RESUMEN INVESTIGACIN OPERATIVA

Qu es una funcin lineal? Una funcin ( conjunto de constantes Para ( cualquier ) funcin y ( ) de ( ) ( es una funcin lineal si y solo si para algn )= . ) y cualquier nmero de son desigualdades lineales. desigualdades

Qu es un PL? Un problema de programacin lineal (PL) es un problema de optimizacin para el cual se efecta lo siguiente: 1. Se intenta maximizar o minimizar una funcin lineal de las variables de decisin. La funcin que se desea maximizar o minimizar se llama funcin objetivo. 2. Los valores de las variables de decisin deben satisfacer un conjunto de restricciones. Cada restriccin deber ser una ecuacin lineal o una desigualdad lineal. 3. Se relaciona una restriccin de signo con cada variable. Para cualquier variable la restriccin de signo especifica que no debe ser negativa ( ) o no tener restricciones de signo.

Cules son las suposiciones necesarias que debe tener un PL? Para que una programacin lineal represente en forma adecuada una situacin de la vida cotidiana, las variables de decisin deben satisfacer las suposiciones de proporcionalidad, aditividad, divisibilidad y certidumbre. Suposicin de proporcionalidad: Significa que la contribucin al valor de la funcin objetivo y el consumo o requerimiento de los recursos utilizados, son proporcionales al valor de cada variable de decisin. As el trmino 2x1 es proporcional, porque contribuye al valor de la funcin z con 2, 4, 8, etc. para los valores 1, 2, 3, etc., respectivamente, de x1. Se puede observar el aumento constante y proporcional de 2 conforme crece el valor de x1. Suposicin de aditividad: Significa que se puede valorar la funcin objetivo z, as como tambin los recursos utilizados, sumando las contribuciones de cada uno de los trminos que intervienen en la funcin z y en las restricciones. Suposicin de divisibilidad: Esta suposicin requiere que todas las variables de decisin puedan asumir valores fraccionarios. Significa que las variables de decisin son continuas y por lo tanto son aceptados valores no enteros para ellas. La hiptesis de divisibilidad ms la restriccin de no negatividad, significa que las variables de decisin pueden tener cualquier valor que sea positivo o por lo menos igual a cero. Un problema de PL en el cual alguna de las variables, o todas, debe ser un

nmero entero no negativo, recibe el nombre de problema de programacin entera. En situaciones donde la divisibilidad no est presente, el redondeo de las variables, en la solucin ptima de PL, proporciona una solucin razonable Suposicin de certidumbre: Para esta suposicin se requiere conocer con certeza todos los parmetros (Coeficiente de la funcin objetivo, segundo miembro y coeficientes tecnolgicos). Significa que los parmetros o constantes son estimados con certeza, o sea, no interviene una funcin de probabilidad para obtenerlos

El modelo de programacin lineal es un caso especial de la programacin matemtica, pues debe cumplir que, tanto la funcin objetivo como todas las funciones de restriccin, sean lineales

Qu es la regin factible? La regin factible para un PL es el conjunto de todos los puntos que satisfacen las limitaciones y las restricciones de signo del PL.

Qu es la solucin ptima? Para un problema de maximizacin, una solucin ptima para un PL es un punto con el valor de la funcin objetivo ms grande en la regin factible. De igual manera, para un problema de minimizacin, una solucin ptima es un punto con el valor de la funcin objetivo ms pequeo en la regin factible.

Cundo una restriccin es activa u obligatoria? Una restriccin es activa u obligatoria si tanto el primero como el segundo miembros de las restriccin son iguales cuando los valores ptimos de las variables de decisin se sustituyen en la restriccin. Una restriccin es inactiva si no son iguales el primero y el segundo miembros de la restriccin cuando los valores ptimos de las variables de decisin se sustituyen en la restriccin.

Que es un conjunto convexo? Un conjunto de punto S es un conjunto convexo si el segmento de recta que une cualquier par de puntos en S est totalmente contenido en S.

Qu es un punto extremo?

Para cualquier conjunto convexo S, un punto P en S es un punto extremo si para cada segmento que est completamente en S y contiene al punto P, este es un punto terminal del segmento de recta.

Cundo un PL es no factible? PL no factible: es posible que una regin factible de PL sea vaca (no contenga puntos) lo cual da como resultado un PL no factible, no posee soluciones ptimas.

Cules son los tipos de soluciones de PL? Caso 1: PL con una solucin ptima nica. Caso 2: PL con un nmero infinito de soluciones optimas (soluciones optimas alternativas o mltiples). Caso 3: PL que no tiene soluciones factibles. Caso 4: PL no acotados: Hay puntos en la regin factible con valores de Z arbitrariamente grandes (PL de maximizacin) o con valores de Z arbitrariamente pequeos (PL de minimizacin).

Algoritmo SIMPLEX Los problemas de programacin lineal con 2 variables pueden ser resueltos con el mtodo grfico, pero en la vida cotidiana la mayor parte de los PL tienen varias variables por lo que es necesario un mtodo para resolverlas. El algoritmo simplex se usa para resolver PL que tienen miles de restricciones y variables, y que se aplican a la industria.

Cundo un PL esta en forma estndar? Antes de poder utilizar el algoritmo simplex para resolver un PL, este se debe convertir en un problema equivalente en el cual todas las restricciones son ecuaciones y todas las variables son no negativas. Un PL en esta forma est en la forma estndar.

Cmo se estandariza un PL? Para convertir un PL en la forma estndar, cada restriccin de desigualdad se debe reemplazar por una restriccin de igualdad. Si la restriccin -sima de un PL es una restriccin , entonces se convierte en una restriccin de igualdad al sumar una variable de holgura a la restriccin -sima y aadir la restriccin de signo .

Si la restriccin -sima de una PL es una restriccin , entonces se puede convertir en una restriccin de igualdad al restar una variable de exceso de la restriccin -sima y aadir la restriccin de signo .

Variables bsicas y no bsicas. Considerando un sistema x = b de ecuaciones lineales y variables (suponga ).

Una solucin bsicapara x = b se obtiene haciendo variables iguales a cero, y luego se determinan los valores de las variables restantes. As se asume que al hacer las variables iguales a cero se llega a valores nicos para las variables restantes. Las variables que se igualan a cero se llaman variables no bsicas. Si las variables restantes tienen una solucin nica, se llaman variables bsicas y su solucin (al resolver las ecuaciones) se llamasolucin bsica.

Por ejemplo se tiene el siguiente programa lineal con dos variables: Maximizar Sujeto a:

Estandarizando: Sujeto a:

El sistema tiene ecuaciones y variables.Igualando a cero variables y resolviendo las ecuaciones para determinar las variables restantes podemos obtener las distintas soluciones bsicas. Por ejemplo, si y , las ecuaciones producen la solucin: , De la misma manera se pueden obtener todas las soluciones bsicas y no bsicas para este problema:

Soluciones factibles. Cualquier solucin bsica en la cual todas las variables son no negativas es una solucin factible bsica. Las soluciones no factibles no satisfacen todas las restricciones del problema y por lo tanto no son candidatos para el valor ptimo. Tomando como ejemplo el problema anterior:

Porque se utiliza el Mtodo SIMPLEX? A medida que aumenta el tamao del problema(esto es, a medida que m y n se hacen grandes), el problema de enumerar todos los puntos esquina (extremos) es demasiado complicado. Por ejemplo, para n sera necesario resolver conjuntos de 10 x 10 ecuaciones; es una tarea abrumadora en realidad, en especial cuando se sabe que un programa lineal de 10 x 20 es pequeo en una situacin de la vida real en que no son raras cientos o hasta miles de variables yrestricciones. Sin embargo slo se investigauna fraccin de todas las posibles soluciones bsicas factibles (puntos esquina) del espacio desoluciones. En esencia, en el mtodo smplex se usa un procedimiento inteligente de bsqueda, diseado para llegar al punto esquina ptimo en una forma eficiente.

Naturaleza iterativa del mtodo smplex. Normalmente, el mtodo smplex comienza en el origen (punto A), donde .En este punto de inicio, el valor de la funcin objetivo Z es cero, y la pregunta lgica es si ese valor mejora con un aumento en y/o no bsicas respecto a sus valores actuales de cero. Contestaremos esta pregunta investigando la funcin objetivo: Maximizar

La funcin indica que un aumento en o (o en ambas) respecto a sus valores actuales de cero aumentar el valor de Z (recuerde que estamos maximizando a Z). Sin embargo, en el diseo del mtodo smplex se estipula aumentar las variables una por una. Si aumenta , entonces su valor debe aumentar para llegar al punto esquina (recuerde que no se acepta detenerse antes de llegar a , porque un candidato para el ptimo debe ser un punto esquina). Una vez en , el mtodo smplex aumentar el valor de para llegar al punto esquina mejorado . El punto es ptimo y se termina el proceso. La trayectoria asociada al algoritmo smplex es

Si aumenta , el siguiente punto esquina ser , y a partir de la solucin se mueve hacia el punto ptimo . El trayecto asociado con el algoritmo smplex es

Ntese que en ambas rutas, y , las iteraciones smplex se mueven por los bordes del espacio de soluciones, y eso quiere decir que el mtodo no puede atravesar ese espacio para ir en forma directa de a .

Qu es el Mtodo de la M-Grande?

Los programas lineales en los que todas las restricciones son () con lados derechos no negativos ofrecen una cmoda solucin factible bsica deinicio con todas las holguras. Pero en un PL donde intervienen restricciones del tipo (=) o ()no sera tan evidente una SFB inicial. El Metodo de la M-Grande se podra aplicar para resolver el problema. Es una versin del algoritmo simplex que determina primero un SFB mediante la suma de variables artificiales al problema. Naturalmente la funcin objetivo del PL original se tiene que modificar para que las variables artificiales sean iguales a cero en la conclusin del algoritmo simplex. El procedimiento para iniciar programas lineales de mal comportamiento con restricciones (=) y ()es permitir que variables artificiales desempeen el trabajo de holguras en laprimera iteracin, para despus, en alguna iteracin posterior, desecharlas en forma legtima. El mtodo M comienza con la programacin lineal en forma de ecuacin. Una ecuacin que no tenga una holgura (o una variable que pueda hacer el papel de una holgura) se aumenta con una variable artificial, R i , para formar una solucin de inicio parecida a la solucin bsica con todas las holguras. Sin embargo, como las variables artificiales son ajenas al modelo de programacin lineal, se usa un mecanismo de retroalimentacin en el que el proceso de optimizacin trata en forma automtica de hacer que esas variables tengan nivel cero. En otras palabras, la solucin final ser como si las variables artificiales nunca hubieran existido en primer lugar. El resultado deseado se obtiene penalizando las variables artificiales en la funcin objetivo.

Casos Especiales De La Aplicacin Del Mtodo Smplex. Degeneracin. Al aplicar la condicin de factibilidad del mtodo smplex, se puede romper un empate en larazn mnima en forma arbitraria. Cuando se presenta un empate, al menos una variable bsica ser cero en la siguiente iteracin, y se dice que la nueva solucin es degenerada. Desde el punto de vista prctico,la condicin indica que el modelo tiene al menos una restriccin redundante. Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La primera es elfenmeno de ciclos o crculos. Es posible que el procedimiento smplex repitauna serie de iteraciones sin mejorar el valor objetivo, y nunca terminar los clculos. El segundo aspecto terico surge cuando al observar dos iteraciones que, aunque difieren en la clasificacin de las variables en bsica y no bsica, producen valores idnticos. No es posible detener los clculos Cuando aparece la degeneracin por primera vez aun cuando no sea ptima ya que la solucin puede ser temporalmente degenerada.

ptimos alternativos. Cuando la funcin objetivo es paralela a una restriccin obligatoria (es decir, una restriccin que se satisface como ecuacin en la solucin ptima), la funcin objetivo asumir el mismo valor ptimo, que se llama ptimos alternativos, en ms de un punto de solucin.

Soluciones no acotadas. En algunos modelos de programacin lineal, los valores de las variables pueden aumentar en forma indefinida sin violar alguna de las restricciones, y eso significa que el espacio de soluciones es no acotado al menos en una direccin. El resultado es que el valor objetivo puede aumentar (en caso de maximizacin) o disminuir (si se trata de minimizacin) en forma indefinida. En ese caso, tanto el espacio de soluciones como el valor ptimo objetivo no estn acotados. La no acotacin apunta hacia la posibilidad de que el modelo est mal construido. Las irregulares ms probables en esos modelos son que no se hayan tomado en cuenta una o ms restricciones no redundantes, y que los parmetros (constantes) de algunas restricciones puedan no haberse estimado en forma correcta. Soluciones inexistentes (o no factibles). Los modelos de programacin lineal con restricciones inconsistentes no tienen solucin factible. Estos casos nunca suceden si todas las restricciones son del tipo (suponiendo lados derechos no negativos), porque las holguras permiten tener una solucin factible. Para otros tipos de restricciones se usan variables artificiales. Aunque esas variables artificiales se penalizan en la funcin objetivo, para obligarlas a ser cero en el ptimo, eso slo puede suceder si el modelo tiene un espacio factible. En caso contrario, al menos una variable artificial ser positiva en la iteracin ptima. Desde el punto de vista prctico, un espacio no factible indica la posibilidad de que el modelo no est bien formulado.

Anlisis de sensibilidad Un modelo de programacin lineal es una foto instantnea de una situacin real en la que los parmetros del modelo (coeficientes de la funcin objetivo y de las restricciones) asumen valores estticos. Para aumentar la aplicacin de la programacin lineal en la prctica, se necesita agregar una dimensin dinmica que investigue el impacto que tiene hacer cambios en los parmetros del modelo (coeficientes de la funcin objetivo y de las restricciones) sobre la so- lucin ptima. A este proceso se le llama anlisis de sensibilidad, porque estudia la sensibilidad de la solucin ptima respecto a los cambios que se hagan en el modelo.

Qu es un PL Dual?

Construccin de Problemas Duales

Aplicaciones y relacin Dual-Primal