1.6.2 METODO DE LAS 2 FASES.

Cuando una solucin factible bsica no est fcilmente disponible, se podra utilizar el mtodo simplex de dos fases en lugar del mtodo de la gran M. En el mtodo simplex de dos fases, se suman las variables artificiales a las mismas restricciones, igual que en mtodo de la gran M. Luego se encuentra una sfb para el PL original mediante la resolucin del PL de la fase 1. En el PL de la fase 1, la funcin objetivo es para minimizar la suma de todas las variables artificiales. Al finalizar la fase 1, se reintroduce la funcin objetivo del PL original y se determina la solucin optima par el PL original. Este mtodo es sumamente sencillo. Se usa ante la presencia de variables artificiales en el modelo a solucionar y su objetivo es eludir el uso de la constante M, aquella que definimos como un nmero muy grande aunque finito, supuestamente por problemas de redondeo o de escala.

Primera Fase: Se reemplaza la funcin objetivo del programa lineal a solucionar por la minimizacin de la suma de las variables artificiales encontradas en la normalizacin del modelo y se resuelve. Si en la minimizacin Z = 0 entonces se puede proceder a la Segunda Fase, de lo contrario el problema no es factible, por lo tanto, no tiene solucin.

Segunda Fase: Se inicia con base en el tablero final de la Primera Fase, se retoma la funcin objetivo del programa, haciendo todas las variables artificiales iguales a cero y eliminndolas de las restricciones. Ejemplo: Min Z = 2X1 + X2 + 3X3 Sujeto a: 3X1 + X2 + 2X3 X1 - 2X2 + 3X3 2X1 + 3X2 - X3 X1 + X2 + 2X3

<= 10 >= 6 <= 9 = 7

C.N.N (Condicin de No Negatividad) 1. Convertir al Modelo Estndar: Cada restriccin debe ser convertida de inecuacin a una igualdad, agregando variables como se requiera. Con las restricciones de tipo <=, es supremamente

fcil. Simplemente se agrega una en cada restriccin con coeficiente 1 en la misma restriccin y con coeficiente cero en la funcin objetivo. Por ejemplo: 3X1 + X2 + 2X3 <= 10 queda: 3X1 + X2 + 2X3 + S1 = 10 Se puede leer as: el uso de la primera restriccin no puede superar la disponibilidad de 10 unidades, lo que equivale a decir que lo usado ms lo que sobre (s1) es igual a 10. Para las restricciones de tipo mayor o igual, la lgica es la misma, de esta manera decir: X1 - 2X2 + 3X3 >= 6

Se puede leer como: el uso de la restriccin 2 debe ser como mnimo 6 unidades. Eso significa que el uso podra ser 6.1 o tal vez 7 u 8... etc. Podramos escribirlo tambin como 6+0.1 o 6+1 o 6+2 ... o en trminos generales: X1 - 2X2 + 3X3 = 6 + S2 que es equivalente a decir: lo usado en la restriccin2es igual al mnimo requerido que es 6 mas el adicional que est en S2. Esto lo podemos reescribir como: X1 - 2X2 + 3X3 - S2 = 6

Sin embargo para el mtodo simplex, cuando aparece esta restriccin tipo >= es necesario adicionar una variable comodn, llamada Variable Artificial, sin ningn significado fsico, slo como artificio matemtico. Lo sumamos al lado izquierdo de la restriccin como se muestra a continuacin: X1 - 2X2 + 3X3 - S2 + A1 = 6

Al usar una variable artificial debemos penalizar la funcin objetivo all la vamos a incluir con un coeficiente muy grande, llamado M, al estar minimizando la sumamos + .MA1. La tercera restriccin es de tipo <=, por lo que no tenemos ningn problema con ella: 2X1 + 3X2 2X1 + 3X2 X3 <= 9 queda X3 + S3 = 9

La cuarta restriccin es de tipo =. Para este tipo de restriccin simplemente adicionamos una variable artificial al lado izquierdo: X1 + X2 +2X3 X1 + X2 +2X3 = 7 queda: + A2 = 7

Recordemos: las variables de holgura quedan con coeficiente 0 en la funcin

objetivo y las variables artificiales con coeficiente M. Positiva si es minimizando o negativa si es maximizando.

En resumen el modelo queda de la siguiente manera: Min Z = 2X1 + X2 + 3X3 + 0S1 + 0S2 + MA1 + 0S3 + MA2 Sujeto a: 3 X1 + X 2 + 2 X3 + S1 = 10 X1 - 2 X 2 + 3 X3 - S2 + A1 = 6 2X1+ 3X2 - X3 + S3 = 9 X1+ X2 + 2X3 + A2 = 7 C.N.N (Condicin de No Negatividad) Inicio del Mtodo de las Dos Fases:

Min Z = A1 + A2 Sujeto a: 3X1 +X2 + 2X3 + S1 X1 -2X2+ 3X3 - S2 + A1 2X1+3X2- X3 + S3 X1+ X2+ 2X3 + A2 C.N.N (Condicin de No Negatividad) FASE 1.

= 10 = 6 = 9 = 7

En la siguiente figura encontramos la tabla simplex clsica. En la primera fila los nombres de las variables de decisin, y justo abajo de ellas, los coeficientes de estas variables en la funcin objetivo. Cmo en la primera fase minimizamos la suma de las variables artificiales, por eso slo encontramos un valor de 1 abajo de A1 (variable artificial 1) y de A2 (variable artificial 2). En la segunda columna encontramos las variables que estn en la base al inicio. Como es costumbre, para escogerlas preferimos si slo hay variables de decisin y de holgura, escogemos la de holgura para estar en la base (aqu las llamamos S) y si hay de decisin, de holgura y artificiales, preferimos la artificial. Por eso, las variables que se escogen para la base son: S1, A1, S3, A2. A la izquierda de esta columna, como es usual, se coloca los coeficientes en la funcin objetivo, de las variables que estn en la base. Luego vienen los coeficientes de las restricciones, y debajo del ttulo RHS (Right Hand Side), o "lado derecho" de la restriccin, colocamos las disponibilidades o

requerimientos. En otros libros de texto a esta columna tambin la llaman Bi, lo importante es que usted entienda que todos los diferentes formatos de tablas, realmente son lo mismo, lo nico que cambia es el orden, la forma de llamar a las columnas, etc. Bueno, sin dar tantas vueltas: En la primera iteracin se calcula Z y C - Z, y por lo tanto la variable que entra, como estamos minimizando, entra la ms negativa: X3 y entra la que mas restringe: A1. Eso hace que la celda pivote este en el valor 3, que lo coloqu con verde en todas las figuras. Y se aplica eliminacin gaussiana: Se divide toda esa fila por tres, y luego con la fila convertida, elimino por encima y por debajo de la celda pivote multiplicando por el valor opuesto al que quiero eliminar la fila pivote y sumndosela componente a componente a la fila que deseo eliminar. Bueno, en estos momentos del partido, creo que usted ya debe saber bien como hacer la eliminacin gaussiana (Y si no, colquelo en los comentarios abajo, para ampliar la explicacin!) .

El valor de la funcin objetivo, en cada iteracin la he colocado en azul claro, para que vaya viendo el progreso: 13 -> 3 -> 0.

Al terminar en cero, el semforo nos da luz verde para seguir con la siguiente fase.

FASE 2 En la FASE 2, fjese que cambiamos la fila de la funcin objetivo y dejamos la del programa original, pero como en la fase 1 nos aseguramos de eliminar las variables artificiales, en la fase 2, nos podemos dar el lujo y el gusto de eliminarlas. Tambin, como es lgico, las borramos de las restricciones. Ahora , sin estorbos, sin constantes M, o variables artificiales que nos retracen el paso, por que vamos de prisa, realizamos la iteracin,. y para el colmo de nuestra suerte, en slo una iteracin acabamos. Encontramos el valor de Z. He escogido el mismo programa para resolverlo por la Gran M que por el mtodo de las dos fases.

Bibliografia. Investigacin de operaciones: aplicaciones y algoritmos. Wayne L. Winston 4ta Edicin. Thomson editorial