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:

1 o tal vez 7 u 8. Eso significa que el uso podría ser 6. sólo como artificio matemático.. Esto lo podemos reescribir como: X1 .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.1 o 6+1 o 6+2 . Para las restricciones de tipo mayor o igual. En resumen el modelo queda de la siguiente manera: Min Z = 2X1 + Sujeto a: 3X1 + X1 2X1 + X2 2X2 3X2 + 2X3 + 3X3 X3 + S1 . o en términos generales: X1 . la lógica es la misma. etc.2X2 + 3X3 >= 6 Se puede leer como: el uso de la restricción 2 debe ser como mínimo 6 unidades.2X2 + 3X3 . de esta manera decir: X1 . Podríamos escribirlo también como 6+0.S2 = 6 Sin embargo para el método simplex.. 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 =.MA1.2X2 + 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.S2 + A1 + S3 = 6 = 9 = 10 X2 + 3X3 + 0S1 + 0S2 + MA1 + 0S3 + MA2 ..S2 + A1 = 6 Al usar una variable artificial debemos penalizar la función objetivo allí la vamos a incluir con un coeficiente muy grande. sin ningún significado físico. 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. Lo sumamos al lado izquierdo de la restricción como se muestra a continuación: X1 . lo que equivale a decir que lo usado mas lo que sobre (s1) es igual a 10.2X2 + 3X3 .. Positiva si es minimizando o negativa si es maximizando . al estar minimizando la sumamos + . La tercera restricción es de tipo <=. llamado M. cuando aparece esta restricción tipo >= es necesario adicionar una variable comodín. llamada Variable Artificial.

(RHS= Right Hand Side: "el lado derecho" es decir los valores numéricos). de decisión y artificial. S2 y S3 son las variables 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. 3. -Si hay variables de decisión y artificiales se toma la variable artificial. tomamos la S1 para la base. X2. Si lo escribimos como una matriz.X1 + X2 + 2X3 + A2 = 7 C. 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. -Si hay variables de decisión. de holgura y artificiales se toma la variable artificial. Escribir en formato de Tabla Simplex. R1. . se toma la de holgura.N (Condición de No Negatividad) 2. en la segunda restricción hay de holgura.N. tenemos que hacer cierta cantidad de estas variables iguales a cero). X3 son las variables de decisión. Por esta razón para la primera restricción dónde hay variables de decisión (Xi) y la de holgura S1. R3. 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. 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. R4 son las restricciones y RHS son las disponibilidades o Requerimientos de las restricciones. R2.

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

En la fig 2 corresponde al valor 3.33 1/3=0. 1/3 = 0. por lo que lo rotulamos como M. A la intersección entre la columna de la variable que entra y de la fila de la variable que sale. hacemos un cociente entre la disponibilidad (RHS) y la columna de la variable que entra. 7/2 = 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. Aquí siempre he señalado el pivote de color verde. 10 /2 = 5 6/3 =2 9 / -1 = . Por lo tanto sale A1 y entra X3. y cual entra y que pr lo tanto ya tenemos una celda pivote. Iteración: Gauss-Jordan Luego que se ha encontrado que variable sale de la base. no lo vamos a tener en cuenta para salir.. por lo tanto la que el valor de theta es menor (pero positivo) es de 2. 4.67 3/3 = 1(Pivote) 0/3= 0 -1/3= -0. la llamamos pivote.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. en caso que dividamos por un valor negativo. en nuestro caso. Vamos paso por paso: Convertir la celda pivote en 1. dividiendo toda la fila por ella misma * Convertir todas las celdas por encima y por debajo de la celda pivote en cero.00 0 6 2.. Algunos libros lo llaman 'ratio'.33 -2/3 = -0. Este cociente lo vamos a llamar Theta. Sobre ella se empleará el método de Gauss-Jordan.5 La variable que más nos restringe.50 M 13M 0 3.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. es necesario realizar la eliminación gaussiana.00 Sale 0 9 M 1 7 3. (Para convertir el pivote en 1). Definir la Variable que Sale Para establecer que variable debe salir de la base.33 0/3=0 0/3=0 6/3= 2 (En la columna del RHS) . acabamos de decir que es la variable X3. bueno. correspondiendo a la variable A1. Llenamos un formato vacio simplex. Ello lo podemos resumir como: * Convertir la celda pivote en 1.

Para ello hacemos operaciones entre filas y columnas de la siguiente manera (s recuerda bien los detalles de esto. en el pivote en verde. Fijemonos un momento en la fig 2. aún no hemos llegado al óptimo.33 0. que contiene el 3.67 -0.33 -2 0 0.Y la pasamos al nuevo formato (Fig3). Si al calcular esta fila aún hay valores negativos y estamos minimizando.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. Si hay valores positivos en la fila Cj-Zj y estamos maximizando.67 1 0 -0. 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: 0.67 -0. ahora en la fig 3. 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. el más negativo de ellos esta en la variable X2 por lo tanto debe entrar.33 0 1 0. la primera.33 0 0 2 La multiplicamos por -2 y nos da: -0. Estos valores son los que debemos convertir en ceros.66 0 0 6 Este valor es el que copiamos en el nuevo formato en la fig 3 en la fila correspondiente. . por lo tanto no se había terminado. 5.33 2. Lo mismo para el caso de la maximización. entonces es posible mejorar aún más la solución. precisamente el que acabamos de convertir en 1. Y es sencillamente lo siguiente. Repetimos este procedimiento para la fila 3 y la fila 4.33 -0. Por encima encontramos el 2 y por debajo encontramos el -1 y el 2. aún quedan valores negativos. En la fig 2 nos damos cuenta que habían todavia valores negativos en Cj-Zj. Se hace la pregunta: Hay alguna variable que al entrar mejora la solución? Ello lo vemos en la fila Cj-Zj. Con ello ya llenamos todo el formato. 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.67 1. Esta nueva fila que hemos calculado va a servir para convertir las demas celdas por la columna del pivote en cero. como es el requisito del método.

00 8.29.Zj 1-0.00 S2 A1 0 M 0.00 1.33 Z 1+0.67 -0.00 0.00 0. nos damos cuenta que no.57 X2 1 0.00 0.00 0.00 1.66M -1+1.00 0.00 3.33 2.33 0.Continuando el algoritmo en la fig3 evaluamos que la variable A2 debe salir.00 -1. la reemplazamos en el tablero de la figura 4.00 0.00 0.00 -1.14 0.33 2.66M 0 M 6+3M 0 1-0.Zj X1 2 2.00 0. por lo que no hay ninguna variable que al entrar mejore la solución. Usted tiene la palabra en los comentarios .33 M A2 0.00 0.86 1.29 2. luego calculamos Z y calculamos Cj-Zj.00 0.43 2.00 -0.00 1.29 0.67 0 0 6 2.00 0.29 Sale 0 -1+0.14 0.) X2= 1.00 X3 3 0.00 0.33 3 X3 0.00 S1 0 1.33 -0.71 0.00 3 0 S1 S2 A1 S3 A2 0 0 M 0 M RHS Theta 1. X3=2.00 0.00 -0.14 M+0.67 -0.33 0.00 1.8571 0. .57 0.00 -0.29 9.29 -0.00 0.43 0.00 0.00 0.14 0.33M -2+2.33 2.00 M+2.62 S3 A2 0 M RHS Theta 0.00 1.29 -0.67 0 1 3 1.00 0.00 0.8571 X1=0 (Por que no estaba en la base.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.86 Fig 4 Coef Base 0 S1 3 X3 0 S3 1 X2 Z Cj.33M Entra X3 3 0.00 1.14 1.00 0. X1 X2 Coef Base 2 1 0 S1 2.00 3.14 -1.33 1 0 11 4.33 0 0 2 M 0.00 0.66M 1-0.00 0.43 1.67 0 S3 2.33M 3-2.66M 0 0 Aquí en el tablero de la figura 4.00 0. Fig 3. evaluamos si hay algun valor negativo en la fila Cj-Zj. Hemos llegado al óptimo: La solución es Z=9. Hacemos gauss-jordan.33M Cj.00 0.

Sign up to vote on this title
UsefulNot useful