Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Investigacion de Operaciones I
Investigacion de Operaciones I
O) y
formulacin de modelos
Nacida durante la Segunda Guerra Mundial, la investigacin de operaciones es una ciencia que
modela problemas complejos haciendo uso de las matemticas y la lgica. La investigacin de
operaciones permite el anlisis de la toma de decisiones teniendo en cuenta la escasez de
recursos, para determinar cmo se pueden maximizar o minimizar los recursos. El mtodo ms
La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos
inicialmente de una manera vaga.
Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y
el desarrollo de un resumen bien definido del problema que se va a analizar.
Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer,
las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes
cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de
definir el problema es crucial ya que afectar en forma significativa la relevancia de las
conclusiones del estudio. Es difcil extraer una respuesta correcta a partir de un problema
equivocado!
Algunas personas se veran tentadas a aplicar mtodos matemticos a cuanto problema se
presente, pero es que Acaso siempre es necesario llegar al ptimo? Podra ser ms caro el
modelar y el llegar al ptimo que a la larga no nos d un margen de ganancias muy superior al
que ya tenemos. Tmese el siguiente ejemplo: La empresa EMX aplica I.O. y gasta por el
estudio y el desarrollo de la aplicacin $100 pero luego de aplicar el modelo observa que la
mejora no es muy diferente a la que actualmente tenemos. Luego, podramos indicar que la
investigacin de operaciones slo se aplicar en los problemas para los cuales el buen sentido
se revela impotente:
De igual manera, la I.O. es til cuando en los fenmenos estudiados interviene el azar.
La nocin de esperanza matemtica y la teora de procesos estocsticos suministran la
herramienta necesaria para construir el cuadro en el cual se optimizar la funcin
econmica. Dentro de este tipo de fenmenos se encuentran las lneas de espera, los
inventarios con demanda probabilstica.
Cuando observamos que los mtodos cientficos resultan engorrosos para nuestro
conjunto de datos, tenemos una opcin adicional, simular tanto el comportamiento
actual as como las propuestas y ver si hay mejoras sustanciales. Las simulaciones son
experiencias artificiales.
PROBLEMA
pueden realizar tantas auditoras como se desee, pero el mximo de liquidaciones mensuales
disponibles es de 60.
OBJETIVO : Maximizar los ingresos totales
VARIABLE DE DECISION:
X1 = Cantidad de auditoras
X2 = Cantidad de liquidaciones
RESTRICCIONES : Tiempo disponible para trabajo directo
Tiempo disponible para trabajo de revisin
Nmero mximo de liquidaciones
Maximizar
PROBLEMA 3.
Una empresa manufacturera est considerando dedicar su capacidad a fabricar 3 productos;
llammoslos productos 1, 2 y 3. La capacidad disponible de las mquinas que podra limitar la
produccin se resume en la siguiente tabla:
Tipo de Mquina
Tiempo Disponible (horas mquin)
Fresadora
500
Torno
350
Rectificadora
150
El nmero de horas requeridas por cada unidad de los productos respectivos es:
Tipo de Mquina
Producto 1
Producto 2
Producto 3
El departamento de ventas indica que el potencial de ventas para los productos 1 y 2 es mayor
que la tasa de produccin mxima y que el potencial de ventas para el producto 3 es de 20
unidades por semana. La utilidad unitaria sera de 30, 12 y 15 dls., respectivamente, para los
productos 1, 2 y 3.
Formlese el modelo de programacin lineal para determinar cuanto debe producir la empresa
de cada producto para maximizar la utilidad.
OBJETIVO : Maximizar la utilidad
VARIABLE DE DECISION: Cantidad a fabricar del producto 1. (X1).
Cantidad a fabricar del producto 2. (X2).
Cantidad a fabricar del producto 3. (X3).
RESTRICCIONES : Capacidad disponible para produccin de cada mquina (3 restricciones)
Potencial de ventas para el producto 3. (1 restriccin)
Maximizar
(7)
El sistema de desigualdades (7) define la regin plana S que aparece en la figura 5. Cada
punto de S es un candidato para resolver este problema y se conoce
funcin objetivo P. Tal solucin factible es una solucin ptima y constituyen la solucin del
problema de programacin lineal en cuestin.
Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solucin ptima
del problema en cuestin, por ejemplo, es fcil ver que el punto (200, 150) est en S y, por lo
tanto, entra en la competencia. El valor de la funcin objetivo P en el punto (200,150) est dado
por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P correspondiente a
cada punto de S, entonces el punto (o los puntos) en S que proporcione el valor mximo de P
formar el conjunto solucin buscado. Por desgracia, en la mayora de los problemas, la
cantidad de candidatos es demasiado grande o, como en este problema, es infinita. As este
mtodo no es adecuado. Es mejor cambiar de punto de vista: en vez de buscar el valor de la
funcin objetivo P en un punto factible, se asignar un valor a la funcin P y se buscarn los
puntos factibles que correspondieran a un valor dado de P. Para esto supngase que se
asigna a P el valor 6000. Entonces la funcin objetivo se convierte en 40x+ 30y = 6.000,una
ecuacin lineal en x e y; por lo tanto, tiene como grfica una lnea recta L1 en el plano.
Est claro que a cada punto del segmento de recta dado por la interseccin de la lnea
recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso, pero
ahora asignando a P el valor de 12.000, se obtiene la ecuacin 40x+ 30y =12.000 y la recta L2
lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de P.
Obsrvese que la recta L2 es paralela a L1, pues ambas tienen una pendiente igual a 4/3. Esto
se comprueba con facilidad escribiendo las ecuaciones en explcita de la recta. En general, al
asignar diversos valores a la funcin objetivo, se obtiene una familia de rectas paralelas, cada
una con pendiente igual a 4/3. Adems, una recta correspondiente a un valor mayor de P est
ms alejada del origen que una recta con un valor menor de P. El significado es claro. Para
obtener las soluciones ptimas de este problema, se encuentra la recta perteneciente a esta
familia que se encuentra ms lejos del origen y que interseque al conjunto factible S. La recta
requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de modo que la solucin de
este problema est dado por x=320, y=160 ( es decir que el granjero Lpez deber sembrar
320 hectreas de maz y 160 hectreas de trigo), lo que produce el valor mximo
P=40(320)+30(160)=17.600.
No es casualidad que la solucin ptima de este problema aparezca como vrtice del
conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema bsico de la
programacin lineal, que se enuncia sin demostracin.
Teorema 1
Si en problema de programacin lineal tiene una solucin, entonces sta debe aparecer en un
vrtice, o esquina, del conjunto factible S asociado con el problema. Adems, si la funcin objetivo
P se optimiza en dos vrtices adyacente de S, entonces se optimiza en todos los puntos del
segmento de recta que une estos vrtices, en cuyo caso existe una infinidad de soluciones al
problema
En nuestro ejemplo los nicos vrtice del conjunto factible S son los puntos coordenados:
(0,0); (400,0); (320,160); (0,480), llamados tambin puntos esquinas (Fig. 6).
Un ejemplo en el que tendramos infinitas soluciones, es:
VERTICE P=40x+40y Supngase que la utilidad por hectreas es de $40 para ambos, maz y trigo.
La tabla para este caso muestra la misma utilidad total en los vrtices(0,480)
(0,0)
0
y (320,160). Esto significa que la lnea de utilidad en movimiento abandona la
regin sombreada por el lado determinado por esos vrtices (adyacentes) ,
(0,480)
19.200
as todo punto en ese lado da una utilidad mxima. Todava es vlido, sin
embargo, que la utilidad mxima ocurre en un vrtice.
(320,160)
19.200
(400,0)
16.000
problema. Como un conjunto factible S tiene un nmero finito de vrtices, el teorema sugiere
que las soluciones a un problema de programacin lineal se puedan hallar inspeccionando los
valores de la funcin objetivo P en los vrtices.
Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solucin de un
problema de programacin lineal, no indica cundo tiene solucin. El siguiente teorema
establece ciertas condiciones que garantizan la existencia de la solucin de un problema de
programacin lineal.
Teorema 2:
Existencia
de una
solucin
El mtodo utilizado para resolver el problema del granjero Lpez recibe el nombre de mtodo
de las esquinas. Este mtodo sigue un procedimiento muy sencillo para resolver los
problemas de programacin lineal basado en el teorema1.
Mtodo de 1.
Se grafica el conjunto factible.
las
2.
Se encuentran las coordenadas de todas las esquinas (vrtices) del
esquinas
conjunto factible.
3. Se evala la funcin objetivo en cada esquina.
4. Se halla el vrtice que proporcione el mximo (mnimo) de la funcin objetivo.
Si slo existe un vrtice con esta propiedad, entonces constituye una solucin
nica del problema. Si la funcin objetivo se maximiza (minimiza) en dos
esquinas adyacentes de S, entonces existe una infinidad de soluciones ptimas
dadas por los puntos del segmento de recta determinado por estos dos vrtices.
Aplicaremos los conceptos antes emitidos al siguiente problema de nutricin, basado en los
requerimientos, en el cual hay que minimizar la funcin objetivo
El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en
los que intervienen tres o ms variables.
El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del mtodo simplex.
Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el
siguiente problema:
Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 18
2x + 3y 42
3x + y 24
x0 , y 0
Se consideran las siguientes fases:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24
2. Igualar la funcin objetivo a cero
- 3x - 2y + Z = 0
3. Escribir la tabla inicial simplex
En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de
las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la
funcin objetivo:
Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin
xyhsd
h 2 1 1 0 0 18 s 2 3 0 1 0 42 d 3 1 0 0 1 24 Z 3 2 0 0 0 0
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la
base
Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los
coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor
(en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms
coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de
ellos.
Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la
solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo
del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable
que entra en la base se llama columna pivote (En color azulado).
Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de
la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote,
siempre que estos ltimos sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de
que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin
no acotada y no se puede seguir.
El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo,
el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se
llama fila pivote (En color azulado).
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables
correspondientes pueden salir de la base. En la interseccin de la fila pivote y columna pivote
tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que convertir en 1.
A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su
columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la
funcin objetivo Z.
Tambin se puede hacer utilizando el siguiente esquema:
Fila del pivote:
Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X
(Nueva fila del pivote)
Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Vieja fila de s 2 3 0 1 0 42
-----Coeficiente 2 2 2 2 2 2
xxxxxx
Nueva fila pivote 1 1/3 0 0 1/3 8
======
Nueva fila de s 0 7/3 0 1 2/3 26
Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin
xyhsd
Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin objetivo
en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables iniciales y de
holgura.
En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha
calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0. A continuacin se
desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla
II. En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0):
Z=f(8,0) = 24 . Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de
la Tabla III. En esta tercera iteracin se ha calculado el valor que corresponde al vrtice C(6,6) :
Z=f(6,6)=30.
Continua haciendo clculos a travs de la arista CD, hasta llegar al vrtice D. Los datos que se
reflejan son los de la Tabla IV. Concluye con esta tabla, advirtiendo que ha terminado (antes ha
comprobado que la solucin no mejora al desplazarse por la arista DE) El valor mximo de la
funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice D). Si calculas el valor de la
funcin objetivo en el vrtice E(0,14), su valor no supera el valor 33.
EL METODO SIMPLEX El mtodo del simplex fue creado en 1947 por el matemtico George
Dantzig . El mtodo del simplex se utiliza, sobre todo, para resolver problemas de
programacin lineal en los que intervienen tres o ms variables.
El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del mtodo simplex.
Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso
concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la
funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro
vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono
(o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices
(y de aristas) es finito, siempre se podr encontrar la solucin.
El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su
valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f
aumenta. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a
resolver el siguiente problema:
Maximizar Z= f(x,y)= 3x + 2y
sujeto a: 2x + y 18
2x + 3y 42
3x + y 24
x0,y 0
Se consideran las siguientes fases:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18
2x + 3y + s = 42
3x +y + d = 24
2. Igualar la funcin objetivo a cero
- 3x - 2y + Z = 0
3. Escribir la tabla inicial simplex
En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de
las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la
funcin objetivo: Tabla I . Iteracin n 1 . Base Variable de decisin Variable de holgura Valores
solucin
x
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 3 1 0 0 1 24
Z 3 2 0 0 0 0
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la
base
A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de
los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo
mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3.
Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se
elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo,
significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del
proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos
negativos. La columna de la variable que entra en la base se llama columna pivote (En color
azulado). B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada
trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna
pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de
que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin
no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d
lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura
que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los
cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes
pueden salir de la base. C. En la interseccin de la fila pivote y columna pivote tenemos el
elemento pivote operacional, 3.
5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que convertir en 1.
Coeficiente 2 2 2 2 2 2
x
h 0 1/3 1 0 2/3 2
s 0 7/3 0 1 2/3 26
x 1 1/3 0 0 1/3 8
Z 0 1 0 0 1 24
Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado
todava a la solucin ptima. Hay que repetir el proceso:
A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente 1
B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:
2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8]
y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h.
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma anloga a la anterior obtenemos la tabla:
Tabla III . Iteracin n 3
Base Variable de decisin Variable de holgura Valores solucin
x
y 0 1 3 0 2 6
s 0 0 7 0 4 12
x 1 0 1 0 1 6
Z 0 0 3 0 1 30
Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado
todava a la solucin ptima. Hay que repetir el proceso:
A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente 1
B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:
6/(2) [=3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s.
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Tabla IV . Final del proceso
Base Variable de decisin Variable de holgura Valores solucin
x
y 0 1 1/2 0 0 12
d 0 0 7/4 0 1 3
x 1 0 3/4 0 0 3
Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la
solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores
solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se
alcanza, observando las filas correspondientes a las variables de decisin que han entrado en
la base: D(3,12)
ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que trata
de minimizar la suma de las variables artificiales. Una vez resuelto este primer problema y
reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el mtodo
Simplex normal.
FASE 1
En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal,
excepto la construccin de la primera tabla, la condicin de parada y la preparacin de la tabla
que pasar a la fase 2.
- Construccin de la primera tabla: Se hace de la misma forma que la tabla inicial del mtodo
Simplex, pero con algunas diferencias. La fila de la funcin objetivo cambia para la primera
fase, ya que cambia la funcin objetivo, por lo tanto aparecern todos los trminos a cero
excepto aquellos que sean variables artificiales, que tendrn valor -1 debido a que se est
minimizando la suma de dichas variables (recuerde que minimizar F es igual que maximizar
F(1)).
La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora tendremos
que hacer el clculo de la siguiente forma: Se sumarn los productos CbPj para todas las filas
y al resultado se le restar el valor que aparezca (segn la columna que se ste haciendo) en
la fila de la funcin objetivo.
Tabla
C0 C1 C2 Cn-k Cn
Base Cb P0 P1 P2 Pn-k Pn Pi1 Ci1 bi1 a11 a12 a1n-k a1n Pi2 Ci2 bi2 a21 a22
a2n-k a2n Pim Cim bim am1 am2 amn-k amn Z Z0 Z1 Z2
Z2 Zn
Siendo Zj = (CbPj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de
decisin, holgura y exceso), y Cj = 1 para todo j comprendido entre n-k y n (variables
artificiales).
- Condicin de parada: La condicin de parada es la misma que en el mtodo Simplex normal.
La diferencia estriba en que pueden ocurrir dos casos cuando se produce la parada: la funcin
toma un valor 0, que significa que el problema original tiene solucin, o que tome un valor
distinto, indicando que nuestro modelo no tiene solucin.
- Eliminar Columna de
problema original tiene
Deberemos eliminar las
objetivo por la original, y
1.
FASE 1. Formule un nuevo problema reemplazando la funcin objetivo por la suma de las
variables artificiales. La nueva funcin objetivo se minimiza sujeta a las restricciones del
problema original. Si el problema tiene un espacio factible el valor mnimo de la funcin objetivo
ptima ser cero, lo cual indica que todas las variables artificiales son cero. En este momento
pasamos a la fase 2.
FASE 2. Utilice la solucin ptima de la fase 1 como solucin de inicio para el problema
original. En este caso, la funcin objetivo original se expresa en trminos de las variables no
bsicas utilizando las eliminaciones usuales Gauss-Jordan.
Dada la base factible B, hay que evaluar si alguna variable no bsica Xj puede entrar a la base
para mejorar la funcin objetivo; para ello utilizamos el costo reducido:
Zj Cj =CB B aj Cj
El vector CB est formado por los coeficientes de la funcin objetivo de las variables y B aj
representa el vector aj en trminos de la actual base. El mtodo del simplex revisado no cambia
los vectores yj en cada tabla como el bsico, sino que utiliza siempre el vector aj inicial con los
multiplicadores del simples: S= CB B
que si cambian con la base. Es claro que se alcanza una solucin ptima cuando:
S aJ-CJ
0 para todo j
La seleccin de la variable de salida se hace con el mismo criterio que en el simplex bsico: si
Xk es la variable seleccionada para entrar a la base, la columna pivote es B ak y los valores
actuales de las variables bsicas B b. Se aplica la regla de la mnima razn a estos elementos,
que dando as determinada la variable Xr que sale de la base. Finalmente, la nueva matriz
bsica se obtiene sustituyendo la columna ar por la ak en la anterior matriz B. Ejemplo:
MAX Z = 2 X1 + X2 + 3 X3
Con sus restricciones:
Z1 C1 = 2; Z2 C2 = 1; Z3 C3 = 3
El valor que ms se aleja de cero (0) por la izquierda es Z3 C3: X3 es la variable que entra a
la base; la razn mnima es 8/2, luego S2 es la variable que sale de la base.
Las variables bsicas son ahora (S1, X3) con matriz bsica (sustituyendo a5 por a3):
sea el rea de la empresa sobre la cual se presente la incertidumbre. Existen casos especiales
de solucin de problemas por medio del simplex, tales como:
Soluciones Mltiples
Solucin Degenerada
Solucin Infactible
Sin Solucin
A continuacin se presenta un anlisis detallado de cada caso especial de solucin con un
ejemplo prctico.
CASO DE SOLUCIONES MLTIPLES
Cuando la funcin objetivo es paralela a una restriccin que se satisface en el sentido de la
igualdad a travs de la solucin ptima, la funcin objetivo tomar el mismo valor ptimo en
ms de un punto de la solucin. Por esta razn reciben el nombre de Mltiples alternativas
ptimas.
CASO DE SOLUCIN DEGENERADA
La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe un empate en la
seleccin de la variable que sale. Este empate se rompe arbitrariamente. En este caso decimos
que la nueva solucin es degenerada. Sin embargo, cuando suceda esto una o ms veces de
las variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En el mtodo
simplex, la presencia de una variable bsica igual a cero, no requiere ninguna accin especial;
en todo caso, es necesario no descuidar las condiciones de degeneracin. En trminos
geomtricos, la degeneracin ocurre cuando un vrtice est definido por demasiadas
restricciones.
CASO DE SOLUCIN INFACTIBLE
En un modelo de Programacin Lineal, cuando las restricciones no se pueden satisfacer en
forma simultnea, se dice que este no tiene solucin factible. Esta situacin nunca puede
ocurrir si todas las restricciones son del tipo MENOR O IGUAL ( ), esto, suponiendo valores
positivos en el segundo miembro, ya que las variables de holgura producen siempre una
solucin factible. Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos
al uso de variables artificiales, que por su mismo diseo no ofrecen una solucin factible al
modelo original. Aunque se hacen provisiones (a travs del uso de penalizaciones) para hacer
que estas variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo
tiene una espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la
iteracin ptima. Desde el punto de vista prctico, un espacio infactible, apunta a la posibilidad
de que el modelo no se haya formulado correctamente, en virtud de que las restricciones estn
en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en forma
simultnea. En este caso, quizs se necesite una estructura del modelo totalmente diferente
que no admita todas las restricciones al mismo tiempo.
CASO DE NO SOLUCIN
En algunos modelos de Programacin Lineal, los valores de las variables, se pueden aumentar
en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin
solucin cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puede
crecer (Maximizacin) o decrecer (Minimizacin) en forma indefinida. En este caso, decimos
que el espacio en el cual se espera sea resuelto el modelo, y el valor ptimo de la funcin
objetivo no tiene solucin. La falta de explicacin de un modelo puede sealar solo una cosa,
que este se encuentra mal construido. Evidentemente resulta irracional hacer que un modelo
produzca una ganancia infinita. Las irregularidades ms probables en este modelo son: 1. No
se toman en cuenta una o ms restricciones redundantes
2. No se determinan adecuadamente los parmetros (constantes) de alguna restriccin.
Todo problema de Programacin Lineal tiene asociado un segundo problema, conocido como
su problema Dual. Ambos estn relacionados estrechamente, hasta el punto de que el modelo
de uno puede obtenerse a partir del modelo del otro y la solucin ptima del modelo del primero
proporciona informacin completa acerca de la solucin ptima del segundo.
Una de las ventajas de la existencia del problema dual es la posibilidad de reducir el esfuerzo
computacional al resolver ciertos modelos de Programacin Lineal. Pero ms importante an
es la relacin que existe entre la dualidad y el anlisis de sensibilidad, tema del prximo
capitulo, el cual estudia el efecto que las variaciones en los parmetros de un modelo tienen en
la solucin ptima de este. Adems, los valores ptimos de las variables del modelo dual
suministran informacin econmica muy importante acerca del valor implcito de los recursos
que se utilizan en el problema que se esta resolviendo.
El matemtico norteamericano John Von Neumann fue el primero en destacar la existencia de
la dualidad en la programacin lineal y a partir de all el concepto se ha usado en una gran
variedad de reas tericas y prcticas de la misma. Para comprender el concepto de dualidad
analicemos los dos casos siguientes.
CONCEPTUALIZACION DE LA DUALIDAD - CASO 1
Una compaa produce dos tipos de artculo; la unidad del tipo 1 se vende a $106 y la del tipo 2
a $144.
Para el presente mes la empresa cuenta con 2000 minutos de mano de obra en el
departamento de ensamble, 1800 en el departamento de revisin y con 1000 en el
departamento de empaque.
El nmero de minutos requeridos en cada departamento para la fabricacin de una unidad de
cada uno de los artculos se da en la siguiente tabla:
Tipo de producto Operacin
Ensamble Revision Empaque
Tipo 1 3 2 1
Tipo 2 2 3 2
El pago por minuto es de $10 a los trabajadores del departamento de ensamble, $8 a los de
revisin y de $20 a los del departamento de empaque.
El administrador de la empresa desea determinar cul es el programa de produccin que
maximiza la utilidad total en el mes.
Construccin del modelo
Definamos a Xi como el nmero de artculos de tipo i que se deben producir mensualmente.
Para plantear la funcin del objetivo calculemos primero la utilidad unitaria de cada tipo de
artculo, as:
Tipo de producto
Tipo 1
Tipo 2
84
con
2X1
+3X2
<
1800
(Minuto de revision)
1X1
+2X2
<
1000
(Minutos de empaque)
X1,X2
=35.000
Como se acaba de decir no se pueden fabricar ms artculos ya que se agotaron los recursos,
pero aparece entonces la inquietud de que si fuera posible disponer de minutos adicionales en
alguno de los departamentos del proceso, se pudieran fabricar ms artculos aumentando as
las utilidades del periodo.
Con el fin de conocer cmo vara la utilidad (y la solucin) al aumentar la disponibilidad de cada
recurso, vamos a efectuar clculos para tres situaciones diferentes. Primera, cuando
consideramos que se aumenta en un minuto la capacidad de ensamble mientras los minutos de
revisin y de empaque permanecen constantes, segunda cuando aumentamos en un minuto la
capacidad de empaque, pero mantenemos invariable la capacidad de revisin y de ensamble y
finalmente cuando aumentamos en uno los minutos de revisin, dejando invariable la cantidad
de minutos de ensamble y de empaque.
Aumento en la capacidad de ensamble
Al aumentar en un minuto la capacidad de ensamble, el modelo queda:
Maximizar Utilidad = 40X1 + 60X2
Sujeto a : 3X1 +2X2 < 2001
2X1
+3X2
<
1800
1X1
+2X2
<
1000
+3X2
<
1800
1X1
+2X2
<
1001
+2X2
<
2000
2X1
+3X2
<
1801
1X1
+2X2
<
1000
3Y2
con
Y1,Y2, Y3
+ 2Y3
1800
$/unidad del P2
debe asombrarnos, ya que el planteamiento del problema lo sugera, pero s son novedad los
valores ptimos de las variables de este nuevo modelo, puesto que coinciden con los valores
de las utilidades marginales de los recursos del problema de mezcla de produccin, analizado
en primera instancia.
El administrador de la empresa sabe ahora que si otro empresario desea comprarle sus
recursos, lo mnimo que debe cobrarle es $15 por cada minuto de ensamble (= 10 + 5; suma de
lo que debe pagar a sus operarios y lo que debe obtener de utilidad), $45 por cada minuto de
empaque (= 20 + 25). En cambio, por cada minuto de revisin solo debe cobrar los mismos $8
(= 8 + 0; suma de lo que debe pagar a sus operarios y lo que debe obtener de utilidad). Pero
recordemos que estos precios solo son vlidos para cierto intervalo, que conoceremos en el
prximo capitulo, por fuera del cual cambia la mezcla ptima de productos y tambin el valor de
las utilidades marginales. (Una vez obtenidos estos nuevos valores, tanto de las variables
bsicas, como de la utilidades marginales, se puede hacer un balance de ingresos y costos
similar al que hicimos para el problema presentado como ejemplo. Para la situacin actual, si
los precios en el mercado son inferiores a $15, a $45, o a $8, no es conveniente vender los
recursos, pero tericamente cuando son superiores, resultara mas rentable venderlos a otro
que utilizarlos en el proceso productivo.
EL MODELO DUAL
Consideremos conjuntamente los modelos correspondientes a los dos enfoques del problema
que estamos analizando.
El primero busca determinar cuntas unidades producir de cada tipo de artculo para maximizar
la ganancia al utilizar unos recursos:
Maximizar Utilidad = 40X1 + 60X2
Sujeto a : 3X1 +2X2 < 2000
2X1
+3X2
<
1800
1X1
+2X2
<
1000
X1,X2
con
El segundo pretende hallar la ganancia mnima que debo fijar por unidad de cada recurso, para
obtener la mnima ganancia total que sea aceptable en lugar de producir artculos con los
recursos.
Minimizar Utilidad = 2000Y1 + 1800Y2 + 1000Y3
Sujeto a : 3Y1 + 2Y2 + 1Y3 40 $/unidad del P1
2Y1
3Y2
con
Y1,Y2, Y3
+ 2Y3
60
$/unidad del P2
Hemos observado que ambos problemas tienen soluciones ptimas que producen igual valor
de la funcin objetivo. Adems mientras que uno enfoca el problema desde el punto de vista de
los artculos (variables de decisin Xi), el otro lo analiza desde el punto de vista de los recursos
(variables de decisin Y). Adems la solucin ptima del segundo coincide con las utilidades
marginales de los recursos calculadas en el punto ptimo del primero.
El primer enfoque da lugar al llamado modelo primo, mientras el segundo origina el modelo
conocido como modelo dual. Entre estos modelos existen mltiples relaciones que nos
permiten, por ejemplo, plantear uno de ellos a partir del otro u obtener la solucin ptima de
uno conociendo la solucin optima del otro. Pero como se mencion antes, quizs lo ms
importante es el significado econmico de las variables del problema dual, cuyos valores
ptimos representan las utilidades marginales de los recursos del problema primal.
Relaciones entre las modelos PRIMO y DUAL
Observando la estructura de ambos modelos podemos citar las siguientes relaciones entre
ellos.
1. Los coeficientes objetivo de uno son los coeficientes recurso del otro.
2. Los coeficientes recurso de uno son los coeficientes objetivo del otro.
3. La matriz de coeficientes tecnolgicos de uno es la transpuesta de la matriz de coeficientes
tecnolgicos del otro.
4. Ambos problemas estn en formato cannico, como lo comprueban ms en detalle las
siguientes caractersticas
4.1 El objetivo del primo es maximizar en cambio el objetivo del dual es minimizar.
4.2 Las restricciones del Primo son del tipo = , mientras que las del dual son del tipo =.
4.3 Las variables de ambos problemas estn restringidas a ser mayores o iguales que cero
CONCEPTUALIZACION DE LA DUALIDAD - CASO 2
Cierta dietista necesita preparar una comida que contenga determinados nutrientes, al menos
en las cantidades que se indican en la siguiente tabla. Dispone de tres ingredientes cuyos
costos y contenidos de cada nutriente (unidades por gramo de ingrediente) se dan en la misma
tabla.
Hemos visto como la programacin lineal puede ser usada para resolver una extensa variedad
de problemas propios de los negocios, ya sea para maximizar utilidades o minimizar costos.
Las variables de decisin en tales problemas fueron, por ejemplo, el nmero de productos a
producir, la cantidad de pesos a emplear, etc. En cada caso la solucin ptima no explic cmo
podran ser asignados los recursos (ejemplo: materia prima, capacidad de las mquinas, el
dinero, etc.) para obtener un objetivo establecido. En este captulo veremos que a cada
problema de programacin lineal se le asocia otro problema de programacin lineal, llamado el
problema de programacin dual. La solucin ptima del problema de programacin dual,
proporciona la siguiente informacin respecto del problema de programacin original: 1. La
solucin ptima del problema dual proporciona los precios en el mercado o los beneficios de los
recursos escasos asignados en el problema original. 2. La solucin ptima del problema dual
aporta la solucin ptima del problema original y viceversa. Normalmente llamamos al
problema de programacin lineal original el problema de programacin primal.
Relacin de la solucin ptima del problema dual con la solucin ptima del problema primo.La
relacin principal entre ellos es que tanto el problema primal como el dual buscan el valor
ptimo del sistema.
DUALIDAD
El dual es un problema de PL que se obtiene matemticamente de un modelo primal de PL
dado. Los problemas dual y primal estn relacionados a tal grado, que la solucin smplex
ptima de cualquiera de los dos problemas conduce en forma automtica a la solucin ptima
del otro. El mtodo smplex adems de resolver un problema de PL llegando a una solucin
ptima nos ofrece ms y mejores elementos para la toma de decisiones. La dualidad y el
anlisis de sensibilidad son potencialidades de ste mtodo.
En la mayora de los procedimiento de PL, el dual se define para varias formas del primal,
dependiendo de los tipos de restricciones, de los signos de las variables y del sentido de la
optimizacin. La experiencia nos indica que en ocasiones, los principiantes se confunden con
los detalles de esas definiciones. Ms importante an es que el uso de esas definiciones
mltiples puede conducir a interpretaciones inconsistentes de los datos en la tabla smplex,
sobre todo en lo que respecta a los signos de las variables.
El concepto de dualidad indica que para cada problema de PL hay una asociacin y una
relacin muy importante con otro problema de programacin lineal, llamado precisamente dual.
sujeto a;
Precio Sombra.- Se define como la proporcin con que mejora el valor de la funcin objetivo a
partir de la i - sima restriccin, dependiendo si se trata de maximizacin tiende a aumentar y a
disminuir cuando es de minimizacin. La interpretacin econmica de la dualidad se basa
directamente en la interpretacin ms frecuente del problema primal ( 16 ). Interpretacin del
problema dual. Para ver cmo la interpretacin del problema primal conduce a una
interpretacin econmica del problema dual. Notese el valor de Z como: Z = W1b1 + W2b2 +
W3b3 + + Wmbm donde cada bi Wi puede interpretarse como la contribucin a la ganancia
por disponer de bi unidades del recurso i.
Wi se interpreta como la contribucin a la ganancia por unidad del recurso i ( i = 1 , 2, . . . ,
m), cuando se usa el conjunto actual de variables bsicas para obtener la solucin primal.
Si le preguntaramos a un contador - uno que no tenga ni la menor idea de PL- que a partir de
la solucion al problema del enunciado I nos respondiera cual es el costo unitario de producir (y
vender) el bien 1 y el 2 muy probablemente nos mirara primero con cierta desconfianza - pero
si no hay precio de los insumos!!! - para luego , mas cautamente contestarnos que el costo de 1
, dado que se requiere una unidad del insumo A y una de B el costo unitario ( Cua) se
calcularia como Pa + Pb mientras que el costo unitario (Cub) del bien 2 se calcularia como 2Pa
+ Pb , toda vez que se requieren dos unidades de A y una de B por unidad de 2. Eso si se
conocieran los precios de los insumos A y B cosa que se desconoce. Con la misma
desconfianza nos responderia a que el costo total de producir ambos bienes seria igual a:
APa + BPb ( es decir 150Pa + 100Pb). Si finalmente le preguntamos si puede obtener esos
precios de los insumo si se asume que producir y vender 1 y 2 son actividades competitivas en
las cuales o bien no hay beneficio alguno o bien si hubiere perdidas no se produciria el bien, la
respuesta que daria seria : los precios que resuelven el siguiente conjunto de ecuaciones y V el
costo total resultante:
1 = Pa + Pb
1,6 = 2Pa + Pb
V = 150Pa + 100Pb
Hecho esto , nuestro contador nos diria que lo que acaba de hacer no es otra cosa que
imputar precios a los factores productivos , lo que determina que el costo total V sea igual al
ingreso total Z. Resolviendo el sistema anterior obtendria Pa = 0,6 , Pb = 0,4 y V = 130
restriccion a la produccion -por ejemplo si B fuera igual a 400- la adicion - o para el caso
sustraccion de una unidad de dicho insumo- no modificaria en absoluto el nivel optimo de
produccion- por lo que no adicionaria o sustraeria valor a la actividad desde el punto de vista
del economista o sea que el valor de este insumo pasaria a ser 0. Bajo estas circumstancias exceso o superabundancia de B si se prefiere-, el maximo ingreso se obtiene produciendo
solamente el bien 2 - con lo que se obtienen $ 150- . Desde la perspectiva de la PL si la
restricion 2da - la que corresponde a B - se cumple con desigualdad , de acuerdo al Teorema II
de Dualidad , la segunda variable del dual sera igual a 0 , esto es el precio de B - tal como lo
habria previsto el razonamiento economico. En cuanto a nuestro contador , al solamente
producirse el bien 1, ante igual interrogante que el efectuado arriba , este concluiria tambien
que Pb resultaria igual a 0 por cuanto el costo sin beneficios de la actividad 1, la no obtencion
de beneficios en las actividades restantes y la imputacion de todo el costo al ingreso generado
implicaria :
Pa + pb = 1 , 2Pa + Pb >= 1,6 y 150Pa +400Pb = 150
El unico conjunto de precios -no negativos- de los insumos que imputa correctamente- es decir
cumple con las tres condiciones anteriores es Pa = 1 y Pb =0 , el mismo resultado del
economista y del programador lineal.
donde b, c y aj son vectores respectivamente con las mismas dimensiones que los
vectores b, c, aj; , , son escalares que pueden tomar cualquier valor real. El anlisis de
sensibilidad que estudia los cambios continuos se denomina Programacin Paramtrica.
Para observar las variaciones que ocurren o no, vamos a ilustrar las diversas situaciones con el
siguiente ejemplo:
MAX Z = 50 X1+ 120 X2
Sujeta a:
Va a cambiar un nmero en la fila de Zj - Cj, desde Z*j - Cj hasta Z*j hasta C'j; la nueva
solucin sigue siendo factible ya que no se han cambiado las restricciones, ni los
recursos.Cuando hay un cambio en un Cj del primal, solamente cambia el lado derecho de la jsima restriccin del dual; puede ocurrir que la solucin ya no sea factible (una de las variables
bsicas ser menor que cero).La funcin objetivo va a asegurar una solucin ptima, porque
los recursos del primal no se han cambiado. Ejemplo:
Se cambia la funcin objetivo de:
MAX Z = 50 X1+ 120 X2
a:
MAX Z = 80 X1+ 120 X2
El cambio en la funcin objetivo en la variable X1 es 50 por 80. Este cambio tiene un efecto
sobre el valor de Z*j - Cj en el ptimo actual
Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 40; Z*= 2400
Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400 , valores que se pueden convertir en:
Si el valor actualizado de Z*j - Cj > 0 , la solucin ptima permanece igual a la del problema
inicial y en el problema dual solo cambia el valor de la variable de holgura S*1. Si el nuevo valor
de Z*j - Cj = 0, la solucin ptima permanece igual a la del problema inicial cuando se
presentan soluciones mltiples y en el problema dual solo cambia el valor de la variable de
holgura S*1 cuyo valor ser cero (0). Si el valor actualizado de Z*j - Cj < 0 la solucin deja de
ser ptima por lo cual se requiere la utilizacin del simplex, tomando X1 como la variable que
se convertir en variable bsica.
La solucin ptima actual es:
Primal: X*1 = 16; X*2 = 12; S*1 = 0; S*2 = 0; Z*= 2720
Dual: Y*1 = 28; Y*2 = 8; S*1= 0; S*2 = 0; W* = 2720
Para que se mantenga la solucin actual ptima y factible basta con plantear y resolver la
ecuacin que recalcula el valor de Z1 -C1, sabiendo que en el tablero ptimo el valor de C1
debe cumplir con la condicin que Z1 -C1 0, por lo cual C1 60.
Si Xj es bsica Z*j - Cj = 0 y Z*j - C'j 0, con lo cual se debe modificar la fila de Z -C en el ltimo
tablero y en algunos casos se debe variar toda la tabla, si la solucin del primal dej de ser la
ptima.En algunos casos cuando Z*j - C'j > 0, la solucin es an ptima.
La nueva solucin en el ptimo debe ser ptima o mejorar, pero en algunos casos puede no ser
factible. Ejemplo:
Cambiando la funcin objetivo de:
MAX Z = 50 X1+ 120 X2
a:
MAX Z = 50 X1+40 X2
El nuevo valor de Z*j - Cj corresponde a una variable bsica, cuyo valor ser cero (0).
La solucion Optima es:
Primal: X*1 = 16; X*2 = 12; S*1 = 0; S*2 = 0; Z*= 1280
Dual: Y*1 = 7; Y*2 = 12; S*1= 0; S*2 = 0; W* = 2720
Para que permanezca la solucin actual ptima y factible basta con plantear y resolver la
ecuacin que recalcula el valor de Z*j - Cj de cada una de las variables no bsicas, sabiendo
que en el tablero ptimo el valor de C1 debe cumplir con la condicin que Z*j - Cj 0, por lo
cual 4 C2 + .
Cambio en un bi (recurso):
Los nicos cambios posibles son en los lados derechos de las restricciones, porque estos lados
dan los valores de las variables de la base y stas se pueden volver negativas; cuando no hay
cambios en los Z*j - Cj, la solucin encontrada sigue siendo ptima.En el caso en que un bi se
vuelva negativo se debe emplear el dual simplex para solucionar el primal. Adems es posible
en el problema dual encontrar e interpretar el precio sombra (marginal) y los costos reducidos.
Ejemplo:
Cambiando la segunda restriccin de:
3 X1+X2
60
3 X1+X2
50
a:
En estos casos cambian los coeficientes de Xj en todas las filas del tablero; como Xj no es
bsica, si la fila Z -C > 0, la solucin sigue siendo ptima.
Es ms fcil investigar si la solucin anterior es todava ptima con el dual, ya que el nico
cambio es en la j-sima restriccin:
originales Y*1 = Z
no cambian; la solucin anterior es factible y an ptima si la nueva
restriccin no se viola. Ejemplo:
Cambiando la segunda restriccin de:
3 X1+X2
60
a:
X1+X2
60
0, por lo cual
Pero cuando los valores ptimos no satisfacen la nueva restriccin, concluimos que la solucin
ptima actual es infactible. La grfica 3 nos permite entender como lo que ocurri fue que la
nueva restriccin afect la regin de factibilidad del problema, eliminando de ella el sector que
incluye la solucin ptima actual. Debemos entonces encontrar la nueva solucin ptima que
corresponda a la nueva regin factible.
Efectuemos un anlisis del efecto. Supngase que agregamos al modelo la restriccin
am+1 , 1 X1 + am+1 , 2 X2 + ... + am+1 , nXn < bm+1
Para simplificar, definamos el vector fila Tm+1 que contenga todos los coeficientes tecnolgicos
am+1,j de la restriccin m+1 y escribamos la nueva restriccin como el siguiente producto escalar
holgura que se acaba de adicionar como nueva variable bsica, lo cual significa que la
solucin actual es infactible, al considerar la restriccin adicional
3. Utilizar el algoritmo Dual Simplex, para intercambiar la variable bsica negativa por
una positiva y obtener as una solucin ptima factible para el modelo aumentado con
la nueva restriccin.
El ltimo caso es aquel en el que debe introducirse al modelo una nueva restriccin despus de
que ya se ha resuelto. Este caso puede ocurrir porque se pas por alto la restriccin en un
principio o porque surgieron nuevas consideraciones despus de la formulacin original. Otra
posibilidad es que a propsito se haya eliminado la restriccin para disminuir el esfuerzo
computacional por parecer menos restrictiva que otras ya planteadas en el modelo, pero ahora
es necesario verificar esta impresin con la solucin ptima que se obtuvo. Para ver si la nueva
restriccin afecta a la solucin ptima actual, todo lo que tiene que hacerse es verificar
directamente si esa solucin ptima satisface la restriccin. Si es as, todava sera la mejor
solucin bsica factible (es decir, sera la solucin ptima), aun cuando se agregara la
restriccin al modelo. La razn es que una nueva restriccin slo puede eliminar algunas de las
soluciones factibles anteriores sin agregar ninguna. Si la nueva restriccin elimina la solucin
ptima actual, y si se quiere encontrar la nueva solucin, se introduce esta restriccin a la tabla
simplex final (como un rengln adicional) como si fuera la tabla inicial, en la que se designa la
variable usual (de holgura o artificial) como la variable bsica que corresponde a este nuevo
rengln. Como ste tal vez tenga coeficientes distintos de cero para algunas otras variables
bsicas, se debe aplicar la conversin a la forma apropiada de eliminacin de Gauss y despus
cl resto del procedimiento general. Igual que para algunos de los casos anteriores, este
procedimiento para el caso de una adicin de una nueva restriccin es una versin simplificada
del procedimiento general resumido anteriormente. La nica pregunta que hay que hacerse en
este caso es si la solucin ptima anterior es todava factible as que la prueba de optimalidad
se ha eliminado. La prueba de factibilidad se ha reemplazado por una prueba de factibilidad
mucho ms rpida (la solucin ptima anterior satisface la nueva restriccin?) que debe
realizarse justo despus de la revisin del modelo. Slo cuando la respuesta a esta prueba es
negativa y se quiere reoptimizar, se usan los siguientes pasos; revisin de la tabla simplex final,
conversin a la forma apropiada de eliminacin de Gauss, y reoptimizacin. EJEMPLO. Como
ejemplo de este caso, supngase que se introduce la nueva restriccin,
21 + 32 24,
Al modelo dado en la tabla 20. El efecto grfico se muestra en la figura 5. La solucin ptima
anterior (0, 9) viola la nueva restriccin, por lo que la solucin ptima cambia a (0, 8). Para
analizar este ejemplo algebraicamente, obsrvese que (0, 9) lleva a que 21 + 32 = 27 > 24,
entonces esta solucin ptima anterior ya no es factible. Para encontrar la nueva solucin
ptima, se agrega esta restriccin a la tabla simplex final actual, tal como se describi, con la
variable de holgura x6 como su variable bsica inicial. Esto lleva a la primera tabla que se
muestra en la tabla 23. El paso de conversin a la forma apropiada de eliminacin de Gauss
requiere restar el rengln 2 multiplicado por 3 del nuevo rengln, con lo que se identifica la
solucin bsica actual: x3 = 4, x2 = 9, x4 = 6, x6 = 3 (xl = 0, x5 = 0), como se muestra en la
segunda tabla. Cuando se aplica el mtodo dual simplex se obtiene en una sola iteracin
(algunas veces se necesitan ms) la nueva solucin ptima en la tabla final de la tabla |23.
Figura 5 Regin factible
Tabla23 Procedimiento de anlisis de sensibilidad
En este tipo de problemas se exige que toda la produccin sea distribuida a los centros de
ventas en las cantidades que precisa cada uno; por tanto, no pueden generarse inventario del
producto ni en las fbricas ni en los centros de ventas.
En consecuencia, los 800 artculos producidos en la fbrica I deben distribuirse en las
cantidades x, y, z a A, B y C, de manera que x + y + z = 800. Pero, adems, si desde I se
envan x unidades a A, el resto, hasta las 1000 necesarias en A, deben ser enviadas desde la
fbrica II; esto es, 1000 - x unidades sern enviadas desde II a A.
Del mismo modo, si desde I a B se envan y, el resto necesario, 700 - y, deben enviarse desde
II. Y lo mismo para C, que recibir z desde I y 600 - z desde II.
En la siguiente tabla de distribucin se resume lo dicho:
Envos
800 - x - y
1000 - x
700 - y
x + y - 200
La
ltima
columna
la
hemos
obtenido
de
la
siguiente
forma:
Como x + y + z = 800 , se tiene que z = 800 - x - y, de donde, 600 - z = 600 - (800 - x - y) = x +
y - 200.
Ahora bien, todas las cantidades anteriores deben ser mayores o iguales que cero. Por tanto,
se obtienen las siguientes desigualdades:
x
0 ; 1000 - x
0;y
0; 700 - y
0 ; 800 - x - y
0 ; x + y - 200
0 ; 700
0 ; 800
x+y
Recordemos que nuestro objetivo es abaratar al mximo los costes de transporte. Estos costes
se hallan multiplicando las cantidades enviadas a desde cada fbrica a cada tienda por los
respectivos
costes
de
transporte
unitario.
Se obtiene:
Z = f(x,y) = 3x + 2(1000 - x) + 7y + 2(700 - y) + (800 - x - y) + 6(x + y - 200) = 6x + 10y + 3000
En definitiva, el programa lineal a resolver es :
Minimizar: Z = 6x + 10y + 3000
sujeto a:
1000 x 0
700 y 0
800 x + y 0
La regin factible se da en la imagen del margen.
Sus vrtices son A(200,0) ; B(800,0) ; C(100,700) ; D(0,700) y
E(0,200).
El coste, el valor de Z en cada uno de esos puntos, es:
en A, 4200
en B, 7800
en C, 10600
en D, 10000
en E, 5000
Envos
200
600
800
700
Mtodo de Aproximacin de Vogel: para cada rengln y columna que queda bajo
consideracin, se calcula su diferencia, que se define como la diferencia aritmtica entre el
costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese rengln o columna.
(Si se tiene un empate para el costo ms pequeo de los restantes de un rengln o columna,
entonces la diferencia es 0). En el rengln o columna que tiene la mayor diferencia se elige la
variable que tiene el menor costo unitario que queda. (Los empates para la mayor de estas
diferencias se pueden romper de manera arbitraria).
Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando el
mtodo de aproximacin de Vogel
para resolver el ejemplo presentado anteriormente y que fue resuelto por la regla de la esquina
noroeste:
Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna. De las
diferencias que obtuvimos nos fijamos
tercera columna. En esa columna encontramos el costo unitario (cij) menor y en esa celda
realizamos la primera asignacin:
7
4
2
4
Recursos
5
1
22 0
53
DIF.
10
Demanda
DIF.
3
1
4
1
2 0
3 1
1
2
10
3
2
7
4
3
Recursos
5
1
22 0
DIF.
53 0
1
10
Demanda
DIF.
3
1
4 1
1
2 0
3 1
1
2
10
Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya
que solamente queda un rengln dentro de las posibilidades (sto no significa que solamente
un rengln quede bajo consideracin ya que podemos observar que ninguna de las cuatro
columnas (destinos) ha sido eliminada y todas quedan todava bajo consideracin), no es
posible encontrar la diferencia aritmtica entre el costo menor y el que le sigue, por lo tanto
vamos tomando una a una las celdas que quedan comenzando con la de menor costo unitario
hasta que todas hayan sido asignadas.
4
4
Recursos DIF.
5 2 1 0 1
22 0
53 0
1
10
Demanda
DIF.
3 0
1
4 1 0
1
2 0
3 1
1 0
2
10
La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica degenerada),
x14=1, x23=2 y x32=3 y el costo total de transporte asociado a esta primera Poltica de
Transporte factible es de:
Costo =
x11 c11
x12 c12
x13 c13
x14 c14
x23 c23
x32 c32
3 (3) + 1 (7) + 0 (6) + 1 (4) + 2 (3) + 3 (3) = 35 unidades
Es necesario aclarar que sta puede o no ser la solucin final del problema, es
necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir
una mejor poltica de transporte que minimice todava ms el costo total.
Este mtodo reproduce exactamente las mismas iteraciones del mtodo de banquillo. La
principal diferencia ocurre en la forma en que las variables no bsicas se evalan en cada
iteracin. Asociados a cada rengln i de la tabla existen multiplicadores Ui similarmente se
asocia un multiplicador Vj a cada columna de la tabla j. Para cada variable bsica Xij de la
solucin actual, se escribe la ecuacin Ui +Vj = Cij. Esas ecuaciones proporcionan m+n-1
relaciones con m+n incgnitas.
Los valores de los multiplicadores pueden ser determinados a partir de las ecuaciones
suponiendo un valor arbitrario para cualquiera de los multiplicadores (usualmente se establece
U1=0) y resolviendo el sistema de ecuaciones para encontrar los multiplicadores desconocidos.
Una vez que se hace esto, la evaluacin de cada variable no bsica X pq est dada como: El
criterio que se utiliza para seleccionar la variable que entra es el mismo que el mtodo de
banquillo (la mayor negativa).
Ejemplo:
Una compaa est considerando una demanda de 5 clientes utilizando artculos que tienen
disponibles en 2 almacenes. Los almacenes cuentan con 800 y 1000 unidades
respectivamente. Los clientes necesitan 200, 150, 200, 180 y 500 unidades respectivamente.
Los costos de embarque por artculo de los almacenes de los clientes son:
Una solucin BF es optima si y solo si Cij-Ui-Vj=>0 para toda (ij)tal que Xij es no basica. Es la
reducion de costos.
Pasos para la optimizacion:
1.- se determina la variable basica entrante; se elige la variable no basica Xij que tiene el valor
negativo mas grande(en terminos absolutos)para Cij-Ui-Vj.
2.- se determina la varible basica que sale: se identifica la reaccion en cadena que se necesita
para conservar la factibilidad cuando aumenta el valor de la variable basica entrante. Entre las
celdas donadoras se selecciona la variable basica que tiene el menor valor.
3.- se determina la nueva solucion BF; se suma el valor de la variable basica que sale a las
asignaciones de las celdas receptoras y se resta a las asignaciones de las celdas donadoras.
2.
1. Asumiremos que Q puede modificarse de tal manera que sea posible identificar las
consultas de actualizacin de las de lectura, y definiremos lo siguiente para ese
fragmento simple Fk:
donde cij es el coste de la unidad de comunicacin para las peticiones de lectura entre
los sitios Si y Sj y c'ij es el coste de la unidad de comunicacin para las peticiones de
lectura entre los sitios Si y Sj.
el
fragmento
Fk
se
asigna
al
sitio
Sj
El segundo trmino de la funcin calcula el coste total de almacenar todas las copias
duplicadas del fragmento. El primer trmino corresponde al coste de transmisin de las
actualizaciones a todos los sitios que mantienen rplicas de un fragmento y al coste de
ejecucin de las peticiones de lectura en el sitio, lo cual resultar un coste mnimo de
transmisin de datos. Esta es una formulacin muy simple que no es vlida para el diseo de
bases de datos distribuidas. Pero en el caso que lo fuera, existira un problema. Para un gran
nmero de fragmentos y de sitios, obtener soluciones ptimas resultara probablemente
totalmente inviable. Las investigaciones, por tanto, deben girar en torno a la bsqueda de
buenos heursticos que proporciones soluciones parcialmente ptimas.
Hay un nmero de razones del porqu de formulaciones tan simples que no sirven para el
diseo de bases de datos distribuidas. Generalmente, se heredan de los modelos de
asignacin de archivos para redes, pero
1. No se pueden tratar los fragmentos como archivos individuales que se asignen
aisladamente. La ubicacin de un fragmento generalmente tiene influencia sobre las
decisiones de asignacin de los otros fragmentos, a los cuales se acceden a la vez,
puesto que el coste de acceso de los fragmentos restantes puede variar. Por tanto, las
relaciones entre fragmentos deben tenerse en consideracin.
2. El acceso de las aplicaciones a los datos se modela muy sencillamente. Una peticin
de usuario se resuelve en un sitio y todos los datos necesarios se transfieren a ese
sitio. En los sistemas de bases de datos distribuidos, el acceso a los datos es ms
complicado que el simple acceso a archivos remotos. Por tanto, la relacin entre la
asignacin y el procesamiento de consultas debera tambin tenerse en cuenta.
3. Estos modelos no tienen en cuenta el coste de mantenimiento de la integridad, an
localizando dos fragmentos implicados con las mismas restricciones de integridad en
dos sitios diferentes podra resultar costoso dicho mantenimiento.
4. Igualmente, el coste derivado del control de concurrencia debera tenerse en cuenta.
En resumen, debemos distinguir entre el problema tradicional de asignacin de archivos de la
asignacin de fragmentos en los sistemas de bases de datos distribuidos. No existen modelos
heursticos generales que tomen como entrada un conjunto de fragmentos y produzcan una
asignacin cercana a lo ptimo que adems est influenciada por los tipos de restricciones
descritas antes. Los modelos desarrollados realizan una serie de simples suposiciones y
pueden aplicarse a ciertas formulaciones especficas. Por tanto, presentaremos un modelo
general y discutiremos una serie de posibles heursticos que puedan emplearse para resolver el
problema. Posteriormente, describiremos un algoritmo concreto de asignacin.
Informacin necesaria.
En esta etapa de la asignacin, necesitaremos datos cuantitativos sobre la base de datos, las
aplicaciones que funcionan sobre ella, la red de comunicaciones, las caractersticas de
proceso, y el lmite de almacenamiento de cada sitio de la red. Procederemos a discutirlos en
detalle.Informacin de la base de datos. Para desarrollar la fragmentacin horizontal, definimos
la selectividad de los mintrminos. Ahora, necesitamos extender esta definicin a los
fragmentos y definir la selectividad de un fragmento Fj con respecto a una consulta qi. Es el
nmero de tuplas de Fj a las que se necesita acceder para procesar qi. Este valor lo notaremos
como seli(Fj). Otro elemento informativo de los fragmentos de la base de datos es su tamao.
El tamao de un fragmento Fj viene dado por tamao(Fj) = card(Fj)*long(Fj), donde long(Fj) es
la longitud (en octetos) de una tupla del fragmento Fj.
Informacin de las aplicaciones. Mucha de la informacin relativa a las aplicaciones se recoge
durante el proceso de fragmentacin, pero se necesita un poco ms para el modelo de
asignacin. Las dos medidas ms importantes son el nmero de accesos de lectura que una
consulta qi realiza sobre un fragmento Fj durante su ejecucin (llamada RRij), y el nmero de
accesos de actualizacin que una consulta qi realiza sobre un fragmento Fj durante su
ejecucin (llamada URij). Tambin necesitamos definir dos matrices UM y RM, con elementos
uij y rij, respectivamente, que se especifican como sigue:
uij = 1 si la consulta qi actualiza el fragmento Fj
uij = 0 en otro caso
rij = 1 si la consulta qi lee del fragmento Fj
rij = 0 en otro caso
Tambin debe definirse un vector O de valores o(i), donde o(i) especifica el sitio origen de la
consulta qi. Finalmente, especificaremos las restricciones impuestas por el tiempo de
respuesta, asignando a cada aplicacin el mximo tiempo de respuesta permitido.
Informacin de los sitios. Sobre cada ordenador necesitamos conocer sus capacidades de
procesamiento y almacenamiento. Obviamente, estos valores pueden calcularse a travs de
funciones elaboradas o por simples estimaciones. La unidad de coste de almacenar datos en el
sitio Sk ser denotada como UCAk. As mismo, especificaremos como medida de coste UPTk
al coste de procesar una unidad de trabajo en el sitio Sk. La unidad de trabajo debera ser
idntica a aquella utilizada en las medidas RR y UR. Informacin sobre la red. En nuestro
modelo asumiremos la existencia de una red simple donde el coste de comunicaciones se
define respecto a una trama de datos. Entonces gij nota el coste de comunicacin por trama
entre los sitios Si y Sj. Para permitir el clculo del nmero de mensajes, usaremos ftamao
como el tamao (en octetos) de una trama. Es evidente que existen modelos de red mucho
ms elaborados que toman en cuenta las capacidades del canal, las distancias entre sitios, las
caractersticas del protocolo, etc. Sin embargo, se cree que la derivacin de estas ecuaciones
se sale fuera de este documento.
Este algoritmo se usa para resolver problemas de minimizacin, ya que es ms eficaz que el
empleado para resolver el problema del transporte por el alto grado de degeneracin que
pueden presentar los problemas de asignacin. Las fases para la aplicacin del mtodo
Hngaro son:
Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz de costos m*m;
se debe construir una nueva matriz al restar de cada costo el costo mnimo de cada fila;
encontrar para esta nueva matriz, el costo mnimo en cada columna. A continuacin se debe
construir una nueva matriz (denominada matriz de costos reducidos) al restar de cada costo el
costo mnimo de su columna. Paso 2: (En algunos pocos textos este paso se atribuye a Flood).
Consiste en trazar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente
de esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos
reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene una solucin ptima
entre los ceros cubiertos de la matriz. Si se requieren menos de m lneas para cubrir todos los
ceros, se debe continuar con el paso 3. El nmero de lneas para cubrir los ceros es igual a la
cantidad de asignaciones que hasta ese momento se pueden realizar. Paso 3: Encontrar el
menor elemento diferente de cero (llamado k) en la matriz de costos reducidos, que no est
cubierto por las lneas dibujadas en el paso 2; a continuacin se debe restar k de cada
elemento no cubierto de la matriz de costos reducidos y sumar k a cada elemento de la matriz
de costos reducidos cubierto por dos lneas (intersecciones). Por ltimo se debe regresar al
paso 2.
Notas:
1. Para resolver un problema de asignacin en el cual la meta es maximizar la funcin objetivo,
se debe multiplicar la matriz de ganancias por menos uno (1) y resolver el problema como uno
de minimizacin.
2. Si el nmero de filas y de columnas en la matriz de costos son diferentes, el problema de
asignacin est desbalanceado. El mtodo Hngaro puede proporcionar una solucin
incorrecta si el problema no est balanceado; debido a lo anterior, se debe balancear primero
cualquier problema de asignacin (aadiendo filas o columnas ficticias) antes de resolverlo
mediante el mtodo Hngaro.
3. En un problema grande, puede resultar difcil obtener el mnimo nmero de filas necesarias
para cubrir todos los ceros en la matriz de costos actual. Se puede demostrar que si se
necesitan j lneas para cubrir todos los ceros, entonces se pueden asignar solamente j trabajos
a un costo cero en la matriz actual; esto explica porqu termina cuando se necesitan m lneas.
Programacin Entera es un termino general para los modelos de programacin matemtica que
presentan condiciones de integridad (condiciones que estipulan que algunas o todas las
variables de decisin deben tener valores enteros). Ya hemos apuntado que los modelos de
programacin lineal entera son modelos de programacin lineal que tienen la caracterstica
adicional de que algunas de las variables de decisin deben tener valores enteros. Existen
diversas clasificaciones de esta categora de modelos.
Programas Enteros Puros
Un modelo entero puro (PLE) es, como su nombre lo indica, un problema en el que se exige
que todas las variables de decisin tengan valores enteros. Por ejemplo
Min 61 + 52 + 43
s.a. 1081 + 922 + 583 >= 576
71 + 182 + 223 >= 83
x1, x2, x3 ><0 y enteros
Es un modelo entero puro. Sin las restricciones adicionales de que x1, x2, x3 sean enteros (o
sea las condiciones de integralidad) seria un problema de programacin lineal
Programas Enteros Mixtos
Un problema en el que solo se requieren que algunas variables tengan valores enteros
mientras que otras pueden asumir cualquier numero no negativo (es decir, cualquier valor
continuo) se llama programacin lineal entera mixta (PLEM). Por ejemplo, supngase que en el
problema anterior solo x1 y x2 deben ser enteros y x3 no. El problema resultante es:
Min 61 + 52 + 43
s.a. 1081 + 922 + 583 >= 576
71 - 182 + 223 >= 83
x1, x2, x3 >=0; x1 y x2 enteros
Programas Enteros 01
En algunos problemas se restringe el valor de las variables a 0 o 1. Dichos problemas se
llaman binarios o programas lineales enteros 01. Son de particular inters debido a que se
pueden usar las variables 01 para representar decisiones dicotmicas (s o no). Diversos
problemas de asignacin, ubicacin de plantas, planes de produccin y elaboracin de cartera,
son de programacin lineal entera 01.
Existen dos mtodos para generar las restricciones especiales que fuercen la solucin ptima
del problema, hacia la solucin ptima entera deseada:
- Mtodo de ramificar y acotar.
- Mtodo de planos de corte.
En ambos mtodos las restricciones agregadas eliminan partes del espacio de soluciones, pero
nunca alguno de los puntos enteros factibles. Desafortunadamente, ninguno de los dos
mtodos es efectivo en la solucin de problemas de programacin lineal entera. No obstante
los mtodos de ramificar y acotar son mucho mejores en cuanto al calculo se refiere que los
mtodos de plano de corte. Por esta razn, la mayora de los cdigos comerciales se basan en
el procedimiento de ramificar y acotar.
En este momento ser ms conveniente explicar los fundamentos del algoritmo de ramificar y
acotar (R y A), por medio de un ejemplo numrico:
Consideremos el siguiente problema de Programacin lineal Entera:
Max z = 51 + 42
Sujeto a
x1 + x2 <=5
101 + 62 <=45
x1, x2 >= 0 y entero
En la siguiente figura se muestra el espacio de soluciones de la programacin lineal entera
representado por los puntos. El espacio de soluciones de programacin lineal asociado,
programacin lineal ptima, se define por cancelacin de las restricciones enteras. La solucin
programacin lineal ptima se da como x1 = 3,75, x2 = 1,25 y z = 23,75.
El procedimiento de Ramificar y Acotar se basa en tratar solo con el problema programacin
lineal. Como la solucin ptima (x1 = 3,75, x2 = 1,25 y z = 23,75) pero no satisface la
necesidad de valores enteros, el algoritmo de R y A exige modificar el espacio de soluciones
lineales de forma tal que nos permita identificar, finalmente, para conseguir la solucin ptima
entera.
Primero seleccionaremos una de las variables cuyo valor corriente en la solucin ptima no
cumple el requisito de valor entero. Seleccionando x1=3,75 arbitrariamente, observamos que la
regin ( 3 < x1 < 4 ) del espacio de soluciones lineales, no puede incluir ninguna espacio
solucin factible entera. Entonces podemos modificar el espacio de soluciones lineales
eliminando esta regin no prometedora, lo que, en realidad, es equivalente a reemplazar el
espacio original por dos espacios los PL1 y PL2, definidos de la manera siguiente:
1. Espacio PL1 = espacio PLO + (x1 <= 3)
2. Espacio PL2 = espacio PLO + (x1 >= 4)
Esta figura muestra los espacios PL1 y PL2 en forma grafica. Se ve que los dos espacios
contienen los mismos puntos enteros factibles del modelo PLE. Esto significa que, desde el
punto de vista del problema original de PLE, tratar con PL1 y PL2 es igual que tratar con el
original PLO. La diferencia principal es que la seleccin de las nuevas restricciones e
acotamiento ( x1 >= 3 y x1 <= 4 ) mejoraran la oportunidad de forzar a los puntos extremos
ptimos de PL1 y PL2 hacia la satisfaccin del requisito de valor entero. Adems el hecho que
las restricciones de acotamiento estn en la vecindad inmediata del optimo continuo del PLO,
incrementara las posibilidades de producir buenas soluciones enteras.
Las nuevas restricciones x1 >= 3 y x1 <= 4 son mutuamente excluyentes, PL1 y PL2 deben
tratarse como dos programas lineales separados. Esta dicotoma da lugar al concepto de
ramificacin en el algoritmo de R y A. En efecto, ramificar significa subdividir un espacio de
soluciones corrientes en subespacios mutuamente excluyentes.
Aqu vemos las ramas PL1 y PL2 y x1 llamada variable de ramificacin
Sabemos que la solucin ptima entera debe encontrarse en PL1 o PL2. Sin embargo, en
ausencia del espacio grafico de soluciones, no tenemos manera de determinar donde puede
encontrarse la solucin ptima, por lo que nuestra nica opcin es investigar ambos problemas.
Hacemos esto trabajando con un problema a la vez (PL1 o PL2). Supongamos que escogemos
a PL1 asociado con x1 <= 3. En efecto, debemos resolver el siguiente problema:
Max z = 51 + 42
Sujeto a
x1 + x2 <=5
101 + 62 <=45
x1 <=3
x1, x2 >= 0
Como se indico antes PL1 es el mismo que el PLO con la restriccin adicional de acotamiento
superior, x1 <= 3. as podemos aplicar el algoritmo primal de acotamiento superior para
resolver el problema. Esto da la nueva solucin ptima.
X1 = 3, x2 = 2 y z = 23
Como esta solucin satisface el requisito de valor entero, se dice que el PL1 esta agotado,
vaci, lo que significa que el PL1 no puede producir ninguna solucin mejor y no necesita
investigarse mas a fondo.
Determinar una solucin factible entera en una etapa temprana de los clculos es crucial para
incrementar la eficiencia del algoritmo R y A. Tal solucin fija una cota inferior al valor objetivo
optimo, que a su vez se puede usar para descartar automticamente cualquier subproblema no
explorado (como el PL2) que no dan mejor solucin entera. En este ejemplo el PL1 produce la
cota inferior z = 23. Esto significa que cualquier solucin entera mejorada debe tener el valor de
z mayor 23. Sin embargo, como la solucin ptima del problema PLO tiene z = 23,75 y como
todos los coeficientes de la funcin objetivo son enteros, se infiere que ningn subproblema
que proceda del PLO puede producir un valor de z mejor que 23. En consecuencia, podemos
descartar al PL2 porque no puede dar una mejor solucin entera.
Del anlisis anterior vemos que un subproblema esta agotado si no satisface una de las
siguientes condiciones: