Método de la Gran M

No de Visitas:17421

Descripción clara del Método de la Gran M para resolver problemas de Programación Lineal usando el Simplex con restricciones de >= e = Mientras que los Programas Lineales que solo tienen restricciones de <= se pueden resolver sólo usando variables de holgura, para aquellos programas lineales que involucren restricciones de tipo >= e = es necesario como ya lo habíamos comentado, usar variables artificiales. Dijimos también que las variables de holgura tenían un significado físico real que correspondía a las disponibilidades o requerimientos no usados en las restricciones, pero que las variables artificiales no tenían ninguna representación física y que sólo eran usadas como un comodín matemático para ayudar en la solución del problema. Pues bien, cuando tenemos que usar variables artificiales al tener restricciones de >= e = debemos usar uno de las siguientes variantes del simplex:

 

El Método de la Gran M El Método de las dos fases

Aquí detallaremos el Método de la Gran M.

Definimos la letra M como un número muy grande pero finito para usarlo como coeficiente de las variables artificiales en la función objetivo y con sentido contrario a la misma para penalizar de manera muy grande la existencia de las mismas en la solución. Si el objetivo es minimizar las variables artirficiales entraran con M positivo y si es maximizar las variables artificiales se usaran como -M.

Ejemplo:
Min Z = 2X1 + X2 + 3X3
Sujeto a: 3X1 + X2 + 2X3 <= X1 - 2X2 + 3X3 2X1 + 3X2 C.N.N X3 X1 + X2 +2X3 >= <= = 10 6 9 7

1. Convertir al Modelo Estándar:
Cada restricción debe ser convertida de inecuación a una igualdad, agregando variables como se requiera. Con las restricciones de tipo <=, es supremamente fácil. Simplemente se agrega una en cada restricción con coeficiente 1 en la misma restricción y con coeficiente cero en la función objetivo. Por ejemplo:

. Positiva si es minimizando o negativa si es maximizando . llamada Variable Artificial. Para las restricciones de tipo mayor o igual. llamado M. la lógica es la misma. En resumen el modelo queda de la siguiente manera: Min Z = 2X1 + Sujeto a: 3X1 + X1 2X1 + X2 2X2 3X2 + 2X3 + 3X3 X3 + S1 ..3X1 + X2 + 2X3 <= 10 queda: 10 3X1 + X2 + 2X3 + S1 = Se puede leer así: el uso de la primera restricción no puede superar la disponibilidad de 10 unidades. por lo que no tenemos ningún problema con ella: 2X1 + 3X2 2X1 + 3X2 X3 <= 9 queda 9 X3 + S3 = La cuarta restricción es de tipo =. cuando aparece esta restricción tipo >= es necesario adicionar una variable comodín.2X2 + 3X3 . lo que equivale a decir que lo usado mas lo que sobre (s1) es igual a 10.1 o tal vez 7 u 8.S2 + A1 = 6 Al usar una variable artificial debemos penalizar la función objetivo allí la vamos a incluir con un coeficiente muy grande.1 o 6+1 o 6+2 . Podríamos escribirlo también como 6+0.S2 + A1 + S3 = 6 = 9 = 10 X2 + 3X3 + 0S1 + 0S2 + MA1 + 0S3 + MA2 . La tercera restricción es de tipo <=. de esta manera decir: X1 . sin ningún significado físico. Lo sumamos al lado izquierdo de la restricción como se muestra a continuación: X1 .2X2 + 3X3 . sólo como artificio matemático..2X2 + 3X3 = 6 + S2 que es equivalente a decir: lo usado en la restricción2es igual al mínimo requerido que es 6 mas el adicional que esta en S2. al estar minimizando la sumamos + . etc. Esto lo podemos reescribir como: X1 .2X2 + 3X3 >= 6 Se puede leer como: el uso de la restricción 2 debe ser como mínimo 6 unidades. o en términos generales: X1 . Eso significa que el uso podría ser 6. Para este tipo de restricción simplemente adicionamos una variable artificial al lado izquierdo: X1 + X2 +2X3 X1 + X2 +2X3 = 7 queda: 7 + A2 = Recordemos: las variables de holgura quedan con coeficiente 0 en la función objetivo y las variables artificiales con coeficiente M.S2 = 6 Sin embargo para el método simplex.MA1..

3.N. indicando los nombres de las variables en negro queda asi: Fig 1 Min Z R1 R2 R3 R4 X1 2 3 1 2 1 X2 1 1 -2 3 1 X3 3 2 3 -1 2 S1 0 1 0 0 0 S2 0 0 -1 0 0 A1 M 0 1 0 0 S3 0 0 0 1 0 A2 M 0 0 0 1 RHS 10 6 9 7 Dónde X1. de decisión y artificial. -Si hay variables de decisión y artificiales se toma la variable artificial. (RHS= Right Hand Side: "el lado derecho" es decir los valores numéricos). -Si hay variables de decisión. Por esta razón para la primera restricción dónde hay variables de decisión (Xi) y la de holgura S1. . las demás variables las llamamos No Básicas y se se toman con valor cero (de manera análoga a cuando resolvemos un sistema de ecuaciones que tiene más variables que ecuaciones. R1. S2 y S3 son las variables de Holgura. tenemos que hacer cierta cantidad de estas variables iguales a cero). Definir la Variable que entra Recordemos que tenemos un grupo de variables que llamamos base a las que tenemos en cuenta en cada iteración para dar la solución. X2. de holgura y artificiales se toma la variable artificial. R3. R2. X3 son las variables de decisión.X1 + X2 + 2X3 + A2 = 7 C. en la segunda restricción hay de holgura. R4 son las restricciones y RHS son las disponibilidades o Requerimientos de las restricciones.N (Condición de No Negatividad) 2. S1. Si lo escribimos como una matriz. En la primera iteración la regla para escoger las variables que estarán en la base es la siguiente: -Si hay variables de decisión y de holgura. Escribir en formato de Tabla Simplex. tomamos la S1 para la base. se toma la de holgura.

Esta el listado de variables que se tienen en la base (en la segunda columna rotulada como base). Las dos ultimas filas son para determinar que variable va a entrar a la base. una columna vacía llamada Theta que ya llenaremos. 2-2M = 2-M (evidente!) 1-(-M) = 1+M...tomamos la artificial A1. muy. así: 0*3+M*1 + 0*2 + M*1 = 2M = -M = 5M . En este momento nos hacemos la siguiente pregunta: cuál variable al entrar a la base hace que la función objetivo disminuya más (porque estamos minimizando)? O en otras palabras. Llenar la tabla inicial. muy grande. etc. sólo para dar un poco más de claridad a la iteración. tomamos la de holgura S3 y por último en la cuarta restricción hay de decisión y artificial. las disponibilidades/requerimientos de las restricciones en la columna RHS. pero en esencia son el mismo. puesto que de todas es la que tiene el valor negativo de M con mayor valor absoluto. haga lo siguiente: reemplace M por un valor grande positivo en la fila Cj -Zj. por lo que tomamos la A2 para la base. en la primera columna están los coeficientes de las variables básicas.de igual manera para las otras 5 columnas..000. a cuál?? Fig 2 X1 X2 X3 S1 S2 A1 S3 A2 . 0 * 1 + M * (-2) + 0*3 + M*1 0*2+M*3 + 0 *-1 + M*2 La fila Cj-Zj es el resultado de restar el coeficiente de la función objetivo (la segunda fila de negro) con el valor de Z que acabamos de calcular. Hay muchos formatos de tablas. Todas las demás se asumen en la primera iteración con valor cero.. Algunas personas omiten la fila Z. Realmente no es necesaria. Por lo tanto ésta variable debe entrar a reemplazar a otra variable en la base. Rapidamente nos damos cuenta que corresponde a 3-5M. cuál es el valor más negativo de Cj-Zj? Recordemos que M representa un número finito. luego vienen las restricciones con sus coeficientes. digamos por 1000. Tal como se ve en la tabla de abajo. en la tercera hay de decisión y de holgura. La fila Z es el resultado de la suma del producto de la columna 'coef' y de cada columna en la restricción.. Si no lo ve tan rápido.. notará de inmediato que el valor más negativo esta en la columna respectiva a la variable X3.

10 /2 = 5 6/3 =2 9 / -1 = .33 1/3=0. A la intersección entre la columna de la variable que entra y de la fila de la variable que sale. 7/2 = 3.00 0 6 2. acabamos de decir que es la variable X3.50 M 13M 0 3. 4. correspondiendo a la variable A1. es necesario realizar la eliminación gaussiana. Iteración: Gauss-Jordan Luego que se ha encontrado que variable sale de la base. dividiendo toda la fila por ella misma * Convertir todas las celdas por encima y por debajo de la celda pivote en cero. no lo vamos a tener en cuenta para salir. Aquí siempre he señalado el pivote de color verde. Sobre ella se empleará el método de Gauss-Jordan.5 La variable que más nos restringe. bueno. y cual entra y que pr lo tanto ya tenemos una celda pivote.33 0/3=0 0/3=0 6/3= 2 (En la columna del RHS) . En la fig 2 corresponde al valor 3. la fila que contiene el pivote la vamos a pasar al nuevo formato convertida mediante la siguiente operación: dividimos toda la fila por el valor del pivote. Vamos paso por paso: Convertir la celda pivote en 1. por lo tanto la que el valor de theta es menor (pero positivo) es de 2. por lo que lo rotulamos como M. Ello lo podemos resumir como: * Convertir la celda pivote en 1.33 -2/3 = -0.67 3/3 = 1(Pivote) 0/3= 0 -1/3= -0..00 Sale 0 9 M 1 7 3. Llenamos un formato vacio simplex.Coef Base 2 1 3 0 S1 3 1 2 M A1 1 -2 3 0 S3 2 3 -1 M A2 1 1 2 Z 2M -M 5M Cj. en caso que dividamos por un valor negativo. la llamamos pivote. Definir la Variable que Sale Para establecer que variable debe salir de la base. hacemos un cociente entre la disponibilidad (RHS) y la columna de la variable que entra.Zj 2-2M 1+M 3-5M Entra 0 1 0 0 0 0 0 0 0 -1 0 0 -M M M 0 1 0 0 M 0 0 0 0 1 0 0 0 M RHS Theta 0 10 5. (Para convertir el pivote en 1). Este cociente lo vamos a llamar Theta. Por lo tanto sale A1 y entra X3. 1/3 = 0. Algunos libros lo llaman 'ratio'.. en nuestro caso.

precisamente el que acabamos de convertir en 1.67 1 0 -0. Se hace la pregunta: Hay alguna variable que al entrar mejora la solución? Ello lo vemos en la fila Cj-Zj.67 -0. ahora en la fig 3. Si al calcular esta fila aún hay valores negativos y estamos minimizando. En la fig 2 nos damos cuenta que habían todavia valores negativos en Cj-Zj.33 0 1 0. aún quedan valores negativos. Fijemonos un momento en la fig 2. Ej Para la primera fila que contiene el 2 que deseamos eliminar multiplicamos la fila pivote por -2 y se la sumamos asi: La fila pivote que quedó convertida en esto: 0. Y es sencillamente lo siguiente. Con ello ya llenamos todo el formato.33 -0. aún no hemos llegado al óptimo.33 2. Esta nueva fila que hemos calculado va a servir para convertir las demas celdas por la columna del pivote en cero. Si hay valores positivos en la fila Cj-Zj y estamos maximizando. la primera.67 0 0 -4 El valor anterior lo sumamos componente a componente a la fila en la que queremos hacer la eliminación: que es la siguinte: 3 1 2 1 0 0 0 0 10 Y el resultado es: 2.Y la pasamos al nuevo formato (Fig3). el más negativo de ellos esta en la variable X2 por lo tanto debe entrar. de sus clases de algebra lineal sientase libre de saltar esta explicación): Multiplicamos la fila que contenia el pivote por el opuesto de cada número que deseamos eliminar y se lo sumamos a la fila que deseamos convertir. como es el requisito del método. Para ello hacemos operaciones entre filas y columnas de la siguiente manera (s recuerda bien los detalles de esto.67 1. Repetimos este procedimiento para la fila 3 y la fila 4. Por encima encontramos el 2 y por debajo encontramos el -1 y el 2. 5. Prueba de Optimidad: La prueba de optimidad se debe hacer cada vez que se evalua si hay una variable que debe entrar a la base. por lo tanto no se había terminado.67 -0. . que contiene el 3.33 0 0 2 La multiplicamos por -2 y nos da: -0. Lo mismo para el caso de la maximización. Estos valores son los que debemos convertir en ceros.33 0.33 -2 0 0. en el pivote en verde. entonces es posible mejorar aún más la solución.66 0 0 6 Este valor es el que copiamos en el nuevo formato en la fig 3 en la fila correspondiente.

29 0.67 -0.00 0.00 0.00 8.43 2.00 S2 A1 0 M 0.00 -0.00 3.66M 1-0.33 0 0 2 M 0.29 Sale 0 -1+0.00 0.86 1.29 -0.14 M+0.43 0.00 0.00 0. Hemos llegado al óptimo: La solución es Z=9.00 -1.33 1 0 11 4.00 0.Zj X1 2 2.67 0 1 3 1.29 -0.00 0.33 2.67 -0. la reemplazamos en el tablero de la figura 4.00 0. X1 X2 Coef Base 2 1 0 S1 2.00 0.33 Z 1+0.00 0.43 1.Continuando el algoritmo en la fig3 evaluamos que la variable A2 debe salir. Usted tiene la palabra en los comentarios .00 3 0 S1 S2 A1 S3 A2 0 0 M 0 M RHS Theta 1.57 0. nos damos cuenta que no.66M 0 M 6+3M 0 1-0.33 0.14 -1.14 0.00 0.57 X2 1 0.67 0 0 6 2.00 0.00 -0.8571 X1=0 (Por que no estaba en la base.00 0.14 0.00 0.00 1.) X2= 1. X3=2.29.14 1.33 2.00 1.00 0. evaluamos si hay algun valor negativo en la fila Cj-Zj.00 0.33M 3-2.Zj 1-0.62 S3 A2 0 M RHS Theta 0. .00 S1 0 1.00 1. por lo que no hay ninguna variable que al entrar mejore la solución.33 2.43 Nota: al escribir esto he tenido la duda de si explico demasiado básico para mis lectores o si por el contrario asumo cosas y no explico lo suficiente.8571 0.67 0 S3 2. Hacemos gauss-jordan.00 M+2.00 -1.00 -0.71 0.33M Entra X3 3 0.00 0.33 -0. Fig 3.29 9.33M -2+2.29 2.66M -1+1.00 1.00 1.00 0.00 1.33 3 X3 0.66M 0 0 Aquí en el tablero de la figura 4.86 Fig 4 Coef Base 0 S1 3 X3 0 S3 1 X2 Z Cj.33 0.00 0.00 0.14 0.33M Cj.00 0.00 0. luego calculamos Z y calculamos Cj-Zj.00 0.00 X3 3 0.33 M A2 0.00 3.

Sign up to vote on this title
UsefulNot useful