Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROGRAMACI ON Lineal Alvaro Garc Ia S Anchez
PROGRAMACI ON Lineal Alvaro Garc Ia S Anchez
P ROGRAMACI O
L INEAL
Noviembre 2012
Universidad Polit
ecnica de Madrid
Alvaro Garca S
anchez
Miguel Ortega Mier
Indice general
Indice general
1.
2.
A LA PROGRAMACION
LINEAL. TEOREMA
INTRODUCCION
DAMENTAL
1.1.
Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1. Caracterizaci
on de soluciones . . . . . . . . . . . .
1.2.
Teorema Fundamental . . . . . . . . . . . . . . . . . . . . .
1.2.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2. Demostraci
on . . . . . . . . . . . . . . . . . . . . . .
1.3.
Implicaciones del Teorema Fundamental . . . . . . . . . .
1.4.
Ejempo de aplicaci
on . . . . . . . . . . . . . . . . . . . . . .
FUN.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
4
4
4
5
6
7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
13
14
14
15
15
18
20
MATRIZ COMPLETA
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
23
23
24
24
FUNDAMENTOS DEL M
ETODO DEL SIMPLEX
2.1.
Introducci
on . . . . . . . . . . . . . . . .
2.2.
Regla de entrada . . . . . . . . . . . . . .
2.3.
Regla de salida . . . . . . . . . . . . . . .
2.4.
Criterio de optimalidad . . . . . . . . . .
2.5.
Ejemplo . . . . . . . . . . . . . . . . . . .
2.5.1. Primera iteraci
on . . . . . . . . .
2.5.2. Segunda iteraci
on . . . . . . . .
2.5.3. Tercera iteraci
on . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3.
M
ETODO DEL SIMPLEX.VARIANTE DE LA
3.1.
Introducci
on . . . . . . . . . . . . . .
3.2.
Variante de la matriz completa . . .
3.3.
Ejemplo . . . . . . . . . . . . . . . . .
4.
M
ETODOS DE LA M GRANDE Y DE LAS DOS FASES
4.1.
Introducci
on . . . . . . . . . . . . . . . . . . . .
4.2.
M
etodo de la M grande . . . . . . . . . . . . . .
4.3.
M
etodo de las 2 fases . . . . . . . . . . . . . . .
4.4.
Ejemplos . . . . . . . . . . . . . . . . . . . . . . .
4.4.1. M
etodo de la M grande . . . . . . . . .
4.4.2. M
etodo de las dos fases . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
25
26
28
30
30
31
Indice general
5.
6.
7.
8.
9.
INTERPRETACION
ECNICO-ECONOMICA
5.1.
Introducci
on . . . . . . . . . . . . . . .
5.1.1. Ejemplo de aplicaci
on . . . . .
5.2.
Tasas de sustituci
on . . . . . . . . . .
5.2.1. Discusi
on te
orica . . . . . . . .
5.2.2. Ejemplo de aplicaci
on . . . . .
5.3.
Multiplicadores del simplex . . . . . .
5.3.1. Discusi
on te
orica . . . . . . . .
5.3.2. Ejemplo de aplicaci
on . . . . .
5.4.
Criterios del simplex . . . . . . . . . .
5.4.1. Discusi
on te
orica . . . . . . . .
5.4.2. Ejemplo de aplicaci
on . . . . .
GRA
FICA
INTERPRETACION
6.1.
Introducci
on . . . . . . . . . . .
6.2.
Conceptos generales . . . . . .
6.3.
M
etodo del Simplex . . . . . . .
6.4.
M
etodo de las dos fases y de la
6.5.
M
etodo de Lemke . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . .
. . . . . . .
. . . . . . .
M grande
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
33
34
36
36
36
37
37
39
39
39
41
.
.
.
.
.
44
44
44
52
55
56
M
ETODO DEL LEMKE
7.1.
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.
Cu
ando es interesante el m
etodo de Lemke . . . . . . . . . . .
7.2.1. Problemas de mnimos con c 0 . . . . . . . . . . . . .
7.2.2. Al introducir un cambio en b, una vez obtenida la soluci
on
optima . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.3. Al a
nadir una restricci
on adicional a un programa, una
vez obtenida la soluci
on
optima . . . . . . . . . . . . .
7.3.
Reglas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3.1. Criterio de factibilidad . . . . . . . . . . . . . . . . . . .
7.3.2. Regla de supresi
on . . . . . . . . . . . . . . . . . . . . .
7.3.3. Regla de introducci
on . . . . . . . . . . . . . . . . . . . .
7.4.
Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
57
58
58
CASOS ESPECIALES
8.1.
Introducci
on . . . . . . . . . . . . .
8.2.
Optimo
m
ultiple . . . . . . . . . . .
8.3.
Soluci
on degenerada . . . . . . . .
8.4.
Problema no factible . . . . . . . .
8.5.
Regi
on de factibilidad no acotada
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
64
64
64
66
67
69
POSTOPTIMIZACION
9.1.
Introduction . . .
9.2.
Cambio en b . . .
9.3.
Cambio en c . . . .
9.4.
Nueva actividad .
9.5.
Nueva restricci
on
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
73
73
74
75
75
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
60
61
61
61
61
62
62
Indice general
9.6.
Cambio en aij . . . . . . . . . . . . . . . .
9.6.1. Cambio en aij con xj no b
asica
9.6.2. Cambio en aij con xj b
asica . .
Ejemplo . . . . . . . . . . . . . . . . . . . .
9.7.1. Cambio de b . . . . . . . . . . . .
9.7.2. Cambio de c . . . . . . . . . . . . .
9.7.3. Nueva actividad . . . . . . . . . .
9.7.4. Nueva restricci
on . . . . . . . . .
9.7.5. An
alisis de sensibilidad de b . .
9.7.6. An
alisis de sensibilidad de c . .
La aparente paradoja de b . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
76
76
77
77
78
78
79
80
81
82
84
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
85
85
85
85
85
89
89
89
91
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
96
96
96
96
97
98
98
99
100
100
100
101
101
101
101
101
101
102
103
103
104
104
104
105
9.7.
9.8.
PARAM
10. PROGRAMACION
ETRICA
10.1. Introducci
on . . . . . . . . .
10.2. Programaci
on con c() . . .
10.2.1. M
etodo general . . .
10.2.2. Ejemplo c() . . . .
10.3. Programaci
on con b() . . .
10.3.1. M
etodo general . . .
10.3.2. Ejemplo c() . . . .
10.4. Ejemplo c() y b() . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Indice general
11.8.4. M
etodo H
ungaro . . . . . . . . . . . . . . . . . . . . . . .
106
ENTERA. FUNDAMENTOS
12. PROGRAMACION
12.1. Divide y vencer
as . . . . . . . . . . . . . . . . . . . . . . . . . . .
12.2. Enumeraci
on implcita . . . . . . . . . . . . . . . . . . . . . . . .
12.3. Branch and Bound: un ejemplo . . . . . . . . . . . . . . . . . . .
107
107
107
109
112
112
113
14. DUALIDAD
14.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2. Teora sobre dualidad . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.1. El problema dual . . . . . . . . . . . . . . . . . . . . . . .
14.2.2. El dual del dual es el primal . . . . . . . . . . . . . . . .
14.2.3. Relaciones entre el problema primal y el problema
dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.4. La funci
on objetivo . . . . . . . . . . . . . . . . . . . . .
14.2.5. Teorema fundamental de la dualidad . . . . . . . . . .
14.2.6. Teorema de las holguras complementarias . . . . . . .
14.3. Interpretaci
on econ
omica de las variables duales en el
optimo
14.4. Algoritmo del simplex dual . . . . . . . . . . . . . . . . . . . . .
116
116
119
119
119
120
122
123
124
126
128
Captulo 1
A LA PROGRAMACION
INTRODUCCION
LINEAL. TEOREMA FUNDAMENTAL
1.1.
Introducci
on
Un problema de Programaci
on Lineal tiene la siguiente forma.
maz z =cx
(funci
on objetivo)
s.a:
Ax = b
x0
Forma general
de un problema
(restricciones funcionales)
(1.1)
(restricciones de no negatividad)
Matriz de coecientes t
ecnicos: A
matriz m n
m las - restricciones
n columnas - variables
Vector de disponibilidad de recursos: b
matriz m 1
tantos elementos como restricciones
Vector de contribuciones unitarias al benecio: c
matriz 1 n
tantos elementos como variables
Soluci
on del problema x
matriz n 1
Podra haber tres casos para la relaci
on entre y m y n:
1. m > n, tpicamente, soluci
on no factible. Sistema incompatible.
O el modelo est
a mal (por ejemplo, si se trata de un modelo de un
sistema que existe y que est
a en funcionamiento).
O no existe soluci
on factible.
nica. Sistema compatible deter2. m = n, tpicamente, soluci
on factible u
nica soluci
minado. Existe una u
on, con lo que no hay un problema de
decisi
on.
Dimensiones de
A, b, c y x
Relaci
on entre
myn
A LA PROGRAMACION
LINEAL. TEOREMA FUNDAMENTAL
Captulo 1. INTRODUCCION
1.1.1.
Caracterizaci
on de soluciones
Soluci
on
Soluci
on factible
Una soluci
on x es linealmente independiente si las columnas de la matriz A
correspondientes a las variables con valor no nulo son linealmente independientes.
Soluci
on
linealmente
independiente
Una soluci
on x es linealmente dependiente si las columnas de la matriz A correspondientes a las variables con valor no nulo son linealmente dependientes.
Soluci
on
linealmente
dependiente
Caractersiticas
de las soluciones
linealmente
independientes
el n
umero m
aximo de componentes no nulas de una soluci
on linealmente independiente es, m y
el n
umero mnimo de componentes no nulas de una soluci
on linealmente dependiente tpicamente es m + 1 1
1.2.
Teorema Fundamental
1.2.1.
Enunciado
Enunciado
A LA PROGRAMACION
LINEAL. TEOREMA FUNDAMENTAL
Captulo 1. INTRODUCCION
1.2.2.
Demostraci
on
Propiedades de
x0
Ay = 0 y
yi = 0 si xi = 0
cy 0 (si no es as, basta con cambiar de signo a y).
A partir de x 0 se puede construir una nueva soluci
on x 1 :
x 1 = x 0 + ty
(con t 0)
Una nueva
soluci
on x 1
(1.2)
Efectivamente, es soluci
on:
Ax 1 = A(x 0 + ty) = Ax 0 + tAy = b + t0 = b
(1.3)
(1.4)
x 1 no es peor
que x 0
A LA PROGRAMACION
LINEAL. TEOREMA FUNDAMENTAL
Captulo 1. INTRODUCCION
Una
componente
nula m
as
(1.5)
Se puede dar un valor a t de manera que ninguna variable tenga valor negativo
y que tenga una componente nula m
as que x 0 .
t = min{i/yi 0}
xi0
yi
x 1 no es peor
que x 0
(1.6)
Discusi
on
completa
on no peor
Si yi < 0, con t = min{i/yi 0} yii se obtiene una soluci
con una componente nula m
as.
Si yi > 0 el problema no est
a acotado, el valor de la funci
on objetivo pude ser tan grande como se desee.
En t
erminos de Ingeniera de Organizaci
on, los problemas no acotados no tienen sentido.
Problemas no
acotados
Iterando
1.3.
De acuerdo con lo que se sigue del teorema fundamental, siempre existe una
soluci
on
optima dentro del conjunto de todas las soluciones linealmente independientes.
D
onde buscar
Enumeraci
on
explcita
A LA PROGRAMACION
LINEAL. TEOREMA FUNDAMENTAL
Captulo 1. INTRODUCCION
El problema
n
m
=
n!
m!(nm)!
Tiempos de resoluci
on en a
nos supondiendo que cada sistema se resuelve en
106 segundos.
N variables
N restricciones
N sol. B
asicas
Tiempo res. (a
nos)
1.4.
10
4
210
100
40
1.37462E+28
4.3589E+14
1000
400
4.9653E+290
1.5745E+277
Ejempo de aplicaci
on
maz z =4x1 + 4x2 + 6x3 + 8x4
2x1 + 3x2 + 3x3 + 6x4 + x5 = 400
1x1 + 2x2 + 6x3 + 3x4 + x6 = 200
(1.7)
Soluci
on inicial: x 0 = (0, 4, 14, 36, 130, 0, 9370)T , z0 = 388. Se trata de una
soluci
on porque se cumple Ax = b. Efectivamente, se puede comprobar que:
400
2 3 3 6 1 0 0
14
(1.8)
Ax 0 = 1 2 6 3 0 1 0 36 = 200
1000
5 5 5 5 0 0 1
130
0
9370
Como las columnas correspondientes a componentes no negativas de x son
linealmente dependientes, se pueden encontrar varlores de y2 , y3 , y4 , y5 y y7
no todos ellos nulos que cumplan:
3
3
6
1
0
y2 2 + y3 6 + y4 3 + y5 0 + y7 0 =
5
5
5
0
1
(1.9)
= 0
0
O lo que es equivalente:
Ejemplo
num
erico
10
A LA PROGRAMACION
LINEAL. TEOREMA FUNDAMENTAL
Captulo 1. INTRODUCCION
0
3
3
6
1
0
2
0 1 + y2 2 + y3 6 + y4 3 + y5 0 + 0 1 + y7 0 =
0
5
5
5
0
1
5
= 0
0
(1.10)
Es decir, es posible encontrar y que cumple Ay = 0, con yi = 0 si xi = 0
Un posible vector y es y = (0, 0,1, 0,567, 1,067, 5, 0, 3)T , con el que es
posible construir una nueva soluci
on x 1
1
0
x = x + ty =
0
4
14
36
130
0
9370
+t
0
0,1
0,567
1,067
5
0
3
Primera
iteraci
on
La nueva
soluci
on
(1.11)
x 1 es soluci
on
Ax = A(x + ty) = 1
5
1
+t 1
5
3
2
5
3
6
5
6
3
5
1
0
0
0
1
0
0
0,1
0,567
1,067
5
0
3
3
2
5
3
6
5
6
3
5
1
0
0
0
1
0
0
4
14
36
130
0
9370
400
0
400
= 200 + 0 = 200
1000
0
1000
(1.12)
x 1 no peor que
x0
11
A LA PROGRAMACION
LINEAL. TEOREMA FUNDAMENTAL
Captulo 1. INTRODUCCION
0,1
0,567
0 1,067 = 5,534
cy =
(1.13)
x 1 no peor que
De no ser as, bastara con cambiar el signo a y y todo lo anterior sera cierto.
1
Dado que cy > 0, el valor de la funci
on de objetivo de x es mayor que la de
x0
0
x en una cantidad igual a cy
cx 1 = c x 0 + tcy) =
0
0
4
0,1
0,567
14
4 4 6 8 0 0 0 36 + t 4 4 6 8 0 0 0 1,067 =
130
5
0
3
9370
388 + 24,56 5,534
(1.14)
Dado que s
olo y3 , y5 e y7 son negativas, solo es posible que las componentes
x3 , x5 y x7 se hagan nulas con t > 0. En particular, los valores que hacen
14
9730
respectivamente 0 cada una de esas componentes de x 1 son 0,57
, 130
5 y
3 .
En menor valor de los anteriores hace que una componente, x3 , se haga nula y
no se haga negativa ninguna de las otras dos.
14 130 9730
t = min
,
,
= 24,56
(1.15)
0,57 5
3
La nueva soluci
on es:
1
x =
0
4
14
36
130
0
9370)
0
0
6,47
0,1
0,567
6,55
0
0
9655,93
3
(1.16)
12
A LA PROGRAMACION
LINEAL. TEOREMA FUNDAMENTAL
Captulo 1. INTRODUCCION
z1 = 524,68
y = (0, 4,2, 0, 2,8, 4,2, 0, 7)T
t = min{ 6,47
4,2 ,
6,54
4,2
= 1,54
Segunda
iteraci
on
13
Captulo 2
FUNDAMENTOS DEL M
ETODO DEL SIMPLEX
2.1.
Introducci
on
Soluci
on b
asica
maz z =cx
s.a:
Ax = b
(2.1)
x0
donde A es una matriz m n, con n > m y rang(A) = m:
Se dene:
Base B como un conjunto de m columnas de A linealmente independientes.
Soluci
on b
asica correspondiente a la base B, valores de x resultantes de
resolver el sistema de ecuaciones Ax = b anulando todas las variables
correspondientes a columnas diferentes de las de B. Una soluci
on b
asica:
es linealmente independiente y
como m
aximo, tiene m componentes no nulas, tantas como restricciones.
En lo que sigue identicaremos:
soluci
on b
asica con soluci
on linealmente independiente. 1
soluci
on no b
asica con soluci
on linealmente dependiente.
Adem
as:
una soluci
on b
asica tiene como m
aximo m componentes no nulas y
1 En
15
una soluci
on no b
asica tiene, tpicamente, al menos m + 1 componentes
no nulas2 .
Dada una soluci
on b
asica, con base B, hay dos tipos de variables:
Variable b
asica: cada una de las variables correspondientes a las columnas de B, que son pontencialmenete no nulas.
Variable no b
asica: cada una de las variables correspondientes a las columnas de A no incluidas en B, que son siempre nulas.
Podemos expresar las restricciones Ax = b como:
BuB + A(B) x (B) = b
Nivel de
realizaci
on
(2.2)
Donde
uB es el nivel de realizaci
on de las actividades b
asicas (valor de las variables b
asicas).
x (B) representa las variables no b
asicas, que son nulas por denici
on.
A(B) es el conjunto de columnas de las actividades no b
asicas.
c B es un vector la con los elmentos de c correspondientes a las variables
b
asicas
z = cx = c B uB + c (B) x (B)
Vector c B
(2.3)
(2.4)
Criterio del
Simplex, V B
(2.5)
(2.6)
2 Podr
a ocurrir que m columnas de A sean linealmente dependientes, de forma que el sistema
de ecuaciones corrrespondiente fuera compatible indeterminado. Podran existir soluciones no
b
asicas con m componentes no nulas
16
Figura 2.1: L
ogica del m
etodo del Simplex
1.
2.
3.
4.
2.2.
Una soluci
on b
asica factible de partida;
Un criterio de optimalidad;
Una regla de entrada; y
Una regla de salida.
Lo que
necesitamos
Regla de entrada
(2.7)
(2.8)
Enunciado
(2.9)
Si entra xk
cambia el valor
de las variables
b
asicas
(2.10)
VkB = zxk =1
2.3.
17
Si entra xk
cambia el valor
de z
Intepretaci
on de
VB
(2.11)
Regla de salida
uB
uBi
j
= min pB >0
(2.12)
pB
jk
pB
ik
Enunciado
jk
uBk
B
pjk
(2.13)
B
pjk
representa cu
anto disminuye el valor de la j-
esima variable b
asica cuando
se introduce la variable no b
asica k con valor igual a 1.
Interpretaci
on
de p B
Si pjB k > 0, la j-
esima variable b
asica disminuye al introducir xk
Si pjB k < 0, la j-
esima variable b
asica aumenta al introducir xk
Si pjB k = 0, la j-
esima variable b
asica no se modica al introducir xk
2.4.
Criterio de optimalidad
Una soluci
on es
optima si V B 0, es decir, VjB 0 j
En efecto, si VjB 0j, la introducci
on de una variable no b
asica en la base
dara lugar a un incremento negativo de la funci
on objetivo. Con lo que no hay
posiblidad de mejora; la soluci
on es
optima.
Enunciado
18
V B 0 c c B B 1 A 0
(2.14)
cx c B B 1 Ax = z c B B 1 b = z c B uB = z zB 0 zB z
2.5.
(2.15)
Ejemplo
El problema
(2.16)
2.5.1.
Primera iteraci
on
Soluci
on inicial
La base
B1 = (A5 A6 A7 ) = 0
0
0
1
0
0
1
(2.17)
B11
= 0
0
0
1
0
0
1
(2.18)
La inversa de la
base
uB1
= B11 b = 0
0
0
16
16
0 26 = 26
1
24
24
0
1
0
zB1 = cx 1 = c B1 uB1 =
La funci
on
objetivo
16
26 = 0
24
(2.20)
p B1
1
= B1 A = 0
0
0
1
0
0
1
0 3
1
1
2
2
0
3
1
1
2
2
2
2
0
1
0
0
1
2
2
0
1
0
1
0
0
0 =
1
0 0
1 0
0 1
1
2
2
0
1
2
1
2
2
2
c B1
(2.22)
V B1 = c c B1 B 1 A =
1
1 0 0
0 0 1 0 3
0 0 1
1
Las tasas de
sustituci
on
(2.21)
c B1 =
El nivel de
realizaci
on de
las variables
b
asicas
(2.19)
La funci
on objetivo se puede calcular de la siguiente manera:
19
3
1
0
0
3
0
0
1
0
0
El criterio del
Simplex
0
0 =
1
0 0
(2.23)
20
Aquella de las no b
asicas con criterio del Simplex positivo y, de entre ellas, la
mayor. En este caso, la variable de entrada es x3 .
Variable de
entrada
Variable de
salida
p3 1
= B 1 A3 = 0
0
0
1
0
0
1
1
0 2 = 2
1
2
2
(2.24)
Las variables candidatas a salir de la base son aquellas que tienen tasa de
asicas. Aquella
sutituci
on postiva con respecto a x3 , que son las tres variables b
que sale es aquella correspondiente al menor cociente de
t de la variable de entrada:
t = min
16 26 24
,
,
1 2 2
uBi
B
p3i1
, que ser
a el valor
= 12
(2.25)
16
1
= 26 t 2
24
2
Nuevos valores
de las variables
b
asicas
(2.26)
16
1
4
uB1 (12) = 26 12 2 = 2
24
2
0
(2.27)
Resumen
B
2.5.2.
21
Segunda iteraci
on
Soluci
on inicial
La base
B2 = 0
0
2
2
0
1
0
(2.28)
=
0
0
B21
La inversa de la
base
12
0
1
0
(2.29)
1
2
uB2
B2
0
= B21 b =
B2
B2
= cx = c u
12
16
4
1
26 = 2
1
24
12
2
0
1
0
2 = 36
12
(2.30)
(2.31)
El nivel de
realizaci
on de
las variables
b
asicas
La funci
on
objetivo
p B2
0
= B21 A =
0
1
0
12
1
1
3
1
1
2
2
2
1
2
2
2
0
1
2
2
1
0
0
2
2
0
0
0
1
1
0
0
0 =
1
0 12
1 1
1
0
2
0
1
0
(2.32)
Las tasas de
sustituci
on
c B2 =
El criterio del
Simplex
V B2 = c c B2 B21 A =
1
1 0 2 1
3
0 1 1 3
1
1
0 0
2
c B2
(2.33)
22
1
2
2
0
2
1
2
2
3
1
0
0
0
1
0
0 =
1
1 2 3 0 0 0
1
2
0 1 0 21
2
2 2 0 0 1 1
1
1
0
1 0 0
2
2
21 2 0 0 0 32
(2.34)
Aquella de las no b
asicas con criterio del Simplex positivo y, de entre ellas, la
mayor. En este caso, la variable de entrada es x2 .
Variable de
entrada
Variable de
salida
p2 2
0
= B21 A2 =
0
1
0
12
2
2
1
2 = 2
1
0
0
2
(2.35)
Las variables candidatas a salir de la base son aquellas que tienen tasa de
sutituci
on postiva con respecto a x2 , que son la variables b
asica x4 . Aquela
que sale es aquella correspondiente al menor cociente de
t de la variable de entrada:
t=
4
=2
2
uBi
B
p2i2
, que ser
a el valor
(2.36)
Nuevos valores
de las variables
b
asicas
B
tp2 2
4
2
= 2 t 2
12
0
23
(2.37)
4
2
0
uB2 (2) = 2 2 2 = 6
12
0
12
(2.38)
Resumen
B
2.5.3.
Tercera iteraci
on
Soluci
on inicial
La base
B3 = 2
0
0
1
0
2
2
(2.39)
B31
2
=
1
0
0
1
0
14
32
1
2
La inversa de la
base
(2.40)
1
2
uB3 = B31 b =
1
0
14
16
2
32
26 = 6
1
24
12
2
0
1
0
zB3 = cx 3 = c B3 uB3 =
6 = 40
12
24
El nivel de
realizaci
on de
las variables
b
asicas
(2.41)
(2.42)
La funci
on
objetivo
p B3
2
= B31 A =
1
0
0
1
0
14
1
32
3
1
1
2
1
4
5
2
1
2
2
2
0
1
2
2
1
0
0
1
0
0
0
0
1
1
2
1
0
Las tasas de
sustituci
on
0 =
1
0 14
1 32
1
0
2
0
1
0
(2.43)
c B3 =
(2.44)
V B3 = c c B3 B 1 A = 1 2 3 0 0 0
1
1
2
1 1 0 0
2 0 4 1
3
3
1 1 2 3 2 2 0 1 0 =
1
1
0
2 0 0 1
0 0
2
= 1 0 0 1 0 1
c B3
El criterio del
Simplex
(2.45)
La soluci
on de la base B3 es
optima, ya que V B3 0
25
La soluci
on es
ptima
o
Captulo 3
M
ETODO DEL SIMPLEX.VARIANTE DE LA
MATRIZ COMPLETA
3.1.
Introducci
on
(B|A)
I|B 1
(3.2)
1 1 3
1
0
A= 2
0
4
1
A = 4
0
2 0
M = 2 1
0 0
2
1
4
6
1
MA = B
0
1
(3.3)
(3.4)
oper andopor f ilas
uB |p B |I|B 1 |
(3.5)
(b|A|B|I)
Finalmente:
(3.6)
0
b
c
A
cB
B
0
I
-
z
uB
VB
pB
0
I
B
B 1
3.2.
27
Figura 3.1: L
ogica del m
etodo del Simplex
3.3.
Ejemplo
El siguiente problema es el mismo que el del ejemplo disponible en 2.5, resuelto mediante el m
etodo del simplex, en su variante de la matriz completa.
maz z =1x1 + 2x2 + 3x3
El problema
x1
1
1
3
1
x2
2
1
-2
0
x3
3
1
2
2
x4
0
1
0
0
x5
0
0
1
0
x6
0
0
0
1
F0
F1
F2
F3
x4
x5
x6
0
16
26
24
1
1
3
1
2
1
-2
0
3
1
2
2
0
1
0
0
0
0
1
0
0
0
0
1
F0
F1
F2
F3
= F0
= F1
= F2
= F3
21
x4
x5
x3
-36
4
2
12
2
2
-2
0
0
0
0
1
0
1
0
0
0
0
1
0
32
12
-1
F0
F1
F2
F3
= F0
3F3
= F1
F3
= F2
2F3
= F3
/2
-1
0
1
0
0
0
0
0
1
-1
x2
x5
x3
-40
2
6
12
0
0
1
0
-1
14
32
F0
F1
F2
F3
= F0
2F1
= F1
/2
= F2
+ 2F1
= F3
1
2
2
1
2
1
4
5
2
1
2
1
2
1
0
1
2
1
2
(3.7)
Captulo 4
M
ETODOS DE LA M GRANDE Y DE LAS DOS
FASES
4.1.
Introducci
on
Para aplicar el m
etodo del Simplex es necesario disponer de una soluci
on
b
asica factible de partida del sistema Ax = b a partir de la cual iterar.
Por qu
e estos
m
etodos
Soluci
on inicial
sencilla
aij xj bi
bi 0
(4.1)
aij xj + hi = bi
bi 0
(4.2)
Soluci
on inicial
trivial
aij xj bi
bi 0
aij xj hi = bi
bi 0
29
Restricciones
(4.3)
aij xj = bi
Restricciones =
(4.4)
4.2.
M
etodo de la M grande
Problema
original, P y
problema
auxiliar P
aij xj bi
ai
j xj bi
(4.5)
ai
j xj = bi
xj 0
Es posible convertirlo en un problema en donde las restricciones respondan a
la forma de Ax = b:
j
max. z = cx
aij xj + hi = bi
ai
j xj hi
= bi
ai
j xj = bi
xj , hi , hi
0
(4.6)
30
i
j
ai
M
ai
aij xj + hi = bi
ai
j xj hi
+ ai
= bi
(4.7)
ai
j xj + ai
= bi
xj , hi , hi
, ai
, ai
0
Donde M es un n
umero sucientemente grande y las variables ai
y ai
se
denominan variables articiales.
Cualquier soluci
on factible de P es soluci
on factible de P
.
Una soluci
on factible de P lo es tambi
en de P si todas las variables articiales son simult
aneamente cero.
Si no existe ninguna soluci
on factible de P
con todas las variables articiales simult
aneamente nulas, no existe soluci
on factible de P .
Si para cualquier soluci
on
optima de P
, siempre una variable articial
toma un valor no nulo, P no tiene soluci
on factible.
Siempre es posible encontrar una soluci
on b
asica factible de partida de
P
1. Dado P construir P
2. Resolver P
:
a) Si al resolver P
mediante el m
etodo del simplex se obtiene una
soluci
on b
asica factible de P
en la que todas la variables articiales
son nulas, esa es una soluci
o b
asica de partida del problema P ,
que puede servir de soluci
on de partida para aplicar el m
etodo del
Simplex en la resoluci
on de P .
b) Si para cualquier soluci
on
optima de P
, siempre al menos una variable articial toma un valor no nulo, P no tiene soluci
on factible.
P y P
solo se diferencian en que P
tiene un conjunto de actividades adicionales (las cticias), lo cual es traduce en
tantas componentes de c adicionales como variables articiales (con valor nulo) y
tantas columnas en A adicionales como variables articiales (columnas
de la matriz identidad).
Salvo por esas columnas c, A, b y x son id
enticos para los dos problemas
propiedades de
P
M
etodo de
resoluci
on
Relaci
on entre P
y P
31
B = B
, c B = c B , uB = uB , por lo que:
VB = VB
pB = pB
uB = uB
zB = zB
Es decir, la tabla obtenida en la resoluci
on de P
es completamente id
entica a la
correspondiente a P , salvo por las columnas correspondientes a las variables
articiales.
Las columnas auxiliares de las variables correspondientes a las variables articiales permiten disponer, en todo momento, de parte de las columnas de la
inversa de la base.
4.3.
Las columnas
de las variables
articiales
M
etodo de las 2 fases
El m
etodo de las dos fases se apoya, igualmente, en un problema auxiliar P
,
igual que el de la M salvo en la funci
on objetivo. Esta funci
on es la suma de las
i
ai
ai
aij xj + hi = bi
ai
j xj hi
+ ai
= bi
(4.8)
ai
j xj + ai
= bi
xj , hi , hi
, ai
, ai
0
Las propiedades del problema P
son las siguientes:
Cualquier soluci
on factible de P es soluci
on factible de P
.
Una soluci
on factible de P lo es tambi
en de P si todas las variables articiales son simult
aneamente cero.
Si no existe ninguna soluci
on factible de P
con todas las variables articiales simult
aneamente nulas, no existe soluci
on factible de P .
Si para cualquier soluci
on
optima de P
, siempre una variable articial
toma un valor no nulo, P no tiene soluci
on factible.
Siempre es posible encontrar una soluci
on b
asica factible de partida de
P
propiedades de
P
1. Dado P construir P
2. Resolver P
:
a) Si al resolver P
mediante el m
etodo del simplex se obtiene una
soluci
on b
asica factible de P
en la que todas la variables articiales
son nulas, esa es una soluci
on b
asica de partida del problema P ,
que puede servir de soluci
on de partida para aplicar el m
etodo del
Simplex en la resoluci
on de P .
b) Si para cualquier soluci
on
optima de P
, siempre al menos una variable articial toma un valor no nulo, P no tiene soluci
on factible.
Los problemas P y P
se diferencian en lo siguiente:
que P
tiene un conjunto de actividades adicionales (las cticias) y
que las contribuciones unitarias al benecio, c y c
son diferentes.
Los problemas P y P
comparten:
el vector de disponibilidad de los recursos b = b
y
la matriz de coecientes t
ecnicos de las variables no articiales Ai = A
i
si xi no es una variable articial.
Dada una soluci
on b
asica factible de P
en la ninguna variables b
asica es articial las bases de dicha soluci
on es com
un para P y P
32
M
etodo de
resoluci
on
Diferencias
entre P y P
Analogas entre
P y P
Relaci
on entre
bases
B 1 = B
1
uB = u
B (ya que B 1 b = B
1 b
)
p B = p
B
Pero los siguientes elementos son diferentes
c B cB
zB z
B
B
V V
Es decir, de la tabla obtenida en la resoluci
on de P
de pueden reutilizar todas
B
las las menos la que contienen z y V , que hay que recalcular.
Las columnas auxiliares de las variables correspondientes a las variables articiales permiten disponer, en todo momento, de parte de las columnas de la
inversa de la base.
Las columnas
de las variables
articiales
4.4.
4.4.1.
33
Ejemplos
M
etodo de la M grande
max. z = x1 + 2x2 + 3x3
Problema P
x1 + x2 + x3 16
3x1 + 2x2 + 2x3 = 26
(4.9)
x1 + x3 10
x1 , x2 , x3 0
max. z = x1 + 2x2 + 3x3
Problema P
reformulado
x1 + x2 + x3 + h1 = 16
3x1 + 2x2 + 2x3 = 26
(4.10)
x1 + x3 h3 = 10
x1 , x2 , x3 , h1 , h3 0
max. z
= x1 + 2x2 + 3x3 Ma2 Ma3
Problema P
x1 + x2 + x3 + h1 = 16
3x1 + 2x2 + 2x3 + a2 = 26
x1 + x3 h3 + a3 = 10
x1 , x2 , x3 , h1 , h3 , a2 , a3 0
(4.11)
34
0
16
26
10
x1
1
1
3
1
x2
2
1
2
0
x3
3
1
2
1
h3
0
0
0
-1
h1
0
1
0
0
a2
-M
0
1
0
a3
-M
0
0
1
F0
F1
F2
F3
h1
a2
a3
36M
16
26
10
1+4M
1
3
1
2+2M
1
2
0
3+3M
1
2
1
-M
0
0
-1
0
1
0
0
0
0
1
0
0
0
0
1
F 0
F 1
F 2
F 3
7+M
3
1
3
2
3
1
3
F 0
= F 0
(1 + 4M)F 2
0
0
-1
1
0
0
14M
3
1
3
1
3
1
3
0
1
0
42M
3
1
3
2
3
2
3
-M
h1
x1
a3
4M26
3
22
3
26
3
4
3
0
0
1
F 1
= F 1
F 2
F 2
= F 2
/3
F 3
= F 3
F 2
h1
x1
x3
-18
6
6
4
0
0
1
0
6
1
2
-2
0
0
0
1
7
1
2
-3
0
1
0
0
2-M
0
1
-1
-7-M
-1
-2
3
= F 0 + MF 2 + MF 3
= F1
= F2
= F3
F 0
F 1
F 2
F 3
= F 0
7+M
3 F3
= F 1 1/3F 3
= F 2
2/3F 3
= 3F 3
La soluci
on anterior es una soluci
on b
asica factible de P y tambi
en una soluci
on b
asica factible de P
(ya que las actividades articiales son simult
aneamente nulas).
h1
x1
x3
-18
6
6
4
h1
h3
x3
-39
3
3
13
4.4.2.
x1
0
0
1
0
x2
6
1
2
-2
x3
0
0
0
1
h3
7
1
2
-3
h1
0
1
0
0
a2
2
0
1
-1
a3
-7
-1
-2
3
27
21
-1
0
1
1
0
0
0
1
0
0
1
0
0
1
0
0
32
12
-0
-0
-1
0
1
2
3
2
1
2
1
2
M
etodo de las dos fases
max. z = x1 + 2x2 + 3x3
Problema P
x1 + x2 + x3 16
3x1 + 2x2 + 2x3 = 26
x1 + x3 10
x1 , x2 , x3 0
(4.12)
35
Problema P
reformulado
x1 + x2 + x3 + h1 = 16
3x1 + 2x2 + 2x3 = 26
(4.13)
x1 + x3 h3 = 10
x1 , x2 , x3 , h1 , h3 0
max. z
= a2 a3
Problema P
x1 + x2 + x3 + h1 = 16
3x1 + 2x2 + 2x3 + a2 = 26
(4.14)
x1 + x3 h3 + a3 = 10
x1 , x2 , x3 , h1 , h3 , a2 , a3 0
fase 1
fase 2
0
0
16
26
10
x1
0
1
1
3
1
x2
0
2
1
2
0
x3
0
3
1
2
1
h3
0
0
0
0
-1
h1
0
0
1
0
0
a2
-1
0
0
1
0
a3
-1
0
0
0
1
F 01
F 02
F1
F2
F3
fase 1
fase 2
h1
a2
a3
36
0
16
26
10
4
1
1
3
1
2
2
1
2
0
3
3
1
2
1
-1
0
0
0
-1
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
F 0
1 = F 01 + F 2
+ F 3
F 0
2 = F 02
F 1
= F 1
F 2
= F 2
F 3
= F 3
fase 1
fase 2
0
0
23
1
3
7
3
1
3
2
3
1
3
0
0
43
13
0
0
F 0
1 = F 01 4F 2
F 02 = F 01 F 2
0
1
0
4
3
1
3
2
3
23
-1
0
h1
x1
a3
4
3
26
3
22
3
26
3
4
3
0
0
-1
1
0
0
13
1
3
13
0
0
1
F 1
= F 1
F 2
F 2
= F 2
/3
F 3
= F 3
F 2
fase 1
fase 2
h1
x1
x3
0
-18
6
6
4
0
0
0
1
0
0
6
1
2
-2
0
0
0
0
1
0
7
1
2
-3
0
0
1
0
0
-1
2
0
1
-1
-1
-7
-1
-2
3
F 0
1
F 0
2
F 1
F 2
F 3
= F 0
1 3F3
7
= F 01 3 F 3
= F 1
1/3F 3
= F 2
2/3F 3
= 3F 3
Captulo 5
T
INTERPRETACION
ECNICO-ECONOMICA
5.1.
Introducci
on
Elementos
caractersticos
de un problema
c
b
A
Para un problema y una base B (que caracteriza a la soluci
on b
asica correspondiente), existen varios elementos caractersticos de esa soluci
on para ese
problema
Elementos
caractersticos
de una soluci
on
uB
cB
pB
B
Este captulo se ocupa de la interpretaci
on de estos elementos que dependen
de la base. Por ejemplo, m
as adelante, se habla sobre el valor de los recursos en
un problema y para una soluci
on (una base). Pues bien, el valor de los recursos
depende de dicha soluci
on. Por ejemplo, el valor que tiene para un centro
de c
alculo depende de la forma en la que operar de dicho centro. Un servidor
adicional no tiene ning
un valor si en dicho centro de c
alculo existen servidores
desocupados. Esto no signica que el servidor adicional no tenga valor, no
tiene valor para dicha forma de operar del centro de c
alculo.
Un ejemplo
En otro contexto, el valor que tiene un vaso de agua cuando alguien lleva varios
das sin suministro en el desierto es muy diferente del valor que tiene ese vaso
de agua en el domicilio de una ciudad con un buen suministro de agua potable
corriente. El vaso de agua es el mismo pero el valor depende de la situaci
on.
Aqu diremos que los recursos tienen diferente valor seg
un la soluci
on, es
decir, seg
un la base elegida.
Un ejemplo m
as
dom
estico
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
37
ptima,
Tpicamente, la interpretaci
on econ
omica se realiza para la soluci
on o
porque es la soluci
on m
as interesante pero se podra realizar el mismo an
alsis
para cada cualquier soluci
on del problema considerado.
5.1.1.
Ejemplo de aplicaci
on
Presentaci
on del
problema
El benecio
Los pal
es deben ser preparados en dos talleres, T1 y T2 , de los que se dispone
de un total de 30 y 16 horas semanales, respectivamente, para realizar las
operaciones correspondientes a cada uno de ellos. Cada pal
e 1 requiere 3 horas
de preparaci
on en T1 y 4 horas de preparaci
on en T2 . Cada pal
e 2 requiere 1
hora de preparaci
on en T1 y 3 horas de preparaci
on en T2 .
Los talleres
Adem
as, existe un compromiso comercial de entregar al menos 4 productos
semanales, donde estos cuatro productos pueden ser cualquier combinaci
on
de productos P1 y P2 .
Compromiso
comercial
Formulaci
on
sujeto a:
3x1 + 1x2 30
4x1 + 3x2 16
x1 + 2x2 4
x1 + 3x2 5
(5.1)
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
38
Formulaci
on
equivalente
sujeto a:
3x1 + x2 + h1 = 30
(5.2)
4x1 + 3x2 + h2 = 16
x1 + 2x2 h3 = 4
x1 + 3x2 h4 = 5
La soluci
on
optima de este problema queda descrita en la siguiente tabla
h1
h3
x1
x2
-70/9
167/9
5/9
11/3
4/9
x1
0
0
0
1
0
x2
0
0
0
0
1
h1
0
1
0
0
0
h2
-5/9
-8/9
1/9
1/3
-1/9
h3
0
0
1
0
0
La soluci
on
ptima
o
h4
-2/9
-5/9
-5/9
1/3
-4/9
El plan
optimo consiste en lo siguiente.
Interpretaci
on
Se montan, por t
ermino medio, 11 pal
es de tipo 1 cada tres semanas
(x1 = 11/3) y
se montan, por t
ermino medio un 4 pal
es de tipo 2 cada nueve semanas
(x2 = 4/9)
con lo que se obtiene un benecio semanal de 7.78 u.m.
h1 = 167/9, es decir, el taller T1 no est
a ocupado todo el tiempo. De las
30 horas, est
a ocioso un total de 18.56 horas.
h2 = 0, es decir, el taller T2 est
a ocupado las 16 horas en las que est
a disponible cada semana.
h3 = 5/9, es decir, se producen 0.56 pal
es m
as del mnimo comprometido. Es decir, se entregan 4.56 por t
ermino medio cada semana.
h4 = 0, es decir, el nivel de ocupaci
on del colectivo al que se reere el
compromiso est
a ocupado un n
umero de horas igual al mnimo.
Uso de los
recursos
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
39
La soluci
on
optima se alcanza cuando las variables b
asicas son h1 , h3 x1 y x2 .
Es decir la base, B es la siguiente:
1
0
3 1
0
0
4 3
(5.3)
B = Ah1 Ah3 Ax1 Ax2 =
0 1 1 2
0
0
1 3
Caracterizaci
on
5.2.
Tasas de sustituci
on
5.2.1.
Discusi
on te
orica
Denici
on
B
relaciona la variable b
asica que ocupa la posici
on i-
esima y la
El elemento pij
B
variable j-
esima del problema. En particular, pij
representa en qu
e medida disminuye el nivel de realizaci
on de la actividad b
asica i-
esima cuando se realiza
la actividad j-
esima con valor unitario. De otra manera:
B
pij
= uBi |xj =1
(5.4)
5.2.2.
Ejemplo de aplicaci
on
En el ejemplo de aplicaci
on, para la soluci
on
optima, p B es la siguiente matriz:
pB =
0
0
1
0
0
0
0
1
1
0
0
0
8/9
1/9
1/3
1/9
0
1
0
0
5/9
5/9
1/3
4/9
(5.5)
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
40
Cuando h2 = 1, h3 = 1/9
Es decir, al desocupar una hora de taller T2 , el n
umero de productos
que se entregan por encima del compromisio comercial disminuye
en 1/9.
B
p34
= 1/3
Cuando h2 = 1, x1 = 1/3
Es decir, al desocupar una hora de taller T2 , se produce 1/3 de pal
es
de tipo 1 menos.
B
p44
= 1/9
Cuando h2 = 1, x2 = 1/9
Es decir, al desocupar una hora de taller T2 , se produce 1/9 de pal
es
de tipo 2 m
as.
5.3.
5.3.1.
Discusi
on te
orica
(5.6)
(5.7)
0
0
...
b
+
z
= c B uB = c B B 1 b
= B
1 =
...
0
(5.8)
0
0
B
B
B
B ...
= b+
= z + i z = i
1
...
0
Denici
on
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
La relaci
on que existe entre los multiplicadores del simplex y los valores de los
criterios del simplex es la siguiente.
El criterio del simplex de una variable de holgura, hi , correspondiente a
una restricci
on de tipo es:
VhBi = chi c B B 1 Ahi = chi B Ahi =
0
0
(5.9)
...
B
B
B
B
B
= 0 1 , 2 , ..., i , ..., m
1 = i
...
0
El criterio del simplex de una variable de holgura, hi , correspondiente a
una restricci
on de tipo es:
VhBi = chi c B B 1 Ahi = chi B Ahi =
0
0
(5.10)
...
B
B
= 0 1B , 2B , ..., iB , ..., m
1 = i
...
0
En el caso de la soluci
on
optima, V B 0 y, en particular, VhBi 0
En el caso de los recursos correspondientes a las restricciones de tipo :
Si hi no es una variable b
asica, la restricci
on se cumple en t
erminos
de igualdad: hi = 0 iB = VhBi 0.
En este caso, un aumento de unitario positivo de b1 (relajar la restricci
on) reporta un incremento del benecio postivo z = B y un
incremento unitario negativo de b1 (hacer m
as restrictiva la restricci
on) reporta un incremento del benecio negativo z = B .
Si hi es una variable b
asica (salvo en casos especiales) la restricci
on
no se cumple en t
erminos de igualdad: hi 0 iB = VhBi = 0
En este caso, el incremento unitario positivo o negativo de la disponibilidad del recurso Ri no afecta a la funci
on objetivo (z = 0)
En el caso de los recursos correspondientes a las restricciones de tipo :
Si hi no es una variable b
asica, la restricci
on se cumple en t
erminos
de igualdad: hi = 0 iB = VhBi 0.
En este caso, un aumento de unitario negativo de b1 (hacer menos restrictiva la restricci
on) reporta un incremento del benecio
postivo z = B y un incremento unitario positivo de b1 (hacer
m
as restrictiva la restricci
on) reporta un incremento del benecio
negativo z = B .
Si hi es una variable b
asica (salvo en casos especiales) la restricci
on
no se cumple en t
erminos de igualdad: hi 0 iB = VhBi = 0
41
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
42
En este caso, el incremento unitario positivo o negativo de la disponibilidad del recurso Ri no afecta a la funci
on objetivo (z = 0)
5.3.2.
Ejemplo de aplicaci
on
5
2
B = 1B , 2B , 3B , 4B = 0, , 0,
9
9
(5.11)
Restricci
on 1. El recurso R1 no se est
a utilizando completamente. Como
sobran horas de taller T1 , no estamos dispuestos a pagar nada por disponer de una hora adicional del mismo y cederamos una hora del mismo
si nos dieran cualquier cantidad (positiva) por esa hora.
Restricci
on 2. El taller T2 se est
a utilizando completamente. Estamos
dispuestos a pagar un m
aximo de 5/9 unidades monetarias por disponer
de una hora adicional del mismo y cederamos una hora del mismo si
nos dieran cualquier cantidad mayor que 5/9.
Restricci
on 3. Estamos cumpliendo el compromiso comercial por encima
del mnimo pactado. No estamos dispuestos a pagar nada por tener que
cumplir un compromiso menos exigente (y pasar de b3 = 4 a b3 = 3).
Con cualquier cantidad que recbi
eramos estaramos dispuestos hacer
m
as exigente el compromiso comercial.
Restricci
on 4. Estamos cumpliendo el compromiso de la ocupaci
on de la
mano de obra de un colectivo con el menor valor posible. Estamos dispuestos a pagar 29 por tener que cumplir un compromiso menos exigente
(y pasar de b4 = 5 a b4 = 4). Tambi
en estamos dispuestos a recibir una
2
cantidad de dinero mayor 9 que para hacer m
as exigente el compromiso
comercial (y pasar de b4 = 5 a b4 = 6).
5.4.
5.4.1.
Discusi
on te
orica
Denici
on
(5.12)
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
43
(5.13)
Primera
aproximaci
on
(5.14)
El primer t
ermino ck representa el benecio unitario que reporta la actividad
xk . Existen dos formas de interpretar VkB :
ck
VkB = ck c B pkB
VkB = ck B Ak
En ambos casos, se obtiene con la diferencia entre ck (benecio unitario) y un
t
emino que puede interpretarse de dos maneras.
El t
ermino c B pkB es el producto de:
c B : que es el benecio unitario correspondiente a las variables b
asicas y
p B : el incremento de los valores de dichas variables b
asicas.
De forma que c B pkB representa lo que se deja de ganar por la cantidad en la
que se modican las variables b
asicas.
As que VkB es el resultado de:
aumentar el valor de la funci
on objetivo por el benecio derivado de
hacer una unidad de la actividad k (xk = 1), es decir, por ingresar ck y
disminuir la funci
on objetivo por la modicaci
on del ingreso debido a la
modicaci
on del valor de las variables b
asicas c B pkB .
Por lo tanto, se puede concluir lo siguiente.
Si V B > 0, el aumento de la funci
on objetivo debido a la realizaci
on de
la nueva actividad supera a la reducci
on de la funci
on objetivo debida a
la disminuci
on de benecios debida a la modicaci
on del nivel de realizaci
on de las variables b
asicas. La realizaci
on de la actividad k mejora
netamente el valor de la funci
on objetivo.
Si V B < 0, el aumento de la funci
on objetivo debido a la realizaci
on
de la nueva actividad no compensa la reducci
on de la funci
on objetivo
debida a a la disminuci
on de benecios debida a la modicaci
on del nivel
de realizaci
on de las variables b
asicas. La realizaci
on de la actividad k
empeora netamente el valor de la funci
on objetivo.
VkB = ck c B pkB
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
44
Si V B = 0, la realizaci
on de la actividad k no modica el valor de la
funci
on objetivo.
El t
ermino B Ak es el producto de:
VkB = ck B Ak
5.4.2.
Ejemplo de aplicaci
on
Presentaci
on
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
h1
h2
h4
x2
x1
3/2
5/2
5/2
1/2
1/2
-2
28
10
1
2
x2
0
0
0
0
1
h1
0
1
0
0
0
h2
0
1
0
0
0
h3
1/2
1/2
3/2
-3/2
-1/2
h4
0
0
0
1
0
45
Otra soluci
on
V1B
Con cualquiera de las dos posibles interpretaciones, c1 = 2, representa el benecio unitario por realizar una unidad de la actividad 1, es decir por montar
y vender un pal
e de tipo 1.
c1
c B = (0, 0, 0, 1)
5 5 1 1 T
, , ,
pB =
2 2 2 2
(5.15)
c B p1B
1
2
Netamente:
V1B = c1 c B p1B
B A1
TE
CNICO-ECONOMICA
Captulo 5. INTERPRETACION
B = (0, 0, 1, 0)
T
1
A1 = 3, 4, , 0
2
46
(5.16)
1
2
Netamente:
El benecio aumenta, por un lado en 2 y
disminuye, por otro, en 12 ,
por lo que, globalmente, si hacemos un pal
e de tipo 1, aumentamos el benecio
en V1B = 12
V1B = c1 B A1
Captulo 6
GRA
FICA
INTERPRETACION
6.1.
Introducci
on
Dos
dimensiones
Objetivo
Existe una forma de abordar lo que aqu se presenta de forma muy somera
til para el tratamiento y la resoconocida como teora de poliedros, s resulta u
luci
on de problemas de Programaci
on Lineal, pero que queda fuera del alcance
de este texto.
Teora de
poliedros
6.2.
Conceptos generales
(6.1)
x0
x R+
21
A Rm2
c R12
b Rm1
donde m es el n
umero de restricciones
Dimensiones
GRAFICA
Captulo 6. INTERPRETACION
48
Ejemplo
max z = x1 + 2x2
sujeto a:
2x1 + x2 2
Restricci
on R1
x1 + x2 6
Restricci
on R2
2x1 + x2 10
Restricci
on R3
(6.2)
x1 , x2 0
En la gura 6.1, aparecen representadas las tres restricciones. Cada restricci
on
de tipo o divide al plano en dos semiplanos, de tal manera que uno de
ellos corresponde a soluciones factibles con respecto a dicha restricci
on y el
otro semiplano a soluciones con factibles con respecto a la misma restricci
on.
El problema del ejemplo anterior se puede formular en t
erminos de igualdad
a
nadiendo las variables de holgura necesarias.
max z = x1 + 2x2
sujeto a:
2x1 + x2 + h1 = 2
x1 + x2 + h2 = 6
(6.3)
2x1 + x2 + h3 = 10
x1 , x2 h1 h2 h3 0
on Ri :
Dado un punto cualquiera en el plano, P (x1 , x2 ) y una restricci
Si este punto est
a situado en el semimplano de soluciones factibles con
respecto a Ri , entonces el P cumple la restricci
on Ri y hi 0.
En particular, puede estar sobre la propia recta, en cuyo caso, se cumple
la restricci
on con hi = 0
Si este punto est
a situado en el semimplano de soluciones no factibles
con respecto a Ri , entonces el P no cumple la restricci
on Ri y hi < 0.
Por ejemplo:
El punto (4, 2)
Est
a a la derecha de la recta R1 , el su semiplano factible, con lo que
h1 > 0
Est
a sobre la recta R2 , con lo que h2 = 0
Est
a sobre la recta R3 , con lo que h3 = 0
El punto (1, 6)
Est
a a la izquierda de la recta R1 , el su semiplano no factible, con
lo que h1 < 0
Restricciones
GRAFICA
Captulo 6. INTERPRETACION
49
Est
a a la derecha de la recta R2 , el su semiplano no factible, con lo
que h2 < 0
Est
a a la izquierda de la recta R3 , el su semiplano factible, con lo
que h3 > 0
Regi
on de
soluciones
factibles
GRAFICA
Captulo 6. INTERPRETACION
50
La funci
on objetivo de un problema de Programaci
on lineal en el plano tiene la
forma de z = c1 x1 + c2 x2 . Para cada valor de z tenemos una recta en particular, donde todos los puntos de dicha recta proporcionan el mismo valor de la
funci
on objetivo.
Funci
on objetivo
La funci
on objetivo se puede entender como un haz de rectas paralelas c1 x1 +
c2 x2 = k.
Haz de rectas
GRAFICA
Captulo 6. INTERPRETACION
51
Funci
on objetivo
Soluciones
b
asicas
GRAFICA
Captulo 6. INTERPRETACION
52
N
umero de
soluciones
b
asicas
GRAFICA
Captulo 6. INTERPRETACION
53
GRAFICA
Captulo 6. INTERPRETACION
54
Teorema
fundamental
GRAFICA
Captulo 6. INTERPRETACION
55
6.3.
M
etodo del Simplex
El m
etodo del Simplex, al cual se dedicaron los captulos 2 y 3, opera transitando de soluci
on b
asica factible en soluci
on b
asica factible hasta llegar a una
que es
optima. En la gura 6.8, en particular, se muestran dos posibles transiciones, la primera entre las soluciones x 1 y x 5 y la segunda entre x 5 y x 7 , que
es la soluci
on
optima. Como se ha comentado antes, las soluci
on b
asicas son
los v
ertices del polgono de la regi
on de factiblidad.
L
ogica general
GRAFICA
Captulo 6. INTERPRETACION
56
Figura 6.8: L
ogica general del m
etodo del Simplex
Regla de
introducci
on V B
GRAFICA
Captulo 6. INTERPRETACION
57
Regla de
supresi
on p B
GRAFICA
Captulo 6. INTERPRETACION
58
Criterio de
optimalidad
on de cada
En efecto, las variables no b
asicas de x 7 son h1 y h2 . La introducci
una de ellas supone seguir desplazarse por las restricciones R2 y R1 , respectivamente, tal y como aparece en la imagen seg
un las fechas rojas. Los valores
de z para esas soluciones son peores que la de x 7 .
6.4.
M
etodo de las dos fases y de la M grande
Pendiente
Problema
auxiliar
Pendiente
Regiones de
factibilidad de P
y de P
Iteraciones
del
Pendiente
problema P
Pendiente
Iteraciones del
problema P
GRAFICA
Captulo 6. INTERPRETACION
6.5.
59
M
etodo de Lemke
Pendiente
L
ogica general
Pendiente
Regla de
supresi
on V B
Pendiente
Regla de
introducci
on p B
Pendiente
Criterio de
factiblidad
Captulo 7
M
ETODO DEL LEMKE
7.1.
Introduction
En el captulo 2 se present
o el m
etodo del Simplex para resolver problemas de
Programaci
on Lineal. Este m
etodo consista en, a partir de una soluci
on b
asica
factible de partida, de forma iterativa, transitar por diferentes soluci
on b
asicas
factibles hasta alcanzar una que tambi
en fuera
optima.
Introducci
on
L
ogica del
m
etodo del
Simplex
Figura 7.1: L
ogica del m
etodo del Simplex
En este captulo se va a presentar el m
etodo de Lemke, o dual del Simplex, que
tambi
en permite resolver problemas de Programaci
on Lineal. En este m
etodo
consista en, a partir de una soluci
on b
asica que cumple el criterio de optimalidad (V B 0) de partida, de forma iterativa, se transita por diferentes soluci
on
b
asicas que tambi
en cumplen el criterio de optimalidad hasta alcanzar una que
tambi
en es factible.
Al respecto de las diferencias y las analogas entre los dos m
etodos:
El ambos m
etodos siempre se transita de soluci
on b
asica en soluci
on
b
asica.
Las soluciones por las que transita el m
etodo del Simplex siempre son
factibles.
Las soluciones por las que transita el m
etodo del Lemke siempre cumplen el criterio de optimalidad.
L
ogica del
m
etodo de
Lemke
61
En el m
etodo del Simplex, con las diferentes iteraciones, se mejora el
criterio de optimalidad hasta alcanzar una soluci
on
optima (que tambi
en
es factible).
En el m
etodo del Simplex, con las diferentes iteraciones, se mejora el
criterio de factiblidad hasta alcanzar una soluci
on factible (que tambi
en
es
optima).
Figura 7.2: L
ogica del m
etodo de Lemke
Para aplicar el m
etodo de Lemke, de acuerdo con la l
ogica anterior, es necesario:
1.
2.
3.
4.
una soluci
on b
asica que cumpla el criterio de optimalidad de partida,
un criterio de factiblidad,
una regla de supresi
on y
una regla de introducci
on.
7.2.
Cu
ando es interesante el m
etodo de Lemke
El m
etodo de Lemke es potencialmente interesante cuando existe una soluci
on b
asica que cumple el criterio de optimalidad, pero que no es factible. A
continuaci
on se discuten tres casos habituales.
7.2.1.
Qu
e necesitamos
62
Ejemplo
(7.1)
1x1 + x2 + x3 40
xi 0
En efecto:
Si un problema es del tipo min. z = cx con c 0, se puede transfomar
en uno equivalente del tipo max. (z) = cx con c 0.
Al a
nadir las variables de holgura a todas y cada una de las restricciones
(ninguna es originalmente de tipo =), existe una soluci
on b
asica en la que
hi = bi .
0 0 ... 0
Para dicha soluci
on c B =
y, por lo tanto: V B = c
c B B 1 A = c 0 0 ... 0 B 1 A = c 0
Es decir, la soluci
on en la que las variables b
asicas son las variables de holgura
es una soluci
on que cumple el criterio de optimalidad y es b
asica, con lo cual
es una soluci
on a partir de la cual se puede aplicar el m
etodo del ejemplo.
El problema de 7.1 se puede formular como:
Ejemplo
(7.2)
1x1 + x2 + x3 + h3 = 40
xi , hi 0
Si las variables b
asicas son h1 , h2 y h3 :
cB = 0 0 0 .
V B = c c B B 1 A = 1 2 3 0 0 0 0 0 0 B 1 A =
1 2 3 0 0 0 . Es decir, V B 0.
Por lo tanto, esta soluci
on es b
asica, cumple el criterio de optimalidad y
no es factible: es una soluci
on de partida v
alidad para aplicar el m
etodo
de Lemke.
0
-10
-20
40
7.2.2.
x2
-2
-2
-2
1
x3
-3
-1
-3
1
h1
0
1
0
0
h2
0
0
1
0
h3
0
0
0
1
63
La tabla inicial
La tabla inicial
Y no se modicara:
VB
pB
Si el cambio de b hace que alg
un uBi sea negativo, la soluci
on que era
optima
y factible deja de ser factible y sigue siendo cumpliendo V B 0, por lo que es
una soluci
on a partir de la cual se puede aplicar el m
etodo de Lemke.
Para el problema de ejemplo del captulo 3, en el epgrafe 3.3
maz z =1x1 + 2x2 + 3x3
Ejemplo
x2
x5
x3
-40
2
6
12
x1
-1
1
4
5
2
1
2
x2
0
1
0
0
x3
0
0
0
1
x4
-1
1
2
1
0
x5
0
0
1
0
x6
-1
14
32
1
2
(7.3)
10
1
2
uB = B 1 b
=
1
0
El nuevo valor de z sera c B uB =
26
24
0
1
0
14
10
1
32
26 = 0
1
24
12
2
12
(7.4)
= 34
x2
x5
x3
-34
-1
0
12
x1
-1
1
4
5
2
1
2
x2
0
1
0
0
x3
0
0
0
1
x4
-1
1
2
1
0
x5
0
0
1
0
x6
-1
14
32
1
2
7.2.3.
Al a
nadir una restricci
on adicional a un programa, una vez
obtenida la soluci
on
optima
Pendiente
7.3.
7.3.1.
Reglas
Criterio de factibilidad
Una solucion b
asica (base B) es factible si uB 0
7.3.2.
Regla de supresi
on
64
(7.5)
7.3.3.
65
Regla de introducci
on
= minpB >0
ik
VkB
(7.6)
B
pik
VkB
pik B
B Vj
pij
(7.7)
Para garantizar que con la nueva base, se sigue cumpliendo el criterio de optimalidad se debe cumplir 7.6.
VkB
7.4.
VkB
B
pik
B
pij
VjB 0 VkB
B
pik
B
pij
VjB
VkB
B
pik
VjB
B
pij
B
dado que pik
0
(7.8)
Ejemplo
min. z =300x1 + 400x2 + 100x3 + 50x4
El problema
(7.9)
(7.10)
Problema equivalente
max. (z) = 300x1 400x2 100x3 50x4
4x1 5x2 2x3 x4 + h1 = 800
2x1 4x2 x3 + h2 = 600
(7.11)
h1
h2
h3
x3
h2
h3
x3
x2
h3
0
-800
-600
2000
40000
400
-200
2000
60000
x1
-300
-4
-2
1
-100
2
0
1
-100
x2
-400
-5
-4
1
-150
1
0
x3
-100
-2
-1
0
0
1
0
0
0
200
3
400
3
5600
3
2
0
1
0
1
0
1
0
0
5
2
32
x4
-50
-1
0
4
0
0
-50
h1
0
1
0
0
-50
12
12
0
0
h2
0
0
1
0
0
0
1
0
-100
h3
0
0
0
1
0
0
0
1
0
4
3
13
13
3
43
13
13
5
3
23
2
3
0
0
1
1
2
1
2
F0
F1
F2
F3
F0
= F0 + 100F1
F1
= F1
/2
F2 = F2 + F1
F3
= F3
F0
= F0
+ 150F2
F1
= F1
5/2F2
F2
= 2/3F2
F3
= F3
F2
66
Captulo 8
CASOS ESPECIALES
8.1.
Introducci
on
Pendiente
8.2.
Optimo
m
ultiple
ptima
Dado un problema de programaci
on lineal, P , se conoce una soluci
on o
b
asica y factible, x B , asociada a una base B. Si una variable no b
asica, xk , es tal
que VkB = 0, existe la posiblidad de introducir dicha variable en la base1 y:
Caracterizaci
on
analtica
asicas y
optiLas dos soluciones b
asicas anteriores x B y x B son soluciones b
mas del problema P
Adem
as, todas las soluciones del tipo x = x B + (1 )x B con (0, 1) son
soluciones no b
asicas y
optimas del problema.
Soluciones no
ptimas
b
asicas o
Generalizaci
on
optimas.
Interpretaci
on
gr
aca
68
Ejemplo
3x1 + 4x2 12
x2 2
(8.1)
x1 x2 1
x1 , x2 0
1 Esto es as
siempre. Si existen variables b
asicas con tasas de sustituci
on positiva con respecto
Soluciones
ptima b
o
asicas
x1
x2
h3
-12
4/3
2
7/6
x1
0
1
0
0
x2
0
0
1
0
h1
-1
1/3
0
-1/3
h2
0
-4/3
1
7/3
h3
0
0
0
1
x1
x2
h2
-12
16/7
9/7
5/7
0
1
0
0
0
0
1
0
-1
1/7
1/7
-1/7
0
0
0
1
0
4/7
-3/7
3/7
Soluciones
ptimas
o
x = (4/3, 2, 0, 0, 0, 7/6)
x 2 = (16/7, 9/7, 0, 5/7, 0)T
1
69
8.3.
Soluci
on degenerada
(8.2)
x1 + 2x2 4
Caracterizaci
on
analtica
Ejemplo
Interpretaci
on
gr
aca
x1 , x2 0
x2
h2
-8
2
0
x1
-5/3
2/3
-1/3
x2
0
1
0
h1
-4/3
1/3
-2/3
h2
0
0
1
x2
h1
-8
2
0
-1
1/2
1/2
0
1
0
0
0
1
-2
1/2
-3/2
x2
x1
-8
2
0
0
0
1
0
1
0
2
-1
2
-5
2
-3
Soluci
on del
problema
70
8.4.
Problema no factible
Cuando se aplica el m
etodo del Simplex para resolver el problema auxiliar
correspondiente al m
etodo de las dos fases o de la M grande, el problema
original no tiene soluci
on factible si para todas las soluciones
optimas del
problema auxiliar existe al menos una variable articial diferente de 0.
Caracterizaci
on
analtica.
Simplex
Cuando se aplica el m
etodo de Lemke, se puede concluir que el problema no
tiene soluci
on factible si para se llega a una soluci
on en la que para todas las
variables b
asicas negativas, todas las tasas de sustituciones de las variables no
b
asicas con respecto a dichas variables b
asicas son positivas.
Caracterizaci
on
analtica. Lemke
71
Ejemplo
(8.3)
x1 , x2 0
Esta sera la tabla a la que se llegara aplicando el m
etodo de las dos fases.
x1
a2
2
1
2
x1
0
1
0
x2
-1
2
-1
h2
-1
0
-1
h1
-1
1
-1
a2
0
0
1
Aplicando las
dos fases
Aplicando
Lemke
8.5.
h1
h2
0
1
-3
x1
-2
1
-1
x2
-3
2
-1
h1
0
1
0
h2
0
0
1
0
h1
x1
0
-2
3
-1
0
1
0
1
1
-2
1
0
1
-1
72
Regi
on de factibilidad no acotada
B
ptima existe una variable, xk , no b
Si en la soluci
on o
asica, y pik
0 para
todas las variables b
asicas (i = 1...m), entonces si al aumentar el valor de
xk aumenta el valor de todas las variables b
asicas, con lo que la regi
on de
soluciones factibles no est
a acotada.
Caracterizaci
on
analtica
Si el VkB 0, a pesar de que es posible introducir esta variable, con el consiguiente incremento de todas las variables b
asicas, la introducci
on de xk no
nica.
resulta interesante, con lo que la soluci
on
optima es u
ptima
Soluci
on o
nica
u
max. z = x1 + x2
Ejemplo
x1 + 2x2 6
(8.4)
2x1 + 2x2 0
x1 , x2 0
x1
x2
-2/3
2/3
4/3
x1
0
1
0
x2
0
0
1
h1
-1/3
1/3
2/3
h2
-1/3
-2/3
-1/3
Soluci
on del
problema
Soluciones
ptimas
o
m
ultiples
Ejemplo
(8.5)
73
nica
Figura 8.4: Regi
on de factibilidad no actodada con soluci
on
optima y u
x1
x2
-4
2/3
4/3
x1
0
1
0
x2
0
0
1
h1
-2
1/3
2/3
h2
0
-2/3
-1/3
Soluci
on del
problema
z no acotada
74
max. z = 3x1 + x2
75
Ejemplo
x1 + 2x2 6
(8.6)
2x1 + 2x2 0
x1 , x2 0
x1
x2
-21/3
2/3
4/3
x1
0
1
0
x2
0
0
1
h1
-8/3
1/3
2/3
h2
10/3
-2/3
-1/3
Soluci
on del
problema
Captulo 9
POSTOPTIMIZACION
9.1.
Introduction
(9.1)
x0
Una vez otenida la soluci
on
optima x , podran producirse cambios en el problema, que pueden hacer que la x deje de ser la soluci
on
optima. En particular, puede cambiar:
1. b
2. c
3. Aparici
on de una nueva actividad (una nueva columna en A y una nueva
componente en c)
4. Aparici
on de una nueva restricci
on (una nueva la en A y una nueva
componente en b)
5. Cambio en aij
9.2.
Cambio en b
2. z
= c B u
B
No cambia
1.
2.
3.
4.
B
B 1
p B = B 1 A
V B = c c B B 1 A. En particular, al tratarse de la soluci
on
optima V B 0
Captulo 9. POSTOPTIMIZACION
La soluci
on puede dejar de ser factible, si alg
un u
i < 0. En an
alisis consiste en
B
recalcular u :
on sigue siendo factible y, como V B 0, las varia1. Si u
B
i 0 i la soluci
bles b
asicas son las mismas, con un nuevo nivel de realizaci
on u
B y un
9.3.
Cambio en c
B
B 1
p B = B 1 A
uB = B 1 b. En particular, como la soluci
on era factible uB 0
La soluci
on puede dejar de ser
optima, si alg
un Vi
B > 0. En an
alisis consiste
en recalcular V
B :
ptima y, como uB 0, las variaon sigue siendo o
1. Si Vj
B 0 j la soluci
bles b
asicas son las mismas, con el mismo nivel de realizaci
on uB y un
77
Captulo 9. POSTOPTIMIZACION
9.4.
Nueva actividad
9.5.
Nueva restricci
on
Una restricci
on l queda caracterizada por:
on unitaria al benecio de dicha actividad y
1. bl la contribuci
2. alj el consumo que hacen todas las actividades del nuevo recurso y
3. el signo de la desigualdad
En el caso de una restriccion de igualdad o de desigualdad se convierte en una
de igualdad con la variable de holgura correspondiente
alj xj bl
j
alj xj + hl = bl
alj xj bl
alj xj hl = bl
(9.2)
78
Captulo 9. POSTOPTIMIZACION
j
a x
j lj j
alj xj = bl equivalente a
alj xj l
j alj xj
(9.3)
Con la aparici
on de una nueva restricci
on, la soluci
on
optima del problema
puede ser la misma o puede ser otra peor. Es decir:
ptima original cumple la nueva restricci
si la soluci
on o
on, la soluci
on
ptima seguir
o
a siendo factible y tambi
en
optima, es decir, la soluci
on
optima no cambiar
a;
si la soluci
on
optima obtenida no cumple con la nueva restricci
on, la
soluci
on seguir
a dejar
a de ser factible y habr
a que obtener una nueva
soluci
on factible y
optima, peor que la original.
Cuando aparece una nueva restricci
on, la forma de obtener la nueva soluci
on
factible sin resolver el problema desde el principio consiste en:
1. Introducir en la tabla de la soluci
on
optima nal la nueva restricci
on tal
y como habra aparecido en la primera tabla y
2. operar con las las para conseguir ceros en la matriz p B donde debera
haberlos (esto se explica en el ejemplo nal, 9.7.4).
9.6.
Cambio en aij
9.6.1.
No cambia:
1.
2.
3.
4.
5.
6.
B
B 1
z = c B uB
VkB , k j (no cambia el criterio del simplex del resto de variables b
asicas)
pk
B = B
1 A
k k j
u
B = B
1 b
79
Captulo 9. POSTOPTIMIZACION
optima no vara.
9.6.2.
B
1
u
B = B
1 b
z
= c
B u
B
V
B = c c
B B
1 A
p
B = B
1 A
uB 0
uB 0
9.7.
V B 0
Simplex
-
Ejemplo
max z = x1 + 2x2 + 3x3
sujeto a:
x1 + x2 + x3 16
(9.4)
h1
h3
x3
-39
3
3
13
x1
-7/2
-1/2
1/2
3/2
x2
-1
0
1
1
x3
0
0
0
1
h3
0
0
1
0
h1
0
1
0
0
a2
-3/2
-1/2
1/2
1/2
a3
0
0
-1
0
80
Captulo 9. POSTOPTIMIZACION
9.7.1.
Cambio de b
Supongamos que b
=
cas, u
14
22
11
sera:
u
B
3
14
0
1 22 = 0
11
11
0
1/2
1/2
1/2
= B 1 b
= 0
0
(9.5)
La soluci
on sigue siendo factible y
optima.
Supongamos que b
=
cas, u
12
26
11
sera:
u
B
0
12
1
1 26 = 2
0
11
13
1/2
1/2
1/2
= B 1 b
= 0
0
La soluci
on ya no es factible y es necesario aplicar Lemke.
9.7.2.
h1
h3
x3
-39
-1
2
13
x1
-7/2
-1/2
1/2
3/2
x1
h3
x3
-32
2
1
10
0
1
0
0
x2
-1
0
1
1
x3
0
0
0
1
h3
0
0
1
0
h1
0
1
0
0
a2
-3/2
-1/2
1/2
1/2
a3
0
0
-1
0
-1
0
1
1
0
0
0
1
0
0
1
0
-7
-2
1
3
2
1
0
-1
0
0
-1
0
Cambio de c
Supongamos que c
=
(9.6)
81
Captulo 9. POSTOPTIMIZACION
1/2
1/2
3/2
0
1
1
0
0
1
0
1
0
82
V B = c
c
B B 1 A =
0 = 4
0
(9.7)
La soluci
on sigue siendo factible y
optima.
Supongamos que c
=
1/2
1/2
3/2
0
1
1
0
0
1
0
1
0
V B = c
c
B B 1 A =
0 = 3/2
0
(9.8)
La soluci
on ya no es
optima y es necesario aplicar el m
etodo del Simplex.
9.7.3.
h1
h3
x3
-39
3
3
13
x1
3/2
-1/2
1/2
3/2
x2
-2
0
1
1
x3
0
0
0
1
h3
0
0
1
0
h1
0
1
0
0
a2
-3/2
-1/2
1/2
1/2
a3
0
0
-1
0
h1
x1
x3
-48
6
6
4
0
0
1
0
-5
1
2
-2
0
0
0
1
-3
1
2
-3
0
1
0
0
-3
0
1
-1
3
-1
-2
3
Nueva actividad
A4 = 1
Captulo 9. POSTOPTIMIZACION
5 0 3/2 0 1 = 7/2
1
(9.9)
La soluci
on ya no es
optima y es necesario aplicar el m
etodo del Simplex. Para
reutilizar la tabla, es necesario calcular p4B
0
0
9.7.4.
1/2
1/2
1/2
p4B = B 1 A4
0
1
1/2
1 1 = 1/2
0
1
1/2
(9.10)
h1
h3
x3
-39
3
3
13
x1
3/2
-1/2
1/2
3/2
x2
-2
0
1
1
x3
0
0
0
1
x4
7/2
1/2
-1/2
1/2
h3
0
0
1
0
h1
0
1
0
0
a2
-3/2
-1/2
1/2
1/2
a3
0
0
-1
0
x4
h3
x3
-60
6
6
10
0
-1
0
2
-1
0
1
1
0
0
0
1
0
1
0
0
0
0
1
0
-7
2
1
-1
2
-1
0
1
0
0
-1
0
Nueva restricci
on
(9.11)
(9.12)
83
Captulo 9. POSTOPTIMIZACION
84
h4
-39
3
3
13
10
-3
x1
-7/2
-1/2
1/2
3/2
0
-3/2
x2
-1
0
1
1
1
0
x3
0
0
0
1
1
0
h3
0
0
1
0
0
0
h1
0
1
0
0
0
0
h4
0
0
0
0
1
1
a2
-3/2
-1/2
1/2
1/2
1/2
-1/2
a3
0
0
-1
0
0
0
h1
h3
x3
x1
-32
4
2
10
2
0
0
0
0
1
-1
0
1
1
0
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
7/3
-1/3
1/3
1
-2/3
2
1
0
-1
1/3
0
0
-1
0
0
h1
h3
x3
9.7.5.
Si b =
(9.13)
An
alisis de sensibilidad de b
b1
26
10
uB = B 1 b = 0
0
1/2
1/2
1/2
0
b1
1 26 =
10
0
b1 13
3
0 b1 13
13
Si b =
16
b2
10
1 1/2
0
16
1/2
1 b2 =
uB = B 1 b = 0
0
1/2
0
10
16 b2 /2
b2 /2 10 0 20 b2 32
b2 /2
(9.15)
(9.14)
An
alisis b1
An
alisis b2
Captulo 9. POSTOPTIMIZACION
Si b =
16
26
b3
uB = B 1 b = 0
0
1/2
1/2
1/2
85
An
alisis b3
0
16
1 26 =
0
b3
13 b3 0 b3 13
13
(9.16)
Resumen
13 b1 <
20 b2 32
(9.17)
< b3 13
9.7.6.
An
alisis de sensibilidad de c
Variable x1 . Variable no b
asica
V1B = c1 B a2 = c1
An
alisis c1
3/2
3 = c1 9/2 0 c1 9/2
1
(9.18)
Variable x2 . Variable no b
asica
V2B = c2 B a3 = c2
An
alisis c2
3/2
2 = c2 3 0 c2 3
0
(9.19)
Variable x3 . Variable b
asica
An
alisis c3
V B = c c B B 1 A =
1/2 0 0 0 1
0 0 0 c3 1/2
1 0 1 0 =
3/2
1 1 0 0
1 3/2c2 2 c3 0 0 0 0 c3 2
c3
(9.20)
Captulo 9. POSTOPTIMIZACION
Resumen
< c1 4,5
< c2 3
2 c3 <
(9.21)
86
Captulo 9. POSTOPTIMIZACION
9.8.
La aparente paradoja de b
Dado el problema
max z = x1 + 3x2
x1 + 2x2 20
(9.22)
2x1 + x2 20
x1, x2 0
La tabla del simplex correspondiente a la soluci
on
optima es:
x2
x1
-80/3
20/3
20/3
x1
0
0
1
x2
0
1
0
h1
-5/3
2/3
-1/3
h2
-1/3
1/3
-2/3
Si realizamos en an
alisis de sensibilidad con respecto a b1 , el resultado es el
siguiente:
b1
2b1 20
2/3
1/3
1
uB = B 1 b =
=
0 10 b1 40
1/3
2/3
b2 + 40
20
3
(9.23)
on
Es decir, si la disponibilidad el recurso R1 (b1 ) es superior a 40, la soluci
no es factible. C
omo puede ser que si aumentamos la disponibilidad de un
recurso de una restricci
on de tipo la soluci
on se haga no factible?
87
Captulo 10
PARAM
PROGRAMACION
ETRICA
10.1.
Introducci
on
10.2.
Programaci
on con c()
10.2.1.
M
etodo general
10.2.2.
Ejemplo c()
max z = 5x1 + 6x2 + 8x3
s.a.
2x1 + 3x2 + 4x3 25
3x1 + 2x2 + 1x3 = 20
x1 , x2 , x3 0
(10.1)
PARAME
TRICA
Captulo 10. PROGRAMACION
-111/2
7/2
11/2
x3
x1
x1
0
0
1
x2
-1/2
1/2
1/2
x3
0
1
0
h1
-19/10
3/10
-1/10
89
a
-2/5
-1/5
2/5
, , con
V () = c c B
A=cc p =
0
1
1/2
1/2
1
0
4
2
3/10
1/10
(10.2)
Las variables b
asicas son x1 y x3 siempre y cuando V B (). Es decir:
40
4 24
24 0
(10.3)
28 11
2
7/2
11/2
x1
0
0
1
x2
4
2
1/2
1/2
x3
0
1
0
h1
24
10
3/10
-1/10
ptimo m
Si = 4, la tabla se convierte en T1 , correspondiente a un o
ultiple.
Introduciendo x2 y sacando x3 se obtiene una nueva soluci
on a la que le corresponde la tabla T2
24
10
PARAME
TRICA
Captulo 10. PROGRAMACION
T1
x3
x1
T2
x2
x1
-50
7/2
11/2
-50
7
2
x1
0
0
1
x1
0
0
1
x2
0
1/2
1/2
x2
0
1
0
x3
0
1
0
x3
0
2
-1
90
h1
-2
3/10
-1/10
h1
-2
3/5
-2/5
V B () = c c B B 1 A = c c B p =
0
1
1
0
2
1
3/5
2/5
4
(10.4)
El criterio del Simplex de la tabla T2 nunca se anula para valores de tales que
4.
Es decir, para cualquier valor de menor que 4, las variables b
asicas con x1
y x2 . Existe aqu una aparente contradicci
on por el hecho de que si c1 es muy
grande en valor absoluto y negativo, parece sensato pensar que x1 debera
no ser una variable b
asica porque deteriora notablemente la funci
on objetivo.
Por ejemplo, parace razonable pensar que si c1 = 1000, si z representa el
benecio de un sistema real, estaramos perdiendo 1000 unidades monetarias,
con lo que parece intuitivo pensar que esta variable no debera estar en la
soluci
on nal.
La explicaci
on es la siguiente. Si las variables b
asicas con x1 y x2 (aun cuando
c1 = << 0), podemos tratar de introducir:
x3 . Para cualquier valor positivo de x3 , x1 aumenta, con la que la soluci
on
es a
un peor en t
erminos de la funci
on objetivo (por eso, el criterio del
simplex de x3 siempre es negativo).
h1 . Para cualquier valor positivo de h3 , x1 aumenta, con la que la soluci
on es a
un peor en t
erminos de la funci
on objetivo (por eso, el criterio
del simplex de h3 siempre es negativo).
Es decir, el criterio del simplex nos dice c
omo se modica la z al introducir una
variable no b
asica con valor 1. Dada la estructura de las restricciones, hacer
que cualquier de las variables no b
asicas crezca hace que x1 crezca tambi
en,
218
5
PARAME
TRICA
Captulo 10. PROGRAMACION
91
160
7/2
11/2
160
35/3
20/3
x1
0
0
1
x1
0
0
1
x2
-10
1/2
1/2
x2
-10
5/3
2/3
x3
0
1
0
x3
0
10/3
1/3
h1
0
3/10
-1/10
h1
0
1
0
V () = c c B
A=cc p =
0
1
0
5/3
2/3
10/3
1/3
62
3
24
3
(10.5)
El criterio del Sipmlex no se hace positivo para ning
un valor de tal que > 24
En resumen:
Variables b
asicas: x1 = 2 y x2 = 7 si 4 con z = 42 + 2
Variables b
asicas: x1 = 11/2 y x3 = 7/2 si 4 24 con z = 28 + 11/2
Variables b
asicas: x1 = 20/3 y h1 = 35/3 si 24 con z = 20/3
1
0
=
0)
PARAME
TRICA
Captulo 10. PROGRAMACION
10.3.
Programaci
on con b()
10.3.1.
M
etodo general
Procedimiento general:
1.
2.
3.
4.
Resoluci
on para un valor de 0
C
alculo de V B (0 )
C
alculo del 1 y 2 , tal que V B 0 si 1 2
Para 1 (dem para 2 )
a) si 1 es (si 2 es ), no hay valores menores (mayores) de
que analizar.
b) en caso contrario: obtener la soluci
on
optima m
ultiple para = 1 :
1) Si es posible aplicar el m
etodo del Simplex, obtener una soluci
on
optima b
asica alternativa y volver al punto 1.
2) Si no es posible aplicar el m
etodo del Simplex, es que no hay
soluci
on factible fuera del valor de extremo estudiado.
10.3.2.
Ejemplo c()
max z = 3x1 + 4x2 + 2x3 + 3x4
s.a.
30x1 + 10x2 + 10x3 + 15x4 120
(10.6)
T0
h1
x4
b() =
120
-15
45
5
150 +
u () = B
b() =
1
0
x2
-1
-15
5/3
x3
-1
-5
1
x4
0
0
1
h1
0
1
0
h2
-1/10
-1/2
1/30
1/2
1/30
120
150 +
=
45 3/2
5 + /30
(10.7)
92
PARAME
TRICA
Captulo 10. PROGRAMACION
La siguiente tabla es v
alida si uB 0. Es decir, si 150 30
T0 ()
h1
x4
x1
-2
5
5/3
-15
45-3/2
5-/30
x2
-1
-15
5/3
x3
-1
-5
1
x4
0
0
1
h1
0
1
0
h2
-1/10
-1/2
-1/30
Si = 30
T0 ( = 30)
h1
x4
-18
0
6
x1
-2
5
5/3
x2
-1
-15
5/3
x3
-1
-5
1
x4
0
0
1
h1
0
1
0
h2
-1/10
-1/2
-1/30
T1 ( = 30)
x2
x4
-18
0
6
-7/3
-1/3
20/9
0
1
0
-2/3
1/3
4/9
0
0
1
-1/60
-2/30
1/9
-1/60
1/30
-2/90
B
u () = B
b() =
1/60
1/9
1/30
2/90
120
150 +
=
(30 + )/10
(900 12)/90
(10.8)
La siguiente tabla es v
alida si uB 0. Es decir, si 30 75
T1 ()
-18
(-30+)/10
(900-12)/90
x2
x4
x1
-7/3
-1/3
20/9
x2
0
1
0
x3
-2/3
1/3
4/9
x4
0
0
1
h1
-1/60
-2/30
1/9
h2
-1/60
1/30
-2/90
Si = 75
T1 ( = 75)
x2
x4
-18
9/2
0
x1
-7/3
-1/3
20/9
x2
0
1
0
x3
-2/3
1/3
4/9
x4
0
0
1
h1
-1/60
-2/30
1/9
h2
-1/60
1/30
-2/90
T2 ( = 75)
x2
h2
-18
9/2
0
-9
3
-100
0
1
0
-2
1
20
-3
3/2
-45
-2/5
1/10
-5
0
0
1
93
PARAME
TRICA
Captulo 10. PROGRAMACION
B
u () = B
b() =
1/10
5
0
1
120
150 +
=
(120 + )/10
6 450
(10.9)
La siguiente tabla es v
alida si uB 0. Es decir, si 75 120
T2 ()
x2
h2
-18
(-120+)/10
6 450
-9
3
-100
0
1
0
-2
1
20
-3
3/2
-45
-2/5
1/10
-5
0
0
1
30 si 150
90012
si 30 75
90
30
30+
y x4 =
10
120+
y h2 =
10
Variables b
asicas: x2 =
6 450 si 75 120
No existe soluci
on factible para > 120
10.4.
(10.10)
x1 + 4x2 + 2x3 24
x1 , x2 , x3 0
b() =
c() =
40
2
24 3
4+
, co 0
Soluci
on
optima para = 0
x1
x3
-40
56/3
8/3
x1
0
1
0
x2
-1
2
1
x3
0
0
1
h1
-1
2/3
-1/3
h2
0
-1/3
2/3
94
PARAME
TRICA
Captulo 10. PROGRAMACION
4+
uB () = B 1 b() =
2/3
1/3
V B () = c c B B 1 A = c c B p B =
1 2 0
2/3
1/3
1
=
0 1 1 1/3
2/3
0 1 0 1 0
1/3
2/3
40
24 3
=
1
3
56 + 3
8 6
(10.11)
(10.12)
VB 0 1
(10.13)
4
3
(10.14)
uB 0
La condici
on m
as restricitiva es 1, ya que cuando esto ocurre, el problema
tiene dos soluciones b
asicas
optimas factibles. Con > 1, las soluciones en las
que x1 y x3 son variables b
asicas son no factibles. A continuaci
on guran tres
tablas, correspondientes, respectivamente a la soluci
on b
asica con x1 y x3 en
funci
on de , la tabla para = 1 y la soluci
on b
asica
optima alternativa para
ese valor de .
4+
x1
x3
(56 + 3)/3
(8 6)/3
x1
0
1
0
x1
x3
-40
59/3
2/3
0
1
0
0
2
1
0
0
1
-1
2/3
-1/3
0
-1/3
2/3
x1
x2
-40
55/3
2/3
0
1
0
0
0
1
0
-2
1
-1
4/3
-1/3
0
-5/3
2/3
x2
1
2
1
x3
0
0
1
h1
-1
2/3
-1/3
h2
0
-1/3
2/3
V B () = c c B B 1 A = c c B p B =
1 0 2
4/3
5/3
0 2 4+
=
0 1
1
1/3
2/3
0 0 1 ( 4)/3 (2 2)/3)
(10.15)
95
PARAME
TRICA
Captulo 10. PROGRAMACION
B
u () = B
b() =
4/3
1/3
5/3
2/3
40
24 3
1
=
3
40 + 15
8 6
(10.16)
VB 0 1 4
(10.17)
4
3
(10.18)
uB 0 3/8
x1
x2
(40 + 15)/3
(8 6)/3
x1
0
1
0
x1
x2
40
0
0
1
0
0
0
1
-1/3
-2
1
-8/9
4/3
-1/3
-2/9
-5/3
2/3
40
0
0
1
0
-8/3
4
-3
-3
2
-3
0
0
1
-2
1
-2
x1
h1
4+
x2
0
0
1
x3
1
-2
1
h1
( 4)/3
4/3
-1/3
h2
(2-2)/3
-5/3
2/3
V B () = c c B B 1 A = c c B p B =
1
4
2
0
1
0 2 0
=
0 3 3 1 2
0 4 + 3 0 2
(10.19)
96
PARAME
TRICA
Captulo 10. PROGRAMACION
B
u () = B
b() =
0
1
1
2
40
24 3
=
24 3
8 + 6
VB 0 4
uB 0
(10.20)
(10.21)
4
8
3
(10.22)
on
Por lo tanto, para que las variables b
asicas x1 y h2 conduzcan a una soluci
4
optima y factible 3 4. El extremo inferior de este intervalo coincide, naturalmente, con el extremo superior del intervalo obtenido para las soluciones
b
asicas con x1 y x2 .
Con = 4 se obtiene una soluci
on degenerada. Con > 4 se obtiene una soluci
on b
asica no
optima, por lo que deja de ser la soluci
on
optima y factible del
problema. A continuaci
on guran las siguientes tres tablas: la correspondiente
a x1 y h1 como variables b
asicas, en funci
on de , la anterior con = 4 y la
soluci
on obtenida al aplicar el m
etodo del Simplex a patir de la anterior.
24 3
8 + 6
x1
0
1
0
x2
4 +
4
-3
x3
-3
2
-3
h1
0
0
1
h2
-2
1
-2
x1
h1
12
16
0
1
0
0
4
-3
-3
2
-3
0
0
1
-2
1
-2
x2
h1
3
25
0
1/4
3/4
0
1
0
-3
1/2
-3/2
0
0
1
-2
1/4
-5/4
x1
h1
4+
4+
V B () = c c B B 1 A = c c B p B =
1/4 1
1/2
0
1/4
0
=
3/4 0 3/2 1 5/4
1 4 0 1 2 0 1 4
(10.23)
97
PARAME
TRICA
Captulo 10. PROGRAMACION
B
u () = B
b() =
0
1
1/4
5/4
40
24 3
1
=
4
24 3
40 + 15
(10.24)
V B 0 4
(10.25)
uB 0 8
(10.26)
x2
h1
(24 3)/4
(40 + 15/4
x1
1 4
1/4
3/4
x2
h1
0
40
-1
1/4
3/4
x2
0
1
0
x3
1 2
1/2
-3/2
h1
0
0
1
h2
1 4
1/4
-5/4
0
1
0
-5
1/2
-3/2
0
0
1
-3
1/4
-5/4
En resumen:
Variables b
asicas: x1 = (56 + 3)/3 y x3 = (8 6)/3 si 0 1
Variables b
asicas: x1 = (45 + 15)/3 y x2 = (8 6)/3 si 1 4/3
Variables b
asicas: x1 = 24 3 y h1 = 8 + 6 si 4/3 4
Variables b
asicas: x1 = (24 3)/4 y h2 = (40 + 15)/4 si 4 8
No existe soluci
on factible para > 8
98
Captulo 11
TRANSPORTE Y ASIGNACION
11.1.
11.1.1.
Presentaci
on del problema de transporte
Introducci
on
11.1.2.
Formulaci
on
Dados
un conjunto de orgenes (O), cada uno de los cuales tiene asociada una
capacidad Oi (unidades de producto)
un conjunto de destinos (D), cada uno de los cuales tiene una demanda
asociada Dj (unidades de producto) y
el coste Cij asociado a transportar una unidad de producto del origen
i O al destino j D
el problema consiste en determinar las cantidades transportadas desde el origen i O al destino j D con el mnimo coste, xij .
max z =
Cij xij
ij
s.a.
xij Oi i O
jD
xij Dj j D
iO
xij 0 j D, i O
Problemas equilibrados:
iD
Oi =
jD
Dj
(11.1)
Captulo 11. TRANSPORTE Y ASIGNACION
100
Formulaci
on equivalente, si el problema est
a equilibrado
Cij xij
max z =
ij
s.a.
xij = Oi i O
(11.2)
jD
xij = Dj j D
xij 0 j D, i O
11.1.3.
Presentaci
on matricial
La formulaci
on extendida de 11.2
max z = s.a.
x11
+x12
...
+x1J
+x21
x22
+x2J
...
+x21
x11
x12
x22
...
...
+x1J
+x2J
...
...
...
...
...
...
...
+xI1
+xI1
+xI2
...
+xIJ
+xIJ
+xI2
...
+xIJ
=
=
=
=
=
=
=
O1
O2
OI
D1
D2
DJ
xij 0 j D, i O
(11.3)
De acuerdo con
max z = cx
s.a.
(11.4)
Ax = b
x0
Las matrices son:
A=
1
0
0
...
0
I
0
1
0
...
0
I
0
0
1
...
0
I
...
...
...
...
...
...
0
0
0
...
1
I
(11.5)
Captulo 11. TRANSPORTE Y ASIGNACION
b=
c=
11.1.4.
C11
...
CI1
O1
...
OI
D1
...
DJ
...
101
Cij
(11.6)
c1J
...CIJ
(11.7)
Representaci
on del problema
Representaci
on tabular especca, diferente, por ejemplo, de la matriz completa del m
etodo del simplex
destino 1
c11
x11
c11
...
ci1
xi1
cij
...
cI1
xI1
cI1
origen 1
origen i
origen J
...
destino j
...
c1j
...
x1j
...
...
...
...
...
xij
...
x1jJ
cij
...
...
xIj
...
cIj
x1J
Oj
cIJ
Las propiedades..
cij
...
Propiedades
OD
i j
iO Oi
O1
...
donde cij
es el coste reducido asociado al a variable xij , que se presentar
a m
as
adelante.
11.1.5.
c1J
ciJ
cIj
...
x1J
c1j
cij
...
destino J
cIJ
cIj
OJ
Captulo 11. TRANSPORTE Y ASIGNACION
max z =
Cij xij
ij
xij
iO
s.a.
Oi Dj
jD Dj
= Oi
= Oi i O
D
jD j
jD Dj
jD
Oi Dj
Oi
=
= Dj iO
= Dj j D
O
i
iO
iO Oi
iO
xij =
jD
(11.8)
11.2.
M
etodos de resoluci
on
102
Captulo 11. TRANSPORTE Y ASIGNACION
11.2.1.
Obtenci
on del soluci
on inicial de partida
M
etodos
Rinc
on NO
Mnimo coste
Voguel
Otros
Diferente esfuerzo y diferente calidad de la soluci
on de partida
11.2.2.
11.2.3.
Oi
xij = 0 i O
jD
Dj
(11.9)
xij = 0 j D
z=
Cij xij =
Cij xij
ui Oi
xij
vj Dj
xij =
ij
ij
Oi Dj +
ij
xij (cij ui vj )
ij
(11.10)
Por lo tanto, la funci
on ojetivo se puede expresar como la suma de dos t
ermiB
a las vanos, uno constante y otro que depende de xij . Si se denota con xij
B
riables b
asicas y xij
a las no basicas, el t
ermino variable se puede reformular
como:
B
B
xij (cij ui vj ) =
xij
(cij ui vj ) +
xij
(cij ui vj )
(11.11)
ij
ij
ij
103
Captulo 11. TRANSPORTE Y ASIGNACION
incremento de la funci
on objetivo es, precisamente, el valor de cij
= cij ui
vj . Es decir
z|x B =1 = cij ui vj
ij
11.2.4.
Regla de salida
11.2.5.
Criterio de optimalidad
(11.12)
11.3.
11.3.1.
Problemas desequilibrados
11.3.2.
11.4.
Soluciones degeneradas
104
Captulo 11. TRANSPORTE Y ASIGNACION
11.5.
Transporte y dualidad
= Oi ui +
Dj vj
s.a.
(11.13)
ui + vj cij i O, j D
ui libre de signo i O
vj libre de signo j D
Justicaci
on. El problema 11.13 es equivalente a
max z =
= Oi (u+
i ui ) +
Dj (vi+ vi )
s.a.
+
(u u ) + (v v ) cij i O, j D
(11.14)
u+
i , ui libre de signo i O
Cij xij
ij
s.a.
xij Oi i O
jD
xij Oi i O
(11.15)
jD
xij Dj j D
xij Dj j D
xij 0 j D, i O
Que es equivalente a 11.2
Por otro lado, V B de un problema P y de es ese mismo problema, formulado
en t
erminos de m
aximo son iguales, pero cambiados de signo.
Del teorema de las holguras complementarias:
B
h
ij = Vij
max
B
= Vij
cij ui vj =
min
B
Vij
min
(11.16)
105
Captulo 11. TRANSPORTE Y ASIGNACION
11.6.
Para pensar
11.7.
Ejemplo
106
Captulo 11. TRANSPORTE Y ASIGNACION
11.8.
11.8.1.
El problema de asignaci
on
Introducci
on
Cij xij
ij
s.a.
xij 1 i O
(11.17)
jD
xij 1 j D
iO
xij 0 j D, i O
De las m + n restricciones, en este caso existen I = J linealmente independientes, con lo que una soluci
on b
asica contendr
a m = n variables b
asicas.
11.8.2.
Representaci
on
O1
O2
Oi
OI
D1
C11
C21
D2
C12
C22
Ci1
Ci2
Dj
C1j
C2j
C
Cij
CI1
CI2
CIj
DJ
C1J
C2J
CiJ
CIJ
107
Captulo 11. TRANSPORTE Y ASIGNACION
O1
O2
O3
O4
D1
4
5
1
10
D2
2
2
8
1
D3
3
6
9
6
D4
1
3
2
4
D2
D3
D4
108
11.8.3.
Propiedades
En una soluci
on del problema, para cada la i, solo un valor xij = 1
En una soluci
on del problema, para cada columna j, solo un valor xij = 1
Si se suma una constante k a todos los costes de una la o de una columna, el problema resultante alcanza la soluci
on
optima para la misma
asignaci
on que el problema original. En efecto, por ejemplo, si cambian
todos los costes del origen i Ci
j = Ci j + k j, la nueva funci
on objetivo es:
Cij
xij =
Cij xi,j + (Ci
j + k)xi,j =
Ci,j xij +
Ci
j xij +
kxij =
z
=
i,j
ii ,j
ii ,j
i=i ,j
Ci,j xij + k
(11.18)
D2
0
2
5
1
D3
1
1
7
0
D4
3
1
0
3
i=i ,j
i=i ,j
ii,j
O1
O2
O3
O4
xij = z + k
Captulo 11. TRANSPORTE Y ASIGNACION
11.8.4.
M
etodo H
ungaro
O1
O2
O3
O4
D1
1
2
3
1
D2
4
1
2
2
D3
3
6
6
3
D4
1
7
6
7
O1
O2
O3
O4
D1
0
1
1
0
D2
3
0
0
1
D3
2
5
4
2
D4
0
6
4
6
-1
-1
-1
O1
O2
O3
O4
D1
0
1
1
0
D2
3
0
0
1
D3
0
3
2
0
D4
0
6
4
6
O1
O2
O3
O4
D1
0
0
0
0
D2
4
0
0
2
D3
0
2
1
0
D4
0
5
3
6
109
Captulo 12
ENTERA. FUNDAMENTOS
PROGRAMACION
12.1.
Divide y vencer
as
Considera el problema
z = max{cx : x S}
Ser
a posible dividir este problema en un conjunto de problemas de menor
tama
no y m
as f
aciles de resolver, resolverlos y luego juntar toda la informaci
on
para hallar la soluci
on del porblema original?
Se dice que S = S1 Sk es una descomposici
on de S en un conjunto
m
as peque
no de problemas y que si zk = max{cx : x Sk } para k = 1 . . . K,
entonces z = maxk zk .
Una forma tpica de representar el enfoque divide y vencer
as es mediante los
arboles de enumeraci
on. Por ejemplo si S {0, 1}3 , se puede construir el
arbol
que se presenta en la gura [?].
En este caso se divide el conjunto S en dos: S0 = {x S : x1 = 0} y S1 =
{x S : x1 = 1}. Despu
es estos dos subconjuntos se dividen en dos cada
uno: S00 = {x S0 : x2 = 0} = {x S : x1 = x2 = 0}, S01 = {x S0 : x2 = 1}
y as sucesivamente. Si nos jamos, cualquier hoja nal del
arbol Si1,i2,i3 es no
vaca si y s
olo si s = (i1, i2, i3) est
a en S. Es decir, las hojas nales (nodos) del
12.2.
Enumeraci
on implcita
ENTERA. FUNDAMENTOS
Captulo 12. PROGRAMACION
111
optima?
. En la gura 12.1 se pude ver una descomposici
on del conjunto S en dos subconjuntos S1 y S2 y las cotas superiores e inferiores de los distintos problemas.
Ejemplo 1
Ejemplo 2
Ejemplo 3
ENTERA. FUNDAMENTOS
Captulo 12. PROGRAMACION
12.3.
La forma m
as com
un de resolver problemas con n
umeros enteros es usando
la enumeraci
on implcita o branch & bound, en donde las relajaciones lineales
se utilizan para calcular las cotas superiores.
Por ejemplo, dado este problema:
max z = 4x1 x2
s.a.
(12.1)
7x1 2x2 14
2
x2 32x1 2x2 3x Z+
z
x1
x2
h3
50/7
20/7
3
23/7
x1
0
1
0
0
x2
0
0
1
0
h1
-4/7
1/7
0
-2/7
h2
-1/7
2/7
1
10/7
h3
0
0
0
1
112
ENTERA. FUNDAMENTOS
Captulo 12. PROGRAMACION
59
7 ,
y una soluci
on que no es entera
S1 = S {x : xj x j }
!
S2 = S {x : xj x j }
Est
a claro que S = S1 S2 y que S1 S2 = . Otra raz
on por la que se eligen
estos subproblemas es que la soluci
on de la relajaci
on lineal no es factible en
las relajaciones lineales de S1 ni S2 . Esto es muy importante pues evita degeneraciones de la soluci
on (o m
ultiples soluciones); con lo cual max{z1 , z2 } z
y la cota superior tendr
a siempre menor valor.
1
Siguiendo esta idea, como x 1 = 20
an S1 = S {x :
7 Z , los subproblemas ser
xj 2} y S2 = S {x : xj 3}. Se puede ver en la gura ??. A los dos
subproblemas (nodos del
arbol) que deben ser examinados se les llama nodos
activos.
Elecci
on de un nodo. La lista de nodos activos que deben ser examinados contiene a S1 y S2 . Arbitrariamente elegimos S1 .
Reoptimizaci
on. C
omo podemos resolver las relajaciones lineales de los nuevos subproblemas sin necesidad de partir de cero? Como simplemente hemos
a
nadido una restricci
on que sabemos que no se cumple, al a
nadir la la la correspondiente a la tabla del simplex expresada en la base actual tendremos una
soluci
on no factible. Utilizando el m
etodo de Lemke en varios pivotes (tablas)
podemos llegar a la nueva soluci
on
optima.
Al resolver la relajaci
on lineal de S1 a
nadimos la restricci
on x1 2 o x1 + h4 =
2, h4 0. Y tendramos la siguiente tabla que ser
a igual que la anterior pero
con una la m
as en la parte inferior:
z1RL
x1
x2
h3
h4
50/7
20/7
3
23/7
-6/7
x1
0
1
0
0
0
x2
0
0
1
0
0
h1
-4/7
1/7
0
-2/7
-1/7
h2
-1/7
2/7
1
10/7
-2/7
h3
0
0
0
1
0
h4
0
0
0
0
1
Despu
es de pasar por dos soluciones intermedias se llega la la siguiente soluci
on
optima
113
ENTERA. FUNDAMENTOS
Captulo 12. PROGRAMACION
z1RL
x1
x2
h1
h2
15/2
20/7
3
23/7
-6/7
x1
0
1
0
0
0
1
1
1
con z1RL = 15
2 y (x 1 , x 2 ) = (2, 2 ).
Ramicaci
on.
x2
0
0
1
0
0
h1
0
0
0
1
0
h2
0
0
0
0
1
h3
-1/2
0
-1/2
-1
1/2
h4
-3
1
1
-5
6
114
Captulo 13
ENTERA. BRANCH AND
PROGRAMACION
BOUND
13.1.
Introducci
on
Existe una gran varedad de problemas que se pueden formular y resolver utilizando variables enteras, por ejemplo: programaci
on de horarios de trenes
o de tripulaciones en una compa
na a
erea, problemas de programaci
on de la
producci
on, de c
alculo de rutas, etc.
En ocasiones, las variables enteras aparecen por la propia naturaleza de la
decisi
on.
En otras ocasiones, se debe
Supongamos que tenemos un problema de programaci
on lineal:
max{cx cx : Ax b, x 0 }
donde A es una matriz m por n, c es un vector la de dimensi
on n, b es un
vector columna de dimensi
on m y x es un vector columna de dimensi
on n.
A este problema le a
nadimos la restricci
on de que ciertas variables tienen que
ser enteras.
Si s
olo alguna (no todas) las variables tienen que ser enteras, entonces tenemos
un problema de programaci
on lineal entera mixto (Mixed Integer Problem, MIP).
Si todas las variables tienen que ser enteras, entonces tenemos un problema
de programaci
on lineal puro (Integer Programming, IP).
Y, si todas la variables est
an restringidas a los valores 0 1, entonces tenemos
un problema de programaci
on entera binaria (Binary Integer Problem, BIP).
Dado que los problemas enteros se parecen bastante a los lineales, no sorprende que tanto la teora como la pr
actica de la programaci
on lineal es fundamental para comprender y resolver problemas enteros.
Una de las primeras ideas que nos viene a la mente es la del redondeo: resolver
el problema como si fuera lineal y luego redondear el valor de las variables.
ADIR No tiene sentido en muchos problemas: 3.5 aviones son 3 o 4, ...
AN
Ejemplo: (apuntes Miguel)
116
13.2.
Optimalidad y relajaci
on
Cotas primales/inferiores
117
Cotas duales/superiores
hacer mayor el conjunto de soluciones factibles de forma que el problema se resuelve sobre un conjunto mayor, o
reemplazar la funci
on objetivo (max) por una funci
on que tiene el mismo
o mayor valor que la original siempre.
Se dice que el problema (RP) {zR = max{f (x) : x T R n } es una relajaci
on
del problema (IP) {z = max{c(x) : x X R n } si:
x T, y
f (x) c(x)para todo x X
Si RP es una relajaci
on de IP, entonces zR z.
La cuesti
on entonces est
a en c
omo encontrar relajaciones interesantes. Una de
las m
as naturales y m
as utilizadas es la relajaci
on lineal.
n
Dado un problema entero max{c(x) : x P Z n } siendo P = x R+
: Ax
b}, la relajaci
on lineal es el problema lineal zLP = mboxmax{cx : x P }.
Como P Z n P y la funci
on objetivo no cambia, es claramente una relajaci
on.
Por ejemplo, si consideramos el problema entero:
max z = 4x1 x2
s.a.
7x1 2x2 14
x2 3
(13.1)
2x1 2x2 3
2
x Z+
LP
soluci
on
optima es x = ( 7 , 3) con funci
on objetivo z = 7 . Como el valor
de la funci
on objetivo del problema entero tiene que ser entero (en este caso),
podemos redondear y obtener z 8.
Las relajaciones no s
olo permiten obtener cotas superiores, sino que tambi
en
sirven paara probar la optimalidad. Si la relajaci
on (RP) es no factible, el problema original entero (IP)tambi
en. Si al resolver la relajaci
on lineal (RP) resulta
Relajaciones
lineales
118
que cumple las condiciones de integralidad del problema entero (IP) resulta
que tambi
en es su soluci
on
optima.
Por ejemplo, la relajaci
on lineal del problema entero
max z = 7x1 + 4x2 + 5x3 + 2x4
s.a.
3x1 + 3x2 + 4x3 + 2x4 6
(13.2)
x {0, 1}
tiene como soluci
on
optima x = (1, 1, 0, 0). Como x es entera, es tambi
en
soluci
on
optima del problema entero.
Existen m
as tipos de relajaciones que perimten hallar cotas superiores. Entre
ellas, por ejemplo, las relajaciones combinatorias que son especcas para determinados problemas (TSP, Knapsack, etc.); y las relajaciones lagrangianas,
mucho m
as generales y que se basan en relajar restricciones (quitarlas) pero
su cumplimiento afecta a la funci
on objetivo con un coste.
Otras
relajaciones
lineales
Captulo 14
DUALIDAD
14.1.
Introducci
on
Por qu
e?
Por una lado aporta elementos clave que van a ayudar a comprender la
programaci
on lineal
til para resolver problemas de programaci
Es una herramienta u
on lineal;
cuando hay mucha diferencia entre las y columnas (hay distinto coste
computacional) puede ser interesante resolver el dual en lugar del problema primal
El problema dual ayuda a conocer la factibilidad o no acotaci
on del problema primal
Fundamental para el desarrollo de t
ecnicas m
as avanzadas (descomposici
on de Benders, etc.)
La dualidad ofrece otra forma de ver el signicado de los precios sombra
La dualidad ofrece otra visi
on del m
etodo de Lemke (o dual del simplex)
Para introducir el tema vamos a ver un ejemplo sencillo en el se puede observar
de forma r
apida las relaciones entre un problema y un dual (aunque a
un no se
haya descrito como construir el problema dual de uno dado).
Una empresa internacional produce y vende estos dos tipos de supercomputadores: el modelo 1 y el modelo 2. En la elaboraci
on de ambos tipos de equipos hay que destacar dos procesos, el de ensamblado nal y el de empaquetado (procesos P1 y P2). Esta empresa dispone mensualmente de 2000 horas
dedicadas al proceso de ensamblado y 1000 horas dedicadas al proceso de
empaquetado, adem
as se sabe que los tiempos requeridos para realizar dichas
Ejemplo de
problema dual
operaciones para cada uno de los tipos de supercomputadores son los que se
muestran en la tabla siguiente:
Proceso
Montaje
Embalaje
Horas requeridas
Modelo 1 Modelo 2
6
4
2
4
Horas disponibles
2000
1000
(14.1)
x1
x2
-175000
250
125
0
1
0
0
0
1
-25
1/4
-1/8
-125
-1/4
3/8
120
x2
5
4
3
2
x (250, 125)
1
0
0
x1
(14.2)
x1
x2
175000
25
125
0
1
0
0
0
1
-250
-1/4
1/4
-125
1/8
-3/8
121
14.2.
14.2.1.
El problema dual
(14.3)
x0
se le asocia otro problema:
Min s = yb
yAT c
(14.4)
y 0
Al problema (14.3) se le denomina primal y a (14.4) se le denomina dual.
14.2.2.
(14.5)
x0
tiene como problema dual asociado:
Min s = yb
yAT c
(14.6)
y 0
El problema dual puede expresarse como:
max (s) = bT y T
Ay T c T
(14.7)
y 0
El problema (14.7) considerado como un problema primal, tiene como problema dual asociado el siguiente problema de programaci
on lineal:
min u = t(c T )
t(AT ) bT
t0
(14.8)
122
(14.9)
t 0
Al comparar el problema (14.5) y el problema (14.9) se observa que:
el vector c es el mismo en los dos problemas,
la matriz A es la misma en los dos problemas,
el vector b es el mismo en los dos problemas,
por lo cual, los vectores x y t T y los valores de z y u son iguales, es decir
se comprueba que en efecto el problema dual asociado a un problema dual
coincide con el problema primal inicial.
14.2.3.
123
un t
ermino en la funci
on objetivo: b3 y3+
una columna en el sistema de restricciones t
ecnicas:
+a31 y3+
+a32 y3+
+a33 y3+
+a34 y3+
La otra inecuaci
on, vista de una forma u otra, genera a su vez en e problema
dual la variable y3 y, por lo tanto:
un t
ermino en la funci
on objetivo: b3 y3
una columna en el sistema de restricciones t
ecnicas:
a31 y3
a32 y3
a33 y3
a34 y3
Por lo que, la resricci
on a nivel de igualdad del problema primal genera en el
problema dual:
dos t
erminos en la funci
on objetivo: b3 (y3+ + y3 )
dos columnaa en el sistema de restricciones t
ecnicas:
+a31 y3+ + a31 y3
+a32 y3+ + a32 y3
+a33 y3+ + a33 y3
+a34 y3+ + a34 y3
Efectuando un cambio de variable:
y3 = y3+ y3
y3 ser
a libre se signo siempre que y3+ y y3 sean no negativas y, adem
as, no
puedan estar ambas en la soluci
on del problema. En dicho caso:
1. si y3+ 0 y y3 = 0 y 3 = y3+ 0
2. si y3 0 y y3+ = 0 y 3 = y3 0
Las dos condiciones anteriores se cumplen ya que:
se parte de un problema primal con restricciones t
ecnicas de desigualdad, lo que genera en el problema dual variables no negativas, es decir
y3+ 0 y y3 0.
el criterio del simplex de la variable y+3 respecto a cualquier soluci
on
b
asica es
V B y3+ = b3 cBB1 (a31 , a32 , a33 , a34 )T
el criterio del simplex de la variable y-3 respecto a cualquier soluci
on
b
asica es
V B y3 = b3 cBB1 (a31 , a32 , a33 , a34 )T
124
+
on s interesa introducir y3 .
y3 , y si no interesa introducir y3 en la soluci
Cuando una de las variables pertenece a la soluci
on, por ejemplo y3 , el criterio del simplex de ambas variables tiene un valor de V B y3+ = 0 y V B y3 = 0
pero al analizar el vector de tasas de sustituci
on se comprueba que Py3+ =
(0, ..., 1, ..., 0)T y P y3 = (0, ..., 1, ..., 0)T por lo cual no es posible sustituir
y3+ por y3 sin que la soluci
on deje de ser factible. Con lo que se comprueba
que una restricci
on de igualdad en el problema primal genera en el problema
dual una variable libre de signo. En el epgrafe anterior se comprobaba que el
problema dual de un problema dual es el problema primal, por lo cual ya se
puede armar que una variable libre de signo en el problema primal genera
una restricci
on de igualdad en el problema dual.
14.2.4.
La funci
on objetivo
El valor de la funci
on objetivo para cualquier soluci
on factible del problema primal es una cota inferior del valor de la funci
on objetivo para cualquier soluci
on
factible del problema dual.
Es decir: z0 s 0
En efecto, se parte de las dos soluciones factibles de los dos problemas asociados primal y dual x 0 e y 0 para las cuales el valor de cada funci
on objetivo
es
z0 = cx 0 s 0 = y 0 b
on del problema primal se cumple que Ax 0 b al
adem
as, al ser x 0 soluci
premultiplicar por y 0 la expresi
on anterior, como y 0 se factible, se cumple
que:
y 0 Ax 0 y 0 b
on del problema dual se cumple que y 0 AT c
Por otra parte, al ser y 0 soluci
0
al postmultiplicar por x la expresi
on anterior, como x 0 es factible, se cumple
que:
y 0 Ax 0 cx 0
De ambas expresiones se obtiene que:
cx 0 y 0 Ax 0 y 0 b
es decir:
z0 = cx 0 y 0 b = s 0
luego:
z0 s 0
125
s 0 dual
z0 s 0
z0 primal
Corolario 1. El valor de la funci
on objetivo del problema primal de m
aximo
para cualquier soluci
on factible es una cota inferior del mnimo valor de la
funci
on objetivo del dual, y reciprocamente, el valor de la funci
on objetivo del
problema dual de mnimo para cualquier soluci
on factible dual es una cota
superior del m
aximo valor de la funci
on objetivo del primal.
Corolario 2. Si el problema primal es factible y su soluci
on es no acotada,
(z ), entonces el problema dual no tiene soluci
on. An
alogamente, si el
problema dual es factible pero con soluci
on no acotada, (s ), entonces el
problema primal no tiene soluci
on factible.
14.2.5.
126
14.2.6.
optima de dicho problema. El teorema de las holguras complementarias permite conocer el valor del resto de las componentes de la soluci
on del problema
dual.
La demostraci
on del teorema de las holguras complementarias se realizar
a para las soluciones
optimas de los problemas duales asociados aunque se cumple
para todas las soluciones intermedias. Se parte del conocimiento de las dos soluciones
optimas de los problemas duales correspondientes, x e y .
127
- como y es la soluci
on
optima del problema dual
y A c cy A 0
y el producto de un n
umero positivo por un n
umero negativo es un
n
umero negativo.
2. y (bAx )
- como y es la soluci
on
optima del problema primal y 0
- como x es la soluci
on
optima del problema dual
Ax b bAx 0
y el producto de un n
umero positivo por un n
umero positivo es un n
umero
positivo.
Por lo cual:
1. (cy A) x = 0
2. y (bAx ) = 0
Veamos ambas expresiones.
(1) (cy A) x = 0 . Para analizar esta expresi
on vectorial se identica uno de
sus t
erminos:
(cj y Aj )xj = 0
Si cj y Aj < 0, la restricci
on del dual no se cumple como igualdad y,
por lo tanto, la holgura , yhj , de la restricci
on forma parte de la soluci
on
128
transformado en igualdad,
cj y Aj + yhj = 0
luego
yhj = (cj y Aj ) = (cj B Aj ) = VxB
j
que es mayor que cero ya que el criterio del simplex de una variable no
b
asica en la soluci
on
optima del problema es negativo.
Si xj > 0, es decir xj pertenece a la soluci
on
optima del problema primal,
entonces cj y Aj = 0, es decir la restricci
on que genera la variable xj en
el problema dual se cumple como una igualdad y, por lo tanto, la variable
de holgura correspondiente no forma parte de la soluci
on
optima del
problema, ya que:
cj y Aj 0 cj y Aj + yhj = 0
y como:
cj y Aj = 0 yhj = 0
Adem
as, como yhj = VxB se comprueba que yhj = 0 ya que el criterio
j
14.3.
Interpretaci
on econ
omica de las variables duales en el
optimo
129
soluci
on b
asica factible y
optima no degenerada de [P] e y (calculada como
y = B = cB B 1 ) podemos escribir:
z(x) = c1 x 1 + c2 x 2 + + cn x n = y 1 b1 + y 2 + + y m bm = s(y)
Vamos a supoer ahora que se modica un recurso, por ejemplo b1 , en una cantidad peque
na b1 , de manera que la soluci
on
optima del problema primal
siga siendo factible, y en consecuencia
optima (c cB B 1 A no vara). Es decir,
de manera tal que
b1
1
) 0
B (b +
...
0
Consideremos ahora los problemas [P1] y [D1], donde [P1] es el problema
primal en el que se ha cambiado b por b + (b1 , 0, . . . , 0)T y [D1] es su
tiene la mismas variables b
dual. La soluci
on
optima de [P1], x,
asicas que x
(por la elecci
on de b1 ) y el valor que toma la parte b
asica de dicha solu B = B 1 [b + (b1, 0, , 0)T ], por otro lado la soluci
ci
on es u
on de [D1] es
B
no han cambiado entonces B sigue
= = c B B 1 , las variables b
asicas de x
y
= y, teniendo en cuenta estos hechos tenemos
siendo la misma que antes y y
que:
= c1 x
1 (b1 + b1 ) + y
2 + + y
m bm =
1 + c2 x
2 + + cn x
n = y
z(x)
= (y 1 b1 + y 2 + + y m bm ) + yb1 = S(y) + yb1 = Z((x)) + yb1
ptimo de la variable dual y 1
De esta expresi
on se desprende que el valor o
asociada a la primera restricci
on del problema primal representa la cantidad
en la que se modica el valor de la funci
on objetivo de [P] por cada unidad
adicional de recurso 1 (siempre que la modicaci
on mantenga la base
optima).
Esto puede hacerse en general para cualquier recurso bi del problema primal.
Teniendo en cuenta esto, si nos situamos, por ejemplo, en un problema primal
de m
aximo con restricciones de tipo , lo resolvemos y calculamos la soluci
on
del problema dual, entonces los valores
optimos de las variables duales (que
son 0) representan la variaci
on unitaria de la funci
on objetivo del primal por
cada unidad adicional del recurso correspondiente que pudieramos conseguir.
Esto nos permite tambi
en interpretar dichos valores como la mayor cantidad
que estaramos dispuestos a pagar por una unidad adicional de recurso.
130
14.4.
131