Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROGRAMACIN LINEAL
22
Q. MARTN MARTN
22
Programacin Lineal
23
st
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2
.
am1 x1 + am2 x2 + + amn xn = bm
donde xi 0 (i=1, 2, , n) son las condiciones de no negatividad de las
variables.
Cada columna de coeficientes:
a1 j
a2 j
Aj = ,
...
a
mj
x1
x2
X=
...
x
n
a a ... a b
m
1
m
2
mn
m
x1 A1+ x2 A2 ++ xn An b;
xi 0, i
Matricialmente lo anterior se escribe como:
Max z = cTX
st
AX b
X0
siendo
z: la funcin objetivo
c = (c1,...,cn) T : vector de coeficientes de la funcin objetivo.
X = (x1,...,xn)T: vector de variables de decisin.
A = (...,aij,...): matriz de coeficientes tcnicos (i =1, 2, ..., m; j =1, 2, ..., n).
b = (b1,...,bm) T : vector de demandas (recursos).
El conjunto de soluciones factibles de un problema de Programacin Lineal
viene dado por:
24
Investigacin Operativa
X = {x Rn / A x b , x 0}
Como se ver posteriormente, todos los ptimos (si existen) debern estar en
la frontera del conjunto de soluciones factibles.
La solucin de un problema de programacin lineal, en el supuesto de que
exista, debe estar en la regin determinada por las distintas desigualdades. Esta
recibe el nombre de regin factible, y puede estar o no acotada.
Programacin Lineal
25
Max z = c1 x1 + c2 x2 + + cn xn=Max
cj xj
j1
st
n
j1
xj 0, (j =1, 2, , n)
Escrito en forma matricial sera:
Max z = cT X
st
AX b
X0
Cada columna de coeficientes tcnicos Aj representa un vector:
26
Investigacin Operativa
a1 j
a2 j
A j =
...
a
mj
Las restricciones las escribiremos:
x1 A1+ x2 A2 ++ xn An b
xi 0, i
Problema formulado en forma estndar:
Max (Min)z = c1 x1 + c2 x2 + + cn xn
st (s. t.)
a11 x1 + a12 x2 + + a1n xn + xn+1 = b1
a21 x1 + a22 x2 + + a2n xn + xn+2 = b2
................
am1 x1 + am2 x2 + + amn xn + xn+ m = bm
xi 0, i
Programacin Lineal
27
Tipo de Mquina
A
B
C
Ganancia por u.
Producto 1
Horas por u.
2
1
4
1
Producto 2
Horas por u.
2
2
2
1,50
Horas disponibles
semanalmente
16
12
28
(2.1)
(2.2)
(2.3)
28
Investigacin Operativa
Programacin Lineal
29
Y, a su vez, en:
m! n!
donde m es el nmero de restricciones de igualdad y n el nmero de variables en
su forma estndar. ste es el nmero de posibles combinaciones para elegir m
columnas entre las n columnas existentes. Por supuesto, no siempre todas esas
combinaciones dan lugar a matrices con determinante no nulo.
A continuacin se presenta un ejemplo de localizacin de soluciones bsicas
de un programa lineal. Se trata de encontrar las soluciones bsicas del problema
Min z=2x1+4x2+x3
2x1+2x2 6
x1+4x2-x3 12
x1, x2, x3 0
y clasificarlas en factibles o no factibles, degeneradas o no degeneradas. En
primer lugar, debe formularse el programa en su forma estndar y obtener las
correspondientes matrices:
A
2
1
2
4
0
-1
b
1
0
0
1
6
12
Las matrices bsicas sern en este caso todas las submatrices inversibles
formadas al seleccionar 2 columnas de A.
Por ejemplo, la primera matriz bsica que puede construirse es la formada
por las dos primeras columnas de A:
30
Investigacin Operativa
B
2 2
1 4
En este caso, las variables bsicas son x1 y x2 y los valores que toman en la
correspondiente solucin bsica se obtienen resolviendo el sistema:
2x1+2x2 = 6
x1+4x2 = 12
La solucin de dicho sistema es x1 =0 y x2=3. A las restantes variables, las
no bsicas, se las da el valor cero y la solucin bsica que se obtiene es
X=(0,3,0,0,0). Las variables bsicas son no negativas por tanto la solucin
bsica es factible y es degenerada porque la primera variable bsica es nula.
De igual manera se construyen el resto de soluciones bsicas, en este caso
todas las submatrices 2x2 son bsicas excepto la que forman las columnas
tercera y quinta. En la siguiente tabla se presentan todas las soluciones bsicas
obtenidas.
Variables Variables no Matriz
bsicas
bsicas
bsica
2 2
x1 y x2
x3, x4 y x5
1 4
2 0
x1 y x3
x2, x4 y x5
1 -1
2 1
x1 y x4
x2, x3 y x5
1 0
2 0
x1 y x5
x2, x3 y x4
1 1
2 0
x2 y x3
x1, x4 y x5
4 -1
2 1
x2 y x4
x1, x3 y x5
4 0
2 0
x2 y x5
x1, x3 y x4
4 1
0 1
x3 y x4
x1, x2 y x5
-1 0
x4 y x5
x1, x2 y x3
1 0
0 1
Solucin
bsica
Tipo
(0,3,0,0,0)
Factible
degenerada
(3,0,-9,0,0)
No factible
(12,0,0,-18,0)
No factible
(3,0,0,0,9)
(0,3,0,0,0)
(0,3,0,0,0)
(0,3,0,0,0)
Factible no
degenerada
Factible
degenerada
Factible
degenerada
Factible
degenerada
(0,0,-12,6,0)
No factible
(0,0,0,6,12)
Factible no
degenerada
Programacin Lineal
31
Max z = x1-2x2+5x3 - x4
st
x1+x2+x3 =1
x1-x2-x3 +2x4 =1
xi 0 (i=1, 2, 3, 4)
El punto (1,0,0,0) es bsico degenerado
El punto (0,0,1,1) es bsico no degenerado
El punto (1/2, 1/4 ,1/4 ,1/2 ) es no bsico
Veamos una serie de ejemplos de problemas de programacin lineal con dos
variables atendiendo al tipo de solucin que presentan:
i) Con solucin nica
Maximizar la funcin z = f(x,y) = 4x + 3y
st
30x + 20y 1800
x + y 80
x0,y0
Tiene por regin factible la regin sombreada.
Los valores de la funcin objetivo en cada uno de los vrtices son:
f(O) = f(0,0) = 0; f(C)=f(60,0) = 240; f(D) = f(20,60) = 260; f(E) = f(0,80) = 240
La solucin es nica, y corresponde al vrtice para el que la funcin objetivo
toma el valor mximo. En este caso es el vrtice D(20,60).
32
Investigacin Operativa
Programacin Lineal
33
Lo que se pretende con el mtodo grfico es dar una visin geomtrica del
problema que queremos resolver. Es evidente que su precisin no es la deseada,
pero nos puede dar una aproximacin a lo que queremos resolver.
El procedimiento a seguir es:
1. Dibuje la grfica de cada restriccin sobre el mismo cuadrante no
negativo.
2. Convierta las desigualdades en igualdades y represente la rectas que
representan estas ecuaciones.
3. Escoja cualquier punto de ensayo que no pertenezca a la recta.
4. Evale el primer miembro de la expresin. Sustituya el punto de ensayo en
el primer miembro de la desigualdad y obtenga el valor numrico.
5. Determine si el punto de ensayo satisface la desigualdad.
6. Si el punto de ensayo satisface la desigualdad original, entonces todos los
puntos que estn del mismo lado que el punto de ensayo satisfacen la
desigualdad, en caso contrario ser un punto no factible.
7. Localice la regin de soluciones factibles (Regin Factible).
8. Dibuje una recta arbitraria de la funcin objetivo, por ejemplo pasando por
el origen, para obtener la pendiente de la funcin objetivo.
9. Determine la direccin ascendente o descendente de esta recta.
10. Dada la pendiente de la funcin objetivo y teniendo en cuenta si es un
problema de maximizar o minimizar, determine el vrtice del conjunto
factible que est sobre la recta que representa la funcin objetivo.
11. Los valores de las variables de decisin, en este vrtice, dan la solucin al
problema.
El valor ptimo de la funcin objetivo se obtiene sustituyendo los valores
ptimos de las variables de decisin en la funcin objetivo.
Ejercicio 3. Resolver grficamente el problema siguiente:
Un fabricante est tratando de decidir las cantidades de produccin para dos
artculos: mesas y sillas. Se cuenta con 96 unidades de material y con 72 horas
de mano de obra. Cada mesa requiere 12 unidades de material y 6 horas de mano
de obra. Por otra parte, las sillas utilizan 8 unidades de material cada una y
requieren 12 horas de mano de obra por silla. El margen de beneficio es el
mismo para las mesas que para las sillas: 5 euros por unidad. El fabricante
prometi construir por lo menos dos mesas.
Solucin: El primer paso para resolver el problema es expresarlo en trminos
matemticos en el formato general de PL.
Funcin objetivo:
34
Investigacin Operativa
Maximizar z = 5x1 + 5x2
en donde:
x1 = nmero de mesas producidas
x2 = nmero de sillas producidas
Restricciones del problema (st):
12x1 + 8x2 96
6x1 + 12x2 72
x1 2
x1 0, x2 0
(restriccin de material)
(restriccin de mano de obra)
(restriccin de promesa del fabricante)
(restricciones de no negatividad)
Programacin Lineal
35
36
Investigacin Operativa
Programacin Lineal
37
X5
K
X2
X6
X1
X7
X0 =
i 1
i Xi ; i 0 ;
i = 1
i 1
Sustituyendo:
Min z = m= cT X0 = cT ( 1 X1 + 2 X2 ++p Xp)
38
Investigacin Operativa
Supongamos que cT X1 = min cT Xi
i
X=
i1
i Xi ; i 0 ,
i = 1
i1
Programacin Lineal
39
x1k = x2k
es decir, que X1 = X2, lo que contradice el hecho de haber supuesto X1 X2, por
lo que necesariamente X debe ser un vrtice de K.
Proposicin 2.4. Si tenemos un vector X = (x1, x2,, xn)T es un vrtice de K,
entonces los vectores Ai asociados con las coordenadas xi positivas forman un
sistema linealmente independiente, de lo que se sigue que, a lo sumo, m de estas
coordenadas xi son positivas.
Demostracin:
Supongamos, para simplificar, que las k primeras coordenadas son las no
nulas, entonces :
x1 A1+ x2 A2 ++ xk Ak = b
Si los vectores A1, A2,, Ak son linealmente dependientes, podremos
encontrar una combinacin lineal de los mismos igual a cero con algn
coeficiente no nulo:
1 A1+ 2 A2 ++ k Ak = 0
As tenemos:
k
xi Ai = b
i1
k
i Ai = 0
i1
40
Investigacin Operativa
k
xi Ai + i Ai = b
xi Ai - i Ai = b
i1
k
i1
i1
k
i1
Programacin Lineal
41
42
Investigacin Operativa
x1 A1 x2 A2 xm Am b, x j 0, j
(2.1)
i 1
ij
Ai A j , j 1, 2, , n
11 A1 21 A2 m1 Am A1
A A A A
12 1
22 2
m2 m
2
..................................................
1n A1 2 n A2 mn Am An
(2.2)
(2.3)
(2.4)
(2.5)
Programacin Lineal
43
zj = c1 1 j + c2 2 j + + cm m j
(2.7)
ij > 0
ij 0
xi
ij
j = min i / ij 0 (2.8)
i
ij
y esto para cada j para el que se cumpla (zj -cj) > 0, a continuacin calcularemos
los productos j (zj -cj) y nos quedaremos con el ndice j que da el producto
mayor, supongamos que ste es j=m+1, ello significar que seleccionamos el
vector Am+1, por otra parte, si el mnimo en (2.8) se alcanza, por ejemplo, para
i=1, es decir:
x
x1
m+1 = min i / ij 0 =
i
1,m1
ij
(2.9)
x1
1,m1
nueva solucin factible X = (x1, x2,, xn)T = (0, x2, , xm, m+1, 0, , 0)T
ser un vrtice de K (conjunto de soluciones factibles) si los vectores A2, A3,,
Am+1 son linealmente independientes (Vea el teorema de caracterizacin de los
vrtices de K).
Para probar que los vectores A2, A3,, Am+1 son linealmente independientes,
supongamos que fueran linealmente dependientes, esto quiere decir que existir
i tal que
2 A2 + 3j A3+ + m Am+ m+1 Am+1 = 0
(2.10)
para algn i distinto de cero y, puesto que los vectores A2, A3,, Am son
linealmente independientes, deber ser m+10. Por tanto, despejando Am+1 de
(2.10), obtenemos:
44
Investigacin Operativa
Am+1 = -
haciendo i=-
i
m1
2
A2 - 3 A3 -- m Am
m1
m1
m1
(i=2, . .., m)
Am+1 = 2 A2 + 3 A3 ++ m Am
(2.11)
Programacin Lineal
45
46
Investigacin Operativa
Teorema 2.2. Si en algn paso (puede ser el primero) del mtodo simplex se
verifica que (zj - cj ) 0, j (j=1, 2, ..., n), entonces, el ltimo vrtice obtenido
es la solucin ptima.
Demostracin
Sea X = (x1, x2,, xn)T un punto extremo en el cual la funcin objetivo vale
z0 y para el que se verifica que (zj - cj ) 0, j (j=1, 2, ..., n).
Hemos de probar que para cualquier otra solucin (zj - cj ) 0, j (j=1, 2, ...,
n)
Y= (y1, y2,, yn)T, con yi 0
(2.12)
se verifica z0 z.
Como (zj - cj ) 0 zj cj y sustituyendo en la expresin (2.12) cada cj por
zj tenemos:
z1 y1 + z2 y2+ + zn yn z
(2.13)
ci ij
i1
tenemos:
m
i1
i1
i1
( c i i 1 ) y1 + ( c i i 2) y2+ + ( c i i n) yn z
Agrupando trminos en c i (i=1, 2, ..., m) se tiene:
n
j1
j1
j1
c 1 ( 1 j y j) + c 2 ( 2 j yj) + +cm (
Puesto que Y es una solucin factible
mj
yj) z
(2.14)
Programacin Lineal
47
y 1 A1+ y 2 A2+ + y n An = b
(2.15)
i1
i1
i1
j1
j1
j1
( 1 j yj )A 1 + ( 2 j yj)A2+ + ( m j yj) Am = b
Como X es un punto extremo
x 1 A1+ x 2 A2+ + x m Am = b
y por ser los vectores A1, A2, .., Am linealmente independientes, b se escribe de
forma nica, por lo cual:
n
j1
j1
j1
x1 = 1 j yj ; x2 = 2 j yj ; ; xm = m j yj
Sustituyendo en (2.14) se tiene:
c1 x1 + c2 x2+ + cm xm z
es decir z0 z .
Ejercicio 1. Resuelva mediante el Mtodo Simplex el problema de
programacin lineal siguiente:
Min z = 5x1+2x2-3x3
st
2x1+2x2-x34
48
Investigacin Operativa
3x1- x2+x33
2x1+x2+3x35
xi 0 (i=1, 2, 3)
Base
A4
A5
A6
cB
0
0
0
z, zj,j
cj -5
b
A1
4
2
3
3
5
2
0
0
zj-cj
5
5
j(zj-cj)
2
A2
2
-1
1
0
-2
-
-3
A3
-1
1
3
0
3
5
0
A4
1
0
0
0
0
-
0
A5
0
1
0
0
0
-
0
A6
0
0
1
0
0
-
1 3
2 -3
1
5/2 5/3
1 5/3
El vrtice inicial de partida es X=(0, 0, 0, 4, 3, 5)T. Para ver que vector sale
de la base y cul entra operamos de la forma siguiente:
i) Calculamos zj = c1 1 j + c2 2 j + + cm m j.
ii) Calculamos (zj -cj).
x
b
iii) Para los valores (zj -cj) >0 calculamos j = min i i / ij 0 .
i
ij ij
iv) Buscando que j (zj -cj) sea positivo y mximo.
x
ij
i-simo que sale de la base y, el valor de j que hace max j (zj - cj) nos
j
Programacin Lineal
49
x
b
3
- El vector que sale de la base es el A5 (1 = min 2 2 =1).
i2
21 21 3
Base
cB
A1
A2
A3
A4
A5
A6
A5
A1=A5/3
3
1
3
1
-1
-1/3
1
1/3
0
0
1
1/3
0
0
A4
2A1
A4-2A1
4
2
2
2
2
0
2
-2/3
8/3
-1
2/3
-5/3
1
0
1
0
2/3
-2/3
0
0
0
A6
2A1
A6-2A1
5
2
3
2
2
0
1
-2/3
5/3
3
2/3
7/3
0
0
0
0
2/3
-2/3
1
0
1
Base
A4
A1
A6
cB
cj
b
2
1
3
-5
A1
0
1
0
2
A2
8/3
-1/3
5/3
-3
A3
-5/3
1/3
7/3
0
A4
1
0
0
0
A5
-2/3
1/3
-2/3
0
A6
0
0
1
50
Investigacin Operativa
Segunda tabla
cj
-5
Base
cB
b
A1
0
2
0
A4
-5
1
A1
1
0
3
0
A6
-5
-5
z, zj, j
zj-cj
0
j(zj-cj)
2
A2
8/3
-1/3
5/3
5/3
-1/3
-
-3
A3
-5/3
1/3
7/3
-5/3
4/3
12/7
0
A4
1
0
0
0
0
-
0
A5
-2/3
1/3
-2/3
-5/3
-5/3
-
-3
A3
0
0
1
-3
0
-
0
A4
1
0
0
0
0
-
0
A6
0
0
1
0
0
-
3
3
9/7
9/7
cB
b
0
29/7=4.1448
-5
4/7=0.5714
-3
9/7=1.2857
z, zj, j -47/7=-6.7142
zj-cj
j(zj-cj)
-5
A1
0
1
0
-5
0
2
A2
22/7
-4/7
5/7
5/7
-9/7
-
0
A5
-8/7
3/7
-2/7
-9/7
-9/7
-
0
A6
5/7
-1/7
3/7
-4/7
-4/7
-
Observando la tabla tenemos (zj - cj ) 0, j (j=1, 2, ..., n), por lo que hemos
llegado a la etapa final. Para buscar la solucin dentro de la tabla miramos la
columna b y encontramos:
x1=4/7=0.5714, x2=0 (no aparece), x3=9/7=1.2857, z = -6.7142
El vrtice final obtenido es X=(4/7, 0, 9/7, 29/7, 0, 0)T. La solucin mediante
la matriz inversa asociada a la tabla del simplex, B-1 la podemos encontrar
directamente en la ltima tabla del simplex observando los vectores
correspondientes a los de la base inicial, en este caso a los vectores A4, A5 y A6
de la tabla:
1 8 / 7 5 / 7
Programacin Lineal
51
1 8 / 7 5 / 7 4 29 / 7
B b X o 0 3 / 7 1 / 7 3 4 / 7
0 2 / 7 3 / 7 5 9 / 7
1 2 1
-6.714286
VARIABLE
X1
X2
X3
ROW
2)
3)
4)
VALUE
0.571429
0.000000
1.285714
SLACK OR SURPLUS
4.142857
0.000000
0.000000
REDUCED COST
0.000000
1.285714
0.000000
DUAL PRICES
0.000000
1.285714
0.571429
THE TABLEAU
ROW (BASIS)
1 ART
2 SLK 2(A4)
3
X1(A1)
4
X3(A3)
ROW
1
2
3
X1(A1)
0.000
0.000
1.000
0.000
SLK 4(A6)
0.571
0.714
-0.143
6.714
4.143
0.571
X2(A2)
1.286
3.857
-0.571
0.714
X3(A3)
0.000
0.000
0.000
1.000
52
Investigacin Operativa
4
0.429
1.286
B 1
1 8 / 7 5 / 7
1 2 1
Base
A1
A5
cB
-5
0
zj-cj
cj
b
30
10
-150
-5
A1
1
0
0
-2
A2
b
c
a
c3
A3
2
-8
-7
0
A4
1
-1
d
0
A5
0
1
e
-2
A2
5
-5
2
-3
A3
2
-6
3
0
A4
1
0
0
0
A5
0
1
0
Calcule:
a) Los recursos.
b) Los valores de: a, b, c, d, e, c3.
Solucin:
Tabla 1
Base
A4
A5
cB
0
0
z, zj-cj
cj
b
b1
b2
0
-5
A1
1
1
5
Programacin Lineal
53
Tabla 2
Por la informacin que nos proporciona la tabla del enunciado, sale de la
base A4 y entra A1
Base
A1
A5
CB
-5
0
z, zj-cj
cj
b
b1
b2- b1
-150
-5
A1
1
0
0
-2
A2
5
-10
-23
-3
A3
2
-8
-7
0
A4
1
-1
-5
0
A5
0
1
0
Identificando, tenemos:
a) b1= 30, b2- b1=10, b2= 40,
b) a= -23, b = 5, c= -10, d= -5, e= 0, c3= -3
54
Investigacin Operativa
2.8.1. Mtodo de la M o de Penalizacin
Programacin Lineal
55
Primera tabla
Se llevan a la tabla los datos del problema artificial y se comienza a operar
de acuerdo con el algoritmo del simplex:
cj
Base
A6
A4
A7
cB
b
M
20
0
40
M
55
z, zj,j 75M
zj-cj
j(zj-cj)
-1
-6
A1
A2
1
2
2
1
2
1
3M
3M
3M+1 3M+6
30M+60
4
A3
-1
1
4
3M
3M-4
0
A4
0
1
0
0
0
0
A5
0
0
-1
-M
-M
M
A6
1
0
0
M
0
M
A7
0
0
1
M
0
10
40
55
56
Investigacin Operativa
A los valores que hayan resultado ser (zj -cj) >0, en nuestro caso se da para
varios j, elegimos la de mayor diferencia y aplicamos el criterio
x
j = min i / ij 0
i
ij
y buscando que j (zj -cj) sea positivo y mximo, tenemos que entra A2 y sale A6,
que, por corresponder a una variable artificial, ya nunca ms volver a entrar.
El vector entrante en la base formar parte de la base cannica de manera
que el elemento pivote, en nuestro caso el 2, que se genera en el cruce del vector
que entra y el vector que sale, deber valer uno y el resto cero.
Este proceso se repite de forma iterativa hasta que se verifique (zj - cj ) 0,
j (j=1, 2, ..., n).
Segunda tabla
cj
Base
A2
A4
A7
-1
cB
b
A1
-6
10
1/2
0
30
3/2
M
45
3/2
z, zj,j45M-60 3M/2-3
zj-cj 3M/2-2
j(zj-cj)
-6
A2
1
0
0
-6
0
4
A3
-1/2
3/2
9/2
3M
9M/2-1
45M+10
0
A4
0
1
0
0
0
0
A5
0
0
-1
-M
-M
M
A6
-
M
A7
0
0
1
M
0
20
10
Entra A3 y sale A7, que, por corresponder a una variable artificial, ya nunca
ms volver a entrar.
Tercera tabla
cj
Base
A2
A4
A3
cB
b
-6
15
0
15
4
10
z, zj,j -50
zj-cj
-1
A1
2/3
1
1/3
-8/3
-5/3
-6
A2
1
0
0
-6
0
4
A3
0
0
1
0
0
0
A4
0
1
0
0
0
0
A5
-1/9
1/3
-2/9
-2/9
-2/9
M
A6
-
M
A7
-
Observando la tabla tenemos (zj - cj ) 0, j (j=1, 2, ..., n), por lo que hemos
llegado a la etapa final. Para buscar la solucin dentro de la tabla miramos la
columna b y encontramos:
Programacin Lineal
57
Fase I:
Esta primera fase consiste en resolver previamente el problema siguiente:
Min z = 1TX a
st
AX + I Xa =b
X 0, Xa 0
Si el problema original tienen solucin factible, el mnimo del problema
anterior se alcanzar cuando las variables artificiales Xa =0 y z=0.
Fase II:
En esta segunda fase, resolveremos el problema original planteado utilizando
la ltima matriz obtenida en la Fase I y por tanto dicha base.
Consideremos el siguiente problema:
58
Investigacin Operativa
Min z = x1- 2x2
st
x1 +x2 2
-x1 +x2 1
x2 3
x1 0 , x2 0
Vamos a resolverlo por el mtodo de las dos fases. El problema con las
variables de exceso , holgura y artificiales y la funcin objetivo de la primera
fase (la funcin objetivo del enunciado se optimiza en la segunda fase) es :
Min z = a1+a2
st
x1+x2- h1+ a1 =2
- x1+x2 -h2+ a2 =1
x2+ h3 =3
pasamos a la tabla los datos y operamos segn el algoritmo del simplex,
tenemos:
Primera tabla
cj
Base cB
b
A4
1
2
A6
1
1
A7
0
3
z zj j 3
zj-cj
0
A1
1
-1
0
0
0
0
A2
1
1
1
2
2
0
A3
-1
0
0
-1
-1
1
A4
1
0
0
1
0
0
A5
0
-1
0
-1
-1
1
A6
0
1
0
1
0
0
A7
0
0
1
0
0
2
1
3
1
Segunda tabla
Base
A4
A2
A7
cB
1
0
0
z zj
cj
b
1
1
2
1
j
zj-cj
j(zj-cj)
0
A1
2
-1
1
2
2
1
0
A2
0
1
0
0
0
-
0
A3
-1
0
0
-1
-1
-
1
A4
1
0
0
1
0
-
0
A5
1
-1
1
1
1
1
1
A6
-2
0
A7 A A5
0 1 /2 1
0 1 2
2
0 1/2 1
0
Programacin Lineal
59
Tercera tabla
Base
A1
A2
A7
cB
1
-2
0
z zj
cj
b
1 /2
3/2
3/2
j -5/2
zj-cj
j(zj-cj)
1
A1
1
0
0
1
0
-
-2
A2
0
1
0
-2
0
-
0
A3
-1/2
-1/2
1/2
1/2
1/2
3/2
0
A5
1 /2
-1/2
1/2
3/2
3/2
3/2
0
A7 A3 A5
0 - 1
0 1 3 3
0 3 1
0
-
Cuarta tabla
Base
A5
A2
A7
cB
0
-2
0
z zj
cj
b
1
2
1
-4
j
zj-cj
1
A1
2
1
-1
-2
-1
-2
A2
0
1
0
-2
0
0
A3
-1
-1
1
2
2
0
A5
1
0
0
0
0
0
A7 A3
0 0 1 1
0
0
60
Investigacin Operativa
Programacin Lineal
61
ij
x
tal que minimizan i , no se podra hacer salir a la vez a todos ellos. Se podra
ij
elegir uno cualquiera y, entonces, en el nuevo punto extremo al que se pasan
todas las coordenadas de X para las cuales se alcanza ese mnimo seran nulas,
es decir, estaramos en un punto extremo que tiene menos de m coordenadas
positivas, esto es, un punto extremo degenerado.
Se identifica en la tabla simplex porque al menos una variable bsica tiene
valor cero en la columna de solucin. Este caso se presenta cuando se valora una
solucin bsica no nica, la cual se tiene con al menos una variable bsica de
valor cero en el sistema de m restricciones, alguna de ellas debe ser restriccin
redundante que contiene slo un punto vrtice del conjunto factible.
62
Investigacin Operativa
y puesto que
m
esto es
Aj = BXj,
ci ij
i1
Base cB
A1
A3
A2
z zj
cj
b
0.75
1.75
3.25
-4.75
zj-cj
A1
1
0
0
-2
0
A2
0
0
1
-1
0
A3
0
1
0
0
0
A4
0.5
0.5
-0.5
-0.5
-0.5
A5
-0.5
0.5
1.5
-0.5
-0.5
A6
-
Ayuda:
b11
B b21
b
31
1 1
0 1
0 1
Max z=
st
Programacin Lineal
63
Solucin:
a) La matriz inversa se obtiene directamente de la tabla:
0.5 0.5
0
0.5 ,
B = 1 0.5
0 0.5 1.5
-1
2 1 1
(B ) =B= 3 0 1
1 0 1
-1 -1
2 1 1 0 1
A2=B X2= 3 0 1 0 1
1 0 1 1 1
2 1 1 0.75 3
2 x1+ x2 3
3x1+x2 5.5
x1+x2 4
x1, x2 0
T
T
tenemos: c = B=(0 0.5 0.5) 3 0 1 (2 0 1)
1 0 1
64
Investigacin Operativa
Xj = B-1 Aj,
B-1 B1= R
0 1 ... 2 j ... 0
R=
......................
0 0 ... ... 1
mj
1 0 ... 1 j / rj ... 0
0 1 ... 2 j / rj ... 0
-1 ...............................
E=R =
0 0 ... 1 / rj .. .. 0
......................
0 0 ... mj / rj ... 1
Entonces B1-1= R-1 B-1= E B-1, a la matriz E se la denomina matriz elemental.
Cuando comenzbamos el mtodo del simplex, tombamos la base cannica,
es decir, B1=I, B1-1 = I y XB = b.
Siguiendo un proceso iterativo, tenemos:
B2-1= E1 B1-1 = E1 I= E1
B3-1= E2 B2-1 = E2 E1
y, en general la inversa de la base de la k-sima iteracin se obtiene
Bk-1 = Ek-1 Ek-2 . E2 E1
Programacin Lineal
65
B-1
XB = B-1 b
Xj = B-1 Aj
.
Xj = Ek-1Ek-2 . E2E1Aj
La ltima columna representa la situacin en la k-sima iteracin. En cada
iteracin hay que controlar si todos los (zj - cj) 0 j, en cuyo caso ya
tendramos la solucin ptima. Si para algn (zj - cj) > 0 y Xj 0, la funcin
objetivo no tendra solucin finita.
66
Investigacin Operativa
LP OPTIMUM FOUND AT STEP
-6.714286
VARIABLE
X1
X2
X3
ROW
2)
3)
4)
VALUE
0.571429
0.000000
1.285714
SLACK OR SURPLUS
4.142857
0.000000
0.000000
NO. ITERATIONS=
REDUCED COST
0.000000
1.285714
0.000000
DUAL PRICES
0.000000
1.285714
0.571429
THE TABLEAU
ROW (BASIS)
1 ART
2 SLK
2
3
X1
4
X3
ROW
1
2
3
4
SLK 4
0.571
0.714
-0.143
0.429
X1
0.000
0.000
1.000
0.000
X2
1.286
3.857
-0.571
0.714
X3
0.000
0.000
0.000
1.000
SLK 2
0.000
1.000
0.000
0.000
SLK 3
1.286
-1.143
0.429
-0.286
6.714
4.143
0.571
1.286