simulténea de cualquier conjunto dem ccuaciones de frontera de restriccidn es una solu- cién FEV. 5.1-13. Considere la forma anmentada de los problemas de programacién lineal que tienen soluciones factibles y tuna regidn factible acotada, Etiquete cada una de las afir- ‘maciones siguientes como falsa o verdadera y después jus- tifique su respuesta haciendo referencia a afirmaciones ¢s- pecificas (con la cita de la pégina) del capftulo. 1a) Debe haber al menos una solucién éptima. 4) Una solucién éptima debe ser una solucién BE 6) El ndanere de suluciones BF © finitv. 5.1-14.* Reconsidere el modelo del problema 4.6-10, ‘Ahora se sabe que las variables bdsicas en la solucién épti- ‘ma son sy x3. Use esta informacién para identificar un sistema de tres ecuaciones de frontera de restriccién cuya solucién simulténea sea esta solucién dptima. Resuelva este sistema de ecuaciones para obtener esa solucién. 5.1-18. Reconsidere cl problema 4.3-7. Ahora use la informacién dada y la teoria del método sfmplex para identificar uu sistema de wes ccuaciones de frontera de restriccién (en 3, 7, #) cuya solucién simulténea sea la solucién éptima, sin aplicar el método sfmplex. Resuelva el sistema de ecuaciones para encontrar esa solucién. 5.1-16. Reconsidere el problema 4.3-8. Utilice la infor- ‘macién dada y la teorfa del método simplex para analizar fas restricciones del problema con el fin de identificar un sistema de tres ecuaciones de frontera cuya solucién si- 23 multinea sea la solucién éptima (no aumentada). Des- pués resuelva este sistema de ecuaciones para obtener ¢sa solucién, 5.1-17. Considere el siguiente problema. Maximizar Z = 2m +22, 43%, sujeta a Int atlas At mt ye8 y 420, 20, 420. ‘Sean x y las variables de holgura para las restricciones ‘funcionales respectivas. Comenzando con estas dos varia bles como las variables bsicas para la solucién BF inicial, se iene la informacién de que el método simplex procede de la siguiente manera para obtener la solucién éptima en dos iteraciones: 1) en la iteracién 1, la variable bésica en- trante es x2 y la variable basica que sale es x4; 2) en laite- racién 2, la variable bdsica entrante es x» ya que sale es, 4) Desarrolle un dibujo de tres dimensiones de la region factible para el problema y muestre la trayectoria que signe el métoda simplex +) Dé una interpretacién geométrica de por qué el méto- do simplex sigue esta trayectoria. 1) Paraccada una de las dos aristas de laregidn factible por las que viaja el método simplex, dé la ecuacién de las dos fronteras de restriccidn sobre las que est y después la ecuacién de la froncera de restriceién adicional en cada punto terminal. 4) Tdentifique el conjunto de ecuaciones de definicién para las tres soluciones FEV (incluso la inicial) obteni- das por el mérodo sfmplex. Use las ecuaciones de defi- nicién para obtener estas soluciones, ¢) Para cada solucion FEV obtenida en el inciso d, pro- porcione la solucién BF correspondiente y su conjunto de variables no basicas. Explique en qué forma estas variables no bésicasidemtifican las ecuaciones de defi nicién en el inciso d. 5.1-18. Considere cl siguiente problema, Maximizar Z=3y + 42+ 2%, sujeta a At mt ys 20 at 2+ x45 30 y 420, 20, 20. Sean x4 y x; las variables de holgura para las restricciones funcionales respectivas. Comenzando con estas dos varia- bles como variables bésicas de la solucién BF inicial,reci- bela informacién de que el método simplex procede de la24 5 Teoria del método simplex siguiente manera para obtener la solucién éptima en dos jteraciones: 1) en laiteracién 1, la variable bésica entrante es, y lavariable bisica que sale esx; 2) en a iteracién 2, Ia variable bésica entrante es a y la que sale ¢3 x4. ‘Siga los pasos del problema §.1-17 para estasituacién, 5.1-19. Después de observar la figura 5.2, explique por qué la propiedad 1b para las soluciones FEV se cumple en este problema si tiene la siguiente funcién objetivo. a) Maximizar Z 4) Maximizar Z = -m + 23. 5.1.20. Considere el problema de programacién lineal de tres variables que se muestra en la figura 5.2. 4) Expliqueen términos geométricos por qué el conjunto desoluciones que satistacen cualquier restrccidn indi- vidual es convexo segiin se define en el apéndice 2. +) Usilice a conclusidn del inciso a para explicar por qué la regin factible compleca (el conjunto de soluciones ‘que satisfacen simulednemente todas las restricciones) es un conjunto convexo. 5.1-21. Suponga que ¢l problema de programacién li- neal de tres variables mostrado en la figura §.2 tiene la funcién objetivo, Maximizar Z= 3x, + 4x, + 322 Sin emplear el dlgebra del método s{mplex, aplique slo el razonamicnto geomésrico (incluso la eleccién de la arista (que da la tasa méxima de incremento para Z) para deter- ‘minar y explicar la uayectoria que seguiria cn la figura 8.2 desde el origen hasta la solucidn éptima, 5.1.22. Considere el problema de programaci6n lineal de tres variables que se muestra en la figura 5,2. 28) Construya una tabla similar ala 5.4 que muestre las va- riables indicativas para cada ecuacién de frontera y ‘cada restriccién original. ») Para la sotuci6n FEV (2, 4, 3) y sus tres soluciones FEV adyacentes (4, 2, 4), (0, 4, 2) y (2, 4,0) constru- ya una tabla similar a la 5.5 que muestre las ecuacio- nes de definicién correspondientes, las soluciones BF y la variables no bésicas, €) Utilice los conjuntos de ecuaciones de definicién el in- cisob para demostear que (4, ?,4), (0, 4,2) y (2,40) son en realidad adyacentes a (2, 4, 3), pero que ningu- na de estas tres soluciones FEV son adyacentes entre si, Después use los conjuntos de vatiables no bisicas del inciso 4 para demostrar lo mismo. 5.1.23. La formula de la recta que pasa por (2, 4, 3) y (4, 2,4) en la figura 5.2 se puede escribir como (2,4,3) + afl4, 2,4) ~ (2,4, 3)1 = 2,4, 8) + a(2, -2 0), donde 0 < as 1 para el segmento de recta que une estos dos prmntos. Después de aumentar las restricciones respec tivas con las variables de holgura sx, 2, 5, 7, €sta formula se convierte en. (2, 4, 3, 2,0, 0, 0) + a(2, -2, 1, -2, 2, 0,0) Use esta formula directamente para contestar lo siguiente y telacionar el algebra y ka yoonncifa eet mi€vodo simplex al ir de una iteracién a otra, trasladandose de (2, 4, 3) a (4, 2,4). (Se sabe que se mueve ly largo deeste segs to de recta.) 18) &Cadl es la variable basica entrante? 6) &Cudl es la variable bésica que sale? ¢) &Cual es la nueva solucion bisica factible? 1-24. Considere un problema de programacién mate- mitica con dos variables cuya region factible se muestra cen la gréfia; ls seis puntos carresponden alas soluciones FEV. El problema tiene una funcién objetivo lineal y las dog rectas punteadas indican las rectas de la funcidn que pasan porlasolucién dptima (4, 8) y por la segunda mejor solucidn FEV (2, 8). Note que la solucién no épeima (2, 5) es mejor que las soluciones en los dos vértices adyacen- tes, lo cual viola la propiedad 3 de programacién lineal dada en la secci6n 5.1. Construya la region factible que re- sulcaria si lus seis segmentos de la frontera fucran restric- ciones de frontera para las restricciones de programacién lineal, con el fin de demoscrar que este problesa na pele ser un problema de programacién lineal, 8.2-1. Considere el siguiente problema Maximizar Z = 8x + 4v, + 65 + 24 + 9s, sujera a Mt2m+3yt+3—q — <180 4n+3eqt2u+ qt 55270 + 3a, (recurso 1) (recurso 2) + xy+3x55 180 (recurs03)Problemas del capitulo y A 520, falingd. Se sabe que las variables bisicas en la solucidn puna son x, ¥ #5 y que 3 1 oy? :fu 32 24af-1)6 » 013} “L230 49) Con esta informacién identifique la solucién éptima. +6) Use esta informacién para identificar los precios som: bra para los tres recursos. 15.2-2.* Aplique el método simplex revisado para re- solver el siguiente problema. Maximizar Z= 51 + 8x +724 + 424 +635, suyeta a 2x + 3p + 3g + Dy + 2g S20 3x + Say + 4g + 2 + Aang S30 20, j=1,2,3,4,5. 15.2-3. Utilice el método simplex revisado para resolver el modelo dado en el problema 4.3-4, 5.2.4. Reconsidere el problema §.1-1. Para la sucesién de soluciones FEV identificada en el inciso , construya la matriz base B para cada solucién BF correspondientes. En cada caso, invierta B manvalmente y utiice esta B para calcular la solucién actual; después realce a siguien- te iteracién (0 demuestre que la actual es 6ptima), 15.2-5. Aplique el método simplex revisado para resol- ver el modelo dado en el problema 4.1. 18.2-6. Aplique el método simplex revisado para resol- ver el modelo dado en el problema 4. 18.27. Usiliceel mécodo simplex revisado para resolver cada uno de los siguientes modelos: a) El modelo dado en el problema 3. ) El modelo dado en el problema 4. D§.3-1.* Considere el siguiente problema. Maximizar Z = %,~ x) +22), sujeta a 2-2 + 3p <5 mt - ms3 4- mt ys? y 4120, 420, 20. 225 Sean x4, 3 y 5 as variables de holgura para ls restricio- nes respectivas. Después de aplicar el método simplex, tuna parte de la tabla simplex final queda como sigue. Coeficiente de: Variable Lado bisica [ee | 2 |x 2% % %_% | derecho z lol tee a falo a xm |@lo O00 x» l|@lo eS St 4) Utilice la idea fundamental presentada en la seccién 5.3 para identificarlos mimeros que faltan en esta tabla simplex final. Muestre sus eélculos. ) Identifique las ecuaciones de detinicién de la solucién FEV correspondiente ala solucién BF optima en la ta- bia simplex final. D §.3-2. Considere el siguiente problema, Maximizar 4a + 3x + 25+ 2m, sujeta a Ams Qe ts xy ays Bayt mt let ays 4 a 420, 20, 20, 420. Sean ag y 2 las vatiables de holgura de las restricciones respectivas. Después de aplicar el método simplex, una parte de a tabla final queda como sigue: — (Coeficiente de: Variable Lado basta [ec | Z| a1 x2 23 ¥4 Xs %4| derecho z {ole ttl x» [mo ra xu |@lo ela Sh St 48) Urilice a idea fundamental presentada en fa sexcign 5.3 para identificar los mimeros que faltan en esta ta- bla. Muestre sus eileulos. 4) Identifique las ecuaciones de definicién de la solucién, FEV que corresponde ala soluci6n BF dptimaen la ta- bia simplex final.226 5 Lateoria del método simplex. 15.3-3. Considere el siguiente problema. Maximizar Z= 6x, +.) + 25, sujera a 1 dy t2me dans? ~4m-2m-3.y 3 1 atlmt asl y 420, 420, 20. Sean x4, % y 6 las variables de holgura para las restriccio- nes respectivas. Después de aplicar el método simplex, la siguiente es una parte de la tabla simplex final: —_—_ ‘Coeficiente de: Variable Lado asica | ee. |Z |x) m1 74% te | derecho z jolt 20 2 x [Mlo fo nm |@]}o 20 4 x |@lo Lost ae Utilice la idea fundamental que se presenté en la seccién 5.3 para identificar los nuimeros que faltan en esta tabla sleaplex final. Muestre sus edleulos. 1D 5,3-4, Considere el siguiente problema. Maximizar Z~ 24 ~ 23+ 255 sujetaa At mt3xys 15 Qn-mt 4S 2 -mtmt as 4 220, 20, 20. Scan x4, a y las variables de holgura para las restriccio- nes respectivas, Después de aplicar el método simplex, la iguiente es una parte de la tabla simplex final: a a Vere tate see] saeterewewel = jt ° a @ 22 = pole aa of 6 Qa ]o 77 x; (3) | 0 ° ay » [oe beh 4) Utilice la idea fundamental presentada en la seccién 5.3 para identificar los mimeros que faltan en esta tabla simplex final. Muestre sus céleulos, by Tdentifique las ecuaciones de definicién de la solucién FEV correspondiente ala solucién BF dptimaen la ta- bila sfmplex final 1D 5.3-5, Considere el siguiente problema. Maximizar Z = 20x + 622+ 8x3 sujeta a 8x + 2xy + 3x5 $ 200 4+ 3a + 3x5 5 100 2x t3m+ xs 50 ns 20 y 420, 20, 420. Sean x4,35,6y #7 las variables de holgura para las cuatro restricciones, respectivamente, Suponga que después de realizar algunas iteraciones del método simplex, la si- aguiente es una parte de la tabla simplex actual: (Coeficiente de: Variable Lado bisica |Ee.|Z |x % % % %s_% 7 | derecho 2! Z jolr non OU 1 x |mlo eo 8 tt a lao 7700 31 x |@lo aa te x lwlo oo otProblemas del capftulo 5 48) Utilice la idea fundamental que se presenté en la sec- ci6n 5.3 para identificar los mimeros que faltan en esta ‘abla simplex actual. Muestre sus célculos. +) Indique cudles de estos niimeros se generarfan con el método simplex revisado para poder realizar la sie jente iteracién, 2) Tdentifique las ecuaciones de definicién de Ia enlncidn FEV correspondiente ala solucién BF en la tabla sim- plex actual. 1D 5.3-6, Usted estd aplicando el método simplex para resolver el siguiente problema de programacién lineal Maximizar Z= 6.05 + 54) — 5+ 444, sujeta a 3x, + 2x)-3x5+ x45 120 3x, +3xq+ a+ 3x, 5 180 y 420, 420, 520, 420. Usted acaba de obtener la siguiente tabla simplex final, donde 2 y 2g son las variables de holgura para las respec- tivas restricciones. ‘Coeficiente det Variable Lado basica | Ec. [Z| x 4% % % % | derecho 1a Ss z jolt pi Gl = st . x |mfo AO Go al o 1 bo q n |@lolo ft a-y a] 4 Use a idea fundamental presentada en la seccién 5.3 para identificar Z*, | y 4). Muestre sus cAlculos. D5.3-7. Considere el siguiente problema. Maximizar Z= AM + 8 + 8s sujeta a xtlmt sb Ixt m+ 8xyS26 y 420, %20, 520. Observe que no se asignaron valores a los coeficientes de lafisncidn objeriva (¢,,ca,¢3),y que la tinica especificacién para los valores del lado derecho de las restricciones fun- cionales es que el segundo (24) es el doble del primero (b). ‘Ahora suponga que su jefe decidié insertar su mejor cestimacién para los valores de ¢, ¢2,¢9 y#sin informarle y después corrié el método simplex. Le da la tabla simplex 227 final resultante que se muestra a continuacién (donde x, y 4s Son las variables de holgura para las restricciones fun- @) Utilice la idea fuindamental presentada en la seccién 5.3 para ideatificar el valor Ue (6, £3564), que 9€ Usd. 6) Utilice la idea fundamental presentada en la seccién 8.3 para identificar el valor de # que se us6. €) Calcule el valor de Z* de dos maneras, donde una de cllas usa os resultados del inciso a la otra usa los re- sultados del inciso b. Muestre los métodos para encon- ar Z*. 6.2-8. Lasiguiente expresién se obtuvo en Initeracién 2 del ejemplo de la seccién 5.: Renglén final 0 = [-3, -5 30, 0, 0:0) 10100 4 +(0,3,y]0 2:0 1 0-12), 3200118 Derive esta expresién combinando las operaciones alge braicas (en forma matricial) que afectan el renglén 0, para las iveraciones 1 y 2. 5.3-9. Lamayor parte de la descripcién de la idea funda- ‘mental presentada en la seccién 5.3 supone que el proble- rma se encnentra en nuestra forma estdndar. Ahora consi- dere otras formas que requieren los ajustes adicionales del _paso inicial expuestos en la seccién 4.6, inchayendo el uso de variables artficiales y ef método de la Mf cuando sea apropiado. Describa los ajustes que deben hacerse a la idea fundamental para: 1) Restricciones de igualdad 4) Restricciones funcionales de la forma > ) Lados derechos negatives 4) Variables que pueden tomar valores negativos (sin cota inferior). §.3-10..Reconsidere el problema 4.6.6. Constraya, pa- ra este modelo que no se encuentra en nuestra forma es-228 5 Lateoria dal métada eiraplax téndar, la primera tabla simplex completa para el método simplex usando el método de la M y después identifique Jas columnas que formarin S* para aplicar I idea funda- ‘mental en Ia tabla simplex final. Explique por qué éstas son las columnas apropiadas. 5.3-11. Considere el siguiente problema. Minimizar Z=2ey + 3¢, + 2s, sujeta a w+ dnt 2x28 3+ 2a t 2x26 120, 20, Sean x y % las respectivas variables de superdvit para las ddos primeras restricciones. Sean 3 y ¥ las variables arvfi- ciales correspondientes. Después de hacer los ajustes des- critos en la secci6n 4.6 para esta forma de modelo cuando se usa el método de la M, la tabla simplex inicial lista para aplicar el método simplex es la siguient. 20. Nee EEE GD a eet de a tesa [te | Z| nna HHH | rch ze] -t[amer ous -amez mo mo | 1m wyep s+ 2 ato ole el] eee ose etl|ee Después de aplicar el método simplex, una parte de la ta bia simplex final es la que sigue: ‘Cosficionte de: Variable ado isis [ee|Z |x 1% FF _| derecho z_|o|-! M05 MA05 a fale 03 “0 a _jalo 02 04 12) Con base en la tabla sfmplex anterior, use la idea fnda- ‘mental presentada en la seccidn 5.3 para identificar los ndimeros que faltan en esa tabla simplex final, Muestre sus célculos. b) Examine la légica matemética presentada cn laseccién 5.3 para validar la idea fundamental (vea las ecuacio~ nes I" = MT yt” =t+VI'y los desarrollos subsccucr- tes de My v). Esta ldgica supone que’el modelo origi- nal se ajusta a nuestra forma estindar, mientras que este problema no lo hace. Muestre cémo, con ajustes ‘menores, se puede aplicar esta misma lgica aeste pro- blema, donde eeselrenglin 0 y Testé fornmata por los renglones 1 y 2 en la tabla simplex inicial. Obtenga M Y V para este problema. 6) Al aplicar la ecuacién t* = ¢ + VT, una alternativa es 2, 3, 2, 0M, 0,M, 0}, quees el renglén Upre- liminar antes de eliminar algebraicamente los coefi- cientes distintos de cero de las variables basicasinici les 3 y 37. Repita el inciso b para esta ecuacién con esta nueva t. Después de obtener la nueva ¥, muestre que esta ecuacién conduce al mismo renglén 0 final gue la ecuacién obtenida en el inciso &. Tdentifique las ecuaciones de definicién de la solucién FEV correspondiente ala solucién BF dptima en lata- bla simplex final 4) 5.3-12, Considere el siguiente problema. Maximizar Z = 2x) + 44 + 3¢s, sujera a m+ 3m +2x5- 20 atx, 210 7 420, 20, 420. ‘Sea X; la variable artificial de fa primera restrccién. Sean 2 y Ms las variables de supersvit y artificial, respectiva- mente, para la segunda restriccién. “Ahora cuenta con la informacion de que una parte de la tabla simplex finales la siguiente: ST le ‘Coeficiente de: ‘nae ésiea | Ee. [Z [x x2 23 Xs | corecho z loli Med om xn Jao 100 x |a@lo ros a) Ample la idea fundamental que se present en la sec- cidn 5.3 para identificar los niimeros que falran en la tabla simplex final. Muestre sus cdlculos. +b) Tdentifique las ecuaciones de definicién de la solucién FEV courcspondiente a la solucién éptima de la tabla simplex final 5,3-13. Considere el siguiente problema. Maximizar Z =3x +73 +245,Problemas del capitulo 5 sujeta a -2j +2 + 45510 3m + my 520 y nz, 20, 320. Se conoce el hecho de que las variables basicas en la solu- cin ptima son 2% y 3. 2) Inteoduvea las variables de holgura y después utilice la informacion dada para encontrar la soluci6n éptima directamente mediante la eliminacién gaussiana. ) Amplie el trabajo del inciso a para encontrar los pre- ‘ios sombra. 229 ¢) Utilice Ia informacién dada para identificar las ecua- ciones de definicién de la solucién FEV dptima y des: pués resuelva estas ecuaciones para obtener lasolucién Optima, 4) Construya la matriz base B para la solucién BE dpti- ‘ma, invierta B manualmente y_ después use esta B* para obrener la solucién éptima y los precios sombra y*. Luego aplique la prueba de optimalidad del meto- do simplex revisado para verificar que esta solucién es prima, 2) DadosB"? yy* del inciso d, utilice la idea fundamental presentada en la seccidn 5.3 para construirla tabla sim- plex final.6 Teoria de dualidad y analisis de sensibilidad ‘Uno de los descubrimientos més importantes durante el desarrollo inicial de la programacién lineal fue el concepto de dualidad y sus muchas e importantes ramificaciones. Este descubri- miento reveld que, asociado a todo problema de programacién lineal, existe otro problema li- neal llanvado dual, Las relaciones cnc el problema dual y el original (llamado primal) son enextremo titiles en una gran variedad de situaciones. Por ejemplo, se vera que de hecho la so- lucién éptima del problema dual es la que proporciona los precios sombra que se describie- ronen la eccién 4.7. En este capitulo se presentardn muchas otras aplicaciones valiosas de la teorfa de dualidad. Une de los aspectos més importantes de la teorfa de dualidad es la interpretacién y reali- zacién del andliss de sensibilidad . Como se mencioné en las secciones 2.3, 3.3 y 4.7, el andlisis de sensibilidad constituye una parte esencial en casi todos los estudios de programacién li- Dado que algunos o todos los valores de los parémetros que se emplean en el modelo original son sdlo estimaciones de las condiciones futuras, es necesario investigar el efecto que se tendrfa sobre la solucién éptima en caso de que prevalecieran otras condiciones. Ain més, ciertos valores de estos pardmetros (como la cantidad de recursos) pueden representar decisio- nes administrativas, en cuyo caso sueleccién debe ser el punto més importante de la investiga cién y, por supuesto, se puede estudiar a través del andlisis de sensibilidad, Para mayor claridad de exposicién, las tres primeras secciones presentan la teoria de dua- lidad bajo la suposicién de que el problema primal de programacién lineal estd en nuestra ‘forma estindar (pero sin la restriccién de que los valores deb, deban ser positivos). Mas ade- lante, en la seccidn 6.4 se analizan otras formas. Fl capftula comienza con una introduccién de la esencia de la teorfa de dualidad y sus aplicaciones. Después se describe la interpretacién cconémica del problema dual (scccién 6.2) y sc profundiza en las rclaciones entre cl proble- ‘ma primal y el dual (seccién 6.3). La seccién 6.5 hace hincapié en la importancia de la teorfa de dualidad para el andlisis de sensibilidad. El procedimiento basico para el andlisis de sensibi- lidad (que se basa em-la idea fundamental de la seccién 5.3) se resume en la secci6n 6.6 y se ejemplifica en la seccidn 6.6.1 6.1_Esencia de la teoria de dualidad 231 ESENCIA DE LA TEORIA DE DUALIDAD Dada nuestra forma esténdar para el pués de hacer la conversion de una problema primal, mostrado a la izquierda (tal vex des 4 otra forma), su problema dual tiene la forma que se muestra a la derecha, Problema priswal Problema dual Maximizar 2 = Se, sujera a Boas) by para be 1,2, i y 20, para j=1,2,...,m Eas, Minimizar W sujeta a HW Cy para f=1,2,...40 Enronces el problema dual usa exactamente los mismos panimeryor que el problema primal, pero en diferentes lugares, Para recalcar esta com paracidn, observe ahora estos mismos pro. blemas en la noracién matricial (tl como se introdujoal principio dela seceiGn & 2), en don- Gee Y Y= [15 J25 +5 Yu) 80n vectores renglén, pero b y x son vectures columna, Problema primal Maximizar Z = ex, sujeta a Axsb y x20. Problema dual Minimizar W = yb, sujeta a yAze y y20. Aimanera de ilustracén, en la tabla 6.1 se mucstran ls problemas primal y dual para el ejem- Plo de la Wyndor Glass Co. de la seccién 3.1, ranto en forma algebraica comorncn aes 1.2 abla primal-dual para programacion lineal (vea la tabla 6.2) ayuda tambien a subrac yar la correspondencia entre os dos problemas, Muestra todos los pardmevros de programa in lineal (las aj, 8; y €;) y cémo se usan pai encabezados del problema primal estén en posici a construir los dos problemas, ‘Todos los in horizontal, mientras que los del proble- {2a dual te len al dar un cuarto de vuelta al libro. Para el problema primal, cada clump (excepto la de los lados derechos) proporciona los coeficientes de una Sola varvablees hone, sens pets Ones Yen la funciOn objetivo, mientras que cada renglén (excepto el sitio) anos pardmetros de una restriccién, Paral problema ual, cada renglén (excepto el renglin de los lads derechos) da los coeficientes de una variable en las restrirones respectivas yen la Reacién objetivo, y cada cons (excepeo Ia de la derecha) contiene los pardenetree &e xa restriccion. Ades, la columna de los lados dere: ‘chos da Jos lados derechos para el problema Perle de cnt dla fancién objetivo para el problema dual, mientras quel dltima renglén da os coeficientes dela funci6n objetivo parael problema primal y los lados derechne para el problema dual.232 6 Teoria de dualidad y andlisis de sensibilidad TABLA 6.1 Problemas primal y dual para el ejemplo de la Wyndor Glass Co. Problema primal Problema dual cen forma algebraica en forma algebraica Maximizar Z=3x,+ 5x2, Minimizar W = 4y, + 12y + 18yy, sujetaa sujetaa 4 <4 423 2x12 ” WS 3x +20 518 In+dnes y 420,420. y W120 220, 420. Problema primal Problema dual en forma matricial, en forma moticil . 4 Maximizar Z = [3, 5 ‘| Minimizar W = [y;, ¥2.¥3]| 12 |, a 18. sujetaa suetaa 10 Dorn]? 2]> B51 32 y y Wr ¥ar¥s] 2 (0, 0, OF En consecuencia: 1) los parémetros para una restriccién en cualquier problema son los coeficientes de una variable en el otro y 2) los coeficientes de la fisncidn objetivo en un proble- ‘mason los valores del lado derecho en el otro. Entonces, existe una correspondencia directa en- tre los elementos de los dos problemas, como se resume en la tabla 6.3. Esta correspondencia ces laclave de algunas aplicaciones de la teoria de dualidad entre las que se encuentra el andlisis de sensibilidad. Origen del problema dual La teoria de dualidad se basa directamente en la idea fundamental (en particular con respecto al renglén 0) presentada en la secci6n 5.3. Para ver por qué, se seguir usando la notacién que sc introdujo en la tabla 5.10 paral renglén 0 de la tabla simplex final, pero se reemplazard Z* por W* y se quitardn los asteriscos de 2* y y* al hacer referencia a cualquier tabla simplex. Entonces, en wna iteracién dada del método simplex para el problema primal las nvimeras ace tuales del renglén 0 se denotan como se muestra en la tabla simplex (parcial) de la tabla 6.4. Para lus cocficientes de, #2,..., %,, recucrde que z= (2, Z2,-..,%,) denota el vector que agrega cl método simplex al vector de coeficientes iniciales, ~c, en el proceso de obtener la ta- bla simplex actual. (No contunda z con el valor de la funcion objetivo Z.) De manera similar, como los coeficientes iniciales de 43, %<12>-:» Xnum enel renglén 0 son todos 0, y= (15.725 «sy Ju) deniota el vector que agrega el método simplex a estos coeficientes. Recuerde también6.1 Esencia de la teoria de dualidad 233 TABLA 6.2 Tabla primal-dual para programacin lineal, iustrada por el ejemplo de la Wyndor Glass Co. 4) Caso general Problema primal Coeficientes de: * * : %,__| derecho 8 % a 92 oo sb $0 3) gy » % oy tty | Sb & af i| § sere . att z Yon Set Sm ~ é qi [™ Coeficientes de fa funcién objetivo (maximizar) ») Ejemplo de la Wyndor Glass Co, x x2 n 1 o fsa nf} o 2] se yy 3 2 <8 uM 3 5 {rea la ecuacion (1) en la subseccidn del “resumen matemdtico” de la seccién 8.3] que la idea fundamental conduca alas siguientes relaciones entre las cantidades y los pardmetine dela, delo original: W=yb= )1b; yi, a z= yA, demaneraque = ay 9, para f=1,2,...,m Para ilustrar estas relaciones con el ejemplo de la Wyndor, la primera ecuacién da W = 4n1 +1299 + 18ys, que es justo a funcién objetivo del problema dual mostrado en lacs: TABLA 6.3 Correspondencia entre los elementos de los problemas primal y dual Un problema Otro problema Restriccién i <———> Variable Funcién objetivo <> Lados derechos234 6 Teoria de dualidad y andliss de sensibilidad TABLA 6.4 Notacién para los elementos del renglén 0 en la tabla simplex Lado Iteracion mim. {Z| x xp Xe Xa Xm Xnim [derecho Cualquers] Z| [i fa-g age on ne | LW quina superior derecha de la tabla 6.1. El segundo conjunto de ecuaciones daz, ~ y+ 393, 21 = 2y2 + 2y3, queson los lados izquierdos de las restricciones funcionales para este proble- ma dual, Asf, si se restan los lados derechos de estas restricciones tipo 2 (ry = 3 y eq = 5), en- tonces (8; ~ ¢) y (62 ~ ¢p) se pueden interpretar como las variables de superdvit para estas restricciones funcionales. La clave ahora, estriba en expresar lo que el método simplex trata de lograr (segiin la prueba de optimalidad) en términos de estos simbolos. En particular, busca un conjunto de variables bdsicas y la solucién BF correspondiente, tal que todas los coeficientes en el renglén Osean no negativos. Después se detiene con esta solucién éptima. Con la notacién dela tabla 6.4, esto sc expresa simbulicamente como sigue: Condicién de optimatidad: 2;-6)20 20 syn My nym. Después de sustituir la expresién anterior para z, la condicién de optimalidad dice que el mé- todo simplex se puede interpretar como la busqueda de los valores de 91, 735+++5 Ym tales que sujera a Be para j=, 2m y20, para i=1,2, Pero, excepto por la faltade un objetivo para la funcion W, leste problema es precisamente el problema dual! Para completar la formulacidn, se explorard cual debe ser ese objetivo. ‘Como W es sencillamente el valor de Z, y como el objetivo del problema primal es maxi- ‘mizar Z, una reaccién natural serfa que W se maximizara también. Sin embargo, esto no es correcto debido a una razén bastante sutil: las inicas soluciones factibles para este nuevo pro- blema son aquellas que satisfacen la condicién de optimalidad para el problema primal. Por lo tanto, sélo la solucién éptima para el problema primal corresponde a la solucién factible para este nuevo problema. En consecuencia, el valor éptimo de Z en el problema primal es ¢! valor ‘minimo factible de W en el nuevo problema, de manera que W debe minimizarse. (Las rela- 1 2 2 {Lo GS o 5 ' ° 0 366 Teoria de dualidad y andlsis de sensibilidad Asi, un valor negativo para cualquier variable de superdvit indica que se viola la restriccién correspondiente. En la columna de la derecha de también se incluye el valor calculado de la funcién objetivo dual W = 4y, + 1275 + 18y3. Como se mostré en la tabla 6.4, todas estas cantidades ala derecha del renglén 0 se identi- fican en este renglén sin necesidad de hacer nuevos c4leulos. En particular, observe en la tabla 6.5 cémo cada mimero obtenido para el problema dual ya aparece en el renglén 0 en la posi- cién indicada de la tabla 6.4. Para el renglén 0 inicial, la tabla 6.5 muestra que la solucién dual correspondiente, (9, J2»J3)=(0,0,0), es no factible, ya que las dos variables de superdvit son negativas. La prime- ra iteraci6n logra climinar uno de estos dos valores negativos, pero no el otro. Después de dos iteraciones se satisface la prueba de optimalidad para el problema primal puesto que todas las variables duales y las de snperévit son no negativas. Esta solucién dual, (yi", 92,93) = (0,4, 1), €s 6ptima (como puede verificarse aplicando el método simplex directamente al problema dual), entonces el valor dptimo de Z y de W es Z* = 36 =W". Resumen de las relaciones primal-dual En seguida se dard un resumen de estas importantes relaciones entre los problemas primal y dual apenas descubiertas. Propiedad de dualidad débil: si x es una solucién factible para el problema primal y y es una solucién factible para el problema dual, cntonces xs yb. Por ejemplo, en el problema de la Wyndor Glass Co., una solucién factible es x = 3, x = 3,lo que llevaa Z = ex= 24, yuna solucién factible del problema dual es y; = 1, y= 1, 93 = 2, que da un valor mds grande de la funcién objetivo, W = yb= 52. Estos son sélo ejemplos de las so- luciones factibles para los dos problemas. Para cualquier par de soluciones factibles, esta de gualdad debe cumplirse debido a que el valor factible mdszimo de Z = ex (36) es igual al valor factible ménimo de la fancién objetivo dual W = yb, que es la siguiente propiedad. Propiedad de dualidad fuerte: si x* cs una solucién éptima paracl problema primal yy" 5 una solucién dptima para el problema dual, entonces ext =y"b. Asi, estas dos propiedades implican que ex < yb para soluciones factibles si una o ambas son xno dptimas para sus problemas tespectivos, mientras que la igualdad se cumple cuando ambas son éptimas, La propiedad de dualidad débil describe la relacién entre cualquier par de soluciones de los problemas primal y dual en donde /as das soluciones son factibles para sus problemas respecti- vos. En cada iteracién, el mérado sfmplex encuentra un par especifico de soluciones para los dos problemas, donde la solucién del problema primal es factible pero la del dual es no fiactible (excepto en la ultima itcracién). La siguicnte propiedad describe esta siruaci6n y la relacién. entre este par de soluciones. Propiedad de soluciones complementarias: en cada iteracién, el método simplex identifica de manera simulténea una solucién FEV, x, para el problema primal y una solucién complementaria, y, para el problema dual (que se encuentra en el renglén 0, como los coeficientes de ias variables de holgura), donde cx= yb.6.1 Esencia de la teoria de dualidad 237 Si x no es dptima para el problema primal, entonces y no es factible para el problema dual. Para ilustrar esta propiedad, después de una itcracién en el probleua de la Wyndor Glass Co., 1 =0, * = 6, yy, =0, 92 = §, ys = 0, con cx= 30= yb, Esta x es factible para el problema primal, pero lay es no factible para el dual (ya que viola la restriccidn y, + 3y3 > 3). La propiedad de soluciones complementarias también se cumple en la iteraci6n final del merodo simplex, en donde se encuentra una solucién éptima para el problema primal. Sin embargo, se puede decir més sabre la solucidn complementaria y en este caso, como se pre= senta en la siguiente propiedad. Propiedad de soluciones complementarias éptimas: al final de cada iteracién, el _miétodo simplex identifica de manera simuleénea una solucién éptima x* para el pro- blema primal y una solucién éptima complementaria y* para el problema dual (que se encuentra en el renglén 0 como los cocficicutes de las Variables de holgura), donde cx* = yb. Los valores de y? son los precios sombra para el problema primal. Para el ejemplo, la iteracién final da xf =2, x} = 6y yf =0, yf = 3, yf = 1, concx* =36= y*b. En la secci6n 6.3 se analizarén con mds detenimiento algunas de estas propiedades. Se verd que la propiedad de soluciones complementarias se puede extender mucho més. En par- ticulgr, después de introducir las variables de holgura y de superdvit en ambos problemas, toda Solucién ddsica en el problema primal tiene una solucién bisica complementaria en el problema dual. Ya se vio que el método simplex identifica los valores de las Variables de super- Aviten el problema dual comoz , ~ ¢, en latabla 6.4. Este resultado conduce después alapro- Piedad adicional de holgura complementaria que relaciona las variables bdsicas de un problema on las no bésicas del otro (tablas 6.7 y 6.8) pero después se estudiar mds al respecto, En la seccién 6.4, después de describir cémo se construye el problema dual cuando el problema primal no se encuentra en nuestra forma estdndar, se analizaré otra propiedad dtil ue se resume como sigue: Propiedad de simetria: para cualquier problema primal y su problema dual, as rela- ciones entre ellos deben ser siméiricar debido a que cl dual de este problema dual es este problema primal, Asi, todas las propiedades anteriores se cumplen sin importar cual de los dos problemas se eti- queta como problema primal. (La direccién de la desigualdad de la propiedad de dualidad dé- bil requiere que el problema primal se exprese o reexprese en la forma de maximizacién y el probleia dual en la forma de minimizacién.) En consecuencia, ¢l método simplex se puede aplicar a cualquiera de los dos problemas e identificar4 al mismo tiempo las soluciones com- plementarias (y en tiltima instancia una solucién complementaria ptima) para el otro pro- blema. Hasta aquf se han estudiado las relaciones entre las soluciones fuctibles wu dptimas para el problema primal y las soluciones correspondientes para el problema dual. Sin embargo, es posible que el problema primal (0 el dual) no tenga soluciones factibles o bien tenga soluciones factibles pero no nna solucidn dprima (debido a que la funci6n objetivo no esté acotada). La til- tima propiedad resume las relaciones primal-dual para todas estas posibilidades.238 6 Teorfa de dualidad y andliss de sensibilidad ‘Teorema de dualidad: Las siguientes son las tinicas relaciones posibles entre los pro- bblemas primal y dual, 1. Siun problema tiene soluciones factibles y una funcién objetivo acotada (y por ende una solucién éptima), entonces ocurre lo mismo para el otro problema, de mane- Fa que se aplican tanto la propiedad de dualidad débil como la fuerte. 2, Siuno de los problemas tiene soluciones fuctibles y una funcidn objetivo no acotada (ca decir, wo ricne solacién dptimm), cutuune cluuu problema no ene soluctones fac- tibles. 3. Siun problema no tiene soluciones factibles, entonces el otro problema no tiene solu- ciones factibles 0 bien la funcién objetivo es no acotada, Aplicaciones Como acaba de establecerse, una aplicacién importante de la teorfa de dualidad es que puede resolverse el problema dual directamente con cl. metodo simplex, a fin de identificar una solu- n, de manera que el problema dual tiene menos restricciones funcionales (#) que el problema primal (m), entonces, tal vez se logre una reduccién considerable del es- fuerzo computacional si se aplica el método s{mplex directamente al problema dual en ugar de al primal. Las propiedades de dualidad débil y fuerte describen las relaciones clave entre los problemas primal y dual. Una aplicacién titi es la evaluacién de una solucién propuesta para el proble- ma primal. Por ejemplo, suponga que x es una solucién factible que se fm propuesto para su implantacién, y que se ha encontrado, por inspeccién del dual, una solucién factible y tal que ex=yb. Eneste caso, x debe ser dptima, isin que sea necesario aplicar el método simplex! Aun cuando ex > yb, de tadas maneras yb proporciona una cota superior sobre el valor éptimo de Z, de manera quesi yb ~ exes pequefio, los factores intangibles que favorecena x pueden con- ducir a que se elija esta solucién sin dedicarle més csfucrzo. En la secci6n 7.1 se presenta el método simplex dual, que es una de las aplicaciones més importantes de la propiedad de soluciones complementarias. Este algoritmo opera sobre el problema primal como si se aplicara el método simplex en forma simulténea al problema dual, lo que puede realizarse gracias a esta propiedad. Debido a que en la tabla simplex se in- vierten los papeles del rengién 0 y la columna del lado derecho, el método simplex dual re- quicre que el renglén 0 comience y permanezca no negative mientras que el lado derecho comienza con algunos valores negatives (las iteraciones subsecuentes procuran alcanzar la no negatividad en el lado derecho). Entonces, algunas veces se usa este algoritmo por resultar mds conveniente establecer la tabla inicial en esta forma que en la requerida por el método simplex. Lo que ¢s més, con frecuencia se usa para la reoptimizacién (seccién 4.7) pues algn- nos cambios en el modelo original conducen a una tabla final revisada que se ajusta a esta for- ma. Esta situacién es comtin en cierto tipo de andlisis de sensibilidad, como sc ver4 mas adelante en este capitulo, En términos generales, a teorfa de dualidad juega un papel central en el andlisis de sensi- bilidad. Su importancia ¢s el tema de la seccién 6.5. (tra aplicacion importante es su uso en la interpretacién econémica del problema dual y Ja visién que se obtiene para el andlisis del problema primal. Ya se vio un ejemplo cuando se estudiaron los precios sombra en la seccién 4.7. La siguiente seccién establece que esta inter- pretacidn se extiende a todo el problema dual y después al método simplex.6.2 6.2_Interpretacién econémica de la dualidad 239 INTERPRETACION ECONOMICA DE LA DUALIDAD Lainterpretacién econdmica de la dualidad se hasa directamente en la interpretacién més fre- cuente del problema primal (problema de programacién lineal en nuestra forma estndar) Dresentada en la seccidh 3.2, Para refrescar la memoria, sc ha resuinidlo esta interpretacién del problema primal en la tabla 6.6, Interpretacién del problema dual Para ver cémo esta interpretacién del problema primal conduce a una interpretacién econé- mica del problema dual,! observe en la tabla 6.4 que W es el valor de Z (ganancia total) en la iteracién actual. Como We bin + ba92 +--+ bm Ims cadab;,y; puede interpretarse como la comtribucién a laganancia por disponer deb, unidades del recirso fen el problema primal. Asi, ‘La variable y, se interpreta como la contribucién a la ganancia por unidad del recurso i(/~ 1,2, +s), Cuanido se usa el conjunto actual de variables basicas para obtener la solucién primal En otras palabras, los valores de y; (0 los valores de y/' en la solucién éptima) no son otra cosa que los precios sombra presentados en la seccién 4.7. Por ejemplo, cuando laiteracién 2 del método simplex encuentra la solucién éptima para el problema de la Wyndor, también encuentra que los valores éptimos de las variables duales (como se muestra en el ultimo renglén de la tabla 6.5) son yf = 0, yf = $y yf = 1. Estosson precisamente los precios sombra encontrados en la secci6n 4.7 para este problema mediante el método gréfico. Recuerde que los recursos son las capacidades de produccién en las tres plantas disponibles para los dos nuevos productos bajo consideracién, de modo que b; es el ntimero de horas semanales de produccién disponibles en la planta i para estos nuevos pro- ductos, donde# = 1, 2, 3. Como se vioen la seccién 4.7, los precios sombra indican que un in- cremento individual de 1 en cualquier 6, aumentaré en 9 el valor dptimo de la funcidn. objetivo (ganancia total semanal en miles de délares). Asi, yf se puede interpretar como la contribucién a la ganancia por unidad del recurso # al usar la soluci6n optima. TABLA 6.6. Interpretacién econémica del problema primal 5 Nivel de la actividad) (j - a) 6 GGanancia unitaria debida a la actividad j z Ganancia total debida a todas las actividades Cantidad disponible del recurso (i= 1,2,.... m) Cantidad del recurso i consumida por eada unidad de la actividad j "Enrealidad se han propuesto varias interpretaciones, con lgeras diferencias. La que se presenta aqui parecié alos au- ‘ores la més tl, ya que tambien interpreta directamente lo que hace el mérodo simplex en el problema primal.240 & Teor'a de dualidad y andlice de eancibilidad Esta interpretacién de las variables duales lleva a la interpretacién del problema dual completo. En especial, como cada unidad de la actividad j en el problema primal consume j uunidades del recurso i, D7 4:9; Se interpreta como la contribucién actual a la ganancia de esa mezcla de recursos que se consumirfa si se usara 1 unidad de la actividad j (j = 1, 2,...,)- Para el problema de la Wyndor, 1 unidad de a actividad y corresponde a producir 1 Jote del producto j por semana, donde j = 1, 2. La mezcla de recursos consumida al producir 1 lote del producto 1 es 1 hora de produccién en la planta 1 y 3 horas en la planta 3, La mezcla co- rrespondiente por lote del producto 2es 2 horas en cada una de las plantas 2 y 3. Ast, y, + 395 y2yp + 2y5 seinterpretan como las contribuciones actuales ala ganancia (en miles de délares semanales) de estas mezclas respectivas de recursos por lote pruducido por semana de los res- pectivos productos, Para cada actividad j, esta misma mezcla de recursos (y més) quiz4 se pueda usar de otra ‘manera, pero no debe considerarse ningtin otro uso si es menos redituable que 1 unidad dela actividad j. Al interpretar ¢; como la ganancia unitaria debida a la actividad j, cada restric- cidn fancional en el problema dual se interpreta como sigue: Di, 49; 2 6; dice que la contribuci6n actual a la ganancia de la mezcla anterior de recursos ‘be ser, por fo menos, tan grande como si 1 unidad de la actividad j la utilizara; de otra mane- ra no se estarfa llevando a cabo la mejor utilizacién de estos recursos. Para el problema de la Wyndor, las ganancias unitarias (en miles de délares por semana) son 4 = 3y ¢ = 5, de manera que las restricciones funcionales duales obtenidas con esta interpre- tacién son y; + ¥3 2 3y2y%9 + 2ya 25. De igual manera, lainterpretacién de ls restricciones de no negatividad es la siguiente: 1) 0 dice que fa contribucion a la ganancia por parte del recurso (= 1, 2,...,m) debe ser no. egativa, de lo contrario serfa mejor no usar este recurso en absoluto. El objetivo Minimizar W = 3,9, a puede verse como minimizar el valor total implicito de los recursos consumidos por las activi- dades. Para el problema de la Wyndor, el valor implicito total (en miles de délares por sema- nna) de los recursos consumidos por los dos productos es W = 4y, + 12y, + 18y3. Esta interpretacién se puede afinar un poco si se toma en cuenta la diferencia entre las va- riables bisicas y las no bésicas en el problema primal para cualquier solucién BF dada («7,37 <--> Nom)» Recuerde que las variables hdsicas (las tinicas que pueden tomar valores distintos de cero) siempre tienen un coeficiente de cero en el renglén 0. Entonces, si nos referimos de nue- vo ala tabla 6.4 y a la ccuacién correspondiente para 2, se-ve que sixj>0 G Dy anea Ds Hi=0, siggy >0 G=1,2,....m). (Esta es una version de la propiedad de holgura complementaria que se estudiaré en la si- guicnte seccién.) La interpretacin ccondmica de la primera afirmacién es que siempre que6.2_Interpretaci6n econémica de la dualidad AL tuna actividad j opere a un nivel estrictamente positivo (1; > 0), el valor marginal de los re- ‘cursos que consume debe ser gual (en contraposicién a exceder) a la ganancia unitaria de esta actividad. La segunda afirmacién indica que el valor marginal del recurso i es cero (y, = 0) siempre que las actividades (x, 4; > 0) no agoten la reserva de este recurso. En terminologla econdmica, un recurso de este tipo es un “bien gratis”; el precio de los bienes que tienen una sobredisponibilidad debe ser cero por la ley de la oferta y la demanda. Este hecho justifica la intcrpretacién de la funiéu objetivo para el problema dual como la minimizacién del valor de los recursos consumides, en lugar de los asignades, ara lustrar estas dos afirmaciones, considere la solucién BF éptima (2,6, 2, 0,0) parael problema de la Wyndor. Las variables bisicas son x, y x3, de manera que sus coeficientes en el renglén 0 son cero, como se muestra en el iltimo renglén de la tabla 6.5. Este renglén también proporciona la solucién dual correspondicnte: yf =0, yf = 4, y¥ = 1,con variables de superdvit (zi ~ ¢,)=0 y (23 ~ ¢q)=0. Como x, > 0, las dos variables de superévit y los cAlculos directos indican que yy + 3y3 = ¢ = 3y2yj + 2y} = cq =5, Porlotanto, el valor de 4os recursos consumidos por iote de los respectivos productos sin duda.es igual alas ganancias uunitarias respectivas. La variable de holgura para la restriccién sobre la capacidad usada en la planta 1 es x7 > 0, por lo que el valor marginal de agregar cualquier capacidad en la planta 2 seria cero (yf =0). Interpretacién del método simplex La interpretacién del problema dual proporciona también una interpretacién econémica de lo que hace e! método simplex en el problema dual. La meta del simplex es encontrar cémo usar los recursos disponibles en la forma mas reditnable posible. Para alcanzarla, deberé llegar a una solucién BF que satisfaga todos los requerimientas sobre el uso provechoso de los recur- sos (as restricciones del problema dual). Estos requisitos compreucen la condiciOn de oprima- fidad en ¢l algoritmo. Para cualquier solucién BF dada, los requetimientos (restricciones dualcs) asociacios con las variables bdsicas se satisfacen autométicamente (con la igualdad). ‘Sin embargo, los asociados con las variables no bésicas pueden 0 no quedar satisfechos. En particular, si una variable original x ; es no basica y por ende la actividad j no se usa, la contribucién actual a la ganancia dehida a esos recursos, que se requerirfan para emprender cada unidad de la actividad j a4 puede ser mds pequefia, més grande, o igual que la ganancia unitaria c; que puede obtenerse de dicha actividad. Sies menor, de manera ques; ~ ¢; 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 holgura244 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 si6.3. 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 superéptimaFIGURA 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 tercera vis © © 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 representar6.6 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 sb6.6 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 *=0258 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 o6.6 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] [4260 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 nueva6.7. 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. En268 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. donde6.7 _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 2270 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 segui272 $ 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 36.7. 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 chal274 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 36.7_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 ay276 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 mueve2a? 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 4-221Problemas 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 15 375Problemas 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 ? sCaso 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 al7 —_—__—_—_—_—_———___ 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 original312 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 final7.2. 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 convexas7.2 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(@)= >), A316 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, 1986322 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=b7.4 _ 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 solucién326 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) 6prima7.4 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 prucba328 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}. 2329 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), laFIGURA 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 de332 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 20362 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 que8.1 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 ooMétodo 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 actual366 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 convencin368 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 BFR_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=08.2_ 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=2570378 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