CAPITULO III

SOLUCION DEL MODELO DE PROGRAMACION LENEAL

Docente: Juan Carlos Vargas Reinaga

INTRODUCCION
Existen varios mtodos que permiten solucionar el problema de programacin lineal como son: El mtodo grafico El algoritmo simplex Los mtodos penalizados El mtodo dual simplex

METODO GRAFICO
Uno de los mtodos mas simples de solucin de un modelo de programacin lineal es el mtodo grafico, este mtodo tiene dos caractersticas especiales:
Sirve para resolver problemas en una dos y tres dimensiones. Se pueden consolidar importantes interpretaciones de tipo geomtrico y conceptual en relacin a la teora de programacin lineal.

DESVENTAJA
Este mtodo grfico tiene la desventaja que slo permite la solucin de problemas que tengan dos variables de aqu que la mayora de los problemas de programacin lineal se resuelvan utilizando como base el mtodo simplex.

ENFOQUE GRFICO DE SOLUCIN Para obtener la solucin al modelo utilizando el enfoque grfico, se debe:

Representar una regin o rea factible.

Calcular el valor mximo o mnimo de la funcin objetivo en la regin factible.

PROBLEMA La fbrica de Hilados y Tejidos "SALAZAR" requiere fabricar dos tejidos de calidad diferente T y T; se dispone de 500 Kg de hilo a, 300 Kg de hilo b y 108 Kg de hilo c. Para obtener un metro de T diariamente se necesitan 120 gr de a, 150 gr de b y 72 gr de c; para producir un metro de T por da se necesitan 200 gr de a, 100 gr de b y 27 gr de c. El T se vende a $ 4000 el metro y el T se vende a $ 5000 el metro.

Si se debe obtener el mximo beneficio, cuntos metros de T y T se deben fabricar?

MODELIZACIN MEDIANTE PROGRAMACIN LINEAL

VARIABLES DE DECISION XT: Cantidad de metros diarios de tejido tipo T a fabricar XT: Cantidad de metros diarios de tejido tipo T a fabricar RESTRICCIONES 0,12XT + 0,2XT <= 500 Hilo a 0,15XT + 0,1XT <= 300 Hilo b 0,072XT + 0,027XT <= 108 Hilo c Las restricciones de no negatividad no son necesarias en este ejemplo dado que se trata de un ejercicio de maximizacin, cuando el ejercicio sea de minimizacin lo ms recomendado es incluirlas. FUNCIN OBJETIVO (fo) MAX Z = 4000XT + 5000XT
7

SOLUCIN MEDIANTE MTODO GRFICO

PASO 1: GRAFICAR LAS RESTRICCIONES

Para iniciar con el trazado de las restricciones es indispensable igualar las restricciones a 0, de esta manera podemos mediante despeje de ecuaciones iniciar con la tabulacin que nos otorgar las coordenadas para elaborar cada una de las grficas. Adems dado que se trabajar en el plano cartesiano sera prudente renombrar las variables XT = x XT' = y Igualamos las restricciones,

0,12x + 0,2y = 500 0,15x + 0,1y = 300 0,072x + 0,027y = 108

Si analizamos la primera restriccin, hallamos las primeras dos coordenadas. Para hallar las coordenadas regularmente llevamos una de las variables a cero, para de esta manera despejar ms fcilmente la segunda. Por ejemplo,

para un x = 0 0,12(0) + 0,2y = 500 0,2y = 500 500/0,2 = y y = 2500

y para un y = 0 0,12x + 0,2(0) = 500 0,12x = 500 x = 500/0,12 x = 4167
9

10

11

12

En el siguiente grfico se muestra el polgono solucin de color gris (regin factible), en este conjunto es donde cada coordenada cumple con todas las restricciones, las cuales se caracterizan por ser restricciones de menor o igual y esta caracterstica se representa con una flecha haca abajo.

13

Una vez se llega a este punto es indispensable saber que las soluciones ptimas se alojan en los vrtices del polgono solucin (color gris) y que identificar a la solucin ptima es cuestin de elegir la mejor alternativa dependiendo de las herramientas disponibles (tecnolgicas y conocimientos matemticos). La primera opcin es la geomtrica, esta depende de trazar la ecuacin que representa a la funcin objetivo (este paso consiste en realizar el mismo procedimiento de las restricciones). Funcin objetivo Max Z = 4000x + 5000y igualamos a 0

4000x + 5000y = 0
14

Luego tabulamos para obtener las coordenadas necesarias para elaborar la grfica correspondiente a la ecuacin (es recomendable ms de dos coordenadas, incluyendo la coordenada (x = 0, y = 0).

15

16

Una vez se ha elaborado la funcin objetivo (lnea negra) sacamos replicas perpendiculares a esta que se encuentren con cada vrtice, y solo en el caso en que la lnea imaginaria perpendicular a la funcin objetivo no corte el polgono solucin se ha encontrado la solucin ptima.

En otras palabras trasladamos la funcin objetivo por todo el polgono conservando la perpendicularidad con la original, la detenemos en los vrtices y evaluamos si esta corta o no el conjunto solucin.

17

18

Claramente solo en el punto "B", es decir en el vrtice formado por la interseccin de las ecuaciones 1 y 2, la lnea imaginaria no corta el polgono solucin, entonces es este punto el correspondiente a la coordenada ptima. Para hallar el valor de esta coordenada es indispensable recurrir a la resolucin de ecuaciones lineales 2x2, y se pueden considerar varios mtodos de solucin entre ellos: Mtodo por sustitucin Mtodo por igualacin Mtodo por reduccin o Eliminacin Mtodo por eliminacin Gauss Mtodo por eliminacin Gauss - Jordn Mtodo por determinantes

19

El mtodo por reduccin o eliminacin consiste en igualar los coeficientes de una de las variables multiplicando una o las dos ecuaciones, teniendo en cuenta que estos coeficientes queden iguales pero con signos contrarios. Ecuacin 1 Ecuacin 2 0,12x + 0,2y = 500 0,15x + 0,1y = 300 multiplicamos por (-2) -0,30x - 0,2y = -600 Sumando -0,18x = -100

x = 555,55

20

luego reemplazamos x = 555,55 en cualquiera de las dos ecuaciones originales con el objetivo de despejar "y".
Ecuacin 1 Reemplazamos 0,12x + 0,2y = 500 0,12(555,55) + 0,2y = 500 66,666 + 0,2y = 500 y = 2166,67 x = XT y = XT' XT = 555,55 XT' = 2166,67
21

reemplazando las variables en la funcin objetivo tenemos : Zmax = 4000XT + 5000XT' Zmax = 4000(555,55) + 5000(2166,67) Zmax = 13.055.550 Ahora podemos cotejar los resultados con los obtenidos mediante resolucin por Solver - Excel, una herramienta muy til al momento de resolver ejercicios mediante el mtodo grfico es una calculadora graficadora, como es el caso de la calculadora de encarta disponible.

22

ANALISIS E INTERPRETACION DEL METODO GRAFICO El espacio achurado S se denomina REGION FACTIBLE y es el conjunto que agrupa a los puntos que cumplen con todas las restricciones y que corresponden a la interseccin de los hiperplanos dominio de cada una de las restricciones. Los vrtices de la regin factible S, corresponde a la interseccin de dos o mas restricciones y se obtienen resolviendo las ecuaciones que corresponden a estas restricciones.

23

La solucin optima del problema siempre ser un vrtice de la regin factible S. Las restricciones que intervienen en el problema pueden ser de tres tipos: Restricciones ACTIVAS; que tienen dos caractersticas pasan por el punto optimo y hacen uso total de los recursos.

Restricciones INACTIVAS, que son aquellas que no pasan por el punto de anlisis, en este caso el optimo; por tanto no hacen uso total del recurso limitado y sus variables de compensacin toman valores diferentes de cero.

24

 Restricciones REDUNDANTES, que son aquellas que adems de no pasar por el punto optimo en cuestin, no limitan ni participan de la regin factible, lo que significa que la inclusin o no de esta restriccin no modificara la regin factible tampoco la solucin optima.

25

ALGORITMO SIMPLEX
El mtodo simplex es un algoritmo que aplica un procedimiento iterativo de solucin. En su forma sistmica el algoritmo simplex considera tres fases fundamentales: Fase inicial, la fase de control del optimo y la fase iterativa. Cada una de estas fases consta de pasos importantes en su desarrollo.

26

MECNICA DEL MTODO SIMPLEX

FASE INICIAL: Paso 1 : Colocar el problema en su formulacin estndar Paso 2 : Plantear la tabla o solucin inicial, precisando las variables bsicas y no bsicas de inicio (iteracin 0) FASE DE CONTROL Paso 3 : Verificar si todos los coeficientes de la fo son positivos (caso MAX), si son positivos entonces se puede decir que ya se encontr la solucin optima, si no vaya al siguiente paso.

Paso 4 : Realizar un cambio de base Aplicar la regla de entrada y la regla de salida de la base Encontrar el pivote.
27

FASE ITERATIVA

Paso 5 : Aplicar operaciones elementales de fila y columna Utilizar el mtodo de Gauss Jordn y hallar la nueva solucin bsica
Paso 6 : Volver a la fase de control.

28

Ejemplo del mtodo Simplex:

Maximizar Sujeto a:

Z = 3x1 + 2x2 2x1 + x2 18 2x1 + 3x2 42 3x1 + x2 24

x1 0 , x2 0
29

1. CONVERTIR LAS DESIGUALDADES EN IGUALDADES Se introduce una variable de holgura para cada una de las restricciones, este caso s1, s2, s3 para convertirlas en igualdades y formar el sistema de ecuaciones estndar.

Usando en simplex el siguiente criterio:

Signo : Introducir

FORMA ESTANDAR:

sn

2x1 + x2 + s1 = 18 2x1 + 3x2 + s2 = 42 3x1 + x2 + s3 = 24

30

2. IGUALAR LA FUNCIN OBJETIVO A CERO Y DESPUS AGREGAR LA VARIABLES DE HOLGURA DEL SISTEMA ANTERIOR

Z - 3 x1 - 2 x2 = 0
Para este caso en particular la funcin objetivo ocupa la ultima fila de la tabla a confeccionar, pero de preferencia siempre se deber de colocar como la primer fila. Cuando minimizamos se toma el valor (+) positivo de fo para convertirlo en negativo y cuando maximizamos tomamos el valor (-) negativo de fo para convertirlo en positivo.

31

3. ESCRIBIMOS LA TABLA INICIAL DEL MTODO SIMPLEX En las columnas aparecern todas las variables del problema y en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo:

32

Tabla Inicial Base Variable de decisin X1 X2 Variable de holgura Solucin

S1

S2

S3

S1 S2 S3 Z

18

42

24

-3

-2

33

4. ENCONTRAR LA VARIABLE DE DECISIN QUE ENTRA EN LA BASE Y LA VARIABLE DE HOLGURA QUE SALE DE LA BASE

A. Para escoger la variable de decisin que entra en la base, (FLECHA ROJA PARTE SUPERIOR), observamos la ultima fila, la cual muestra los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente ms negativo (en valor absoluto). En este caso, la variable x1 de coeficiente - 3.

Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige cualquiera de ellos.
Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima.
34

Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos.
La columna de la variable que entra en la base se llama columna pivote (en color azulado).

B. Para encontrar la variable de holgura que tiene que salir de la base, (FLECHA ROJA COSTADO IZQUIERDO) se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero.

35

Si hubiese algn elemento menor o igual que cero no se hace dicho cociente.
En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, S3. Esta fila se llama fila pivote (en color azulado).

36

Iteracin No. 1

Base

Variable de decisin

Variable de holgura

Solucin Operacin

X1

X2

S1

S2

S3

S1 S2 S3 Z

2 2 3 -3

1 3 1 -2

1 0 0 0

0 1 0 0

0 0 1 0

18 42 24 0

18/2 = 9 42/2 = 21 24/3 = 8

37

Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base.
C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3, este indica que la variable de decisin x1 entra y la variable de holgura S3 sale.

38

5. ENCONTRAR LOS COEFICIENTES LA NUEVA TABLA SIMPLEX.

Los nuevos coeficientes de la fila pivote se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional 3, ya que este se debe convertir en 1.
A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de la columna pivote, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z.

39

Resultado de Iteracin No. 1

Base Variable de decisin X1 X2 Variable de holgura Solucin Operacin

S1

S2

S3

S1 S2 X1 Z

1/3

-2/3

f(S1) 2 f(X1) f(S2) 2 f(X1) (1/3) X1 f(Z) + 3 f(X1)

7/3

-2/3

26

1/3

-1/3

-1

24

40

Como en los elementos de la ltima fila hay un numero negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:
A. La variable que entra en la base es x2, por ser la columna pivote que corresponde al coeficiente -1 B. Para calcular la variable que sale o la fila pivote, dividimos los trminos de la columna solucin entre los trminos de la nueva columna pivote y como el menor cociente positivo es 6, tenemos que la fila pivote y la variable de holgura que sale es S1. C. El elemento pivote, que ahora hay que hacer 1, es 1/3.

Y se opera de forma anloga a la anterior iteracin

41

Iteracin No. 2 Bas e Variable de decisin Variable de holgura Soluci n Operacin

X1

X2

S1

S2

S3

S1 S2 X1 Z

0 0 1 0

1/3 7/3 1/3 -1

1 0 0 0

0 1 0 0

-2/3 -2/3 -1/3 1

2 26 8 24

2/(1/3) = 6 26/(7/3) = 78/7 8/(1/3) = 24

42

Resultado de Iteracin No. 2

Base

Variable de decisin
X1 X2

Variable de holgura

Solucin

Operacin

S1

S2

S3

X2 S2 X1 Z

-2

3X2 f(S2) (7/3) f(X2) f(X1) (1/3) f(X2) f(Z) + f(X2)

-7

12

-1

-1

30

43

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es S3, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote:

6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]

y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S2. C. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla:
44

Iteracin No. 3 Bas e Variable de decisin Variable de holgura Soluci n Operacin

X1

X2

S1

S2

S3

X2

-2

No se toma por ser negativo 12/4 = 3 6/1 = 6

S2 X1 Z

0 1 0

0 0 0

-7 -1 3

0 0 0

4 1 -1

12 6 30

45

Resultado de Iteracin No. 3 Base Variable de decisin X1 X2 Variable de holgura Solucin Operacin

S1

S2

S3

X2 S3 X1 Z

-1/2

12

f(X2) + 2 f(S3) (1/4) S3 f(X1) f(S3) f(Z) + f(S3)

-7/4

-3/4

5/4

33

46

Tabla Final
Base Variable de decisin X1 X2 Variable de holgura Solucin

S1

S2

S3

X2 S3 X1 Z

-1/2

12

-7/4

-3/4

5/4

33

47

Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima.
Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33.

48

En algunas situaciones existen problemas de programacin lineal que no proporcionan una solucin bsica inicial.
En consecuencia este tipo de situacin se presenta cuando al menos una de las restricciones es del tipo (<=) o (=). Para este propsito se desarrollan 2 mtodos basados en el uso de variables artificiales:

El mtodo M o de penalizacin y la tcnica de las dos fases.

49

METODO M O DE PENALIZACIN

1. Se debe expresar el problema en forma estndar transformando las inecuaciones en ecuaciones introduciendo variables de holgura. 2. Agregue variables no negativas al lado izquierdo de cada una de las ecuaciones correspondientes a las restricciones de tipo (>=) o (=). Estas variables se denominan variables artificiales y su adicin hace que las restricciones correspondientes.

Esta dificultad se elimina asegurando que las variables sean 0 en la solucin final. Esto se logra asignando una penalizacin muy grande por unidad a estas variables en la funcin objetivo.
Tal penalizacin se designar como M para problemas de maximizacin y + M para problemas de minimizacin.
50

3. Se utiliza las variables artificiales en la solucin bsica inicial; sin embargo la funcin objetivo de la tabla inicial se prepara adecuadamente para expresarse en trminos de las variables no bsicas nicamente. Esto significa que los coeficientes de las variables artificiales en la funcin objetivo deben ser 0, esto puede lograrse sumando mltiplos adecuados de las ecuaciones de restriccin al rengln objetivo. 4. Proceda con los pasos regulares del mtodo simplex.

51

FORMA AUMENTADA:

Toda restriccin del tipo ser aumentada con la substraccin de una variable de holgura y con la suma de una variable artificial. 5x1 + 3x2 60 2x1 + 2x2 30

Tienen como forma aumentada

5x1 + 3x2 - s3 + A1 = 60 2x1 + 2x2 - s4 + A2 = 30

52

Toda restriccin del tipo = ser aumentada con la suma de una variable artificial. 7x1 + 9x2 = 126 Tiene como forma aumentada 7x1 + 9x2 + A3 = 126

Esta forma aumentada se explica en relacin al algoritmo simplex. Para la desigualdad si slo se realiza la substraccin de la variable de holgura, y junto con la seleccin inicial de las variables de decisin iguales a cero nos da un valor negativo para las variables de holgura adicionadas; situacin que no puede manejar el algoritmo.

53

La variable Artificial solventa esta condicin, pero tal como lo dice es una variable ajena al problema y para poder dar una solucin al final todas ella deben ser iguales a cero.

MTODO DE PENALIZACIN LA GRAN M

El mtodo de penalizacin o tambin llamado de la Gran M realizar el siguiente tratamiento. M significa: un coeficiente Muy grande o Mucho, Si todas las variables artificiales tienen un valor de cero, la solucin ser equivalente con la del problema original. Si alguna de las variables artificiales tiene un valor distinto de cero, el problema original es infactible.
54

Una vez aumentadas las variables artificiales a las restricciones correspondientes, se aumentan las variables artificiales a la funcin objetivo con un coeficiente de castigo o penalizacin MAi para minimizacin y MAi para maximizacin. Ntese que es en el sentido opuesto de optimizacin, a continuacin se reduce a cero el coeficiente para las variables bsicas en el rengln de la funcin objetivo. (Columnas donde se localiza la matriz identidad, en este mtodo siempre habr factores de M). Una vez establecidas las variables bsicas en forma correcta, se procede de manera habitual con el algoritmo Simplex

55

PROBLEMA DE MINIMIZACION: min z = 60 x1 + 50 x2 5x1 + 3x2 60 2x1 + 2x2 30 7x1 + 9x2 = 126 donde x1 , x2 0 sujeto a Iniciamos con el mtodo de la gran m es decir aumentando las variables artificiales a la funcin objetivo:

min z = 60 x1 + 50 x2 + MA1 +MA2 +MA3

sujeta a 5x1 + 3x2 - x3 + A1 = 60 2x1 + 2x2 - x4 + A2 = 30 7x1 + 9x2 + A3 = 126 donde x1 , x2, x3, x4, A1, A2, A3, 0
56

Ahora para resolver como un problema de maximizacin: max -z = - 60 x1 - 50 x2 - MA1 - MA2 - MA3 sujeto a 5x1 + 3x2 - x3 + A1 = 60 2x1 + 2x2 - x4 + A2 = 30 7x1 + 9x2 + A3 = 126 donde x1 , x2, x3, x4, A1, A2, A3, 0 Posteriormente establecemos la tabla simplex para el problema de maximizacin:

57

Los coeficientes de las variables bsicas en el rengln cero no son correctos y se deben reducir a cero.

58

Los coeficientes de las variables bsicas en el rengln cero no son correctos y deben reducirse a cero.

Los coeficientes de las variables bsicas en el rengln cero no son correctos y deben reducirse a cero.

59

La tabla ya es correcta y con esta inicializacin se resuelve por el algoritmo Simplex.

Columna y rengln pivote

60

Pivote

Pivote

61

Actualizacin de tabla

El coeficiente ms negativo y columna pivote

62

Pivote

Pivote

63

Actualizacin de la tabla

El coeficiente ms negativo y columna pivote

64

Pivote

Pivote

65

Actualizacin de tabla y es ptima*

66

Como todo problema de minimizacin puede ser expresado como uno de maximizacin, el algoritmo ya definido puede seguir siendo utilizado sin modificar ningn criterio. Siempre que existan restricciones de igualdad o del tipo mayor o igual que, se aumentarn de forma adecuada las restricciones y puedan ser manejadas por el algoritmo.
En el mtodo de penalizacin o de la gran M, adems de aumentar el sistema; se aumentan las variables artificiales a la funcin objetivo con un coeficiente de castigo en sentido opuesto al de optimizacin. Se actualiza correctamente los coeficiente en el rengln cero para la variables bsicas. Una vez inicializado correctamente se sigue el algoritmo Simplex de forma habitual

67

68

MTODO DE LAS 2 FASES

2. MTODO DE LAS 2 FASES El mtodo de la M Grande incluye variables de apoyo con un coeficiente muy grande (M) o muy pequeo (-M) en la funcin objetivo. Esto da lugar a problemas numricos que conducen a soluciones errneas. Esto es especialmente grave en problemas de cierto tamao. De ah que los cdigos comerciales utilizan una extensin del algoritmo del Simplex conocida como el Mtodo de las 2 Fases: 1 Fase: Obtener una SBF inicial. 2 Fase: Obtener una solucin ptima.

69

DETERMINACIN DE UNA SBF INICIAL

1 FASE La contribucin de las variables bsicas (cj) es =0 en la funcin objetivo. Aadir variables de holgura en las restricciones, con contribucin a la funcin objetivo =0 Aadir variables artificiales pero la contribucin a la funcin objetivo =1 Se minimiza la funcin objetivo anterior. Si la funcin objetivo (z) es 0 entonces se ha llegado a una solucin factible del problema inicial. SBF Inicial hallada. Las variables artificiales se pueden eliminar de la tabla y proceder con la fase 2. Ahora ya partimos de una SBF. Solucin infactible del problema original. Si al final de la 1 fase hay alguna variable artificial en la base.
70

 2 FASE Se eliminan de la tabla las variables artificiales. Se sustituyen los cj (contribuciones a la funcin objetivo) por las del problema original. Se recalculan zj y cj-zj Se comprueba si la solucin es ptima analizando el valor de los costes reducidos. Si es ptima hemos terminado. Si no lo es, se sigue iterando hasta alcanzar el ptimo.

71

APLICACIN DEL MTODO DE LAS 2 FASES

EJEMPLO 5.3. MTODO DE LAS 2 FASES El PL es el siguiente: Min (z) = 3x + 2,5y sujeto a: 2x + 4y 40 3x + 2y 50 x, y 0 El problema de apoyo, utilizando el mtodo de las 2 Fases: Min (z) = 0x + 0y + 0 s1 + 0 s2 + A1 + A2 sujeto a: 2x + 4y - s1 + A1 = 40 3x + 2y - s2 +A2 = 50 x, y, s1, s2, A1, A2 0

72

73

74

PLANTEAMIENTO FORMAL DEL SIMPLEX EN FORMA DE TABLEAU

Una manera ms formal de ver la resolucin de problemas de P.L. mediante el Simplex es la siguiente : Sea un PL en forma estndar: Max cx sujeto a : Ax =b x0 Esta formulacin equivale a: Max cx sujeto a : z cBxB cNxN = 0 [1] xB + B-1NxN = B-1b [2] x0
75

 Sustituyendo [2] en [1] y despejando se obtiene: z= cB B-1b+(cN - cBB-1N)xN Por definicin: z= cB B-1b, luego: (cN - cBB-1N)xN = 0

[3]

Formando una tabla en formato de tableaucon [2] y [3] se obtiene:

76

donde:

 La obtencin de la inversa B-1 se realiza aplicando alguna de las siguientes reglas de lgebra: Intercambiar dos filas Multiplicar una fila por un valor distinto de cero. Intercambiar dos filas De esta forma, el mtodo simplex aplicado a problemas en forma de tableau se reduce a aplicarle a la tabla estas operaciones de forma que: El nuevo tableau representa una nueva solucin bsica factible. Salvo en el caso de soluciones degeneradas, el valor de la funcin objetivo mejora en cada iteracin.

77

 Cmo reconocer todos los casos que pueden darse en la resolucin de un PL? Solucin nica: En el ltimo tableau, los costes reducidos de las variables no bsicas son estrictamente negativos (maximizacin) o estrictamente positivos (minimizacin). Soluciones alternativas: En el ltimo tableau, alguno de los costes reducidos de las variables no bsicas es igual a cero. Solucin no acotada: Si al efectuar el test de salida de la base, todos los coeficientes de la columna correspondiente a la variable entrante son no positivos. Problema infactible: Se reconoce porque alguna variable artificial queda en la base en el tableau final.

78

 El mtodo Simplex en forma de tableau es til para los problemas pequeos. Sin embargo, como proceso de clculo resulta ineficiente y puede tener problemas de inestabilidad numrica por las siguientes razones: Los problemas reales suelen ser relativamente grandes y con una densidad (nmero de posiciones ocupadas por un nmero distinto de cero, dividido por el nmero total de posiciones) baja. Si esta matriz se conserva en forma de tableau, se ocupan m(m+n) posiciones de memoria. Si tan slo se conservan los valores distintos de cero junto con sus coordenadas, la ocupacin en memoria es muchsimo menor.

79

 Existe una forma implcita de almacenar la inversa, que ocupa un espacio en memoria inferior a mxm EJEMPLO: Un problema real de PL tiene densidades que oscilan tpicamente entre 0,5% y 2%. Supongamos un problema de PL de 200 restricciones, 500 variables y una densidad del 1% Si guardamos explcitamente todos los valores de la matriz A, ocuparemos 200(200+500)= 140.000 posiciones de memoria. Si guardamos la misma matriz implcitamente (nmero de filas, nmero de columna y valor del coeficiente no cero correspondiente) entonces ocuparemos tan slo (200x500)x1% x 3= 3000 posiciones de memoria.
80

 La acumulacin de errores de redondeo puede originar problemas de clculo importantes, hasta tal punto que la solucin obtenida puede resultar equivocada
Por todos estos motivos, los cdigos comerciales no utilizan la versin del Simplex en forma de tableau. Lo ms corriente es que utilicen una versin del mtodo de las dos fases y, dentro de cada una de ellas, alguna variante de un algoritmo conocido como mtodo simplex revisado.

81

82

Ejemplo: Mx s .a . 2x
1

+ x

10 x
10 x

1 1

+ 10 x

2 2

+ 5x

x i 0 , i = 1, 2 . Se debe agregar una variable de holgura y una variable de exceso (x3 , x4 ), y llevarlo a su forma estndar.

Min
s. a .

- 2x

- x
1
1

10 x 10 x

+ 10 x + 5x
2

+ x - x
4

= 9 = 1
83

x i 0 , i = 1, 2 , 3 , 4 .

Aplicamos Simplex de dos Fases : Fase 1: Min s.a . 10 x 10 x x

1 1 5

+ 10 x + 5x
2

+ x - x
4

= 9 + x
5

=1

xi 0 , i = 1, 2 ,3 , 4 ,5 . As queda la siguiente tabla: x1 x2 x3 x4 x5

10 10 0

10 5 0

1 0 0

0 -1 0

0 1 1

9 1 0
84

x
B

x = 9 = , 3 1 x
5

x
D

x = x x

0 0 = 2 0 4
1

Luego se hace cero el costo reducido de la variable x5 de la tabla anterior, y queda la siguiente tabla inicial. x1 x2 x3 x4 x5

10 10 -10
x1 x2

10 5 -5
x3

1 0 0
x4

0 -1 1
x5

0 1 0

9 1 -1

Luego la variable entrante a la base es x1 ( pues r1<0).

10 10 -10

10 5 -5

1 0 0

0 -1 1

0 1 0

9 1 -1

85

Calculamos Min{ 9/10, 1/10}= 1/10, por lo tanto sale x5. x1 x2 x3 x4 x5

0 1 0
x x

5 1/2 0
1 / 10 8 ,

1 1 -1 0 - 1/10 1/10 0 0 0

8 1/10 0
x
2 4 5

x
B

= 0 0

Que corresponde a la solucin ptima del problema en la Fase 1, con valor ptimo 0. De aqu entonces tomamos x1 y x3 como variables bsicas para fase 2.
86

Fase 2:

x1

x2

x3

x4

0 1 -2
x1 x2

5 1/2 -1
x3

1 1 0 - 1/10 0 0
x4

8 1/10 0

En la tabla hacemos 0 los costos reducidos de var.bsicas

0 1 0

5 1/2 0

1 1 0 - 1/10 0 - 1/5

8 1/10 1/5

Luego la variable entrante a la base es x4 ( pues r4<0).

87

calculamos Min{ 8/1, (-1/10)/(1/10)}= 8, por lo tanto sale x3. x1 x2 x3 x4

0 1 0

5 1 1

1 0 1/5

1 1/10 0

8 9/10 1 4/5

=
B

x x
1 4

9 / 10 8 , x
D

x x
2 3

0 0

Que resulta ser la solucin ptima del problema.

88

Algunos casos especiales 1.- Problema Infactible. Esta situacin se detecta cuando el valor ptimo del problema de la fase 1 da mayor que cero. 2.- Mltiples soluciones ptimas. Esta situacin se detecta cuando existen costos reducidos iguales a cero en una o ms de las variables bsicas ptima 3.- Problema no acotado. Esta situacin se detecta cuando al realizar el clculo de la variable que deja la base todos los elementos ykj de la columna j en la tabla son negativos, para j el ndice de una variable no bsica con costo reducido negativo.

89

90

91

92

93

94

95

96

97

98

99

100

FIN DE LA PRESENTACION

GRACIAS
101