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:

Podríamos escribirlo también como 6+0. llamada Variable Artificial.1 o tal vez 7 u 8.1 o 6+1 o 6+2 . etc. 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. Para las restricciones de tipo mayor o igual.MA1. lo que equivale a decir que lo usado mas lo que sobre (s1) es igual a 10. 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 =. al estar minimizando la sumamos + .. sin ningún significado físico.2X2 + 3X3 >= 6 Se puede leer como: el uso de la restricción 2 debe ser como mínimo 6 unidades.2X2 + 3X3 . Positiva si es minimizando o negativa si es maximizando . La tercera restricción es de tipo <=. o en términos generales: 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.. Esto lo podemos reescribir como: X1 .2X2 + 3X3 .S2 = 6 Sin embargo para el método simplex. Eso significa que el uso podría ser 6. llamado M. cuando aparece esta restricción tipo >= es necesario adicionar una variable comodín. Lo sumamos al lado izquierdo de la restricción como se muestra a continuación: X1 ...S2 + A1 = 6 Al usar una variable artificial debemos penalizar la función objetivo allí la vamos a incluir con un coeficiente muy grande.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. de esta manera decir: X1 . la lógica es la misma.S2 + A1 + S3 = 6 = 9 = 10 X2 + 3X3 + 0S1 + 0S2 + MA1 + 0S3 + MA2 . sólo como artificio matemático. En resumen el modelo queda de la siguiente manera: Min Z = 2X1 + Sujeto a: 3X1 + X1 2X1 + X2 2X2 3X2 + 2X3 + 3X3 X3 + S1 .

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

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

Aquí siempre he señalado el pivote de color verde. correspondiendo a la variable A1.5 La variable que más nos restringe. acabamos de decir que es la variable X3.. Sobre ella se empleará el método de Gauss-Jordan. hacemos un cociente entre la disponibilidad (RHS) y la columna de la variable que entra.. la llamamos pivote. Este cociente lo vamos a llamar Theta. 4. En la fig 2 corresponde al valor 3. bueno. Algunos libros lo llaman 'ratio'.50 M 13M 0 3. en caso que dividamos por un valor negativo.33 -2/3 = -0.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. por lo tanto la que el valor de theta es menor (pero positivo) es de 2. en nuestro caso. Por lo tanto sale A1 y entra X3. es necesario realizar la eliminación gaussiana. 7/2 = 3. A la intersección entre la columna de la variable que entra y de la fila de la variable que sale. Iteración: Gauss-Jordan Luego que se ha encontrado que variable sale de la base. Definir la Variable que Sale Para establecer que variable debe salir de la base.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 5.00 0 6 2. no lo vamos a tener en cuenta para salir.67 3/3 = 1(Pivote) 0/3= 0 -1/3= -0. dividiendo toda la fila por ella misma * Convertir todas las celdas por encima y por debajo de la celda pivote en cero. por lo que lo rotulamos como M. Vamos paso por paso: Convertir la celda pivote en 1.33 0/3=0 0/3=0 6/3= 2 (En la columna del RHS) . 1/3 = 0. y cual entra y que pr lo tanto ya tenemos una celda pivote.33 1/3=0. (Para convertir el pivote en 1).00 Sale 0 9 M 1 7 3. Llenamos un formato vacio simplex. 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. 10 /2 = 5 6/3 =2 9 / -1 = . Ello lo podemos resumir como: * Convertir la celda pivote en 1.

la primera. Y es sencillamente lo siguiente.67 -0. Fijemonos un momento en la fig 2.33 2. Estos valores son los que debemos convertir en ceros. 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. aún quedan valores negativos. Se hace la pregunta: Hay alguna variable que al entrar mejora la solución? Ello lo vemos en la fila Cj-Zj. Repetimos este procedimiento para la fila 3 y la fila 4. .67 -0. en el pivote en verde. 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. el más negativo de ellos esta en la variable X2 por lo tanto debe entrar.67 1 0 -0.33 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. Si hay valores positivos en la fila Cj-Zj y estamos maximizando.33 -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. 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.33 0 0 2 La multiplicamos por -2 y nos da: -0. por lo tanto no se había terminado. Con ello ya llenamos todo el formato. 5.67 1. 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. precisamente el que acabamos de convertir en 1.33 -2 0 0. Para ello hacemos operaciones entre filas y columnas de la siguiente manera (s recuerda bien los detalles de esto.Y la pasamos al nuevo formato (Fig3). En la fig 2 nos damos cuenta que habían todavia valores negativos en Cj-Zj.33 0 1 0. Lo mismo para el caso de la maximización. Por encima encontramos el 2 y por debajo encontramos el -1 y el 2. que contiene el 3. aún no hemos llegado al óptimo. Si al calcular esta fila aún hay valores negativos y estamos minimizando.

00 3.33 3 X3 0.00 0.00 0.Continuando el algoritmo en la fig3 evaluamos que la variable A2 debe salir.71 0.86 Fig 4 Coef Base 0 S1 3 X3 0 S3 1 X2 Z Cj.00 -0.00 0.33 Z 1+0.00 0.00 1.00 S1 0 1.00 0.33 2.66M -1+1.00 1.00 0.33M Entra X3 3 0. nos damos cuenta que no.00 -0.66M 0 0 Aquí en el tablero de la figura 4.29 Sale 0 -1+0.33 0.00 -0.00 0.00 -1.43 1.Zj 1-0.00 M+2.00 0.67 -0.00 0.00 0.62 S3 A2 0 M RHS Theta 0.14 0.33 -0.57 X2 1 0.00 0.00 S2 A1 0 M 0.33M -2+2.00 0.29 -0.00 X3 3 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.14 0.43 2.67 0 0 6 2.8571 X1=0 (Por que no estaba en la base.33 0 0 2 M 0.00 3.29. Fig 3.86 1.00 0.00 0.00 1. Hacemos gauss-jordan. por lo que no hay ninguna variable que al entrar mejore la solución.14 1.00 0.67 -0.00 1. .33M 3-2.33 2.00 -1.33M Cj.00 0.00 0.00 0.29 0.14 -1.57 0.8571 0.67 0 1 3 1.29 2.33 M A2 0.00 0.00 1.00 1. evaluamos si hay algun valor negativo en la fila Cj-Zj.14 M+0.) X2= 1. Hemos llegado al óptimo: La solución es Z=9.00 3 0 S1 S2 A1 S3 A2 0 0 M 0 M RHS Theta 1.66M 1-0. luego calculamos Z y calculamos Cj-Zj.00 0.66M 0 M 6+3M 0 1-0.00 0.33 1 0 11 4.33 0.00 0. la reemplazamos en el tablero de la figura 4.00 8.29 9.29 -0.33 2.67 0 S3 2. X3=2.43 0. Usted tiene la palabra en los comentarios .14 0.Zj X1 2 2. X1 X2 Coef Base 2 1 0 S1 2.00 0.

Sign up to vote on this title
UsefulNot useful