Está en la página 1de 18

INFORME INVESTIGACIN DE OPERACIONES TRABAJO FINAL

PRESENTADO A: INGENIERO: RAFAEL TORDECILLA

FACULTAD: INGENIERA INDUSTRIAL

FUNDACIN UNIVERSITARIA AGRARIA DE COLOMBIA (UNIAGRARIA)

BOGOTA

2012 A) INDAGACION DE NUEVAS TEMATICAS 1. Investigar que es el mtodo simplex dual y los pasos de los que costa este algoritmo. Muestre un muy claro ejemplo de la aplicacin de este. RTA. Tomando en cuenta las propiedades de los problemas asociados primal y dual, se desarroll el mtodo dual-simplex que se aplica: en algunos casos de anlisis de sensibilidad, como ocurre en cambios de los recursos del problema; tambin para resolver problemas de objetivo mnimo y al menos una restriccin de tipo >=, o para ahorro en clculos evitando los mtodos simplex penal y dos fases.

Se aplica cuando el problema cambia a no factible, pero el rengln Z se presenta ptimo. Ahora observe y compare la aplicacin de criterios del simplex en coeficientes del modelo de Programacin Lineal resumido, a los problemas primal y dual.

Las condiciones de optimalidad para el problemaprimal corresponden a las condiciones de factibilidadpara el dual. El mtodo simplex dual trabaja de manera dual. Aunque el mtodo simplex dual puede verse como el mtodo simplex aplicado al problema dual, este puede implementarse directamente en trminos del problema primal, si se dispone de una solucin factible dual inicial. Comparacin funcional del simplex y el dual simplex. Criterios del mtodo dual-simplex para el cambio de base. En el algoritmo simplex dual aplican los siguientes criterios para cambio de base: Criterio de factibilidad: Se aplica en el simplex dual para determinar, entre las variables bsicas, una Variable de Salida que salga de la base, eligiendo para salir la que corresponda al valor ms negativo en la columna de solucin. Esto es vlido tanto para el objetivo de minimizacin como para maximizacin.

Criterio de optimalidad: Se aplica en el simplex dualpara determinar, entre las variables no bsicas, una Variable de Entrada que entre a la base con el siguiente procedimiento:

PASOS: 1) Consiga infactibilidad en restricciones tipo >=, (multiplique por -1):

2) Arregle la funcin Z; consiga la matriz I de base, sume holguras Si, como sigue:

3) Tabule coeficientes y aplique el dual-simplex; elija variables de Salida, Variable de Entrada y pivote as:

EJEMPLO. Utilice el algoritmo dual del simplex para resolver

Minimizar Z= 6X1 + 7x2 + 4X3 + 5X4 Sujeto a: 6X1-5X2+4X3+X4=-5 -X2+6X3<=-7 -4X1 + 2X3>=3 Xi>=0 SOLUCION La pasamos a forma estndar Minimizar Z = -6X1- 7X2 4X3 5X4 + S1 + S2 + S3 Sujeto a: -6X1 + 5X2 4X3 X4 + S1 = 5 -X2 + 6X3 + S2 = 7 -4X1 + 2X3 S3 + A1 = 3 Xi>=0 Aplicamos el dual del simplex. CB 0 0 0 B S1 S2 S3 Z - Ci
Sale S2 y entra X2

CI 5 7 3

Y1 -6 0 4 6

Y2 5 -1 0 7

Y3 -4 6 -2 4

Y4 -1 0 0 5

Y5 1 0 0 0

Y6 0 1 0 0

Y7 0 0 1 0

CB 0 -7 0

B S1 X2 S3

CI -30 7 -3 Z - Ci

Y1 -6 0 4 6

Y2 0 1 0 0

Y3 26 -6 -2 46

Y4 1 0 0 5

Y5 -1 0 0 0

Y6 -5 -1 0 7

Y7 0 0 1 0

Sale S1 y entra X4 CB B CI Y1 Y2 Y3 Y4 Y5 Y6 Y7

-5 -7 0

X4 X2 S3 Z - Ci

30 7 -3

6 0 4 -24

0 1 0 0

-26 -6 -2 176

1 0 0 0

-1 0 0 5

-5 -1 0 32

0 0 1 0

Sale S3 y entre X3 CB -5 -7 -4 B X4 X2 X3 CI 69 16 3/2 Z - Ci Y1 -46 -12 -2 328 Y2 0 1 0 0 Y3 0 0 1 0 Y4 1 0 0 0 Y5 -1 0 0 5 Y6 -5 -1 0 32 Y7 -13 -3 -1/2 88

Solucin final: X4*= 69 X2*= 16 X3*= 3/2 Z*=463 2. En el tema de anlisis de sensibilidad, en clase se demostr como calcular el intervalo de factibilidad de los elementos del lado derecho y el intervalo de optimalidad de los coeficientes objetivo. Investigue como hallar la solucin optima si: a) Alguno de los elementos del lado derecho sobrepasa el intervalo de factibilidad. De un ejemplo. RTA. Anlisis de Sensibilidad, llamado tambin Anlisis de Post-optimizacin, es una estrategia utilizada para tomar en consideracin los cambios que pueden ocurrir en los elementos componentes del modelo. Permite conocer cun sensible es la solucin ptima a cambios que ocurran en coeficientes, variables, restricciones y Funcin Objetivo. Anlisis de sensibilidad del coeficiente del lado derecho: cualquier cambio en el lado derecho de una restriccin activa cambiara la solucin ptima. Cualquier cambio en el lado derecho de una restriccin no activa que sea menor que la holgura o el exceso no produce ningn cambio en la solucin optima. La solucin ptima de una programacin lineal se basa en una toma instantnea de las condiciones que prevalecen en el momento de formular y resolver el modelo. En el mundo real, los ambientes de decisin rara vez permanecen estticos, y es esencial determinar cmo cambia la solucin ptima cuando cambian los parmetros del modelo. Eso es lo que hace el anlisis de sensibilidad. Proporciona tcnicas de cmputo eficientes para estudiar el comportamiento dinmico de la solucin ptima que resulta al hacer cambios en los parmetros del modelo.

El anlisis de sensibilidad investiga el cambio de la solucin ptima que resulta de hacer cambios en los parmetros del modelo de programacin lineal. La tabla siguiente contiene todos los casos posibles que pueden surgir en el anlisis de sensibilidad, as como las acciones necesarias para obtener la nueva solucin (suponiendo que exista): Condicin resultante de los cambios Accin recomendada La solucin actual queda optima y No es necesaria accin alguna factible La solucin actual se vuelve no factible Usar el simplex dual para recuperar la factibilidad La solucin actual se vuelve no optima Usar el simplex primal para recuperar la optimalidad La solucin actual se vuelve no ptima Usar el mtodo simplex generalizado y no factible al mismo tiempo. para obtener una nueva solucin Cambios en el lado derecho. Estos cambios requieren volver a calcular el lado derecho de la tabla, usando la siguiente formula Nuevo lado derecho de la tabla en la iteracin i = Inversa en la iteracin i X Nuevo lado derecho de la iteracin i

Recuerde que el lado derecho de la tabla expresa los valores de las variables bsicas. EJEMPLO Suponga que TOYCO desea ampliar sus lneas de ensamble aumentando en 40% la capacidad diaria de cada una, hasta 602, 644 y 588 minutos, respectivamente. Con esos aumentos, el nico cambio que se har en la tabla ptima es el lado derecho de las restricciones (y el valor objetivo ptimo). As, la nueva solucin bsica se calcula como sigue: X2 X3 X6
= -1/4 0 0 -2 1 0 0 602 * 644 588 = 140 322 328

As, las variables bsicas actuales X2, X3 y X6 siguen siendo factibles con los nuevos valores 140, 322 y 28. La utilidad ptima correspondiente es $1890. Aunque la nueva solucin es atrayente, tanto desde el punto de vista de mayor

utilidad, TOYCO reconoce que para implementarla pasar algo de tiempo. En consecuencia se hizo otra proposicin que es cambiar la holgura de capacidad de la operacin 3 (X6 = 20 minutos) a la capacidad de la operacin 1, con lo que cambia la combinacin de las tres operaciones a 450, 460 y 400 minutos, respectivamente. La solucin resultante es X2 X3 X6
= -1/4 0 0 -2 1 0 0 450 * 460 400 = 110 230 -40

Esta solucin es no factible, porque X6= -40. Se aplicar el mtodo simplex dual para recuperar la factibilidad. Primero se modifica el lado derecho de la tabla, como se ve en la columna sombreada. Observe que el valor asociado de Z = 3 X 0 + 2 X 110 + 5 X 230 = $1370 BASICA Z X2 X3 X6 X1 4 -1/4 3/2 2 X2 0 1 0 0 X3 0 0 1 0 X4 1 0 -2 X5 2 -1/4 X6 0 0 0 1 SOLUCION 1370 110 230 -40

Comenzando con el simplex dual, sale x6 y entra x4, con lo que la tabla ptima factible es la siguiente (en general, el simplex dual requerir ms de una iteracin para recuperar la factibilidad). BASICA Z X2 X3 X6 X1 5 1/4 3/2 -1 X2 0 1 0 0 X3 0 0 1 0 X4 0 0 0 1 X5 5/2 0 1/2 -1/2 X6 1/2 1/4 0 -1/2 SOLUCION 1350 100 230 20

La solucin ptima (en funcin de X1, X2 y X3) queda igual que en el modelo original. Tambin se demuestra que no se us la capacidad adicional para la operacin 1 (X4 = 20). La nica conclusin entonces es que la operacin 2 es el cuello de botella.

b) Alguno de los coeficientes objetivo sobrepasa el intervalo de optimalidad. De un ejemplo. RTA. Cambios en los coeficientes de la funcin objetivo.

El cambio en el Cj de una variable se interpretara, por ejemplo, como en incremento en el precio de un producto para un objetivo de maximizacin, o como la disminucin en el costo de una materia prima para un objetivo de minimizacin. Es importante mencionar que una variacin de Cj a Cj en el coeficiente objetivo de una variable no-bsica, no necesariamente conlleva a una infraccin de la inmejorabilidad de la solucin ptima actual, aunque en ciertas ocasiones si lo haga. Por este motivo, se considerarn a continuacin dos alternativas de cambio mutuamente exclusivas en el Cj de una variable no-bsica. 1. cuando Cj < Cj (maximizacin) En la solucin ptima actual f j = Cj - Zj <= 0 ==> f j = Cj - Zj < 0

Con lo cual la inmejorabilidad no se infringe. En consecuencia, se deduce que cuando el Cj < Cj en un problema de maximizacin, la solucin ptima actual no se alterara, lo mismo en minimizacin con Cj > Cj. 2. cuando Cj > Cj (maximizacin) Es claro que solamente cuando el precio de la utilidad de una variable no-bsica se incrementa, Cj > Cj, en un problema de maximizacin, surge la posibilidad de que se altere la inmejorabilidad y por ende la optimidad actual. fj = Cj - Zj <= 0 ==> Cj <= Cj -fj

o alternativamente, cuando

Cj <= Cj + I fj I

Es decir, si el nuevo Cj satisface la desigualdad, la actual solucin permanece ptima; de lo contrario, debe calcularse el f j el cual ser positivo, e introducirse Xj a la base para encontrar la nueva solucin ptima. Bueno la verdad es difcil que se presente esto por el motivo que casi todos los problemas tienen como un rango para estos coeficientes por eso es difcil encontrar este caso. 3. Segn lo visto en clase, al momento de resolver ejercicios de PL mediante el mtodo simplex, en ningn momento se tiene en cuenta que hay variables que pueden ser enteras. Para esto, hay algunos algoritmos especiales que consideran este detalle, el cual es muy importante para cierto tipo de problemas. El algoritmo ms usado para estos fines es el llamado branch and - bound, es decir, ramificaciones y acotamiento.

Investigue en qu consiste este algoritmo indicando con detalle cual es su esencia y que pasos aplica. Finalmente, muestre un muy ilustrado ejemplo de su aplicacin. RTA. Algoritmo de branch and - bound El algoritmo de ramicacin y acotamiento (o de branch and bound) comienza con una relajacin del problema (no considerar restricciones de integralidad) y construye un rbol con soluciones enteras particionando el conjunto de soluciones factibles de modo de descartar soluciones fraccionarias. Sin embargo, este solo hecho de descomponer nos puede llevar a un problema inmanejable por lo que debemos podar el rbol de manera inteligente. El mtodo de Branch and Bound (o Ramificacin y Acotamiento) es un algoritmo diseado para la resolucin de modelos de programacin entera. Su operatoria consiste en linealizar el modelo de programacin entera, es decir, resolver ste como si fuese un modelo de programacin lineal y luego generar cotas en caso que al menos una variable de decisin adopte un valor fraccionario. El algoritmo genera en forma recursiva cotas (o restricciones adicionales) que favorecen la obtencin de valores enteros para las variables de decisin. En este contexto resolver el modelo lineal asociado a un modelo de programacin entera se conoce frecuentemente como resolver la relajacin continua del modelo entero. Ramificacin: Significa elegir el prximo nodo en curso de la lista de nodos vivos, siendo el nodo vivo eliminado de la lista y la continuacin ocurre generando sus hijos. Para elegir el prximo nodo en curso hay 3 estrategias:

FIFO: Se utiliza una cola para implementar la lista de nodos vivos, teniendo el nodo en curso el primero nodo de la lista de nodos vivos (LNV) y sus hijos se aaden al final de la lista. El recorrido aqu es por niveles. LIFO: Se utiliza una pila para implementar la LNV. Aqu el prximo nodo vivo ser el primero de la LNV y sus hijos se aaden al inicio de la lista. Esta estrategia es muy similar al recorrido en profundidad, teniendo como diferencia de generar todos los hijos del nodo en curso antes de elegir el prximo nodo. MINIMO COSTE: Se utiliza una cola con prioridades para implementar la LNV. Ahora, cada nodo de la LNV tiene una prioridad o coste, de forma que siempre el nodo con mayor prioridad ser elegido. Un problema de optimizacin con restricciones puede ser transformado en un problema de encontrar la solucin de mnimo coste. As, crease una funcin de estimacin. Encontrar una funcin de estimacin fcil de calcular no es una tarea fcil. Hay propiedades que la funcin debe cumplir.

Acotacin: Significa usar una funcin U para podar en el rbol del espacio de estados de los nodos que se ajusten a una regla de poda. La funcin U tiene,

inicialmente, valor mximo determinado por una heurstica basada en informacin extra del problema, siendo que U nunca podr ser menor que la solucin de mnimo coste. PASOS. 1. Explora un rbol comenzando a partir de un problema raz y su regin factible (inicialmente, el problema original, con su espacio de soluciones completo). 2. Aplica funciones de acotacin al problema raz, para el que establece cotas inferiores o superiores. 3. Si las cotas cumplen las condiciones que se hayan establecido, habremos encontrado la solucin optima del problema y la bsqueda termina. 4. Si se encuentra una solucin ptima para un subproblema concreto, sta ser una solucin factible para el problema completo, pero no necesariamente su ptimo global. 5. Cuando en un nodo (subproblema), su cota local es peor que el mejor valor conocido en la regin, no puede existir un ptimo global en el subespacio de la regin factible asociada a ese nodo y, por tanto, ese nodo puede ser eliminado (podado).

En Branch and bound, la bsqueda prosigue hasta que: 6. se examinan o podan todos los nodos, o bien 7. se cumple algn criterio pre-establecido sobre el mejor valor encontrado y las cotas locales de los subproblemas an no resueltos. EJEMPLO Consideremos el siguiente modelo de programacin entera el cual resolveremos con el algoritmo de Branch and Bound:

El paso inicial consiste en resolver este problema como si fuese un modelo de programacin lineal (relajacin continua). Si la solucin de dicho problema llegara a respetar las condiciones de integralidad para las variables de decisin, sta ya sera la solucin ptima del problema entero.

Si bien este procedimiento se puede extender a problemas de mayor dimensin, utilizamos un modelo en 2 variables para poder representar los pasos del algoritmo grficamente. El grfico a continuacin muestra dicha resolucin:

La solucin ptima del problema lineal asociado (que llamaremos P0) es X1=2,8 y X2=1,6 con valor ptimo V(P0)=20,8. Claramente esta solucin no cumple las condiciones de integralidad para las variables de decisin por tanto es necesario generar cotas o restricciones adicionales de modo de poder obtener soluciones enteras. Para ello debemos seleccionar una de las 2 variables de decisin con valores fraccionarios para poder generar cotas. En estricto rigor es indistinto cul de ellas seleccionemos debido a que el mtodo nos debe llevar a conclusiones similares (aun cuando la cantidad de pasos requeridos o rapidez de convergencia cambie). En nuestro ejemplo generaremos cotas adicionales para la variable X1 aproximando su valor actual al entero inferior ms cercano (P1) y entero superior ms cercano (P2). La resolucin grfica del problema 1 (P1) nos da como solucin ptima X1=2 y X2=2 que es una solucin entera. El valor ptimo del problema 1 es V(P1)=20. Notar que V(P1)<V(P0) lo cual es natural dado que el dominio de soluciones factibles del P1 es menor al P0.

Anlogamente la resolucin grfica del problema 2 (P2) determina que X1=3 y X2=4/3 con V(P2)=20 segn se observa a continuacin:

Luego no sera del todo necesario seguir desarrollando el algoritmo dado que si generamos cotas para la variable X2 del P2 en ningn caso podramos obtener una solucin entera con valor ptimo superior a 20 (actual solucin entera de P1) y por tanto podramos concluir que X1=2 y X2=2 es la solucin ptima del problema entero. No obstante el siguiente diagrama muestra los pasos adicionales en caso que quisiera agregar cotas adicionales a partir del P2.

Un argumento similar al expuesto previamente en este caso explicara la no necesidad de seguir ramificando el P21. Se propone verificar que se obtiene la misma solucin ptima si luego del P0 ramificamos a travs de X2 agregando las restricciones X2<=1 y X2>=2. B) APLICACIN DE ANALISIS DE SENSIBILIDAD La compaa el petrecito produce una lnea de artculos de peltre para uso casero (suponga que no necesariamente deben producirse en cantidades enteras), la cual consta de 4 productos. El sistema de manufactura se divide en 5 etapas: cortado, troquelado, esmaltado, acabado y empacado. Se sabe que en el siguiente mes solo se dispondrn de 1200 de la lmina que consumen los productos 1 y 2. El producto 1 requiere de 0.50 por unidad y el producto 2 requiere 0.80 . A continuacin se presenta la informacin relevante, tanto del sistema productivo como del producto.
Departamento Producto 1

ndice de produccin (unidad/h)


Producto 2 Producto 3 Producto 4 Capacidad (h/mes)

Cortado Troquelado Esmaltado Acabado empacado

25 14 17 20 50

6 8 9 4 13

20 20 33 __ 50

10 10 8 8 20

540 600 490 450 400

producto

Precio de venta ($/unidad)

Costo de venta ($/unidad)

Demanda mensual (unidades) Mxima Mnima 5000 6000 8000 3500

1 2 3 4

100 300 160 250

50 200 100 150

500 750 650 0

1. Formule y resuelva este ejercicio y basndose nicamente en los precios sombra responda lo siguiente: a) Se tiene la posibilidad de escoger una de las siguientes alternativas para mejorar el desempeo del sistema productivo: (1) aumentar a 650 las horas mensuales disponibles de troquelado, a un costo de $300/hora, (2) aumentar a 560 las horas disponibles de cortado de $250/hora, (4) comprar 200 mas de lamina utilizada en los productos 1 y 2, a un costo de $2/ . Cul alternativa debe ser escogida para mejorar el desempeo del sistema de la mejor manera posible? RTA. Formulacin Modelo numrico Subndices I: indica tipo de producto; i=1, 2, 3,4. J: indica tipo de departamento; j=1, 2, 3, 4,5. Variables Xi= Cantidad (unidades) de producto tipo i a fabricar

Modelo Max Z= 50X1+100X2+60X3+100X4 Sa X1/25+X2/6+X3/20+X4/10 540 X1/14+X2/8+X3/20+X4/10 600 X1/17+X2/9+X3/33+X4/8 X1/20+X2/4+X4/8

490 450

X1/50+X2/13+X3/50+X4/20 400 500 X1 5000 750 X2 6000 650 X3 8000 0 X4 3500 0.5X1 + 0.8X2 1200 Xi 0 Modelo algebraico Subndices I: indica tipo de producto; i=1, 2, 3,4. J: indica tipo de departamento; j=1, 2, 3, 4,5. Variables Xi= Cantidad (unidades) de producto tipo i a fabricar Parmetros Prei = precio de venta unitario del producto i

Coi = costo de venta unitario del producto i Caj = capacidad del departamento j Dmii = demanda mnima del producto i Dmai = capacidad mxima del producto i Bi = ndice de produccin Fi = cantidad de lamina que consume el producto i Cld = cantidad de lamina disponible Modelo maxZ = Sa

BIBLIOGRAFA Libro Thaja, investigacin de operaciones , edicin 7, capitulo 4 anlisis de sensibilidad dual Introduccin a la investigacin de operaciones, 9 edicin Frederick S. Hillier Gerald y Lieberman MC Graw Hill Investigacin de operaciones Herbert mos kowitz Investigacin de operaciones y algoritmos Winston Wayne L., 4 edicin http://www.angelfire.com/ak6/invo_escom2/clase3.pdf http://html.rincondelvago.com/analisis-de-sensibilidad_1.html http://www.gestiondeoperaciones.net/programacion-entera/ejemplo-delalgoritmo-de-branch-and-bound-ramificacion-y-acotamiento/ http://www.investigaciondeoperaciones.net/analisis_de_sensibilidad.html http://www.contrib.andrew.cmu.edu/~mgoic/files/documents/optimization/bra nch.pdf http://matap.dmae.upm.es/web_Angel/NotasClaseIntrodOPT/IP/complemen to%20Branch%20and%20Bound.pdf http://elvex.ugr.es/decsai/algorithms/slides/5%20Branch%20and%20Bound. pdf