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:

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

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

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

33 0/3=0 0/3=0 6/3= 2 (En la columna del RHS) . bueno. En la fig 2 corresponde al valor 3. en nuestro caso. Definir la Variable que Sale Para establecer que variable debe salir de la base. Por lo tanto sale A1 y entra X3.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. 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. en caso que dividamos por un valor negativo. 7/2 = 3.33 -2/3 = -0. Llenamos un formato vacio simplex.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. acabamos de decir que es la variable X3.. A la intersección entre la columna de la variable que entra y de la fila de la variable que sale. 4.00 0 6 2. hacemos un cociente entre la disponibilidad (RHS) y la columna de la variable que entra. la llamamos pivote. Ello lo podemos resumir como: * Convertir la celda pivote en 1. 1/3 = 0.67 3/3 = 1(Pivote) 0/3= 0 -1/3= -0. correspondiendo a la variable A1.33 1/3=0. Iteración: Gauss-Jordan Luego que se ha encontrado que variable sale de la base. Este cociente lo vamos a llamar Theta. por lo que lo rotulamos como M.00 Sale 0 9 M 1 7 3. y cual entra y que pr lo tanto ya tenemos una celda pivote. Algunos libros lo llaman 'ratio'. por lo tanto la que el valor de theta es menor (pero positivo) es de 2..5 La variable que más nos restringe. es necesario realizar la eliminación gaussiana. Aquí siempre he señalado el pivote de color verde. Vamos paso por paso: Convertir la celda pivote en 1. Sobre ella se empleará el método de Gauss-Jordan. (Para convertir el pivote en 1).50 M 13M 0 3. no lo vamos a tener en cuenta para salir. dividiendo toda la fila por ella misma * Convertir todas las celdas por encima y por debajo de la celda pivote en cero. 10 /2 = 5 6/3 =2 9 / -1 = .

Para ello hacemos operaciones entre filas y columnas de la siguiente manera (s recuerda bien los detalles de esto. En la fig 2 nos damos cuenta que habían todavia valores negativos en Cj-Zj. Lo mismo para el caso de la maximización.67 -0. Estos valores son los que debemos convertir en ceros. precisamente el que acabamos de convertir en 1. 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: 0.33 -2 0 0.67 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. el más negativo de ellos esta en la variable X2 por lo tanto debe entrar. entonces es posible mejorar aún más la solución.67 -0. Si hay valores positivos en la fila Cj-Zj y estamos maximizando.33 -0.67 1 0 -0. aún quedan valores negativos. como es el requisito del método. Por encima encontramos el 2 y por debajo encontramos el -1 y el 2. Y es sencillamente lo siguiente.33 0 0 2 La multiplicamos por -2 y nos da: -0. por lo tanto no se había terminado. que contiene el 3. Fijemonos un momento en la fig 2.33 0. en el pivote en verde. aún no hemos llegado al óptimo.Y la pasamos al nuevo formato (Fig3). Si al calcular esta fila aún hay valores negativos y estamos minimizando. Esta nueva fila que hemos calculado va a servir para convertir las demas celdas por la columna del pivote en cero.33 2. Repetimos este procedimiento para la fila 3 y la fila 4. Se hace la pregunta: Hay alguna variable que al entrar mejora la solución? Ello lo vemos en la fila Cj-Zj. 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. 5.66 0 0 6 Este valor es el que copiamos en el nuevo formato en la fig 3 en la fila correspondiente. ahora en la fig 3.67 1. la primera. Con ello ya llenamos todo el formato. .33 0 1 0. 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.

29 -0.62 S3 A2 0 M RHS Theta 0.66M 0 M 6+3M 0 1-0.00 S2 A1 0 M 0.66M 1-0.67 -0.00 3 0 S1 S2 A1 S3 A2 0 0 M 0 M RHS Theta 1.43 2.86 1. por lo que no hay ninguna variable que al entrar mejore la solución.33 1 0 11 4.14 0. X3=2. .14 M+0.00 S1 0 1.33 Z 1+0.29 -0.8571 X1=0 (Por que no estaba en la base.Zj 1-0.00 X3 3 0.67 0 S3 2.14 0. la reemplazamos en el tablero de la figura 4.00 0. Hemos llegado al óptimo: La solución es Z=9. Usted tiene la palabra en los comentarios .14 -1.66M -1+1.00 1.29.8571 0.43 0.00 0. X1 X2 Coef Base 2 1 0 S1 2.00 1.00 0.00 8.86 Fig 4 Coef Base 0 S1 3 X3 0 S3 1 X2 Z Cj. evaluamos si hay algun valor negativo en la fila Cj-Zj.57 0.57 X2 1 0.29 0.33M 3-2.00 0. Fig 3.00 0.00 3.00 1.00 0.00 -0.29 Sale 0 -1+0.00 0.33M Entra X3 3 0.) X2= 1.00 -1.33 0.33 2.29 2.29 9.Continuando el algoritmo en la fig3 evaluamos que la variable A2 debe salir.00 0.00 0.00 1.00 0.67 0 0 6 2.00 0.00 1.33 -0.67 0 1 3 1.33 0.33 M A2 0. Hacemos gauss-jordan.00 0. nos damos cuenta que no.00 0.66M 0 0 Aquí en el tablero de la figura 4.00 -1.33 2.71 0.Zj X1 2 2.00 3.67 -0.00 -0.14 1. luego calculamos Z y calculamos Cj-Zj.33M Cj.33 0 0 2 M 0.00 0.00 0.00 0.00 0.00 0.00 -0.33M -2+2.00 0.43 1.00 0.00 0.00 1.14 0.43 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.33 3 X3 0.00 0.33 2.00 M+2.00 0.