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:

En resumen el modelo queda de la siguiente manera: Min Z = 2X1 + Sujeto a: 3X1 + X1 2X1 + X2 2X2 3X2 + 2X3 + 3X3 X3 + S1 .MA1. Eso significa que el uso podría ser 6.1 o 6+1 o 6+2 . de esta manera decir: X1 . Esto lo podemos reescribir como: X1 ... La tercera restricción es de tipo <=. lo que equivale a decir que lo usado mas lo que sobre (s1) es igual a 10. la lógica es la misma.S2 + A1 = 6 Al usar una variable artificial debemos penalizar la función objetivo allí la vamos a incluir con un coeficiente muy grande. Positiva si es minimizando o negativa si es maximizando . o en términos generales: X1 . 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. cuando aparece esta restricción tipo >= es necesario adicionar una variable comodín.S2 + A1 + S3 = 6 = 9 = 10 X2 + 3X3 + 0S1 + 0S2 + MA1 + 0S3 + MA2 .2X2 + 3X3 . llamada Variable Artificial. Para las restricciones de tipo mayor o igual. Lo sumamos al lado izquierdo de la restricción como se muestra a continuación: X1 .2X2 + 3X3 . sin ningún significado físico. Podríamos escribirlo también como 6+0.S2 = 6 Sin embargo para el método simplex. etc.1 o tal vez 7 u 8. 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 + .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 S2.2X2 + 3X3 >= 6 Se puede leer como: el uso de la restricción 2 debe ser como mínimo 6 unidades. sólo como artificio matemático.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.. llamado M..

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

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

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

por lo tanto no se había terminado.67 -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. Si al calcular esta fila aún hay valores negativos y estamos minimizando. la primera. . ahora en la fig 3. Estos valores son los que debemos convertir en ceros. 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. entonces es posible mejorar aún más la solución. en el pivote en verde. aún quedan valores negativos.33 0 0 2 La multiplicamos por -2 y nos da: -0. 5. Con ello ya llenamos todo el formato. Repetimos este procedimiento para la fila 3 y la fila 4.33 -0. Para ello hacemos operaciones entre filas y columnas de la siguiente manera (s recuerda bien los detalles de esto. aún no hemos llegado al óptimo. precisamente el que acabamos de convertir en 1.33 0.Y la pasamos al nuevo formato (Fig3).67 1.33 2. Se hace la pregunta: Hay alguna variable que al entrar mejora la solución? Ello lo vemos en la fila Cj-Zj. En la fig 2 nos damos cuenta que habían todavia valores negativos en Cj-Zj.33 0 1 0. Por encima encontramos el 2 y por debajo encontramos el -1 y el 2. Si hay valores positivos en la fila Cj-Zj y estamos maximizando. el más negativo de ellos esta en la variable X2 por lo tanto debe entrar. Esta nueva fila que hemos calculado va a servir para convertir las demas celdas por la columna del pivote en cero.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: 2.67 -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. como es el requisito del método. que contiene el 3. Lo mismo para el caso de la maximización. Fijemonos un momento en la fig 2.33 -2 0 0.66 0 0 6 Este valor es el que copiamos en el nuevo formato en la fig 3 en la fila correspondiente.67 1 0 -0. Y es sencillamente lo siguiente.

00 3.14 0.43 0. luego calculamos Z y calculamos Cj-Zj. la reemplazamos en el tablero de la figura 4.67 -0.14 -1.66M 0 0 Aquí en el tablero de la figura 4.) X2= 1.66M -1+1.00 0.00 0.00 1. Fig 3. Usted tiene la palabra en los comentarios .00 S1 0 1. por lo que no hay ninguna variable que al entrar mejore la solución. Hemos llegado al óptimo: La solución es Z=9.00 1.00 0.00 0.29 -0.33 0.43 1.62 S3 A2 0 M RHS Theta 0.33 0 0 2 M 0.00 3.00 0.14 0.29 9.00 0.33 3 X3 0. nos damos cuenta que no.33 2.33M -2+2.86 1. X3=2.00 0.00 1.33 -0.Zj X1 2 2.14 0. evaluamos si hay algun valor negativo en la fila Cj-Zj.29 -0.00 0.8571 0. .43 2.00 0.00 1.00 0.33 2.67 0 S3 2.00 -1.00 0.Continuando el algoritmo en la fig3 evaluamos que la variable A2 debe salir.67 0 1 3 1.00 0.71 0.00 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.00 -1.00 8.00 0.33 Z 1+0.29 Sale 0 -1+0.33M Entra X3 3 0.00 -0.66M 1-0.57 0.67 -0.33M 3-2.29 0.33 1 0 11 4.00 1.00 0.00 0.00 0.00 3 0 S1 S2 A1 S3 A2 0 0 M 0 M RHS Theta 1.29.00 0.8571 X1=0 (Por que no estaba en la base.33M Cj.00 0.00 M+2. X1 X2 Coef Base 2 1 0 S1 2.66M 0 M 6+3M 0 1-0.33 2.86 Fig 4 Coef Base 0 S1 3 X3 0 S3 1 X2 Z Cj.Zj 1-0.33 0.00 0.00 -0.00 S2 A1 0 M 0.14 1. Hacemos gauss-jordan.00 0.00 0.00 0.29 2.14 M+0.57 X2 1 0.00 1.67 0 0 6 2.00 -0.33 M A2 0.00 X3 3 0.