Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SOGAMOSO
Junio de 2010
El presente mdulo fue diseado en el ao 2004 por La Esp. Gloria lucia Guzmn
Aragn, docente de la UNAD, y ubicado inicialmente en el CEAD de Neiva, ella es
Licenciada en Matemticas y Fsica, Especialista en matemticas Avanzadas,
Especialista en Docencia Universitaria, Magister en Direccin y Gestin de
Recursos Humanos, Maestrante en educacin con especialidad en ONLINE, se ha
desempeado como docente de la UNAD desde el 2004 y como tutor desde 1984
hasta la fecha, adems ha sido catedrtico de diversas Universidades de
Cundinamarca y del Huila, ha desempeado cargos de docencia administrativa
como Rectora de varios colegios, Coordinadora Acadmica, Asesora pedaggica y
en la actualidad es investigadora principal de los grupos Delta 515 y generacin
21.
El presente mdulo ha tenido cinco actualizaciones, desarrolladas por la
docente Gloria Guzmn en los aos 2006, 2007, 2008 y 2009 con los aportes de la
red de tutores que ella dirige y en 2010 por Edgar Mauricio Alba V. tutor del Cead
Sogamoso y en equipo con el grupo de tutores del curso.
Este documento se puede copiar, distribuir y comunicar pblicamente bajo las
condiciones siguientes:
Reconocimiento. Debe reconocer los crditos de la obra de la manera
especificada por el autor o el licenciador (pero no de una manera que
sugiera que tiene su apoyo o apoyan el uso que hace de su obra).
No comercial. No puede utilizar esta obra para fines comerciales.
Sin obras derivadas. No se puede alterar, transformar o generar una obra
derivada a partir de esta obra.
Al reutilizar o distribuir la obra, tiene que dejar bien claro los trminos de la
licencia de esta obra.
Alguna de estas condiciones puede no aplicarse si se obtiene el permiso del
titular de los derechos de autor
Nada en esta menoscaba o restringe los derechos morales del autor.
INDICE DE CONTENIDOS
INTRODUCCIN
JUSTIFICACIN
INTENSIONALIDADES FORMATIVAS
a. PROPOSITOS
OBJETIVOS
Objetivo general
Objetivos especficos:
b. METAS
c. COMPETENCIAS
UNIDAD 1
INTRODUCCIN A LA PROGRAMACIN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
Introduccin
Leccin 1 Antecedentes y origen de la I.O
Leccin 2 Qu es la Investigacin de operaciones?
Leccin 3 Metodologa de la I.O.
Leccin 4 Componentes de investigacin de Operaciones
CAPITULO 2
CONJUNTOS CONCAVOS Y CONVEXOS
Introduccin
Leccin 5 Concepto de conjunto convexo
Leccin 6 Propiedades de los conjuntos convexos
CAPITULO 3.
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL
Introduccin
Leccin 9 Concepto
Leccin 10 Formulacin del problema de programacin lineal
Leccin 11 Modelo general de programacin lineal
Leccin 12 Otras formas de modelos de P.L.
Leccion 13 Terminologa y conceptos basicos
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
METODO GRAFICO
Leccin 14
Leccin 15
Leccin 16
Leccin 17
Leccion 18
CAPITULO 2
METODO ALGEBRAICO
Introduccin
Leccin 19 Pasos para utilizar un mtodo Algebraico
Leccin 20 Ejemplos desarrollados
Leccin 21 Taller
CAPITULO 3
METODO SIMPLEX
Introduccin
Leccin 22 Pasos para desarrollar el mtodo Simplex
Leccin 23
Leccin 24
Leccin 25
Leccin 26
Leccin 27
Leccin 28
Leccin 29
Leccin 30
Leccin 31
Dualidad
Comparacin entre el mtodo simplex y dual simplex
Anlisis de sensibilidad
Taller del mtodo Simplex
Taller Dualidad
Degeneracin
Problemas de programacin lineal con variables acotadas
Algoritmo de descomposicin
La Programacin Lineal basada en los computa
INTRODUCCIN
tipos
de evaluacin
alternativas
Para el desarrollo del curso es importante el papel que juega los recursos
tecnolgicos como medio activo e interactivo, buscando la interlocucin durante
todo el proceso de dilogo docente-estudiante
JUSTIFICACIN
INTENSIONALIDADES FORMATIVAS
PROPOSITOS
OBJETIVO GENERAL
Formular, obtener y analizar soluciones a problemas de programacin lineal, como
apoyo a la industria y la ingeniera, optimizando los recursos disponibles y
facilitando la toma de decisiones.
OBJETIVOS ESPECFICOS:
METAS
Al terminar el curso de programacin lineal, el estudiante:
COMPETENCIAS
UNIDAD UNO
INTRODUCCIN A LA PROGRAMACIN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
INTRODUCCION
LECCION 1 ANTECEDENTES Y ORIGEN DE LA I.O.
LECCION 2 QUE ES LA INVESTIGACION DE OPERACIONES?
LECCION 3 METODOLOGA DE LA I.O.
LECCION 4 COMPONENTES DE LA I.O.
INTRODUCCION
Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y la
separacin de las responsabilidades administrativas en las organizaciones. Sin
embargo esta revolucin creo nuevos problemas que ocurren hasta la fecha en
muchas empresas. Uno de estos problemas es la tendencia de muchos de los
componentes a convertirse en imperios relativamente autnomos, con sus propias
metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar
la mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de
Operaciones.
La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para
un problema de decisin con la restriccin de recursos limitados.
En la Investigacin de Operaciones utilizaremos herramientas que nos permiten
tomar una decisin a la hora de resolver un problema, tal es el caso de los
modelos de Investigacin de Operaciones que se emplean segn sea la
necesidad.
Actualmente la investigacin de operaciones a incursionado en la administracin
con muy buenos resultados en este campo pues el ambiente de negocios al que
se est sometido y los mltiples cambios que ellos generan, los ciclos de vida de
los productos se hacen ms cortos, la abrumadora y acelerada era de la nueva
tecnologa y la internacionalizacin creciente, son razones suficientes para
desarrollar modelos que optimicen los resultados en estos campos del saber
Formulacin de un
modelo matemtico.
Resolucin del
modelo
matemtico.
Modelo
modificado
Solucin
NO
Es vlida la
solucin?
Implementacin
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.
CAPITULO DOS
CONJUNTOS CONVAVOS Y CONVEXOS
INTRODUCCIN
LECCION 5. CONCEPTO DE CONJUNTO CONVEXO
LECCION 6. PROPIEDADES DE LOS CONJUNTOS CONVEXOS
LECCION 7. EJERCICIOS DE APLICACIN
LECCION 8. FUNCIONES CONCAVAS CONVEXAS
. INTRODUCCIN
.
EJEMPLO.
Consideremos los siguientes CONJUNTOS:
CONJUNTO P
CONJUNTO Q
CONJUNTO R
CONJUNTO T.
x
P
y
Obsrvese que para cualquier par de puntos (x, y) que estn dentro del conjunto
P, el segmento que une dichos puntos siempre queda dentro del conjunto, en
consecuencia P sera un conjunto convexo.
Consideremos el conjunto Q:
Q
x
Obsrvese que para cualquier par de puntos (x,y) que estn dentro del conjunto Q,
el segmento que une dichos puntos no queda dentro del conjunto, en
consecuencia Q no sera un conjunto convexo.
Consideremos el conjunto R:
En este caso para cualquier par de puntos (x,y) de esta recta R, el segmento que
los une queda dentro del conjunto, en consecuencia R es un conjunto convexo.
Por ltimo sea el conjunto T:
T
y
Es claro grficamente que para cualquier par de puntos x, y, el segmento que los
une est totalmente contenido en dicho conjunto.
Consideremos un ltimo ejemplo en el plano, sea el conjunto T
EJERCICIOS
Determinar si los siguientes conjuntos son o no convexos, dibujndoles
previamente:
a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1)
b. Conjunto poligonal determinado por los puntos (1,1),(2,1),(2,3),(-1,2),
1,0),(1,1)
SOLUCION:
a. es convexo
b. no es convexo
(-
Obsrvese que es claramente convexo pues cualquier par de puntos que estn en
S3 el segmento que los une est claramente contenido en S3.
CONJUNTO CONVEXO:
Diremos que un subconjunto S R n es convexo si para cualquier par de
puntos
EJEMPLO:
Estudiar analticamente si el conjunto anterior
es un conjunto convexo.
Para ello consideremos dos vectores de S 3
(x1,y1), (x2,y2),
est
por
Y comprobando si el vector
Y al expandirle
EJERCICIO
Estudiar de forma grfica si los siguientes conjuntos son o no conjuntos convexos.
a.
b.
SOLUCIONES:
a. Lo
hacemos
grficamente,
representando
el
conjunto.
Para ello dibujamos los dos lmites del conjunto x 2+y2=1 y x2+y2=4
(circunferencias de radio 1 y radio 2)
Definimos las expresiones
cul es el recinto?
Ahora debemos determinar en que lado de las circunferencias se sita el
conjunto.
Y por otro lado para determinar el conjunto x-y=1 comprobamos que 0-0= 1 por
tanto tambin es de la recta hacia el (0,0), con lo cual tendremos que el recinto
ser:
Este conjunto no es convexo pues si considero dos puntos del conjunto por
ejemplo
(1.04, -1.57) y (2.43,-0.3)
Si representamos el segmento que une dichos puntos editando
Obtenemos
Podemos ver que en esta grfica si dibujamos cualquier segmento que una dos
puntos de la misma, ste siempre queda por debajo de la grfica. Por ejemplo,
consideremos los puntos
Obtenemos
Se puede observar que para cualquier par de puntos de la grfica que toman
valores en el segmento considerado el segmento que une dichos puntos siempre
queda por debajo de la grfica por ello podemos efectuar la siguiente definicin:
FUNCIONES ESTRICTAMENTE CONCAVAS Y CONCAVAS
DEFINICIN:
Diremos que una funcin f es estrictamente cncava en un conjunto M convexo si
todo segmento que une dos puntos de la grfica esta estrictamente por debajo de
la grfica.
Diremos que una funcin es CONCAVA (no estricta) si no todas las cuerdas que
unen puntos de la grfica en dicho intervalo quedan estrictamente por debajo.
Vamos ahora a introducir el concepto de funcin CONVEXA.
Consideremos el siguiente ejemplo:
EJEMPLO.
Consideremos la misma funcin anterior
se obtiene
Obtendremos
FUNCIN CONVEXA.
DEFINICION: Sea f una funcin definida en un intervalo de R, diremos que dicha
funcin es convexa en el intervalo si todo segmento que une dos puntos de la
grfica queda por encima de la grfica. Si siempre queda estrictamente por
encima decimos que la funcin es estrictamente convexa.
EJERCICIO
Estudiar el carcter de las siguientes funciones en los recintos que se indican:
(a) En toda la recta real:
( C) En el intervalo (0,1 )
SOLUCIONES:
a. ESTRICTAMENTE CONVEXA
b. ESTRICTAMENTE CONVEXA
c. ESTRICTAMENTE CONVEXA
d. ESTRICTAMENTE CONCAVA
e. estrictamente CONCAVA
f. ESTRICTAMENTE CONVEXA
CAPITULO 3
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL
Introduccin
LECCION 9. Concepto
LECCION 10. Formulacin del problema de programacin lineal
LECCION 11. Modelo general de programacin lineal
LECCION 12. Otras formas de modelos de P.L.
LECCION 13. Terminologa y conceptos bsicos
INTRODUCCION
Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre
los avances cientficos ms importantes de mediados del siglo XX. En la
actualidad es una herramienta comn que ha ahorrado miles o millones de dlares
a muchas compaas y negocios, incluyendo industrias medianas en distintos
pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo
de problemas puede manejar? Expresado brevemente, el tipo ms comn de
aplicacin abarca el problema general de asignar recursos limitados entre
actividades competitivas de la mejor manera posible (es decir, en forma ptima).
Este problema de asignacin puede surgir cuando deba elegirse el nivel de ciertas
actividades que compiten por recursos escasos para realizarlas. La variedad de
situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y
va desde la asignacin de instalaciones productivas a los productos, hasta la
asignacin de los recursos nacionales a las necesidades de un pas; desde la
planeacin agrcola, hasta el diseo de una terapia de radiacin; etc. No obstante,
el ingrediente comn de todas estas situaciones es la necesidad de asignar
recursos a las actividades.
LECCION 9. CONCEPTO
El adjetivo lineal significa que todas las funciones matemticas del modelo deber
ser funciones lineales. En este caso, las palabra programacin no se refiere a
programacin en computadoras; en esencia es un sinnimo de planeacin. As, la
programacin lineal trata la planeacin de las actividades para obtener un
resultado ptimo.
el nivel de
la
actividad j.
A - 2B 0
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra.
Por ejemplo:
B-A2
es lo mismo que
B-A+S=2
es lo mismo que
A - 2B -S = 0
Z = 4A + 6B
Z = 2x1 + 5x2
x2 0,
...,
xn 0
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan
otras formas) para el problema de PL. Cualquier situacin cuya formulacin
matemtica se ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminologa que usaremos para los
modelos de PL. La funcin que se desea maximizar, c 1x1 + c2x2 + ... + c nxn, se
llama funcin objetivo. Por lo general, se hace referencia a las limitaciones como
restricciones. Las primeras m restricciones (aquellas con una funcin del tipo ai1x1
+ ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el
nombre de restricciones funcionales. De manera parecida, las restricciones xj 0
se llaman restricciones de no negatividad. Las variables xj son las variables de
decisin. Las constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del
modelo.
LECCION 12. OTRAS FORMAS DE MODELOS DE PROGRAMACIN LINEAL.
Es conveniente agregar que el modelo anterior no se ajusta a la forma
natural de algunos problemas de programacin lineal. Las otras formas legtimas
son las siguientes:
1. Minimizar en lugar de maximizar la funcin objetivo:
Minimizar Z = c1x1 + c2x2 + ... + c nxn,
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:
ai1x1 + ai2x2 + ... + ainxn, bi,
siendo:
xj:
cj:
aij:
Coeficiente tcnico, unidades de recurso i que se consumen por
unidad de variable j
bi:
Otra representacin:
n
M ax (z) c j x j
j1
sujeto a :
n
a x
j1
ij
bi
donde i 1, 2, ... m
xj 0
j 1, 2, ... n
En forma matricial:
Max (z) = C x
sujeto a:
Ax b
x 0
Restricciones de tipo , e =
Variables positivas, negativas o no restringidas en signo
Conversin de un problema lineal general a su forma cannica:
Cambiar el sentido de la optimizacin
Cambiar el sentido de la desigualdad
Cambiar una desigualdad en igualdad
Variable de holgura o slack
Variable surplus
Cambiar igualdades en desigualdades
Cambiar variables sin restriccin de signo a otras de signo positivo o
nulo
Conjunto factible
Es el conjunto de puntos que satisfacen simultneamente todas las
restricciones (o filas) del problema
Actividades, columnas o variables (xj)
Representan los usos alternativos que deben competir entre s para
obtencin de los recursos de forma que se optimice la funcin objetivo
la
Recursos (bi)
Son productos, tiempo, etc. Se cuantifican en el trmino independiente o
Right Hand Side (RHS) del problema
El conjunto factible de un problema de PL, si existe, es representable mediante
un poliedro convexo
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
2X + 3Y = 60 en donde X, Y 0
Es decir que para que se cumpla la igualdad de la ecuacin nos tocara adquirir 15
unidades de X y 10 unidades de Y respectiva mente:
2(15) + 3(10) = 60
Por definicin de algunos libros una desigualdad entre dos variables es una
desigualdad que puede escribirse de la forma:
EJEMPLO 2:
Describir la regin definida por la desigualdad: x -2
EJEMPLO 3:
Dando valores a x y y determinamos las rectas con las reas correspondientes a
las desigualdades planteadas.
2x + y > 3
xy
y1>0
Este sistema es equivalente
y > -2x + 3
x =0; y =3
Y=0; x= 3/2
yx
x= 0; y= 0
x=1 ; y= 1
y > 1/2
y = -2x + 3,
y=x
y=y
ax+by=0
EJEMPLO: 1
Z= 3x + y
2x + y 8
2x + 3y 12
x, y 0
2x + y 8
x=0; y=8
y=0; x=4
2x + 3y 12
x=0; y=4
Y=0; x=6
x, y 0
Se observa que la regin factible esta conformada por los puntos A(0,0); D(0,4);
B(4,0) y el punto C que es el resultado de la interseccin de las 2 inecuaciones
cuyo valor aproximadamente en el plano esta dado por las coordenadas (3,2).
3x + 2y 18
x, y 0
x + 2y10
x=0; y=5
y=0; x=10
3x + 2y18
x=0; y=9
Y=0; x=6
x, y 0
Regin Factible
(4,3)
Se observa que la regin factible esta conformada por los puntos (0,9); (4,3);
(10,0), donde el punto (4,3) es el resultado de la interseccin de las dos
ecuaciones dadas como restricciones.
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).
CAPITULO 2
METODO ALGEBRAICO
INTRODUCCION
LECCION 19. PASOS PARA UTILIZAR EN METODO ALGEBRAICO
LECCION 20. EJEMPLOS DESARROLLADOS
LECCION 21. TALLER
INTRODUCCION
Exprsense los
restricciones.
datos
LECCION 20.
EJEMPLOS DESARROLLADOS
PROBLEMA 1:
Supngase una compaa fabrica 2 tipos de artefactos, manuales y elctricos.
Cada uno de ellos requiere en su fabricacin el uso de 3 maquinas: A, B y C. un
artefacto manual requiere del empleo de la maquina A durante 2 horas, de una 1
en B y una 1 en C, un artefacto elctrico requiere de 1 hora en A, 2 horas en B y 1
hora en C. supngase adems que el numero mximo de horas disponible por
mes para el uso de las tres maquinas es 180, 160 y 100, respectivamente. La
utilidad que se obtiene con los artefactos manuales es de 4000 pesos y de 6000
pesos para los elctricos. Si la compaa vende todos los artefactos que fbrica,
Cuntos de ellos de cada tipo se deben elaborar con el objeto de maximizar la
utilidad mensual?
UTILIDAD
MANUALES(X)
4000
ELECTRICOS(Y)
6000
HORAS
DISPONIBLES
180
160
100
SOLUCIN:
SUJETO A:
2X + Y 180
X + 2Y 160
X + Y 100
2X + Y 180
X + 2Y 160
X + Y 100
X=0 Y= 180
Y=0
X= 90
X=0
Y=80
Y=0
X=160
X=0
Y=100
Y=0
X=100
Para B:
X + 2Y 160
Para C:
X + Y 100
2X + Y 180
X + Y 100
Y= 60
= 80
X= 40
= 20
4. Paso:
Con los puntos de la regin factible:
O(0,0) ; B(40,60) ; C(80,20) ; A(0,80); D(90,0) Maximizamos la funcin
objetivo :
(0,0)
4000(0) + 6000(0)
= 0
(0,80)
(40,60)
(90,0)
EJEMPLO 2:
COSTO
CRECI/RAPIDO
4000
CRECI/NORMAL
3000
REQUERIMIENTO
160
200
80
SOLUCIN:
3X + 2Y 160
5X + 2Y 200
X + 2y 80
X=0 Y= 80
Y=0 X= 53,33
5X + 2Y 200
X + 2y 80
X=0
Y= 100
Y=0
X= 40
X=0 Y=40
Y=0 X=80
Para A:
3X + 2Y 160
Para B: 3X + 2Y 160
5X + 2Y 200
-2X
= -40
X + 2y 80
2X
= 80
= 20
X= 40
= 50
Y = 20
Z= 4000X + 3000Y
(80,0)
(40,20)
(20,50)
(0.100)
1.
MAXIMIZAR
P= 10x + 12y
Sujeta a:
x + y 60
x - 2y 0
x, y 0
2.
MAXIMIZAR
P= 5x + 6y
Sujeta a
x + y 80
3x + 2y 220
2x + 3y 210
x, y 0
3.
MAXIMIZAR
Z= 4x - 10y
Sujeta a
x 4y 4
2x y 2
x, y 0
4.
MINIMIZAR
Z= 7x + 3y
Sujeta a
3x y -2
x+y 9
x y = -1
x, y 0
MAQUINA A
MAQUINA B
TERMINADO
MARAVILLA
2h
1h
1h
FANTASTICO
1h
1h
3h
CAPITULO 3
METODO SIMPLEX
INTRODUCCION
LECCION 22. PASOS PARA DESARROLLAR EL METODO simplex
LECCION 23. DUALIDAD
LECCION 24. COMPARACION ENTRE EL METODO SIMPLEX DUAL Y EL
DUAL-SIMPLEX
LECCION 25. ANALISIS DE SENCIBILIDAD
LECCION 26. TALLER METODO SIMPLEX
LECCION 27. TALLER DUALIDAD
LECCION 28. DEGENERACION
LECCION 29. PROBLEMAS DE PL CON VARIABLES ACOTADAS
LECCION 30. ALGORITMOS DE DESCOMPOSICION
LECCION 31. LA PROGRAMACION LINEAL BASADA EN LOS
COMPUTADORES
INTRODUCION
CONCEPTO
X1
X2
X3
S1
S2
S3
S4
S1
a11
a12
a13
b1
S2
a21
a22
a23
b2
S3
a31
a32
a33
b3
S4
a41
a42
a43
b4
-C1
-C2
-C3
Indicadores
Existen cuatro variables de holgura, S1, S2, S3, y S4; una para cada restriccin.
2. Si todos lo indicadores del ltimo rengln son no negativos, entonces Z tiene
un mximo cuando X1=0, X2=0 y X3=0. El valor mximo es 0. Si existen
indicadores negativos, localizar la columna en la que aparezca el indicador
ms negativo. Esta columna seala la variable entrante.
EJEMPLOS DESARROLLADOS
EJEMPLO 1
Maximizar Z= 5X1+4X2
Sujeto a:
X1+X2 20
2X1+X2 35
-3X1+X2 12
X10, X20
x1
x2
S1
S2
S3
Cocientes
S1
20
201=20
Variable
S2
35
352=17.5
Saliente
S3
-3
12
-5
-4
Indicadores
Variable
Entrante
El indicador mas negativo, -5, aparece en la columna x1. Por ello, x1 es la variable
entrante. El menor cociente es 17.5, de modo que, S2 es la variable saliente. El
elemento pivote es 2. Utilizando operaciones elementales sobre los renglones
para obtener un 1 en la posicin del pivote y 0 en las dems posiciones de esa
columna, se tienen:
x1
x2
S1
S2
S3
20
35
-3
12
-5
-4
20
1/2
1/2
35/2
-3
12
-5
-4
1/2
-1/2
5/2
1/2
1/2
35/2
5/2
3/2
129/2
-3/2
5/2
175/2
multiplicado por 5)
x1
x2
S1
S2
S3
Cocientes
5/2 1/2=5
Variable
S1
1/2
-1/2
5/2
Saliente
x1
1/2
1/2
35/2
S3
5/2
3/2
129/2 129/25/2=25(4/5)
-3/2
5/2
175/2
35/2 1/2=35
Indicadores
Variable Entrante
Obsrvese que en el lado izquierdo, x1 reemplaz a S2. Ya que -3/2 es el
indicador ms negativo se debe continuar con el proceso. La variable entrante es
ahora x2. El menor cociente es 5. De modo que S1 es la variable saliente y es
el elemento pivote. Utilizando operaciones elementales sobre renglones, se tiene:
x1
x2
S1
S2
S3
-1/2
5/2
1/2
1/2
35/2
5/2
3/2
129/2
-3/2
5/2
175/2
1/2
-1/2
5/2
-1
15
-5
52
95
-1
-1
15
-5
52
95
x2
S1
S2
S3
x2
-1
x1
-1
15
S3
-5
52
95
Indicadores
En donde x2 reemplazo a S1 en el lado izquierdo. Como todos los indicadores son
no negativos, el valor mximo de Z es 95 y aparece cuando x2=5 y x1=15 (y
S3=52, S1=0, S2=0).
EJEMPLO 2
Maximizar Z= 3x1 + 4x2 + 3/2x3
Sujeta a:
-x1-2x2
-10
2x1+2x2+x3 10
x1, x2, x3 0
TABLA SIMPLEX I
x1
x2
x3
S1
S2
Variable
S1
10
Saliente
S2
10
-3
-4
-3/2
Cocientes
102=5
102=5
Indicadores
Variable
Entrante
TABLA SIMPLEX II
x1
x2
x3
S1
S2
Cocientes
Variable
x2
1/2
1/2
no hay puesto
Saliente
S2
-1
que 0 No es positivo
-1
-3/2
20
01=0
Indicadores
Variable
Entrante
La tabla II corresponde a una SFB (solucin bsica factible) en la que una variable
bsica S2 es 0. Por ello, la SFB es degenerada. Ya que existen indicadores
negativos, se contina el proceso. La variable entrante es ahora x3, la variable
saliente es S2 y el pivote se encuentra encerrado en un crculo. Utilizando
operaciones elementales sobre renglones, se obtiene la tabla III.
TABLA SIMPLEX II
x1
x2
x3
S1
S2
x2
1/2
1/2
x3
-1
1/2
1/2
3/2
20
Indicadores
Maximizar
Z=2x1+5x2+8x3
x1+ x2+ x3 12
Sujeto a
8x1-4x2+4x3 24
x2+ x3 8
x1, x2, x3 0
PASO 1: INICIALIZACIN:
Maximizar Z
Z-2x1-5x2-8x3
= 0 (0)
=12 (1)
+x5
+x6
=24 (2)
=8 (3)
xj0, j=1,2,,6
(II)
V.B
x1
x2
x3
x4
x5
x6
-2
-5
-8
x4
12
x5
-4
24
x6
Esto quiere decir que, en esa ecuacin, la dems variables, al ser no bsicas, sus
valores son ceros y, por consiguiente, podemos deducir que el valor de x5 es igual
a 24.
Observe que en la tabla se pueden leer estos valores directamente. Bastar hacer
corresponder a cada variable bsica indicada en la primera columna, (V.B.) los
valores de la ltima columna (b).
Primera Iteracin
La variable bsica entrante es x3, puesto que es la que tiene mayor coeficiente en
la funcin objetivo de (I), o bien es la de coeficientes ms negativos en la tabla
inicial (-8 en este ejemplo).
Restriccin
1
a'13 = 1
b'1 = 12
a'23 = 1
b'2 = 24
a'33 = 1
b'3 = 8
Como todos los coeficientes de las ecuaciones i (i = 1, 2,3) son positivos, entonces
la cota superior estar dada por b'1/a'13. O sea:
b1/a'13 = 12/1 = 12
b'2/a'23 = 24/4 = 6
b'3/a'33 = 8/1 = 8
(A)
(1)
Ecuacin A: -2x1 + x2 x3
-1/4X5 = - 6
Ecuacin (1): x1 + x2 + x3 + x4
Nueva Ecuacin:
- x1 + 2x2
+ x4
= 12
1/4x5 =
La tabla inicial y la que resulta despus de la primera iteracin son las siguientes:
V.B
x1
x2
x3
x4
x5
x6
-2
-5
-8
x4
12
x5
-4
24
x6
Tabla Inicial
V.B
x1
x2
x3
x4
x5
x6
14
-13
48
x4
-1
-1/4
x5
-1
1/4
x6
-2
-1/4
Segunda iteracin
Z = -14x1 + 13x2
-x1 + 2x2
-2x5
+ 48
+ x4 - 1/4x5
= 6
+ 1/4x5
= 6
2x1 - x2 + x3
-2x1 +2x2
- 1/4x5 + x6
= 2
La variable bsica entrante es x2, puesto que es la que tiene mayor coeficiente en
la funcin objetivo, o bien es la del coeficiente ms negativo en la tabla despus
de la primera iteracin.
Para determinar la variable bsica saliente, procedemos de manera similar a lo
que hizo en la primera iteracin.
En este caso xent = x2
Restriccin
1
a'12 = 2
b'1 = 6
a'22 = -1
b'2 = 6
a'32 = 2
b'3 = 2
6/2 = 2
+
2/2 = 1
El resultado es:
Z + x1
x1
x1
x1 + x2
+ x4
+ x3
+3/8x5 + 13/2x6
= 61 (0)
= 4 (1)
x6
+ 1/8x5 + 1/2x6
= 7 (2)
- 1/8x5 + 1/2x6
= 1 (3)
Regla de parada
Como todos los coeficientes de la ecuacin (0) son positivos, la solucin presente
es ptima; o sea: Z = 61, x4 = 4, x3 = 7, x2 =1 y el resto de las variables son
ceros.
V.B
x1
x2
x3
x4
x5
x6
-2
-5
-8
x4
12
x5
-4
24
x6
Tabla Inicial
V.B
x1
x2
x3
x4
x5
x6
14
-13
48
x4
-1
-1/4
x5
-1
1/4
x6
-2
-1/4
Primera Iteracin
V.B
x1
x2
x3
x4
x5
x6
3/8
13/2
61
x4
-1
x5
1/8
1/2
x6
-1/8
1/2
Segunda Iteracin
La solucin ptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0);
Z = 61
Hemos visto la aplicacin del mtodo Simplex para obtener la solucin ptima de
un problema de Programacin Lineal y su forma tabular asociada. En realidad, el
proceso de hace bastante mas expedito utilizando directamente la tabla, sin tener
que pasar por las ecuaciones correspondientes. La determinacin de las variables
bsica entrantes y salientes en cada iteracin, puede hacerse directamente a
partir de cada una de las tablas.
Ejemplo 4:
Observemos el siguiente ejemplo, recordando los pasos fundamentales en el
mtodo simplex, adems del uso de variables artificiales, no confundir con
adicionales.
Maximizar Z = -5x1 + 8x2 + 3x3,
sujeto a
2x1 + 5x2 - x3 1
-3x1 - 8x2 + 2x3 4
-2x1 - 12x2 + 3x3 9
1. Expresamos estas condiciones en forma matricial. Se eligen 3 (m)
columnas linealmente independientes dentro de A ___ P4, P5, P6.
P4 P5 P6
5 -1 1
2
-3 -8 2
3
12
-2
1 - 2x1 - 5x2 + x3 = x4
4 + 3x1 + 8x2 - 2x3 = x5
9 + 2x1 + 12x2 - 3x3 = x6
3. Para ver si es posible mejorar z0, se examina la funcin z=f(x1, x2, x3) y de
todos los coeficientes que sean positivos, se coge el mayor. Mientras haya
coeficientes positivos se va a poder mejorar.
Se plantea como aumentar el valor de una variable, de forma que las otras
variables que aparecan en la expresin de Z sigan nulas y, al menos, una
de las que eran distintas de cero se anule.
Actuaremos sobre la variable x2, ya que es la de mayor coeficiente, 8.
Nuestro siguiente vrtice debe cumplir las siguientes condiciones:
x2=k>0,
x1= x3= 0
y x4, x5, x6 0 y de estas tres variables, al menos, una nula.
Se resuelve el sistema en las variables sealadas, teniendo en cuenta
todas las anteriores condiciones:
1 - 5k = x4
4 + 8k = x5
9 + 12k = x6
P2
P5 P6
1 -1/5 1/5
1/5
28/5
3/5 12/5 0
57/5
2/5
1/5
14/5 0
2/5 8/5
1/5 + k/5 = x2
28/5 - 2/5 k = x5
57/5 - 3/5 k = x6
P2 P3
P6
1/2 1
1/2 0
1/2 0
5/2 0
14
5/2 0
0 -3/2 0
Comentarios
1 1 -1 0 1
1 1 -1 0 1
F1
F2- 2F1
230 1 6
012 1 4
48
2 -1 0
97
0 -1 0
11
-1 0
48
2 -1 0
97
0 -1 0
11
PROBLEMA PRIMAL EN
FORMA CANONICA:
PROBLEMA DUAL EN
FORMA CANONICA:
MAX Z= CX
MIN Z= BY
Sujeto a:
Sujeto a:
AX b
AY C
X0
Y0
EJEMPLO 1
El duaL es:
Minimizar
Sujeta a
W = 10Y1 + 10 Y2
Y1 + 2Y2
3,
2Y1 + 2Y2 4,
0Y1 + Y2
2,
Y1, Y2 0.
EJEMPLO 2
Encontrar el dual del siguiente problema:
Minimizar
Sujeta a
Z = 4X1+ 3X2
3X1 - X2
3,
(11)
X1 + X2
1,
(12)
-4X1 + X2
Y1, Y2 0.
3,
(13)
3X1 - X2
2,
X1 - X2
-1,
4X1 - X2 -3.
El dual es:
Maximizar
Sujeta a
W = 2Y1 Y2 3Y3
3Y1 Y2 + 4Y3
4,
-Y1 - Y2 - Y3
3,
Y1, Y2, Y3 0.
DUAL
Necesita para comenzar una base Necesita para comenzar una base
(primal) factible.
(dual) factible.
Los elementos pivote son posibles en Los elementos pivotes son negativos
todas las iteraciones, a fin de en todas las iteraciones, a fin de
mantener la factibilidad del primal.
acercarse a la factibilidad del primal.
valores negativos.
2X1 + 4X2 59
Para resolver ese problema utilizamos la tabla final del problema anterior.
Base
Final
X2
H1
H2
5/3
2/3
132
X1
1/3
-1/6
12
X2
-1/6
1/3
1/3
-1/6
71
=
X2
14
=
-1/6
1/3
59
7.5
157
7.5
1/3
-1/6
56
=
X2
14.5
=
-1/6
1/3
25
-1
Como los nuevos valores de las variables de decisin tienen signo negativo violan
la propiedad del simplex, o sea, cuando el sector [b] [0] la solucin no es factible.
Entonces la nueva solucin de la segunda restriccin X2= -1 no es factible; aqu
el mtodo de dual simplex llega a ser importante para restablecer la factibilidad del
problema.
Base
Z
X1
X1
0
1
X2
0
0
H1
5/3
1/3
H2
2/3
-1/6
Solucin
110
14.5
X2
Z
X1
0
0
1
1
10
2
-1/6
0
0
1/3
4
-1
100
12.5
X3
-6
-2
ptimo
La solucin factible y ptima actual es: X1= 12.5, X2= 0, X3= 6, X4= 0, Z= 100
No se debe olvidar que para encontrar cul recurso hay que aumentar a fin de
lograr el mejor rendimiento marginal, tenemos que ver en la tabla final de dual
aquella variable dual correspondiente a la restriccin primal que tiene el valor
positivo ms alto, y el recurso que rendir ms si aumentamos unas unidades.
Para ms informacin ver la interpretacin de dual.
CAMBIO AL VECTOR DE COSTO O PRECIO
Supongamos que la compaa tiene mucha mercanca almacenada que no puede
vender. El presidente decide bajar el precio de la mesa a 6 pesos y el de la silla a
5 pesos, pero antes de hacer vlida al decisin quiere saber qu efecto tendr en
su operacin y ganancia; el nuevo problema ser:
Max Z= 6X1 + 5X2
Sujeto a:
4X1 + 2X2 60
2X1 + 4X2 48
X1,X2 0
Solucin:
El anlisis de sensibilidad para este tipo de cambio toma como punto de partida la
solucin ptima del problema original multiplicando el nuevo vector de costo o
precio (valores de la funcin objetivo por la matriz de coeficientes tecnolgicos), o
sea, la matriz de los coeficientes de las variables que no estn en la base de la
tabla final de simplex: el resultado de esta multiplicacin le llamaremos Q.
Si Q 0 la solucin es factible, si Q 0 la solucin no es factible. Hay una mejor
explicacin con el procedimiento de simplex. Si la solucin es factible se debe
verificar que la solucin sea ptima tambin, si no es ptima, seguimos con el
procedimiento de simplex.
Para verificar si Q es el resultado de la F.O. por la matriz de coeficientes
tecnolgicos multiplicamos Q por la matriz de los coeficientes del dual, y
llamaremos al resultado de esta multiplicacin L, restamos L, con el nuevo vector
de costo o precio, si el resultado es el cero; la solucin es ptima si no seguimos
con el procedimiento simplex.
C
(vector de costo y precio) x
Mariz de
Coeficientes
Tecnolgicos
= L
De cual es dual
L C = 0, la solucin es ptima
1/3
-1/6
(6,5)
= (7/6,2/3)
-1/6
1/3
(7/6, 2/3)
= (6,5)
2
(8
6) (8
5) = (2
1)
MAXIMIZAR
Z= x1 + 2x2
Sujeta a
2x1 + x2 8
2x1 + 3x2 12
x1, x2 0
2.
MAXIMIZAR
Z= -x1 + 3x2
Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0
3.
MAXIMIZAR
Z= 8x1 + 2x2
Sujeta a
x1 x2 1
x1 + 2x2 8
x1 + x2 5
x1, x2 0
4.
5.
TIEMPO DE
MAQUINA
TIEMPO DE
TERMINADO
En los siguientes problemas hay que encontrar solo la forma dual del
ejercicio no es necesario que los resuelva, sin embargo si es su deseo
hacerlo proceda.
1.
MAXIMIZAR
Z= 2x1 + 3x2
Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0
2.
MAXIMIZAR
Z= x1 + 8x2 + 5x3
Sujeta a
x1 + x2 + x3 8
-x1 + 2x2 + x3 2
x1, x2, x3 0
MENOS DE
$500.000
MAS DE $500.000
PERIODICOS
40
100
RADIO
50
25
En el desarrollo del mtodo simple, hemos visto que si existe una solucin bsica
factible (pero no optima) al conjunto de restricciones y en ausencia de
degeneracin, es posible ir combinando sucesivamente un vector de la base y
alcanzar una solucin optima (o una indicacin de que la solucin no esta
acotada) en un numero finito de pasos.
Para la solucin de la degeneracin en programacin lineal existen dos mtodos
importantes: mtodo de perturbacin de charnes y mtodo simplex generalizado.
a1
a2
a3
a4
a5
V.B
x1
x2
x3
x4
x5
-4
-3
X1
X2
X3
Y21/Y24 y Y31/Y34.
Y21/Y24=0/3=0
Y31/Y34=0/4=0
Y22/Y24=1/3; Y32/Y34=0/4=0
a1
a2
a3
a4
a5
V.B
x1
x2
x3
x4
x5
-1
X1
-1/2
X2
-3/4
-1/2
X3
Primera iteracin
Con una iteracin adicional obtenemos la solucin ptima. A partir de la
informacin dada en las tablas, vamos a mostrar la solucin correspondiente al
problema perturbado.
Para la primera tabla de acuerdo a la ecuacin
n+s
Xb(E) = Xb + E ^ (j)Yj
j=1
Tenemos:
Para determinar el vector que sale de la base podemos utilizar una generalizacin
de la formula usual;
XBr/Yrk = min{ XBi/Yik, Yik > 0}
i
EJEMPLO
V.B
x1
x2
x3
x4
x5
-4
-3
X1
X2
X3
-1
X1
-1/2
X2
-3/4
-1/2
X3
1/2
XB1=(2,1,0,0)
Z=(0,0,0,0)
XB2=(0,0,1,0)
XB3=(0,0,0,1)
XBN1=(2,1,0,-1/2)
XBN2=(0,0,1,-3/4)
XBN=(0,0,0,-1/4)
ZN=(0,0,0,1)
Los nuevos vectores de las variables son tambin lexicogrf icamente positivos y
adems ZN > Z.
INTRODUCCION
PRINCIPIO DE DESCOMPOSICION
ALGORITMO DE DESCOMPOSICION
Pasos:
FUENTES DOCUMENTALES
DOCUMENTOS IMPRESOS:
Revistas:
SOFTWARE EDUCATIVOS:
CPLEX
NETPLOW
OPTIMA
PAFO
SOCRATES
MATLAB
SIAM 2000
PIMAD
SUN W.
NASDAQ.
TODAS LAS DIRECCIONES
OPERACIONES.
QUE
LLEVEN
INVESTIGACIN
DE