Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos de Programacion Lineales
Modelos de Programacion Lineales
SOLUCION GRAFICA
1.- Introduccin
En los problemas de Programacin Lineal nos encontraremos con:
- Funcin Objetivo: es la meta que se quiere alcanzar, y que ser la funcin a optimizar.
- Restricciones: estas vendrn determinadas por las condiciones en las que nos encontramos a la
hora de optimizar la funcin.
- Linealidad: tanto la funcin objetivo como las restricciones, son funciones lineales de las
variables consideradas.
La Programacin Lineal, en trminos generales, va a consistir en:
Optimizar una funcin objetivo z=c.x
sujeto a unas restricciones Ax b
x0
Grficos:
Normalmente los grficos no son el mejor mtodo para resolver los problemas de programacin
lineal del mundo real. No obstante, una solucin grfica nos sirve para entender mejor la
estructura de los modelos de programacin lineal.
Lo primero que haremos ser, representar el conjunto de los puntos que verifican las restricciones.
Para ello dibujamos las rectas que nos dan las restricciones y elegimos la regin de los puntos que
verifican la desigualdad.
Entonces, el conjunto de los puntos que verifican todas las restricciones, (incluida la condicin de
no negatividad), ser la interseccin de todas estas regiones.
Este conjunto es un conjunto convexo, por ser interseccin de convexos, y como una funcin
lineal es una funcin convexa, sabemos que el ptimo de la funcin se obtiene en un punto
extremo del convexo. Entonces, basta calcular el valor de la funcin objetivo en estos puntos para
saber en cul de ellos se alcanza el ptimo.
Este mtodo de obtener la solucin no es prctico cuando tenemos muchos puntos extremos. Es
ms sencillo dibujar la recta de utilidad y ver para qu punto(s) de la regin que hemos
determinado se alcanza el ptimo.
Una vez obtenida una solucin hay que interpretarla. Es decir, explicar qu es lo mejor que se
puede hacer para optimizar nuestro objetivo.
a 21 , a 22 ,...., a 2 n
x2
b2
A=
=( a1, a2, .... , an) ; x= ; b=
....
...
...
a , a ,...., a
x
b
mn
m1 m 2
n
m
Si suponemos que rango de A es r(A)=m, tomando cualquier submatriz B de A no singular de
orden m, y haciendo iguales a cero las restantes n-m variables asociadas a los vectores columna de
A que no estn en B, la solucin del sistema resultante
B.xB = b
Resumen del Tema 2
n
posibles soluciones bsicas para el sistema de ecuaciones A.x=b.
m
Ax = b
(b 0)
x0
El mtodo del Simplex, que es el mtodo que utilizaremos para resolver los problemas de
programacin lineal, se aplica a problemas lineales en forma estndar.
Sin embargo, la mayora de los problemas no son inicialmente modelizados en esa forma, sino
que tienen muchas restricciones de desigualdad. Por ello vamos a ver la forma cannica de un
problema lineal, y que es lo suficientemente general como para que cualquier programa lineal se
pueda poner de esa forma, para posteriormente estudiar su paso a la forma estndar.
La forma cannica de un problema de programacin lineal es aquella en la que:
- El objetivo es de maximizacin.
- Todas las restricciones son de desigualdad, del tipo ()
- Todas las variables son no negativas.
En forma matricial:
max z=c.x
s. a:
Ax b
x0
Dado un problema escrito en forma cannica, siempre podemos escribirlo de forma equivalente
en forma estndar.
* Llamaremos variable de holgura, a una variable que introducimos en el sistema para pasar de
una desigualdad a una igualdad.
Max. z = c.x
s. a: A.x + y = b
x0
* Diremos que un punto x n es una solucin factible, o posible, sii verifica las restricciones
del problema.
* Una solucin factible, es bsica, cuando tiene a lo sumo m componentes positivas, (m= n de
restricciones) .
* Una solucin factible, se dice que es bsica no degenerada, sii tiene exactamente m
componentes positivas.
Resumen del Tema 2
Como hemos notado, una base B est formada por m vectores linealmente independientes de A,
B=(b1, b2, ... ,bm), y cada columna aj de A que no est en B, (columna no bsica), se puede poner
como combinacin lineal de los elementos de la base.
m
Es decir: aj =
y
i =1
ij
.bi = B.yj
zj = cB.yj =
yij c Bi
i =1
Vamos a dar ahora una serie de resultados y definiciones que se utilizarn posteriormente:
Teorema 1.- La regin de factibilidad, K, es un conjunto convexo y cerrado o es el vaco. (Si es
no vaco se denomina politopo)
Definicin.- Dos puntos extremos x1, x2 de K, con x1 x2 , son puntos extremos adyacentes, sii el
segmento que los une es una arista del conjunto (convexo) K.
Teorema 2.-Sea A una matriz m x n, con r(a)=m, y sea b un vector mx1. Sea K el poliedro
A.x = b
x0
Si la restriccin era:
a pj x j b p , pasar a ser:
j =1
n
Si la restriccin era:
a pj x j = bp , pasar a ser:
j =1
a pj x j - sp + wp = bp
j =1
a pj x j + wp = bp
j =1
Como cualquier solucin bsica factible del sistema transformado, en el que las variables
artificiales tomen el valor cero, es una solucin bsica factible del sistema original, intentaremos
llevar a cero las variables artificiales lo antes posible, para que no aparezcan en la solucin final.
Una forma de llevar a cero las variables artificiales, consiste en asignarles como coeficiente en la
funcin objetivo del problema transformado un valor muy grande negativo(en el caso de
maximizacin), que representaremos por M, de modo que sea demasiado costoso mantener esas
variables en la base. (Mtodo de penalizacin)