Documentos de Académico
Documentos de Profesional
Documentos de Cultura
bsicas.
. Esquema bsico de funcionamiento del mtodo del Simplex. Beneficios relativos, criterio de entrada, criterio
de salida (regla de la mnima proporcin), elemento pivote, pivotaje.
Obtencin de una solucin factible bsica inicial: Mtodo de las Dos Fases y Mtodo de las
Penalizaciones.
- Otros: Consideraciones computacionales, Mtodo del punto interior.
6:
ANALISIS
DE
SENSIBILIDAD
PARAMETRICA.
. Formulacin de modelos.
. Algoritmo de ramificacin y acotacin.
. Aspectos computacionales.
PROGRAMACION
BIBLIOGRAFA
. ANDERSON, D.R. - SWEENEY, D.J. - WILLIAMS, T.A.
Introduccin a los modelos cuantitativos para administracin.
Grupo Editorial Iberoamericana.
. ARREOLA, J. ARREOLA, A.
Programacin lineal. Una introduccin a la toma de decisiones cuantitativa.
Thomson
. BRONSON. R.
Teora y problemas de investigacin de operaciones.
Schaum, McGrawHill
. DANTZIG, G.B.
Linear programming and extensions
Princeton University Press
. GARCIA, J. - FERNANDEZ, L. - TEJERA, P.
Tcnicas de investigacin operativa.
Ed. Paraninfo.
. HILLIER,F. - LIEBERMAN, G.
Introduccin a la investigacin de operaciones.
McGraw-Hill
. INFANTE MACIAS, R.
Mtodos de programacin matemtica.
UNED
. MATHUR - SOLOW
Investigacin de operaciones.
Prentice Hall
. PARDO, L.
Programacin lineal continua: aplicaciones prcticas en la empresa.
Ed. Daz de Santos.
. PARDO, L.
Programacin lineal entera: aplicaciones prcticas en la empresa.
Ed. Daz de Santos.
. RAVINDRAN, A. - PHILLIPS, D. - SOLBERG, J.
Operations Research. Principles and Practice.
Wiley.
. RIOS INSUA, S.
Investigacin Operativa. Optimizacin.
Ed. Centro de Estudios Ramn Areces.
. GASS, S. ASSAD, AR.
An annotated timeline of operations research. An informal history.
Kluwer Academic Publishers
. TAHA, H.
Investigacin de Operaciones.
Prentice Hall
(horas 7
20$
30$
por unidad)
Material
(titanio 4
Por unidad)
Beneficios
(por 40$
unidad fabricada)
Problemas 1
Periodo
Horas
6 a 10
60
10 a 14
70
14 a 18
60
1 8 a 22
50
5
6
22 a 2
2a6
20
30
Problemas 2
6.-) Una tienda de mquinas tiene un taladro a presin y 5 mquinas moledoras, las
cuales son utilizadas para producir un destornillador-navaja que consta de dos piezas
A(destornillador) y B (navaja). La productividad de cada mquina para las dos piezas
viene dada por:
Tiempo de produccin en minutos por pieza
TALADRO
MOLEDORA
PIEZA A
20
PIEZA B
15
Se desea mantener un equilibrio entre todas las mquinas de lal forma que ninguna
mquina trabaje 30 minutos por da ms que otra (se supone que la carga de trabajo de
cada moledora es la media de las 5 mquinas). Plantear un problema de programacin
lineal para obtener el nmero mximo de herramientas completas en 8 horas diarias de
trabajo.
7.-) Un alumno de Quinto de Ingeniera Informtica al que slo le queda lgebra y
Estadstica para licenciarse, y que slo dispone de 30 das para prepararlas, recibe de su
padre la siguiente proposicin:
Por cada asignatura que apruebe le premiar de la siguiente forma:
. Por cada punto que saque en lgebra le dar 900 euros.
. Por cada punto que saque en Estadstica le dar 500 euros.
Al alumno le ha salido un curre como striper por el que le pagan a 15 euros la hora,
y no puede hacer ms de 200 horas al mes sin que su abuela (catlica ferviente desde que
naci) se entere y lo desherede. El alumno piensa que:
. Tiene que dormir necesariamente 8 horas diarias.
Problemas 3
. Va a dedicar, sin excusa alguna, 100 horas en chats y hackeos a los ordenadores
de varios alumnos pelotas que han subido el nivel de estudios ese ao.
Sabe que para cada punto de lgebra necesitar 30 horas de estudio, y de
Estadstica 20 horas.
Cmo distribuir su tiempo para obtener mximo beneficio econmico, si no est
realmente obligado a aprobar, puesto que un arreglo con un Vicedecano (al que pagara
600 euros) le permite obtener el ttulo igual Cunto dinero le queda una vez transcurridos
estos 30 dias tan apurados?
Nota: El padre le paga por la nota que saque, pero solo si aprueba. Se aprueba con nota
mayor o igual a 5. El problema es ms difcil de plantear de lo habitual, pero fcil de
resolver.
8.-) Utilizando el mtodo del simplex resolver:
Maximizar Z =x1 + 3x2
s uj e t o a
x1 5
x1 + 2x2 10
x2 4
x1,x2 0
Dibujar la regin factible. Seguir grficamente los pasos del mtodo del simples,
interpretando el cambio de una solucin factible bsica a la siguiente en dicha regin
factible.
9.-) Sean Y1, Y2 2 soluciones ptimas de un p.p.l en forma estndar.
Max (o Min) Z=CX
AX = b
X 0
Demostrar que cualquier vector de la forma Y=a1 Y1+a2Y2 con a1+a2=1, a1,a20 es
tambin una solucin ptima.
Generalizacin.- demostrar que, si en vez de tener 2 soluciones ptimas se tienen n, el
vector Y= a1 Y1++anYn con a1+a2++an=1, a1,a2,,an0 es tambin una solucin
ptima.
-X1 + X2 + X3 = 4
Problemas 4
- X1 + X2 - X3 6
X10, X20, X3 cualquier signo
11.-) Obtener tres soluciones ptimas del siguiente problema:
Minimizar Z = 3X1+ X2+ X3 + X4
sujeto a - 2X1 + 2X2 + X3= 4
3X1 + X2+ X4 = 6
Xi 0
12.-) Se ha resuelto un problema de programacin lineal y se ha obtenido solucin ptima
mltiple. Se tiene que Y1 = (2,3,0), y2 = (3,1,1) Y y3 = (1,2,2) son tres soluciones
ptimas. Puede saberse si y4 = (2,2,1) es tambin una solucin ptima? Justifquese la
respuesta.
X1
-2x3 6
2x1 - x2 + 2x3 -2
x1,x3 0, x2 cualquier signo
Xl
0
0
1
0
x2
0
1
0
0
x3 x4
Xs Constantes
1
1 -1
2
0
1
0
6
0
-1
1
2
0
-3 -2
Donde x3,x4,x5 son variables de holgura. Calcular el valor ptimo de la funcin del
Problemas 5
(1,1,1)
(1,0,2)
(1,0,2)
(1,2,0)
y
y
y
y
(1,1,0)
(1,1,0)
(0,2,1)
(0,2,1)
Problemas 6
5x1+3x2>=45
x1,x2 >=0 y enteros
X1
1
0
0
X2
b
c
a
X3
-1
3
-1
X4
0
1
d
X5
1
-1
e
ctes
30
10
Z=150
Calcular
a) Los valores de b1 y b2 que proporcionan la solucin ptima especificada
b) los valores de a, b y c en la tabla ptima
c) si se requiriera aumentar Z0 ptimo, debera aumentarse b1 b2 y en cunto?
d) Supongamos que la funcin objetivo del problema anterior se cambia a minimizar,
esto es, queda Min Z=5x1 6x2 6x3. Obtener la nueva solucin ptima y el nuevo Z
ptimo a partir de la solucin ptima inicial, sin resolver el problema otra vez
8.-) Una banda de querubines del purgatorio posee un laboratorio clandestino en el que
fabrican 3 tipos diferentes de droga: Peleona (P), Juliana (J) y Marijuana (M). Para la
fabricacin son necesarios, adems de pastillas sedantes, pegamento y caldo avecrem
para los cuales no hay limitacin de disponibilidad-, crack y cocana, que limitan la
cantidad diaria de produccin. La siguiente tabla nos da la cantidad necesaria de estos 2
ltimos recursos para producir 1 kg de cada una de las distintas drogas, los kg disponibles
de cada recurso, y el beneficio por kg de droga producida
Crack
Cocana
Beneficio (en
millones de
euros)
P
2
1
4
J
1
2
7
M
2
2
3
disponibilidad
30
45
Problemas 7
Responder:
a) Por qu no sale rentable fabricar la droga Marijuana? Qu debera ocurrir para
que s se fabricase?
b) Resulta que, por cada kg de crack que sobre, hay un millonario colgado que se lo
compra, pagndolo a 2 millones el kg. Sigue siendo la solucin inicial la ptima?
c) La polica ha incautado en el puerto un alijo de crack procedente de Nueva Zelanda.
Un polica corrupto le vende a la banda 6 kg a cambio de 5 millones. Les compensa
comprrselos?
d) Un robo salvaje a una banda rival les proporciona nada menos que 63 kg ms de
crack. Lgicamente, ahora la solucin inicial no puede seguir siendo la ptima.
Calcular la nueva.
e) Gracias a una nueva formula robada en el Monsergas, no es necesario utilizar
cocana para fabricar la droga M.Cunto dinero ganar la banda con esta nueva
frmula?
f) Se introduce en el plan de produccin la posibilidad de aadir tomate, de forma que
la fabricacin de 1 kg de droga P requiere 3 kg de tomate, 1 kg de J requiere 1 kg
de tomate, y 1 kg de M requiere tambin 1 kg de tomate. Se tienen 30 kg de
tomate. Cmo vara la solucin ptima? Si es el caso, calcular la nueva
g) A la chorba del jefe se le ocurre fabricar un nuevo tipo de droga que coloque ms
rapidamente (Veloz), que requiere 1 kg de crack y 1 kg de cocana por kg fabricado,
y supone que les reportar 5 millones de euros por kg. Ella dice que la fabricacin
de esta droga les har ganar ms dinero. Es cierto lo que piensan los de la banda
acerca de que el jefe es un calzonazos, y que su novia est equivocada? Cunto
ganan o pierden con esta idea?
9.-) Una empresa fabrica los productos A, B y C, para lo que son necesarios recursos de
trabajo y material. Se quiere determinar la produccin que maximiza la ganancia. Para
ello se plantea el siguiente p.p.l.
Maximizar Z= 3x1 + x2 + 5x3
Sujeto a
6x1 + 3x2 + 5x3 <= 45 (trabajo)
3x1 + 4x2 + 5x3 <= 30 (material)
xi>=0
y se obtiene la siguiente solucin ptima x1=5, x3=3, x2=0.
Utilizando el anlisis de sensibilidad, responder a las siguientes cuestiones
a) calcular el campo de variacin de c1 que mantiene esta solucin ptima, y calcular
la solucin ptima para c1=2
b) disponemos de 6 unidades adicionales de material a un coste de 10 (en total). Es
rentable adquirirlas?
c) Encontrar la solucin ptima cuando el material disponible es de 60 unidades.
d) Si el material que se necesita para el producto B fuese de 2 unidades, afectara a
la solucin ptima?
e) Se aade al problema una condicin de control 2x1+x2+3x3<=20. Cmo afecta
esto a las soluciones primal y dual?
10.-) La siguiente tabla da una solucin ptima a un p.p.l estndar donde suponemos que
x4 y x5 forman la base inicial (son variables de holgura)
Problemas 8
Base
X1
X2
cj
X1
1
0
0
X2
0
1
0
X3
-1
2
-3
X4
3
-1
-3
X5
-1
1
-1
ctes
1
2
a) calcular el campo de variacin de para que la solucin actual siga siendo ptima si el
vector original b de constantes de la derecha es reemplazado por b+b*, con
b*=(1,-1). Encontrar la solucin ptima para =1/2
b) calcular la solucin ptima si se aade la nueva restriccin x1 + x3>=2 al problema
original.
c) calcular los precios sombra de las restricciones.
1.-) Una compaa de conservas tiene 2 plantas de produccin. Tres cultivadores le surten
de fruta fresca en las siguientes cantidades
Felipe: 200 toneladas a 10.000 unidad
Carrascal: 300 toneladas a 9000 unidad
Problemas 9
Planta A
Planta B
Felipe
2.5
Carrascal
1.5
Andrs
BARRIOS
A
B
C
E
7
9
8
COLEGIOS
O
6
7
8
N
5
3
7
S
4
6
3
3.-) Desde 3 pantanos se enva agua a 4 ciudades. La capacidad de los pantanos es de 15,
20 y 25 millones de litros diarios. Las demandas de las ciudades es de 8, 10, 12 y 15. El
coste de bombeo por milln de litros est dado en la siguiente tabla:
Problemas 10
PANTANO
CIUDAD
B
3
2
1
A
2
3
4
1
2
3
C
4
5
2
D
5
2
3
Utilizando el algoritmo del transporte, planificar los envos de agua a las ciudades con el
mnimo coste.
4.-) Un problema de transporte se caracteriza por la siguiente matriz
D1
D2
D3
D4
D5
Existencias
14
16
17
12
18
120
18
12
21
16
22
190
20
15
19
18
19
60
17
13
25
20
21
160
80
100
120
110
60
En donde cada uno de los nmeros de la matriz denota el coste unitario de transporte del
origen al destino correspondiente y los restantes nmeros las existencias y las demandas.
Plantear la tabla de transporte con la que empezar a resolver el problema (No
resolverlo), teniendo en cuenta que no se pueden transportar ms de 70 unidades desde
O1 hasta D4.
01
02
03
04
PROBLEMAS DE ASIGNACIN
1.-) Una escuela de Ingeniera decide realizar seminarios sobre 4 temas de actualidad.
Estos seminarios se realizarn una vez por semana. Al planificarlos, se ha procurado que
el nmero de estudiantes que no pueda asistir a un seminario sea mnimo. Un cuidadoso
estudio indica que el nmero de estudiantes que no pueden asistir a un seminario
particular un da especfico es el siguiente
Lunes
Martes
Mircoles
Jueves
Viernes
Ecologa
50
40
60
30
10
Energa
40
30
20
30
20
Transporte
60
40
30
30
10
Bioingeniera
20
30
20
30
30
Problemas 11
1
2
3
A
10
14
18
B
12
18
15
C
8
16
16
D
15
12
14
Para poder realizar las cuatro tareas, el empresario puede optar entre: a) contratar a un
nuevo empleado, que cobrara 20 por realizar cualquier tarea, o b) que uno de sus
empleados realice 2 tareas, una de ellas en horas extraordinarias, de forma que tendra
que pagarle un 20 por ciento ms que si la realizara en horario normal.
Determinar cul de las 2 opciones es ms ventajosa para el empresario, y
determinar la asignacin de los empleados a las tareas, de forma que el coste total sea
mnimo.
3.-) Un millonario tiene 4 hijas muy feas, que no logran conseguir marido. Despus de
muchos avatares, consigue convencer a 4 incautos, sobornndoles de acuerdo a los
gustos de cada uno, para que se casen con ellas. La cantidad de millones que tendr que
pagar a los interesados amantes segn con quien elijan casarse viene dado en la siguiente
tabla
Torrente
Rodrguez
Carpintero
Felipe Lotas
Bartol O. Me
Hija 1
2
10
Hija 2
3.5
22
Hija 3
5
34
Hija 4
6.5
46
8
0
14
6
20
12
26
18
Decidir los emparejamientos que comporten el menor gasto para el sufrido padre
Problemas 12
Historia
Historia
El snar
("Sound navigation ranging") Tcnica para detectar y determinar la distancia y
direccin de objetos bajo el agua mediante seales acsticas. Las ondas sonoras
emitidas por o reflejadas desde el objeto son detectadas por el aparato de snar y
analizadas para extraer la informacin.
Historia
Historia
Historia
Exista un centro, en otro pueblo, dnde interceptaban las seales de radio de los
alemanes, con multitud de antenas para la intercepcin. Posteriormente se hacan 2
copias; una se quedaba en este centro y la otra se enviaba a Bletchley para su
descifrado. Ah el trabajo se divida en la que se denominaban cabaas, con numeracin
para cada una de ellas, cabaa 1, cabaa 2,...Dentro de las cabaas se dividan en
sectores, y los sectores en secciones. El personal era civil y era reclutado en funcin de
sus aptitudes para cada una de las secciones, sectores y cabaa correspondiente, yendo
de la gente de la cabaa 8 con gente que se dedicaba a descifrar los mensajes alemanes
con analistas en criptografa, que provenan de distintas nacionalidades y tambin de
distintas disciplinas como matemticos, fsicos, ... , como tambin ocurre en
Investigacin de Operaciones que est integrada por distintas disciplinas; mientras que
la cabaa 2 se dedicaba nicamente a pasar los textos y a archivar informacin, con
personal mayoritariamente femenino, an pudiendo tener aptitudes para estar en cabaa
8 pero por ser mujeres se las relegaba a puestos administrativos.
El director de la seccin naval enigma era Alan Turing.
Historia
F. Figueroa Fagandini
Historia
Este seor, para los que no lo sepan, trabaj con el gobierno britnico durante la segunda guerra
mundial desencriptando cdigos interceptados a la Alemania nazi, una tarea a travs de la cual
desarroll gran parte de lo que hoy conocemos como ciencias de la computacin. Estableci las
bases para distintas lneas de estudio que hoy son nuestra fuente de trabajo: la ciberntica, la
inteligencia artificial, el concepto de algoritmo y diagrama de flujo para ejecucin de programas y
la Tsis de Church-Turing que a su modo es la piedra pilar de la computacin actual.
Alan Turing tuvo un final muy triste, luego de que reconociera abiertamente su homosexualidad -a
la sazn un delito en el Reino Unido- y fuera condenado a la castracin qumica, una circunstancia
que lo llev al suicidio un par de aos ms tarde.
Ayer, Gordon Brown emiti un comunicado reconociendo que el trato recibido por Alan Turing fue
inaceptable. En un extenso comunicado recorre someramente los mritos de Turing para cerrar
diciendo: Lo siento Alan Turing, merecas algo mucho mejor.
Link: Treatment of Alan Turing was appalling - PM (Number10)
Historia
El Proyecto Manhattan
El 6 de diciembre de 1941, un da antes del ataque japons a Pearl Harbor,
Vannevar Bush, jefe del Departamento de Investigacin y Desarrollo Cientfico de
Estados Unidos, lograba la aprobacin presidencial de un plan de accin total en el
mbito de la investigacin atmica. En 1942, el primer ministro britnico W. Churchill
y el presidente norteamericano F. D. Roosevelt acordaron concentrar en el territorio
estadounidense los equipos cientficos de ambos pases que ya trabajaban en la bomba.
La direccin general del llamado Proyecto Manhattan recay en el Comit Militar
Poltico, compuesto por tres militares, los generales Styer, Groves, y el almirante
Purnell, y por dos civiles, V. Bush y J. B. Conant. Vannevar Bush, ingeniero
electricista, haba sido vicepresidente del Massachusetts Institute of Technology, y
James B. Conant, qumico orgnico, haba sido presidente de la Universidad de
Harvard.
Cerca de 150 000 personas llegaron a participar en el Proyecto, la mayora de
ellas sin saber cul era su objetivo. No ms de una docena de individuos tena una
visin global de la empresa. Los cientficos que accedieron a entregarse totalmente a la
construccin de un arma nuclear lo hicieron convencidos de la necesidad de contar con
tal recurso si es que Hitler tambin lo obtena. Muchos opinaban que, una vez logrado
un equilibrio entre ambos bandos en guerra, se debera renunciar al uso del artefacto. La
existencia de una bomba alemana era una idea siempre presente en sus mentes, hasta el
punto de referirse a ella como si fuese una realidad.
El 17 de septiembre de 1942, el general Leslie Richard Groves fue nombrado
jefe del supersecreto y superprioritario Proyecto Manhattan. Se construyeron tres
ciudades para realizar los diferentes trabajos:
-
Muy importante para estos proyectos fue la labor dirigida por Fermi en el
Laboratorio Metalrgico de la Universidad de Chicago, que culmin con la puesta en
marcha en diciembre de 1942 del primer reactor nuclear. Inmediatamente despus de
este logro, el gobierno norteamericano destin 400 millones de dlares al Proyecto
Manhattan. Los costos totales se estiman en unos 3 000 millones de dlares.
Historia
Fermi
Einstein,
Historia
10
Oppenheimer
Niels Bohr y Albert Einstein debatiendo la teora cuntica en casa de Paul Ehrenfest en Leiden
(deciembre de 1925).
11
aos que en todo el resto de la historia de la humanidad. Puede decirse, por tanto, que la
verdadera historia de la Investigacin Operativa se ha desarrollado durante este perodo:
se han establecido lneas de investigacin, han aparecido sociedades profesionales, se
han creado revistas de investigacin, se han publicado libros y se ha incluido la materia
dentro del currculum educativo.
Una vez finaliz la segunda guerra mundial y habida cuenta del xito cosechado
por las tcnicas operativas, stas continuaron desarrollndose dentro del mbito militar,
puesto que era el ejrcito quien posea la mayor parte de los investigadores y quien
estaba interesado en proseguir dicha lnea de trabajo. A mediados de los aos cincuenta
se desplaz el centro de gravedad de inters de la Investigacin Operativa, y alcanz el
terreno industrial y el acadmico. Aparece el inters por la Ciencia de la Gestin
(Management Science). En la dcada de los setenta, ha continuado el desarrollo
expansivo de la Investigacin Operativa, llegando al mbito de la administracin
pblica, tratando los siguientes tipos de problemas: transporte urbano, administracin de
justicia, construccin de edificios pblicos, educacin, hospitales y servicios sociales.
De esta manera, el peso investigador de la Investigacin Operativa se desplaza desde el
Reino Unido a los Estados Unidos, en donde se constituyen diversos institutos y
organizaciones de estudio, como The Urban Institute (1968) y The New York CityRand Institute (1969). Tambin, son muchas las empresas que, a partir de los aos
cincuenta, se ayudan de tcnicas operativas para disear sus polticas de produccin y
de distribucin.
Por ejemplo, a partir de una encuesta que realiza Turban en 1972 en Estados
Unidos sobre las 500 empresas ms importantes del pas (de acuerdo con la revista
Fortune), se deduce que la mitad de las empresas que contestaron la encuesta posean un
departamento especial dedicado a tareas de Investigacin de Operaciones o Ciencia de
la Administracin. No obstante, la Investigacin Operativa forma cada da ms, una
parte de las actividades normales de la empresa moderna y, por tanto, ya no se trata de
una funcin especializada que deba llevarse a cabo en un departamento separado. De
acuerdo con este estudio las tcnicas operacionales ms empleadas eran el anlisis
estadstico, la simulacin, la programacin lineal, la teora de inventarios y la
programacin dinmica. Otras tcnicas empleadas, aunque de menor uso, eran la
programacin no lineal, las lneas de espera, la teora de juegos, el anlisis de decisin
de Bayes y la programacin entera.
Posteriormente, se realizaron otras encuestas de resultados similares: a) en 1977,
Leadbetter y Cox (1977); b) en 1979, Thomas y DaCosta (1979); c) en 1983, Forgionne
(1983). En todas ellas se comprueba cmo cada vez son mayores en nmero las tcnicas
operativas empleadas, y cmo dichas tcnicas aparecen con ms frecuencia en otras
reas o departamentos de la empresa. Estudios de otro tipo fueron los de Fabozzi y
Valente (1976) que encuestaron, en 1976, mil compaas americanas en relacin con el
uso de la programacin matemtica (programacin lineal, no lineal y dinmica). Estos
autores descubrieron que era la direccin de Produccin (mezclas de productos,
asignacin de recursos, diseo de planta y maquinaria,...) el rea en donde ms se
aplicaba la Investigacin de Operaciones dentro del mbito de la empresa. En nmero
de aplicaciones le segua el rea de Inversin y Financiacin.
Especificaciones y concreciones histricas de la Investigacin Operativa: la
programacin matemtica
Historia
12
George Bernard Dantzig naci en 1914 y muri en 2005. Su padre era profesor de Matemticas, se retir dejando su
puesto de Jefe del Departamento de Matemticas en la Universidad de Maryland poco despus de la Segunda Guerra
Mundial. Su madre era una lingista especializada en idiomas eslavos. Dantzig estudi su carrera en la Universidad de
Maryland, donde se gradu en 1936. Le disgustaba el hecho de no haber visto "ni una sola aplicacin en alguno de los
cursos de Matemticas que haba tomado en Maryland". Al ao siguiente hizo estudios de posgrado en la escuela de
Matemticas de la Universidad de Michigan. Sin embargo, exceptuando la Estadstica, le pareci que los cursos eran
demasiado abstractos; "tan abstractos, que l slo deseaba una cosa: abandonar sus estudios de posgrado y conseguir
Historia
13
un trabajo".
En 1937 Dantzig dej Michigan para trabajar como empleado en Estadstica en el Bureau of Labor Statistics. Dos aos
despus se inscriba en Berkeley para estudiar un Doctorado en Estadstica.
La historia de la tesis doctoral de Dantzig es ahora parte del anecdotario de las Matemticas. Durante su primer ao en
Berkeley, llev un curso de Estadstica con el famoso Jerzy Neymann. En una ocasin lleg tarde a una de las clases de
Neymann. En la pizarra estaban escritos dos problemas que l supuso eran problemas de tarea. Dantzig,
consecuentemente, los copi y los resolvi, aun cuando le parecieron "un poco ms difciles que los problemas
ordinarios". Unos das despus se los entreg a Neymann, disculpndose por haber llegado tarde.
Aproximadamente seis semanas despus -a las 8:00 de un domingo por la maana-, Neymann lleg aporreando la puerta
de Dantzig, explicndole que haba escrito una introduccin a uno de los artculos de Dantzig y que quera que la leyera a
fin de poder enviar el artculo para su publicacin. Los dos "problemas de tarea" que Dantzig haba resuelto eran, en
realidad, dos famosos problemas no resueltos de la Estadstica. Las soluciones de estos problemas se convirtieron en su
tesis doctoral, a sugerencia de Neymann.
NOTA: Parece ser que esta ancdota inspir escenas de la pelcula que lanz a la fama a Matt Damon El indomable Will
Hunting. Lo que el propio Dantzig revel es que se trata de una leyenda urbana, pues dista mucho de la realidad.
Poco despus del comienzo de la Segunda Guerra Mundial se uni a la Fuerza Area de Estados Unidos y trabaj con el
Combat Analysis Branch of Statistical Control. En 1946, Despus de recibir su Doctorado, regres a la Fuerza Area como
el asesor de Matemticas del U. S. Air Force Controller. Fu en ese trabajo donde encontr los problemas que le llevaron
a hacer sus grandes descubrimientos. La Fuerza Area necesitaba una forma ms rpida de calcular el tiempo de duracin
de las etapas de un programa de despliegue, entrenamiento y suministro logstico.
El trabajo de Dantzig generaliz lo hecho por el economista, ganador del Premio Nobel, Wassily Leontief. Dantzig pronto
se dio cuenta de que los problemas de planeacin con los que se encontraba eran demasiado complejos para las
computadoras ms veloces de 1947 (y aun para las de la actualidad). La siguiente es la explicacin de Dantzig acerca de
las dificultades que tuvo que encarar: "Un ejemplo sencillo ilustra la dificultad fundamental de formular un problema de
planeacin utilizando un enfoque de anlisis de actividades. Considere el problema de asignar 70 hombres a 70 empleos.
Una "actividad" consiste en asignar el isimo hombre al jsimo empleo. Las restricciones son dos: en primer lugar hay 70
hombres, cada uno de los cuales debe asignarse a un puesto y en segundo lugar, cada uno de los 70 puestos existentes
debe estar ocupado. El nivel de una actividad puede ser 1, lo cual indica que est siendo usada, o 0, lo cual significa que
no. En consecuencia hay 2 x 70 = 140 restricciones y 70 x 70 = 4900 actividades con 4900 variables correspondientes de
decisin uno-cero. Por desgracia tambin hay factorial de 70 permutaciones o formas de hacer las asignaciones. El
problema consiste en comparar el factorial de las 70 formas y elegir la que sea la ptima o "mejor" segn algn criterio
Historia
14
previamente establecido.
En el ejemplo anterior,factorial de 70 es un nmero muy grande. A fin de tener una idea de qu tan grande es,
supngase que se hubiese tenido una computadora IBM del tipo mainframe en el instante en el que ocurri el Big Bang
hace quince millones de aos. Habra podido, entre ese entonces y ahora, examinar todas las soluciones posibles? No!
No obstante, supngase que se hubiese tenido una computadora aun ms poderosa, una que pudiese examinar mil
millones de asignaciones por segundo. La respuesta seguira siendo negativa. An si la tierra se llenase con computadoras
cuyas rapideces fueran de nanosegundos, todas ellas trabajando en paralelo, la respuesta an sera no. Sin embargo, si
existiesen diez tierras, todas llenas con computadoras del tipo mencionado, todas programadas en paralelo desde el
instante del Big Bang hasta que el sol fuese una esfera fra, entonces quizs la respuesta podra ser s. Lo notable es que
el mtodo smplex, con la ayuda de una computadora moderna, puede resolver este problema en una fraccin de
segundo".
Antes de que Dantzig pudiese descubrir el mtodo smplex, le fue necesario primero tener un modelo prctico de
Programacin Lineal. He aqu la descripcin de Dantzig del proceso: "Cuando el problema de la planeacin fue formulado
inicialmente para la Fuerza Area, no exista la nocin exacta de una funcin objetivo, la idea de una meta claramente
definida. Por supuesto, tenamos slo un falso respeto hacia el concepto de objetivo. En el discurso de los militares
escuch a menudo decir, "nuestro objetivo es ganar la guerra" En el mundo de los negocios se escuchara quizs "nuestro
objetivo es obtener ganancias". Sin embargo, era imposible hallar alguna relacin directa entre la meta establecida y las
acciones emprendidas para tal fin. Si se estudiaba con cuidado el paso siguiente, se poda ver que algn lder haba
promulgado un montn de reglas bsicas que, en su concepto, llevaran hacia la meta. Esto distaba mucho de lo que sera
honestamente estudiar todas las combinaciones alternativas de las acciones para elegir la mejor combinacin. Los que
mandan generalmente mueven las manos y dicen "He considerado todas las alternativas", pero es casi siempre basura.
Lo ms probable es que no pudiesen estudiar todas las combinaciones. Antes de 1947 era inconcebible pensar en la
existencia de una herramienta como la Programacin Lineal que permitiese examinar millones de combinaciones. No
haba algoritmo o herramienta computacional que pudiera hacer eso.
No descubr el modelo de la Programacin Lineal en un instante, sino que tuvo un proceso de evolucin. Se dedic casi un
ao completo a la tarea de decidir si mi modelo podra ser utilizado en la formulacin de problemas prcticos de
distribucin de tiempos. Como usted sabe, la planeacin y la distribucin de tiempos se llevaron a una escala inmensa
durante la guerra.El funcionamiento de la Fuerza Area fue equivalente al funcionamiento de la economa de toda una
nacin. En el proceso intervinieron cientos de miles de personas. La logstica tuvo una magnitud difcil de entender para
alguien que no haya estado ah. Mi colega Marshall Wood y yo revisamos miles de situaciones tomadas de nuestra
experiencia durante la guerra.
Esta intuicin llev a la primera formulacin del mtodo smplex en el verano de 1947. El primer problema prctico que se
resolvi con este mtodo fue uno de nutricin (el famoso problema de la dieta).
El 3 de octubre de l947 Dantzig visit el Institute for Advanced Study donde conoci a John von Neumann, quien por
entonces era considerado por muchos como el mejor Matemtico del mundo. Von Neumann le platic a Dantzig del
trabajo conjunto que estaba realizando con Oscar Morgenstern acerca de la teora de juegos. Fue entonces cuando
Dantzig supo por primera vez del importante teorema de la dualidad.
En 1976 el presidente Gerald Ford otorg a Dantzig la Medalla Nacional de Ciencias, que es la mencin ms alta de los
Estados Unidos en Ciencia. En la ceremonia en la Casa Blanca se cit a George Bernard Dantzig "Por haber inventado la
Programacin Lineal, por haber descubierto mtodos que condujeron a aplicaciones cientficas y tcnicas en gran escala a
problemas importantes en logstica, elaboracin de programas, optimizacin de redes y al uso de las computadoras para
hacer un empleo eficiente de la teora matemtica".
Historia
15
Historia
16
Robert Dorfman, Paul Samuelson y Robert Solow (1958), o las de David Gale (1960), o
bien las de Grard Debreu (1963).
Nuevos desarrollos de la programacin lineal
La Programacin Lineal fue una de las primeras herramientas cuantitativas con
la que cont la Investigacin Operativa. Rpidamente se descubri su eficiencia. Por
esta razn, era muy interesante conseguir nuevos mtodos de resolucin que hicieran la
competencia al algoritmo simplex.
Como una innovacin destacable en los aos ochenta aparece un nuevo y
poderoso algoritmo para la resolucin de programas lineales: en 1984, Narendra
Karmarkar (1984) de AT&T Laboratories public un artculo presentando
esquemticamente un mtodo para resolver programas lineales de gran tamao. Este
mtodo llamado algoritmo de Karmarkar se presenta como un buscador de ptimos a
partir de puntos interiores, siendo sta la gran novedad en relacin con el mtodo
simplex.
Historia
17
Pelculas relacionadas:
Enigma (2001). Director: Michael Apted. Dougray Scott, Kate Winslet, Saffron
Burrows, Jeremy Northam, Corin Redgrave, Tom Hollander, Nikolaj Coster-Waldau, Donald Sumpter,
Matthew Macfadyen
Historia
18
U-571 (2000). Director: Jonathan Mostow. Matthew McConaughey, Bill Paxton, Harvey
Keitel, Jon Bon Jovi, David Keith, Thomas Kretschmann, Jake Weber, Jack Noseworthy
Una mente maravillosa (2001). Director: Ron Howard. Russell Crowe, Jennifer
Connelly, Ed Harris, Paul Bettany, Adam Goldberg, Christopher Plummer, Judd Hirsch, Josh Lucas,
Anthony Rapp
Otras:
Sobre Hitler:
Hitler, el reinado del mal (2003). DIRECTOR Christian Duguay Robert Carlyle, Stockard
Channing, Jena Malone, Julianna Margulies, Matthew Modine, Liev Schreiber, Peter Stormare, Friedrich
von Thun, Peter O'Toole
Sobre Pearl Harbor (y/o equipos de descifrado de cdigo)
Pearl Harbor (2001) DIRECTOR Michael Bay REPARTO Ben Affleck, Josh
Hartnett, Kate Beckinsale, Cuba Gooding Jr., Alec Baldwin, Jon Voight, Tom
Sizemore, Dan Aykroyd, Colm Feore, Cary-Hiroyuki Tagawa, Matthew Davis, Ewen
Bremner, Jaime King, William Fichtner, John Diehl, Leland Orser, Tomas Arana,
Jennifer Garner
Tora! Tora! Tora! (1970) DIRECTOR Richard Fleischer, REPARTO Jason Robards,
Martin Balsam, Soh Yamamura, Tatsuya Mihashi, E.G. Marshall, Joseph Cotten, James
Whitmore, George Macready, Neville Brand
La batalla de Midway (1976). DIRECTOR Jack Smight REPARTO Charlton Heston, Edward
Albert, Henry Fonda, James Coburn, Glenn Ford, Robert Mitchum, Toshiro Mifune, Hal Holbrook, Cliff
Robertson, Robert Wagner
Creadores de Sombras (1990) DIRECTOR Roland Joff REPARTO Paul Newman, Dwight Schulz,
Laura Dern, Bonnie Bedelia, John Cusack, Natasha Richardson, John McGinley, Ron Vawter, Ron
Frazier, Clark Gregg
Historia
19
INVESTIGACIN OPERATIVA:
Es la aplicacin del mtodo cientfico para asignar los recursos o actividades de forma
eficaz, en la gestin y organizacin de sistemas complejos
Z=c1x1+c2x2+...+cnxn
2. Las relaciones existentes entre las variables del problema (tambin
llamadas restricciones) se pueden escribir como un conjunto de
ecuaciones o inecuaciones lineales de las variables anteriores. A este
conjunto de ecuaciones se le denomina conjunto de restricciones.
a11x1+a12x2+...+a1nxn (, , =) b1
a21x1+a22x2+...+a2nxn (, , =) b2
...
am1x1+am2x2+...+amnxn (, , =) bm
m filas o ecuaciones y n variables o incgnitas
Cmo escribir un problema de programacin lineal? Debemos conocer (en
este orden):
1) Las variables del problema xi (variables de decisin o actividad)
2) El conjunto de restricciones
3) La funcin del objetivo que habr que maximizar o minimizar, Z
Ejemplo:
"Una compaa armamentstica americana desea proyectar la fabricacin de un
cohete antitanque casero para vender en supermercados. La compaa ha
considerado 3 modelos y su departamento de produccin ha elaborado la siguiente
tabla:
MODELO
Trabajo
(horas/unidad)
Material
(titanio/unidad)
Beneficios (por
unidad
fabricada)
40$
20$
30$
BENEFICIO POR
UNIDAD
UNIDADES
PRODUCIDAS
40
X1
40 X1
20
X2
20 X2
30
X3
30 X3
Ejemplo: Minimizar
Sujeto a
x2 10
5x1+3x2 45
x1,x2 0
Resolver el p.p.l. es encontrar un par de valores (x1opt, x2opt) que cumplan las
restricciones y hagan mnima la funcin del objetivo
a)
x1=8
x2=10
b)
x1=7
x2=9
Z(b)=407+369=604
5x1+3x245
puntos
5x1+3x2=45
50 + 30 >= 45 NO CIERTO
La regin factible ser el tringulo formado por los puntos A, B y C, con los bordes
incluidos.
x1= 0 x2= 0
x1=1 x2= -40/36 = -
Z=36
40 x1+36 x2=36
Z= -36
40 x1+36 x2=-36
x1= 0 x2= 1
x2= 0 x1= 36/40 = 9/10
x1= 0 x2= -1
x2= 0 x1= -36/40 = -9/10
Resumiendo:
Con los tres valores de la cte, Z:
- Constante positiva la recta se mueve a la derecha
- Constante negativa la recta se mueve a la izquierda
Otro ejemplo:
Max Z = x2
Sujeto a
2x1 - x2= -2
x1 + 2x2= 8
2x1 - x2 -2
x1 + 2x2 8
x1, x2 0
x1= 0 x2= 2
x2= 0 x1= -1
x1= 0 x2= 4
x2= 0 x1= 8
Max Z = x2
Z = x1+ 2x2
x1+ 2x2 10
x1 + x2 1
x2 4
x1, x2 0
Solucin no acotada
En una situacin real no existe. Ej: construccin pisos
Max
Z = x1 + 2x2
Sujeto a
x 1 + x2 1
x2 4
x1, x2 0
ZOPT
Problema no factible
Min
Sujeto a
Z = x1 + x 2
x 1 + x2 1
4x1 + 2x2 6
x1, x2 0
No hay interseccin entre los dos planos no hay ninguna solucin que
cumpla las restricciones.
R=
En 3 variables:
En notacin matricial:
Maximizar
(minimizar)
Z = cX
AX = b
X0
(b 0)
siendo:
A=
(m x n)
X=
(n x 1)
x1
x2
...
xn
a11
a21
...
am1
a12
a22
...
am2
...
...
...
...
a1n
a2n
...
amn
b=
(m x 1)
b1
b2
...
bm
Z = cX
AX = b
X0
Ejemplo:
1)
2)
-3x1 + x2 - x3 5
-3y1 - y2 - y3 + y4 y5 = 5, y5 0
- x1 + x2 + x3 10
-y1 - y2 + y3 - y4 + y6 = 10,
y6 0
(a)
(b)
2x1 + x2 - x3 + x4 x5 = -2
x1 + 2x2 + 3x3 - x4 + 2x5 = 4
(a) (-1)
2x1 - x2 + x3 - x4 + x5 = 2
(b) = x1 + 2x2 + 3x3 - x4 + 2x5 = 4
(a)
x1 - x2 + x3 - x4 + x5 = 1
(b) (a)
5/2 x2 + 5/2 x3 x4 + 3/2 x5 = 3
x1 - x2 + x3 - x4 + x5 = 1
(b) 2/5
x2 + x3 - 1/5 x4 + 3/5 x5 = 6/5
(a) + (b)
x1 + x3 - 6/10 x4 + 6/10 x5 = 16/10
x2 + x3 - 1/5 x4 + 3/5 x5 = 6/5
Definiciones
Un sistema de ecuaciones se dice cannico si en cada ecuacin aparece
una variable bsica, que es aquella que posee en dicha ecuacin coeficiente 1 y
en las otras ecuaciones coeficiente 0.
Las variables que no cumplan esto se llaman variables no bsicas.
x1
x2
+ 2x3
+ 3x3
-5 x3 + x4
+ 3x5 7x6 = 5
+ 2x5 + 1/3 x6 = 4
+ 3 x5 - 20/12 x6 =100/31
m
A partir de este sistema, mediante el pivotaje obtenemos un sistema cannico,
por tanto una variable bsica en cada ecuacin. Cada vrtice de la figura es una
solucin factible bsica.
Ejemplo:
Max
Z = 5x1 + 2x2 + 3x3 - x4 + x5
=8
Sujeto a
x1 + 2x2 + 2x3 + x4
+ x5 = 7
3x1 + 4x2 + x3
xi 0 i = 1, ..., 5
Z = 50+20+30-18+17 = -1
Ahora hay que examinar si esta solucin es ptima. Si lo es, hemos
acabado. En caso de que no lo sea, se va a calcular una s.f.b. adyacente (difiere
de la anterior en una variable bsica).
(>0) (=0)
(=0) (>0)
x1 + 2x2 + 2x3 + x4
=8
3x1 + 4x2 + x3
+ x5 = 7
s.f.b. actual x1 = x2 = x3 = 0
x4 = 4, x5 = 7
variables no bsicas
variables bsicas
x4 = 7, x5 = 4
Si x1=1
Z = 51+20+30-17+14 = 2 No es sol. ptima, hay que calcular una
adyacente
As pues el beneficio relativo de x1,
x1=1 Z = 2 (-1) = 3
El beneficio relativo de una variable no bsica es el cambio que se
produce en la funcin del objetivo por unidad aumentada en dicha variable
no bsica.
(*) x4 = 8 x1
(**) x5 = 7 3 x1
x4 < 0 si x1 > 8
x5 < 0 si x1 > 7/3
Si
(problema de maximizacin)
1. Empezar con una solucin factible bsica inicial obtenida a partir del
sistema de restricciones en forma cannica.
2. Comprobar si la solucin factible bsica es ptima. Para ello calcular
los beneficios relativos de las variables no bsicas (stos representan
el cambio neto en el valor de la funcin del objetivo por unidad
aumentada en dicha variable).
Si estos beneficios relativos (de todas las variables no bsicas) son
0, la solucin actual es ptima. En otro caso, seguir (hasta que se
cumpla lo anterior).
3. Seleccionar una variable no bsica como nueva variable bsica en la
solucin. La regla general ser seleccionar la variable no bsica con
el mayor beneficio relativo.
4. Determinar la variable bsica que sustituya a la no bsica. Esto se
hace mediante la regla de la mnima proporcin:
Examinamos las restricciones. Para aquellas en las que la
variable no bsica tiene coeficiente positivo, el lmite que puede
alcanzar dicha variable viene dado por el cociente entre la constante
de la derecha de dicha restriccin y ese coeficiente positivo.
5. Resolver el nuevo sistema y volver al paso 2.
CB
Cj
Base
5
x1
2
x2
3
x3
-1
x4
1
x5
b ( ctes )
-1
1
x4
x5
1
3
2
4
2
1
1
0
0
1
8
7
De la tabla se obtiene:
variables bsicas = ctes,
x4 = 8
x5 = 7
x1 = x2 = x3 = 0
_
8
Z = CBb = (-1, 1) 7
= -8+7 = -1
c j = c j cB Pj
Columna de
xj
c j 0 j
(Regla de parada)
_
1
C1 = 5 (-1,1) 3 = 5 (-1+3) = 3
_
2
C2 = 2 (-1,1) 4 = 2 (-2+4) = 0
beneficio relativo
_
2
C3 = 3 (-1,1) 1 = 3 (-2+1) = 4 (si x3 crece una unidad, Z crece 4)
_
_
C4 = C5 = 0
Tabla 1
CB
-1
1
Cj
Base
x4
x5
cj
5
x1
1
3
3
2
x2
2
4
0
3
x3
2
1
4
-1
x4
1
0
0
1
x5
0
1
0
b
8
7
Z = -1
Cj
Base
x3
x5
5
x1
5/2
2
x2
1
3
3
x3
1
0
-1
x4
1
x5
0
1
b
4
3
cj
-4
-2
Z = 15
pivote
4
Z = cB b = (3,1) = 12 + 3 = 15
3
_
Como c1 > 0 la tabla 2 no es ptima.
Criterio de entrada: max{c j > 0} entra x1
Criterio de salida min {4/(), 3/(5/2)} = min {8, 6/5} = 6/5 sale x5 y pivote
5/2
Tabla 3.
CB
3
5
Cj
Base
x3
x1
_
Cj
5
x1
0
1
2
x2
2/5
6/5
3
x3
1
0
-1
x4
3/5
-1/5
1
x5
-1/5
2/5
b
17/5
6/5
-26/5
-9/5
-2/5
Z = 81/5
x 4 = x5 = 0
4. Si todos los
la base.
Efectuar el pivotaje para obtener la nueva tabla y la nueva solucin
factible bsica.
Volver al paso 4.
CB
0
0
0
Cj
Base
x3
x4
x5
_
Cj
3
x1
-1
3
1
2
x2
2
2
-1
0
x3
1
0
0
0
x4
0
1
0
0
x5
0
0
1
b
4
14
3
Z=0
x1 = 0, x2 = 0, x3 = 4, x4 = 14, x5 = 3
CB
0
0
3
Cj
Base
x3
x4
x1
_
Cj
vrtice A
3
x1
0
0
1
2
x2
1
5
-1
0
x3
1
0
0
0
x4
0
1
0
0
x5
1
-3
1
b
7
5
3
-3
Z=9
x1 = 3, x2 = 0, x3 = 7, x4 = 5, x5 = 0
vrtice B
Cj
Base
x3
x2
x1
_
Cj
CB
0
2
3
3
x1
0
0
1
2
x2
0
1
0
0
x3
1
0
0
0
x4
- 1/5
1/5
1/5
0
x5
8/5
- 3/5
2/5
b
6
1
4
-1
Z = 14
x1 = 4, x2 = 1, x3 = 6, x4 = x5 = 0
_
Z = 14 Solucin optima (todos los Cj 0)
vrtice C
Equivalencias
Tabla
s.f.b.
vrtice
Tabla siguiente
s.f.b adyacente
vrtice adyacente
ptimo alternativo.
En la tabla 3, x5 tiene beneficio relativo cero. Esto significa:
x5 = 1 Z = 0
Si hacemos entrar en la base a x5:
criterio de salida min {6/(8/5), 4/(2/5)} = 30/8 sale x3
Tabla 4:
CB
0
2
3
Cj
Base
x5
x2
x1
3
x1
0
0
1
2
x2
0
1
0
0
x3
5/8
3/8
- 1/4
0
x4
- 1/8
1/8
1/4
0
x5
1
0
0
b
15/4
13/4
5/2
cj
-1
Z = 14
x2 = 13/4,
x3 = x4 = 0,
x5 = 15/4
Problemas de clculo.
Empates en la seleccin de variables no bsicas
Si existe ms de una variable con c j >0 mximo se coge uno
cualquiera o el primero de todos (en un problema de maximizacin).
Si existe ms de una variable con c j <0 mximo se coge uno
cualquiera o el primero de todos (minimizacin).
cj . . . .
7 .....5.....7.....3.....
Ejemplo:
Max Z = 2x4 + 3/2 x6
+ x4 - x 5
=2
x1
+ 2 x4 + x6 = 4
x2
x3 + x4 + x5 + x6 = 3
xi 0
CB
0
0
0
CB
2
0
0
Cj
Base
x1
x2
x3
0
x1
1
0
0
0
x2
0
1
0
0
x3
0
0
1
2
x4
1
2
1
0
x5
-1
0
1
3/2
x6
0
1
1
b
2
4
3
ci
3/2
Z=0
Base
x4
x2
x3
x1
1
-2
-1
x2
0
1
0
x3
0
0
1
x4
1
0
0
x5
-1
2
2
x6
0
1
1
b
2
0
1
ci
-2
3/2
Z=4
Base
x4
x5
x3
ci
x1
0
-1
1
x2
1/2
1/2
-1
x3
0
0
1
x4
1
0
0
x5
0
1
0
x6
1/2
1/2
0
b
2
0
1
-1
1/2
Z=4
Tabla n2
= n1
Resumen.
Empate en el criterio de salida s.f.b. degenerada + iteraciones +
trabajo ? ciclaje (en la vida real continuar hasta llegar a la solucin ptima).
Tcnicas que evitan ciclaje las hay, pero no suelen utilizarse.
Probabilidad de encontrarse con un problema que cicle en la vida real =
Probabilidad de encontrarse con un poltico honrado = Probabilidad de que los
extraterrestres te lleven en su platillo = Probabilidad de que el mundo termine
hoy a las 23h41minutos.
Soluciones no acotadas.
Max Z = 2x1 + 3x2
Sujeto a:
x1 - x2 2
-3x1 + x2 4
x1, x2 0
CB
0
0
Cj
Base
x3
x4
2
x1
1
-3
3
x2
-1
1
0
x3
1
0
0
x4
0
1
b
2
4
ci
Z=0
x1 = 0, x2 = 0 (vrtice A)
CB
0
0
Base
x3
x2
x1
-2
-3
x2
0
1
x3
1
0
x4
1
1
b
6
4
ci
11
-3
Z = 12
x1 = 0, x4 = 4 (vrtice B)
Entra x1, y cul sale?
Habra que calcular la regla de la mnima proporcin, pero en x1 son todos
menores de cero, por tanto solucin no acotada.
En forma de ecuaciones:
-2x1 + x3 + x4 = 6
-3x1 + x2 + x4 = 4
x4 = 0
x3 = 6 + 2x1
x2 = 4 + 3x1
2.
Ejemplo:
Min Z = -3x1 + x2 + x3
x1 - 2x2 + x3 11
-4x1 + x2 + 2x3 3
2x1 - x3 = -1
xi 0
Pasamos a la forma estndar:
Min Z = -3x1 + x2 + x3
x1 - 2x2 + x3 + x4
= 11
-4x1 + x2 + 2x3 x5 = 3
-2x1
+ x3
=1
xi 0
No tenemos una variable bsica por ecuacin, por lo tanto no podemos empezar a usar el
simples. x4 es variable bsica, pero x5 no es variable bsica porque tiene coeficiente negativo.
Introducimos variables artificiales:
x1 - 2x2 + x3 + x4
= 11
-4x1 + x2 + 2x3 x5 + x6 = 3
Sistema artificial
-2x1 + x3
+ x7= 1
xi 0
El sistema artificial tiene una solucin factible bsica inicial
x1 = x2 = x3 = 0 x4 = 11
x5 = 0
x6 = 3
x7= 1
pero no es solucin factible bsica del problema de partida.
Ahora bien,
cualquier solucin factible bsica del sistema artificial con las variables artificiales iguales a cero es
solucin factible bsica del sistema de partida.
Por tanto, hay que reducir las variables artificiales para que se hagan cero.
En nuestro ejemplo:
Min Z = -3x1 + x2 + x3 + M ( variables artificiales) ( x6 y x7 en este ejemplo)
Siendo M un coste muy grande, M>0, M
Min Z = -3x1 + x2 + x3 + M x6 +M x7
(Nota) Max Z = -3x1 + x2 + x3+ (- M) ( variables artificiales)
Siendo (-M) un beneficio muy pequeo, M>0, M
CB
0
M
M
CB
0
M
1
CB
0
1
1
CB
-3
1
1
Cj
Base
x4
x6
x7
-3
x1
1
-4
-2
1
x2
-2
1
0
1
x3
1
2
1
0
x4
1
0
0
0
x5
0
-1
0
M
x6
0
1
0
M
x7
0
0
1
b
11
3
1
ci
-3+6M
1-M
1-3M
Z = 4M
Base
x4
x6
x3
x1
3
0
-2
x2
-2
1
0
x3
0
0
1
x4
1
0
0
x5
0
-1
0
x6
0
1
0
x7
-1
-2
1
b
10
1
1
ci
-1
1-M
3M-1
Z = M+1
Base
x4
x2
x3
x1
3
0
-2
x2
0
1
0
x3
0
0
1
x4
1
0
0
x5
-2
-1
0
x6
2
1
0
x7
-5
-2
1
b
12
1
1
ci
-1
M-1
M+1
Z=2
Base
x1
x2
x3
x1
1
0
0
x2
0
1
0
x3
0
0
1
x4
1/3
0
2/3
x5
-2/3
-1
-4/3
x6
2/3
1
4/3
x7
-5/3
-2
-7/3
b
4
1
9
ci
1/3
1/3
M - 1/3
M - 2/3
Z = -2
Zopt = -2
Notas:
1) Una vez que una variable artificial es reemplazada por una variable real, no es necesario
mantenerla en las tablas
2) Cuando el mtodo termina con una solucin ptima en la que hay una o ms variables artificiales
en la base mayores que cero el problema original no tiene ninguna solucin factible, porque
no podemos encontrar ninguna solucin con las variables del problema de partida
3) En el ordenador M = ? Si el mtodo est programado en ordenador no se trabaja con la letra M.
Hay que asignar un valor a la constante M.
2. MTODO DE LAS 2 FASES (TWO PHASES).
Se resuelve en dos fases:
Fase 1: Se resuelve el problema
Min W = v.artificiales
Sujeto a sistema artificial
En caso de que el valor mnimo sea positivo, W > 0 alguna v.artificial es >0 el problema
original no tiene ninguna solucin factible.
Fase 2: La tabla final de la fase 1 pasa a ser la inicial de la fase 2 cambiando la funcin del objetivo por la
original. Se aplica el simplex.
Nota.
cero).
La fase 1 puede terminar con Wopt=0 y alguna variable artificial en la base (que tendr valor
En este caso, se pasa a la fase 2 (escribiendo su Cj=0) y se procede a echarla de la base aunque
para ello se viole el criterio de salida.
En el momento en que haya salido de la base eliminamos su columna.
CB
0
1
0
CB
0
0
0
Cj
Base
x4
x6
x7
0
x1
1
-4
-2
0
x2
-2
1
0
0
x3
1
2
1
0
x4
1
0
0
0
x5
0
-1
0
1
x6
0
1
0
1
x7
0
0
1
b
11
3
1
ci
-1
-3
W=4
Base
x4
x6
x3
x1
3
0
-2
x2
-2
1
0
x3
0
0
1
x4
1
0
0
x5
0
-1
0
x6
0
1
0
x7
-1
-2
1
b
10
1
1
ci
-1
W=1
Base
x4
x2
x3
x1
3
0
-2
x2
0
1
0
x3
0
0
1
x4
1
0
0
x5
-2
-1
0
x6
2
1
0
x7
-5
-2
1
b
12
1
1
ci
W=0
x1 = 0, x2 = 1, x3 = 1, x4 =12,
x5 = x6 = x7 = 0
CB
-3
1
1
Cj
Base
x4
x2
x3
-3
x1
3
0
-2
1
x2
0
1
0
1
x3
0
0
1
0
x4
1
0
0
0
x5
-2
-1
0
b
12
1
1
ci
-1
Z=2
Base
x1
x2
x3
x1
1
0
0
x2
0
1
0
x3
0
0
1
x4
1/3
0
2/3
x5
-2/3
-1
-4/3
b
4
1
9
1/3
1/3
Z = -2
ci
x1 = 4, x2 = 1, x3 = 9, x4 = x5 = 0
Ejemplo relativo a la nota anterior:
Max Z = 2x1 + x2 + x3
4x1 + 6x2 + 3x3 8
3x1 - 6x2 - 4x3 - x4 1
2x1 + 3x2 - 5x3 - x4 = 4
Zopt= -2
(x5 v.holgura)
(x6 v.holgura)
(x7 v.artificial)
Fase 1: Min W = x7
CB
0
0
1
Cj
Base
x5
x6
x7
ci
CB
0
0
1
Base
x2
x6
x7
ci
0
x1
4
3
2
0
x2
6
-6
3
0
x3
3
-4
-5
0
x4
0
-1
-1
0
x5
1
0
0
0
x6
0
1
0
1
x7
0
0
1
b
8
1
4
-2
-3
W=4
x1
2/3
7
0
x2
1
0
0
x3
1/2
-1
-13/2
x4
0
-1
-1
x5
1/6
1
-1/2
x6
0
1
0
x7
0
0
1
b
4/3
9
0
13/2
1/2
W=0
Final fase 1.
Fase 2
se mantiene
CB
1
0
0
Cj
Base
x2
x6
x7
ci
CB
1
2
0
Base
x2
x1
x7
ci
CB
1
2
1
Base
x2
x1
x3
ci
2
x1
2/3
7
0
1
x2
1
0
0
1
x3
1/2
-1
-13/2
0
x4
0
-1
-1
0
x5
1/6
1
-1/2
0
x6
0
1
0
0
x7
0
0
1
b
4/3
9
0
4/3
1/2
-1/6
Z = 4/3
x1
0
1
0
x2
1
0
0
x3
25/42
-1/7
-13/2
x4
2/21
-1/7
-1
x5
9/126
1/7
-1/2
x6
-2/21
1/7
0
x7
0
0
1
b
10/21
9/7
0
29/42
4/21
-5/14
-4/21
Z = 64/21
x1
0
1
0
x2
1
0
0
x3
0
0
1
x4
1/273
-11/91
2/13
x5
1/39
2/13
1/13
x6
-2/21
1/7
0
x7
25/273
-2/91
-2/13
b
10/21
9/7
0
23/273
-16/39
-4/21
29/273
Z = 64/21
No prestamos atencin
a esta columna
CB
1
2
0
Base
x2
x1
x4
ci
x1
0
1
0
x2
1
0
0
x3
-1/42
11/14
13/2
x4
0
0
1
x5
1/42
3/14
1/2
x6
-2/21
1/7
0
-23/42
-19/42
-4/21
x7
b
10/21
9/7
0
Z = 64/21
ptima
Comparacin entre el Mtodo Big M y el Mtodo de las 2 fases.
9
9
9
9
<0
9 Otros mtodos:
Elipsoides (KHACHIAN).
x2 = 6/5
que es solucin de todos los sistemas equivalentes que hemos estado
construyendo. Es una de las infinitas soluciones.
Definiciones
Un sistema de ecuaciones se dice cannico si en cada ecuacin aparece
una variable bsica, que es aquella que posee en dicha ecuacin coeficiente 1 y
en las otras ecuaciones coeficiente 0.
Las variables que no cumplan esto se llaman variables no bsicas.
x1
x2
+ 2x3
+ 3x3
-5 x3 + x4
+ 3x5 7x6 = 5
+ 2x5 + 1/3 x6 = 4
+ 3 x5 - 20/12 x6 =100/31
m
A partir de este sistema, mediante el pivotaje obtenemos un sistema cannico,
por tanto una variable bsica en cada ecuacin. Cada vrtice de la figura es una
solucin factible bsica.
Ejemplo:
Max
Z = 5x1 + 2x2 + 3x3 - x4 + x5
=8
Sujeto a
x1 + 2x2 + 2x3 + x4
+ x5 = 7
3x1 + 4x2 + x3
xi 0 i = 1, ..., 5
Z = 50+20+30-18+17 = -1
Ahora hay que examinar si esta solucin es ptima. Si lo es, hemos
acabado. En caso de que no lo sea, se va a calcular una s.f.b. adyacente (difiere
de la anterior en una variable bsica).
(>0) (=0)
(=0) (>0)
x1 + 2x2 + 2x3 + x4
=8
3x1 + 4x2 + x3
+ x5 = 7
s.f.b. actual x1 = x2 = x3 = 0
x4 = 4, x5 = 7
variables no bsicas
variables bsicas
x4 = 7, x5 = 4
Si x1=1
Z = 51+20+30-17+14 = 2 No es sol. ptima, hay que calcular una
adyacente
As pues el beneficio relativo de x1,
x1=1 Z = 2 (-1) = 3
El beneficio relativo de una variable no bsica es el cambio que se
produce en la funcin del objetivo por unidad aumentada en dicha variable
no bsica.
(*) x4 = 8 x1
(**) x5 = 7 3 x1
x4 < 0 si x1 > 8
x5 < 0 si x1 > 7/3
Si
(problema de maximizacin)
6. Empezar con una solucin factible bsica inicial obtenida a partir del
sistema de restricciones en forma cannica.
7. Comprobar si la solucin factible bsica es ptima. Para ello calcular
los beneficios relativos de las variables no bsicas (stos representan
el cambio neto en el valor de la funcin del objetivo por unidad
aumentada en dicha variable).
Si estos beneficios relativos (de todas las variables no bsicas) son
0, la solucin actual es ptima. En otro caso, seguir (hasta que se
cumpla lo anterior).
8. Seleccionar una variable no bsica como nueva variable bsica en la
solucin. La regla general ser seleccionar la variable no bsica con
el mayor beneficio relativo.
9. Determinar la variable bsica que sustituya a la no bsica. Esto se
hace mediante la regla de la mnima proporcin:
Examinamos las restricciones. Para aquellas en las que la
variable no bsica tiene coeficiente positivo, el lmite que puede
alcanzar dicha variable viene dado por el cociente entre la constante
de la derecha de dicha restriccin y ese coeficiente positivo.
10. Resolver el nuevo sistema y volver al paso 2.
CB
Cj
Base
5
x1
2
x2
3
x3
-1
x4
1
x5
b ( ctes )
-1
1
x4
x5
1
3
2
4
2
1
1
0
0
1
8
7
De la tabla se obtiene:
variables bsicas = ctes,
x4 = 8
x5 = 7
x1 = x2 = x3 = 0
_
8
Z = CBb = (-1, 1) 7
= -8+7 = -1
c j = c j cB Pj
Columna de
xj
c j 0 j
(Regla de parada)
_
1
C1 = 5 (-1,1) 3 = 5 (-1+3) = 3
_
2
C2 = 2 (-1,1) 4 = 2 (-2+4) = 0
beneficio relativo
_
2
C3 = 3 (-1,1) 1 = 3 (-2+1) = 4 (si x3 crece una unidad, Z crece 4)
_
_
C4 = C5 = 0
Tabla 1
CB
-1
1
Cj
Base
x4
x5
cj
5
x1
1
3
3
2
x2
2
4
0
3
x3
2
1
4
-1
x4
1
0
0
1
x5
0
1
0
b
8
7
Z = -1
Cj
Base
x3
x5
5
x1
5/2
2
x2
1
3
3
x3
1
0
-1
x4
1
x5
0
1
b
4
3
cj
-4
-2
Z = 15
pivote
4
Z = cB b = (3,1) = 12 + 3 = 15
3
_
Como c1 > 0 la tabla 2 no es ptima.
Criterio de entrada: max{c j > 0} entra x1
Criterio de salida min {4/(), 3/(5/2)} = min {8, 6/5} = 6/5 sale x5 y pivote
5/2
Tabla 3.
CB
3
5
Cj
Base
x3
x1
_
Cj
5
x1
0
1
2
x2
2/5
6/5
3
x3
1
0
-1
x4
3/5
-1/5
1
x5
-1/5
2/5
b
17/5
6/5
-26/5
-9/5
-2/5
Z = 81/5
x 4 = x5 = 0
11.
12.
CB
0
0
0
Cj
Base
x3
x4
x5
_
Cj
3
x1
-1
3
1
2
x2
2
2
-1
0
x3
1
0
0
0
x4
0
1
0
0
x5
0
0
1
b
4
14
3
Z=0
x1 = 0, x2 = 0, x3 = 4, x4 = 14, x5 = 3
CB
0
0
3
Cj
Base
x3
x4
x1
_
Cj
vrtice A
3
x1
0
0
1
2
x2
1
5
-1
0
x3
1
0
0
0
x4
0
1
0
0
x5
1
-3
1
b
7
5
3
-3
Z=9
x1 = 3, x2 = 0, x3 = 7, x4 = 5, x5 = 0
vrtice B
Cj
Base
x3
x2
x1
_
Cj
CB
0
2
3
3
x1
0
0
1
2
x2
0
1
0
0
x3
1
0
0
0
x4
- 1/5
1/5
1/5
0
x5
8/5
- 3/5
2/5
b
6
1
4
-1
Z = 14
x1 = 4, x2 = 1, x3 = 6, x4 = x5 = 0
_
Z = 14 Solucin optima (todos los Cj 0)
vrtice C
Equivalencias
Tabla
s.f.b.
vrtice
Tabla siguiente
s.f.b adyacente
vrtice adyacente
ptimo alternativo.
En la tabla 3, x5 tiene beneficio relativo cero. Esto significa:
x5 = 1 Z = 0
Si hacemos entrar en la base a x5:
criterio de salida min {6/(8/5), 4/(2/5)} = 30/8 sale x3
Tabla 4:
CB
0
2
3
Cj
Base
x5
x2
x1
3
x1
0
0
1
2
x2
0
1
0
0
x3
5/8
3/8
- 1/4
0
x4
- 1/8
1/8
1/4
0
x5
1
0
0
b
15/4
13/4
5/2
cj
-1
Z = 14
x2 = 13/4,
x3 = x4 = 0,
x5 = 15/4
Problemas de clculo.
Empates en la seleccin de variables no bsicas
Si existe ms de una variable con c j >0 mximo se coge uno
cualquiera o el primero de todos (en un problema de maximizacin).
Si existe ms de una variable con c j <0 mximo se coge uno
cualquiera o el primero de todos (minimizacin).
cj . . . .
7 .....5.....7.....3.....
Ejemplo:
Max Z = 2x4 + 3/2 x6
+ x4 - x 5
=2
x1
+ 2 x4 + x6 = 4
x2
x3 + x4 + x5 + x6 = 3
xi 0
CB
0
0
0
CB
2
0
0
Cj
Base
x1
x2
x3
0
x1
1
0
0
0
x2
0
1
0
0
x3
0
0
1
2
x4
1
2
1
0
x5
-1
0
1
3/2
x6
0
1
1
b
2
4
3
ci
3/2
Z=0
Base
x4
x2
x3
x1
1
-2
-1
x2
0
1
0
x3
0
0
1
x4
1
0
0
x5
-1
2
2
x6
0
1
1
b
2
0
1
ci
-2
3/2
Z=4
Base
x4
x5
x3
ci
x1
0
-1
1
x2
1/2
1/2
-1
x3
0
0
1
x4
1
0
0
x5
0
1
0
x6
1/2
1/2
0
b
2
0
1
-1
1/2
Z=4
Tabla n2
= n1
Resumen.
Empate en el criterio de salida s.f.b. degenerada + iteraciones +
trabajo ? ciclaje (en la vida real continuar hasta llegar a la solucin ptima).
Tcnicas que evitan ciclaje las hay, pero no suelen utilizarse.
Probabilidad de encontrarse con un problema que cicle en la vida real =
Probabilidad de encontrarse con un poltico honrado = Probabilidad de que los
extraterrestres te lleven en su platillo = Probabilidad de que el mundo termine
hoy a las 23h41minutos.
Soluciones no acotadas.
Max Z = 2x1 + 3x2
Sujeto a:
x1 - x2 2
-3x1 + x2 4
x1, x2 0
CB
0
0
Cj
Base
x3
x4
2
x1
1
-3
3
x2
-1
1
0
x3
1
0
0
x4
0
1
b
2
4
ci
Z=0
x1 = 0, x2 = 0 (vrtice A)
CB
0
0
Base
x3
x2
x1
-2
-3
x2
0
1
x3
1
0
x4
1
1
b
6
4
ci
11
-3
Z = 12
x1 = 0, x4 = 4 (vrtice B)
Entra x1, y cul sale?
Habra que calcular la regla de la mnima proporcin, pero en x1 son todos
menores de cero, por tanto solucin no acotada.
En forma de ecuaciones:
-2x1 + x3 + x4 = 6
-3x1 + x2 + x4 = 4
x4 = 0
x3 = 6 + 2x1
x2 = 4 + 3x1
4.
Ejemplo:
Min Z = -3x1 + x2 + x3
x1 - 2x2 + x3 11
-4x1 + x2 + 2x3 3
2x1 - x3 = -1
xi 0
Pasamos a la forma estndar:
Min Z = -3x1 + x2 + x3
x1 - 2x2 + x3 + x4
= 11
-4x1 + x2 + 2x3 x5 = 3
-2x1
+ x3
=1
xi 0
No tenemos una variable bsica por ecuacin, por lo tanto no podemos empezar a usar el
simples. x4 es variable bsica, pero x5 no es variable bsica porque tiene coeficiente negativo.
Introducimos variables artificiales:
x1 - 2x2 + x3 + x4
= 11
-4x1 + x2 + 2x3 x5 + x6 = 3
Sistema artificial
-2x1 + x3
+ x7= 1
xi 0
El sistema artificial tiene una solucin factible bsica inicial
x1 = x2 = x3 = 0 x4 = 11
x5 = 0
x6 = 3
x7= 1
pero no es solucin factible bsica del problema de partida.
Ahora bien,
cualquier solucin factible bsica del sistema artificial con las variables artificiales iguales a cero es
solucin factible bsica del sistema de partida.
Por tanto, hay que reducir las variables artificiales para que se hagan cero.
En nuestro ejemplo:
Min Z = -3x1 + x2 + x3 + M ( variables artificiales) ( x6 y x7 en este ejemplo)
Siendo M un coste muy grande, M>0, M
Min Z = -3x1 + x2 + x3 + M x6 +M x7
(Nota) Max Z = -3x1 + x2 + x3+ (- M) ( variables artificiales)
Siendo (-M) un beneficio muy pequeo, M>0, M
CB
0
M
M
CB
0
M
1
CB
0
1
1
CB
-3
1
1
Cj
Base
x4
x6
x7
-3
x1
1
-4
-2
1
x2
-2
1
0
1
x3
1
2
1
0
x4
1
0
0
0
x5
0
-1
0
M
x6
0
1
0
M
x7
0
0
1
b
11
3
1
ci
-3+6M
1-M
1-3M
Z = 4M
Base
x4
x6
x3
x1
3
0
-2
x2
-2
1
0
x3
0
0
1
x4
1
0
0
x5
0
-1
0
x6
0
1
0
x7
-1
-2
1
b
10
1
1
ci
-1
1-M
3M-1
Z = M+1
Base
x4
x2
x3
x1
3
0
-2
x2
0
1
0
x3
0
0
1
x4
1
0
0
x5
-2
-1
0
x6
2
1
0
x7
-5
-2
1
b
12
1
1
ci
-1
M-1
M+1
Z=2
Base
x1
x2
x3
x1
1
0
0
x2
0
1
0
x3
0
0
1
x4
1/3
0
2/3
x5
-2/3
-1
-4/3
x6
2/3
1
4/3
x7
-5/3
-2
-7/3
b
4
1
9
ci
1/3
1/3
M - 1/3
M - 2/3
Z = -2
Zopt = -2
Notas:
4) Una vez que una variable artificial es reemplazada por una variable real, no es necesario
mantenerla en las tablas
5) Cuando el mtodo termina con una solucin ptima en la que hay una o ms variables artificiales
en la base mayores que cero el problema original no tiene ninguna solucin factible, porque
no podemos encontrar ninguna solucin con las variables del problema de partida
6) En el ordenador M = ? Si el mtodo est programado en ordenador no se trabaja con la letra M.
Hay que asignar un valor a la constante M.
2. MTODO DE LAS 2 FASES (TWO PHASES).
Se resuelve en dos fases:
Fase 1: Se resuelve el problema
Min W = v.artificiales
Sujeto a sistema artificial
En caso de que el valor mnimo sea positivo, W > 0 alguna v.artificial es >0 el problema
original no tiene ninguna solucin factible.
Fase 2: La tabla final de la fase 1 pasa a ser la inicial de la fase 2 cambiando la funcin del objetivo por la
original. Se aplica el simplex.
Nota.
cero).
La fase 1 puede terminar con Wopt=0 y alguna variable artificial en la base (que tendr valor
En este caso, se pasa a la fase 2 (escribiendo su Cj=0) y se procede a echarla de la base aunque
para ello se viole el criterio de salida.
En el momento en que haya salido de la base eliminamos su columna.
CB
0
1
0
CB
0
0
0
Cj
Base
x4
x6
x7
0
x1
1
-4
-2
0
x2
-2
1
0
0
x3
1
2
1
0
x4
1
0
0
0
x5
0
-1
0
1
x6
0
1
0
1
x7
0
0
1
b
11
3
1
ci
-1
-3
W=4
Base
x4
x6
x3
x1
3
0
-2
x2
-2
1
0
x3
0
0
1
x4
1
0
0
x5
0
-1
0
x6
0
1
0
x7
-1
-2
1
b
10
1
1
ci
-1
W=1
Base
x4
x2
x3
x1
3
0
-2
x2
0
1
0
x3
0
0
1
x4
1
0
0
x5
-2
-1
0
x6
2
1
0
x7
-5
-2
1
b
12
1
1
ci
W=0
x1 = 0, x2 = 1, x3 = 1, x4 =12,
x5 = x6 = x7 = 0
CB
-3
1
1
Cj
Base
x4
x2
x3
-3
x1
3
0
-2
1
x2
0
1
0
1
x3
0
0
1
0
x4
1
0
0
0
x5
-2
-1
0
b
12
1
1
ci
-1
Z=2
Base
x1
x2
x3
x1
1
0
0
x2
0
1
0
x3
0
0
1
x4
1/3
0
2/3
x5
-2/3
-1
-4/3
b
4
1
9
1/3
1/3
Z = -2
ci
x1 = 4, x2 = 1, x3 = 9, x4 = x5 = 0
Ejemplo relativo a la nota anterior:
Max Z = 2x1 + x2 + x3
4x1 + 6x2 + 3x3 8
3x1 - 6x2 - 4x3 - x4 1
2x1 + 3x2 - 5x3 - x4 = 4
Zopt= -2
(x5 v.holgura)
(x6 v.holgura)
(x7 v.artificial)
Fase 1: Min W = x7
CB
0
0
1
Cj
Base
x5
x6
x7
ci
CB
0
0
1
Base
x2
x6
x7
ci
0
x1
4
3
2
0
x2
6
-6
3
0
x3
3
-4
-5
0
x4
0
-1
-1
0
x5
1
0
0
0
x6
0
1
0
1
x7
0
0
1
b
8
1
4
-2
-3
W=4
x1
2/3
7
0
x2
1
0
0
x3
1/2
-1
-13/2
x4
0
-1
-1
x5
1/6
1
-1/2
x6
0
1
0
x7
0
0
1
b
4/3
9
0
13/2
1/2
W=0
Final fase 1.
Fase 2
se mantiene
CB
1
0
0
Cj
Base
x2
x6
x7
ci
CB
1
2
0
Base
x2
x1
x7
ci
CB
1
2
1
Base
x2
x1
x3
ci
2
x1
2/3
7
0
1
x2
1
0
0
1
x3
1/2
-1
-13/2
0
x4
0
-1
-1
0
x5
1/6
1
-1/2
0
x6
0
1
0
0
x7
0
0
1
b
4/3
9
0
4/3
1/2
-1/6
Z = 4/3
x1
0
1
0
x2
1
0
0
x3
25/42
-1/7
-13/2
x4
2/21
-1/7
-1
x5
9/126
1/7
-1/2
x6
-2/21
1/7
0
x7
0
0
1
b
10/21
9/7
0
29/42
4/21
-5/14
-4/21
Z = 64/21
x1
0
1
0
x2
1
0
0
x3
0
0
1
x4
1/273
-11/91
2/13
x5
1/39
2/13
1/13
x6
-2/21
1/7
0
x7
25/273
-2/91
-2/13
b
10/21
9/7
0
23/273
-16/39
-4/21
29/273
Z = 64/21
No prestamos atencin
a esta columna
CB
1
2
0
Base
x2
x1
x4
ci
x1
0
1
0
x2
1
0
0
x3
-1/42
11/14
13/2
x4
0
0
1
x5
1/42
3/14
1/2
x6
-2/21
1/7
0
-23/42
-19/42
-4/21
x7
b
10/21
9/7
0
Z = 64/21
ptima
Comparacin entre el Mtodo Big M y el Mtodo de las 2 fases.
9
9
9
9
<0
9 Otros mtodos:
Elipsoides (KHACHIAN).
El mtodo revisado o mtodo del simples con multiplicadores: Conceptos bsicos. Vector de Multiplicadores.
Se basa en los mismos principios que el simplex, pero en cada iteracin no se calcula toda la tabla, y la
informacin que se necesita para pasar de una solucin factible bsica a otra se obtiene directamente de las ecuaciones
originales.
Max (o Min) Z = Cx
Ax = b
x0
x1
...
C = (C1, C2, ..., Cn)
1xn
x=
xm
nx1
xn
A=
A=
a11
a21
...
a12
a22
...
...
...
...
a1n
a2n
...
mxn
am1
am2
...
amn
m<n
[ P1
P2
Pn ]
b=
b1
b2
...
mx1
bm
Pj =
a1j
a2j
amj
mx1
j = 1, ..., n
Definicin. Se llama matriz bsica B a una submatriz B de A, formada por m columnas linealmente
independientes.
La idea fundamental del mtodo del simplex revisado se basa en lo siguiente: Supongamos que tenemos una solucin
factible con variables bsicas xi1 ... xim. Asociadas a estas variables, se construye una matriz bsica B como
X b b
= siendo
y la solucin factible bsica asociada como X =
XN 0
matrix m x m
c j = c j cB Pj = c j Pj
Ejemplo:
Min Z = -3x1 + x2 + x3
sujeto a x1 2x2 + x3 11
-4x1 + x2 + 2x3 3
2x1
- x3 = -1
xi 0
Min Z = -3x1 + x2 + x3 + Mx6 + Mx7
x1 - 2x2 + x3 + x4
= 11
-4x1 + x2 + 2x3
x5 + x 6
=3
-2x1
+ x3
+ x7 = 1
xi 0
A=
[ P1
P2
P7]
P1 =
1
-4
0
P2 =
-2
1
1
P3 =
P7 =
0
0
1
b=
11
3
1
1
2
0
P4 =
1
0
0
P5 =
0
-1
0
P6 =
0
0
1
0
0
1
B-1 = I
La tabla 1 del mtodo del simplex revisado ser:
Base
x4
x6
x7
1
0
0
B-1
0
1
0
0
0
1
_
b
11
3
1
A completar ms
adelante
0
1
0
_
C1 = -3 (0, M, M)
1
-4
-2
= -3 + 6M
_
C2 = 1 (0, M, M)
-2
1
0
=1M
_
C3 = 1 (0, M, M)
1
2
1
= 1 3M
_
C5 = 0 (0, M, M)
0
-1
0
=M
P3 = B P3 = 0
1
=
2
1
Tabla 1.
_
b
11
3
1
B-1
Base
x4
x6
x7
1
0
0
0
1
0
0
0
1
_
Columna pivote P3
1
2
1
B-1 =
_
b = B-1b = B-1
11
3
1
1
0
0
0
1
0
10
1
1
-1
-2
1
B-1
Base
x4
x6
x3
0
1
0
1
0
0
0
1
0
-1
-2
1
_
b
10
1
1
1
2
1
_
C1 = -3 - (0, M, -2M+1)
1
-4
-2
= -1
_
C2 = 1 M
_
C5 = M
_
entra x2 en la base P2 = B-1 P2 = B-1
-2
1
0
-2
1
0
Tabla 2.
B-1
Base
x4
x6
x3
1
0
0
0
1
0
0
0
1
_
b
10
1
1
_
P2
-2
1
0
-5
-2
1
12
1
1
B-1
Base
x4
x2
x3
= (0, 0, 1)
2
1
0
1
0
0
_
C1 = -1 entra x1
1
0
0
2
1
0
-5
-2
1
_
b
12
1
1
2
1
0
-5
-2
1
= (0, 1, -1)
_
P1 =
1
0
0
2
1
0
-5
-2
1
1
-4
-2
_
C5 = 1
Tabla 3.
3
0
-2
B-1
Base
x4
x2
x3
1
0
0
2
1
0
-5
-2
1
_
b
12
1
1
_
P1
3
0
-2
Tabla 4.
B-1
Base
1
x1
x2
x3
1
= (-3, 1, 1)
_
C4 = 1/3
_
C5 = 1/3
/3
0
2
/3
/3
0
2
/3
/3
1
4
/3
2
/3
1
4
/3
-5/3
-2
-7/3
-5/3
-2
-7/3
_
b
4
1
9
= [-1/3, 1/3, 2/3]
Ventajas del mtodo revisado del Simplex sobre el mtodo del Simplex regular.
1. El simplex revisado trabaja sobre una tabla cuyo tamao lo determina el nmero de restricciones.
2.
3.
Si se calcula B-1 en cada iteracin directamente de los datos del principio, no se acumulan errores de
redondeo.
Los conceptos tericos del mtodo ayudan a entender conceptos de teora de la dualidad y anlisis de
sensibilidad.
2x1
La teora de la dualidad se centra en el hecho de que, asociado a cualquier problema de programacin lineal,
existe otro problema de programacin lineal que se llama su dual, de manera que al resolver el primero se resuelve
tambin el segundo sin coste computacional adicional.
Problemas primal-dual simtrico. Propiedades y relaciones de los problemas primal y dual.
Un problema de programacin lineal est escrito en forma simtrica si todas las variables son no
negativas, y todas las restricciones son desigualdades (si el problema es de maximizar, con , y si es de minimizar,
con ).
PRIMAL
Max Z = Cx
Ax b
x0
Min Z = Cx
Ax b
x0
a11
a21
...
am1
x1
x2
xn
a12
a22
...
am2
...
...
...
...
a1n
a2n
...
amn
x1
xn
x1
x2
xn
b1
b2
...
bm
DUAL
Min W = by
yA C
y = (y1, y2, , ym)
y0
y1, y2, , ym 0
1.
2.
3.
4.
5.
6.
Problema Dual
Min W = by
yA C siendo A la matriz
y 0 traspuesta de la matriz A
del problema primal (yA Atyt)
Amxn
x n variables
b m restricciones
y m variables
C n restricciones
Teoremas de la dualidad.
Teorema 1 (Teorema dbil de la dualidad).
Consideremos los problemas de programacin lineal primal-dual simtricos:
Max Z = Cx
Ax b
x0
Min W = yb
yA C
y0
Se tiene que el valor de la funcin del objetivo del problema dual (para toda solucin factible del dual) es
siempre mayor o igual que el valor de la funcin del objetivo primal (en cualquier solucin factible del problema
primal).
Demostracin.
Sean x0 e y0 solucin factible del primal y dual, respectivamente
x0 solucin factible del problema primal Ax0 b
x0 0
(1)
y0 solucin factible del problema dual y0A C
y0 0
(2)
(la solucin factible cumple las restricciones)
(1) y0Ax0 y0b
(2) y0Ax0 Cx0
Entonces
(pues y0 0)
(pues x0 0)
Cx0 y0Ax0 y0b
Z0 (primal)
W0 (dual)
(Z y W funciones objetivo)
Corolarios.
1) El valor de la funcin del objetivo Z del problema primal para cualquier solucin factible del primal es
una cota inferior para el valor mnimo de la funcin del objetivo dual.
2) Anlogamente, el valor de la funcin del objetivo del problema dual para cualquier solucin factible es
una cota superior para el valor mximo de la funcin del objetivo primal.
3) Si el problema primal tiene solucin no acotada entonces el problema dual no tiene ninguna solucin
factible.
4) Anlogamente, si el problema dual tiene solucin no acotada entonces el primal no tiene ninguna
solucin factible.
5) Si el problema primal tiene solucin, y el dual no, entonces el primal es no acotado.
6) Si el problema dual tiene solucin, y el primal no, entonces el dual es no acotado.
7) Si el primal no tiene solucin el problema dual no tiene solucin o es no acotado.
8) Si el problema dual no tiene solucin el problema primal no tiene solucin o es no acotado.
Ejemplo 1.
Primal
Dual
ej.
Ejemplo 2.
Primal
Dual
Max Z = x1 + x2
- x 1 + x2 + x3 2
-2x1 + x2 - x3 1
xi 0
Min W = 2y1 + y2
- y1 - 2y2 1
y1 + y2 1
y1 - y2 0
yi 0
El primal tiene solucin (por ejemplo x0 = (0, 0, 0) es una solucin factible del primal).
Pero el dual no tiene ninguna solucin factible (si yi 0, - y1 - 2y2 siempre 0).
Por el corolario 5, el primal tiene solucin no acotada.
Programacin lineal avanzada - 9
Ejemplo 3.
Primal
Dual
Primal
En el Ejemplo 1
Max Z = x1 + 2x2 + 3x3 + 4 x4
Sujeto a
x1 + 2x2 + 2x3 + 3x4 20
2x1 + x2 + 3x3 + 2x4 20
xi 0
Dual
si tomamos:
x0 = (0, 0, 4, 4)
y0 = (12, 02)
Z0 = 28
W0 = 28
x10
x20
xn0
b1
b2
bm
x10
x20
xn0
U1 0
U2 0
Um 0
b1
b2
bm
(*)
(**)
Ax0 + U0 = b U0 = b - Ax0
y0A V0 = C V0 = y0A - C
(*)
(**)
El teorema 4 dice:
x0 e y0 son soluciones ptimas ptimas (y0A - C)x0 + y0(b - Ax0) = 0 V0x0 + y0U0 = 0
x1 0
x2 0
xn 0
Vj xj + yj Uj = 0
j=1
j=1
Vj 0 xj 0 = 0
v. primal j-sima
U1 0
U2 0
=0
Um 0
j=1n
j=1m
yj 0Uj 0 = 0
sistema o condiciones
de holguras
complementarias
holgura primal
v. dual j-sima
Se obtiene:
1) Si xj 0 > 0 Vj 0 = 0
2) Si Vj 0 > 0 xj 0 = 0
3) Si yj 0 > 0 Uj 0 = 0
Programacin lineal avanzada - 11
4) Si Uj 0 > 0 yj 0 = 0
Ejemplo 1:
Max Z = x1 + 2x2 + 3x3 + 4 x4
Sujeto a
x + 2x + 2x + 3x + U = 20
2x + x + 3x + 2x + U = 20
1
xi, Ui 0
y1 + 2y2 1
2y1 + y2 2
2y1 + 3y2 3
3y1 + 2y2 3
yi 0
y + 2y - V = 1
2y + y - V = 2
2y + 3y - V = 3
3y + 2y - V = 4
1
1
1
1
yi, Vi 0
y10 = 12
y20 = 02
W0 = 28
Zopt = 28
x1 cq signo, x2 0
Cualquier problema no simtrico puede convertirse en uno equivalente que s lo sea
Max Z = Cx
Ax b
x0
x1 = x1' x2'
x2 = - x3'
- x1 + 4x2 = -1
x3' 0
x1', x2' 0
- x1 + 4x2 -1 x1 - 4x2 1
- x1 + 4x2 -1
y1 = w1 0
y2 = - w2 0
y3 = w3 - w4 0
6y1 + 2y2 + y3 = 2
3y1 3y2 + 4y3 3
PRIMAL (Maximizar)
DUAL (Minimizar)
A matriz de coeficientes
Traspuesta
Vector de constantes de Vector de coeficientes
la derecha
de la f. objetivo
Vector de coeficientes Vector de constantes de
de la f. objetivo
la derecha
i-sima restriccin con
Variable i-sima de
=
cualquier signo
i-sima restriccin con Variable i-sima 0
Ejercicio 1.
Primal
Max Z = x1 + 4x2 + 3x3
2x1 + 3x2 5x3 2
3x1 - x2 + 6x3 1
x1 + x2 + x3 = 4
x1 0, x2 0, x3 cq signo
Dual
Min W = 2y1 + y2 + 4y3
2y1 + 3y2 + y3 1
3y1 - y2 + y3 4
-5y1 + 6y2 + y3 = 3
y1 0, y2 0, y3 cq signo
Ejercicio 2.
Primal
Min Z = 2x1 + x2 - x3
x1 + x2 - x3 = 1
x 1 - x 2 + x3 2
x2 + x3 3
x1 0, x2 0, x3 cq signo
Dual
Max W = y1 + 2y2 + 3 y3
y1 + y2 2
y1 - y2 + y3 1
-y1 + y2 + y3 = -1
y1 cq signo, y2 0, y3 0
Los teorema del 1 al 4 de la teora de la dualidad tambin se aplican a los problemas asimtricos, con las
modificaciones correspondientes.
En el Ejercicio 2:
x1 0 = 2
x2 0 = 0
solucin factible primal
x3 0 = 1
y10 = 1
y20 = 0
y30 = 0
W0 = 12
y10 = 0
y20 = 0
y30 = 3
Min W = yb
yA C
y cq signo
Max W = yb
yA C
y cq signo
Clculo de la solucin ptima del problema dual a partir de la tabla ptima del problema primal.
Consideremos el problema de programacin lineal en forma estndar:
Min Z = Cx
(dual) Max W = yb
Ax = b
yA C
x0
y cq signo
xB
Sea x0 =
la solucin ptima del primal.
xN
xB = B-1b, siendo B la base ptima
_
Cj = Cj Pj 0 j por ser solucin ptima donde = CBB-1
En notacin matricial C A 0 A C el vector es una solucin factible del problema dual.
Adems W() = b = CBB-1b = CBxB = Zptimo es ptima del problema dual.
Ejemplo:
Primal
Min Z = -3x1 + x2 + x3
x1 - 2x2 + x3 11
-4x1 + x2 + 2x3 3
-2x1 + x3 = 1
xi 0
Dual
Max W = 11y1 + 3y2 + y3
y1 - 4y2 2 y3 - 3
-2y1 + y2
1
y1 + 2y2 + y3 1
y1 0, y2 0, y3 cq signo
Resolvemos el problema primal: la solucin ptima es B = [P1 P2 P3]
x1 = 4
x2 = 1
x3 = 9
Z0 = -2
-1
1
1
-2
1
/3 2/3
-1
-4
1
2
= (-3, 1, 1)
0 1
= CBB = (-3, 1, 1)
2
-2
0
1
/3 4/3
Se comprueba que es solucin factible del problema dual y que
W() = 11(-1/3) + 3(1/3) + 1(2/3) = -2
-5/3
-2 = [-1/3, 1/3, 2/3]
-7/3
Cmo ver la solucin dual ptima en la tabla ptima del simplex del problema primal.
Base
Solucin ( b )
_
Cj
Sean {i1, i2, , im} los ndices de las variables bsicas de la primera tabla del Simplex:
1 tabla
Base
x1
x2
xi1
xi2
xi1
xi2
xim
1
0
0
1
xim
xn
0
0
En cualquier tabla, B-1 aparece en las columnas de las variables bsicas iniciales.
xi1
xi2
xim
Ci1
Ci2
_ _
_
(Ci1, Ci2, , Cim) = (Ci1, Ci2, , Cim) [Pi1 Pim] =
Cim
1
0
0
1
0
0
_ _
_
= (Ci1, Ci2, , Cim) (Ci1, Ci2, , Cim)
Amxn
x=
b=
b1
bm
A = (P1 Pn)
C = (C1, , Cn)
x1
xn
m<n
Sea B A una submatriz de A formada por m columnas de A linealmente independientes. Se dice que B es
una base factible primal (o base factible del problema primal) si B-1b 0.
Sea B A una submatriz de A formada por m columnas de A linealmente independientes. Se dice que B es
una base factible dual (o base factible del problema dual) si:
C CBB-1A 0 (C CBB-1A 0 si el p. primal fuese de maximizar)
Consecuencias de las definiciones.
Que B sea factible primal significa que se le puede asociar una solucin:
x=
xB
xN
con xB = B-1b 0
CB
base
x1
x2
x3
x4
x5
x6
0
0
x5
x6
-1
2
-2
1
1
-4
-1
-1
1
0
0
1
-3
-2
cj
Situacin general.
Base
x1
x1
xr
xm
xm+1
xs
xn
y1,m+1
y1s
y1n
b1
xr
yr,m+1
yrs
yr n
Alguno
menor
que
cero
xm
1
0
br
yn,m+1
yns
ymn
bm
cn
cj
cm +1
cs
(min)
El mtodo del simplex dual va a calcular una solucin factible bsica dual adyacente, reemplazando una
variable bsica por una variable no bsica.
1. Seleccin de la variable bsica que deja la base.
_
Se elige la variable bsica con el mayor valor negativo bi.
Sea br = min {bi} xr deja la base, y la fila r es la fila pivote.
bi < 0
2. Seleccin de la variable no bsica que entra en la base (Regla de la mxima proporcin).
c
cs
= max j
yrs y rj < 0 yrj
CB
base
x1
x2
x3
x4
x5
x6
1
0
x1
x6
1
0
2
-3
-1
-2
1
-3
-1
2
0
1
3
-8
cj
sale x6
proporciones:
_
Cj
2
1
2
yij
-3
-2
-3
x2
x3
x4
-2/3 = -066
-1/2 = -05
-2/3 = -066
base
x1
x2
x3
x4
x5
x6
1
0
x1
x3
1
0
/2
3
/2
0
1
-2
-1
-1/2
-1/2
cj
/2
/2
3
/2
/2
/2
b
7
4
0
0
Z=7
_ _
Tabla ptima Cj y b 0
Solucin ptima del problema de programacin lineal.
OBSERVACIONES.
1.-) Resolucin de problemas de maximizacin por el mtodo del simplex dual.
*La regla de salida es igual
* Cambia la regla de entrada, que ahora va a ser de la mnima proporcin
cj
cs
= min
yrs yrj <0 yrj
2.-) Qu sucede si falla el criterio de entrada? Es decir, todos los yij de la fila de la variable que sale son 0.
Entonces el problema no tiene solucin. Por qu? ejercicio
3.-)
Cmo se puede saber, utilizando el mtodo del simplex dual, que el problema original tiene solucin no
acotada? Ejercicio: pensarlo usando los corolarios 1-8 del teorema 1 de la dualidad
(trabajo)
(material)
Cj
CB
base
x1
x2
x3
x4
x5
x4
x5
0
0
/3
7
/3
1
0
0
1
1
3
Z=0
0
1
-1/4
7
/4
1
0
-1/4
3
/4
/4
-17/4
-9/4
Z=
x1
x2
1
0
0
1
-1
2
4
-1
-1
1
1
2
cj
-3
-5
-1
Z=8
cj
Tabla2
0
3
/3
1
/3
2
x4
x2
cj
/4
/4
/3
4
/3
/4
/4
27
/4
Tabla3
2
3
x1 = 1
x2 = 2
P1 =
/3
/3
P2 =
/3
/3
P3 =
/3
1
P4 =
/3
0
P5 =
C = (2,3,1,0,0)
1
b=
3
Max Z = Cx
Ax = b
x0
x1
...
C = (C1, C2, ..., Cn)
1xn
x=
xm
nx1
xn
A=
A=
a11
a21
...
a12
a22
...
...
...
...
a1n
a2n
...
mxn
am1
am2
...
amn
m<n
[ P1
P2
Pn ]
b=
b1
b2
...
mx1
bm
Pi =
a1i
a2i
ami
Supongamos que tenemos una solucin factible obtenida a partir de una base B
La solucin bsica
xB = b = B 1b
Z = CBb
cualquier columna:
Pj = B 1Pj
mx1
i = 1, ..., n
= CB B-1
Los beneficios relativos:
c j = c j Pj = c j cB B 1Pj = c j cB Pj
j de variables no bsicas
1
c3 = c3 c B P3 = c3 (2,3) = c3 4
2
CB
2
6
base
x1
x2
x3
x4
x5
x1
x3
1
0
/2
/2
0
1
/2
- /2
-1/2
1
/2
2
1
cj
-1
-4
-2
Z = 10
ptima
1.2 Cambio en el Cj de una variable bsica.
Analicemos, por ejemplo, como se altera la tabla ptima modificando C1:
_
_
x1 y x2 estn en la base C1 = C2 = 0
_
_
C3 = C3 - CBP3 = 1 (C1,3)
_
C4 = 0 (C1,3)
_
C5 = 0 (C1,3)
-1
2
= C1 - 5
4
-1
= -4C1 + 3
-1
1
= C1 - 3
_ _ _
La tabla 3 seguir siendo ptima mientras C3, C4 y C5 0 (estamos maximizando).
_
C3 0 C1 - 5 0 C1 5
_
C4 0 -4C1 + 3 0 C1 3/4
_
C5 0 C1 - 3 0 C1 3
3/4
3
/4 3
1
2
_
C5 = 0 (1,4)
2
4
=0
-1
-1
= -3 < 0
1
La solucin de la tabla 3 sigue siendo ptima. Ahora Zopt=9 y tendramos una solucin ptima alternativa
haciendo entrar a x4. Si alguno de los ci fuese > 0 la tabla no sera ptima y habra que seguir calculando tablas.
En general, hay que recalcular la fila de los ci . Si la tabla deja de ser ptima, habra que continuar con el
simplex.
xB = b = B 1b
es el vector solucin
Supongamos que en el problema del ejemplo se puede realizar 1 hora ms de trabajo (b1 crece una unidad).
b 2
b = 1 =
b2 3
b1 = 1 b1 = 2
Luego
4 1
=
1 1
4 1 2 5
=
b = B 1b =
1 1 3 1
4 1
= (5,1)
1 1
=CBB-1 = (2,3)
Ahora bien, para que los precios sombra no den informacin errnea, debemos calcular cul es el campo de
variacin de los bi en el que la solucin sigue siendo ptima.
Lo calculamos, por ejemplo, para b1:
b1
b* =
3
Para que la tabla 3 siga siendo ptima, es preciso que B-1b* 0
4
-1
b1
4b1 3
4b1 3 0 b1 3/4
-1
=
0
B b* =
-b1 + 3 0 b1 3
-1
1
3
-b1 + 3
Si b1 [3/4,3] la solucin seguir siendo ptima
Programacin lineal avanzada - 28
x1 = 4b1 3
x2 = -b1 + 3
x3 = 0
13
-1
La tabla 3 queda:
base
x1
x2
x3
x4
x5
x1
x2
1
0
0
1
-1
2
4
-1
-1
1
13
-1
cj
-3
-5
-1
Esta tabla no es factible primal, pero s factible dual aplicamos el Mtodo del Simplex Dual:
x2 deja la base y entra x4
base
x1
x2
x3
x4
x5
x1
x4
b
9
1
Zopt = 18
0
0
1
c6 = c6 P6 = 3 (5,1) = 3
1
_
Luego la solucin de la tabla 3 sigue siendo ptima. Si C6 > 0 se aplicara el simplex. .
3.2 Variaciones en las condiciones de las variables existentes.
3.2.1 Cambios correspondientes a una variable no bsica.
Se hace como en 3.1
3.2.2 Cambios correspondientes a variables bsicas.
Mejor resolver el problema de nuevo, porque al cambiar la matriz bsica B se cambian todas las
columnas de la tabla.
3.3 Adicin de nuevas restricciones.
Supongamos que se aade una restriccin referente a los servicios administrativos, de tal modo que los
productos A, B y C requieren 1, 2 y 1 hora de servicios respectivamente, mientras las horas totales disponibles son 10.
x1 + 2x2 + x3 10
base
x1
x2
x3
x4
x5
x6
2
3
0
x1
x2
x6
1
0
1
0
1
2
-1
2
1
4
-1
0
-1
1
0
0
0
1
1
2
4
cj
-3
-5
-1
(3F 1F - 2(2F))
CB
base
x1
x2
x3
x4
x5
x6
x1
x2
x6
1
0
0
0
1
0
-1
2
-2
4
-1
-2
-1
1
-1
0
0
1
1
2
-1
cj
-3
-5
-1
x1
x2
x5
2
1
1
Zopt = 7
Observaciones.
Tiempo de resolucin de un p.p.l f(m3), siendo m el nmero de restricciones
A) Quitar restricciones inactivas o secundarias.
B) Resolver
C) Aadir y comprobar si las restricciones de A) son verificadas por la solucin ptima.
Programacin paramtrica.
1.
x0
C = (C1, C2, , Cn)
C = (C1*, C2*, , Cn*)
Primero se resuelve el problema para = 0. Sea B la base ptima:
_
_
_
Cj 0 (Maximizando)
Cj = Cj - CBPj
_
_
_
_ _
_
Cj() = (Cj + Cj*) (CB + CB*)Pj = (Cj - CBPj) + (Cj* - CB* Pj) = Cj + Cj*
Ejemplo:
Max Z = (2 + )x1 + (3 - )x2 + (1 + )x3
1
/3x1 + 1/3x2 + 1/3x3 1
1
/3x1 + 4/3x2 + 7/3x3 3
xi 0
Cj*
Cj
1
2
-1
3
1
1
0
0
0
0
CB*
CB
base
x1
x2
x3
x4
x5
1
-1
2
3
x1
x2
1
0
0
1
-1
2
4
-1
-1
1
1
2
cj
-3
-5
-1
-5
cj
Z = 8 = CBb
Z * = 1 = C B* b
1
= 4
2
Z() = Z + Z* = 8 -
_
C3() = -3 + 4 0 3/4
_
C4() = -5 -5 0 -1
_
C5() = -1 + 2 0 1/2
La solucin sigue siendo ptima si [-1, 1/2].
Si > 1/2 c5 () > 0 ( entra x5 y sale x2)
base
x1
x2
x3
x4
x5
x1
x5
1
0
1
1
1
2
3
-1
0
1
3
2
cj
-1
-6
Z=6
-2
-3
Z* = 3
cj
y Z = 6 + 3
x2
x3
x4
x5
x4
x2
0
1
-1/4
7
/4
1
0
-1/4
3
/4
cj
-17/4
-9/4
Z=
cj
/4
/4
/4
/4
11
/4
-1
/4
b
/4
/4
27
/4
Z* = -9/4
2.
b=
b1
bm
b* =
b1*
bm*
1+
b + b* =
-1
3-
Resolver para = 0:
base
x1
x2
x3
x4
x5
b*
x1
x2
1
0
0
1
-1
2
4
-1
-1
1
1
2
5
-2
cj
-3
-5
-1
Z = 8 = CBb
Z * = 4 = CBb *
_
b = B-1b =
-1
1
=
_
b* = B-1b =
-1
-1
5
=
-1
x1 = 1 + 5
x2 = 2 - 2
Zopt = 8 + 4
-1
-2
0 - 1/5
01
[- 1/5,1]
Si > 1 x2 < 0 y la solucin actual no es factible, pero s factible dual. Usando el Mtodo del Simplex Dual
obtenemos:
CB
base
x1
x2
x3
x4
x5
b*
2
0
x1
x4
1
0
4
-1
7
-2
0
1
3
-1
9
-2
-3
2
cj
-5
-13
-6
Z = 18
Z* = -6
x1 = 9 - 3
x2 = -2 + 2
Z = 18 -6
0 si 3
0 si 1
[1,3]
Si > 3 x1 < 0 y la solucin actual no factible. Como en la fila de x1 no hay coeficientes negativos, el problema es
NO FACTIBLE.
Si < - 1/5 x1 < 0 ( y usamos Mtodo del Simplex Dual: sale x1 y entra x5)
base
x1
x2
x3
x4
x5
b*
x5
x2
-1
1
0
1
1
1
-4
3
1
0
-1
3
-5
3
cj
-1
-2
-9
Z=9
Z* = 9
x2 = 3 + 3
x5 = -1 - 5
si -1 < - 1/5
Z = 9 + 9
Si < -1 x2 < 0 problema NO FACTIBLE
= 3x1+2x2
Sujeto a
x1 2
x2 2
x1+ x2 3.5
x1,x2 0 y enteros.
Soluciones enteras
Z=3x1+2x2
Z(0,0)=0
Z(0,1)=2
Z(0,2)=4
Z(1,0)=3
Z(1,1)=5
Z(1,2)=7
Z(2,0)=6
Z(2,1)=8 ptimo
Algoritmo.
P.entera, transporte y asignacin 1
Sabemos que aadir las restricciones de que las variables sean enteras no puede mejorar la funcin del objetivo.
Tenemos as que Z0=9 es una cota superior para el valor ptimo del problema inicial.
Creamos ahora 2 nuevos problemas
x2=1.5
x21
x22
PL-2
Maximizar Z
= 3x1+2x2
x1 2
x2 2
x1+ x2 3.5
x2 1
x1,x2 0
PL-3
Maximizar Z
= 3x1+2x2
x1 2
x2 2
x1+ x2 3.5
x2 2
x1,x2 0
PL-2
PL-3
Regin factible = segmento AB
x2=1 ZOptimo=8
As tenemos una s.f. entera de PL-1 (Fijarse que cada solucin entera
factible de PL-1 est contenida en PL-2 en PL-3). Aunque PL-2 pueda
contener otras soluciones enteras, sus valores de la funcin objetivo no
pueden ser ms grandes que 8, Z=8 es una cota inferior del valor mximo
de Z en el PL-1.
Luego 8 Zoptimo9
En PL-3 la solucin ptima es
x1 =1.5, x2=2 ZOptimo=8.5
x1 no es factible (no es entero) para PL-1 pero Z=8.5>8, hay que construir 2 nuevos problemas
PL-4
PL-3 + restriccin x1 1
PL-5
PL-3 + restriccin x1 2
PL-5
PL-4
x2=2 ZOptimo=7
DETALLES GENERALES
MIP (Mixed Integer Program)
Maximizar Z = CX
Sujeto a
AX = b
0
X
Xj entera para j perteneciente a I = {ndices de las variables enteras}
Se resuelve el MIP sin condiciones enteras. A este problema le llamamos PL-1 con solucin ptima Z1.
Supongamos que la solucin ptima toma valores no enteros en alguna variable entera, y por lo tanto no es
solucin del MIP. S es, en cambio, una cota superior del valor ptimo de Z en el MIP.
Se elige una variable entera Xj que dio no entera. Si Xj = j, se construyen 2 nuevos problemas:
PL-2:
Maximizar Z = CX
AX = b
Xj jX0
PL3:
Maximizar Z = CX
AX = b
Xj j+
X0
Para elegir la variable Xj en la que hacer la bifurcacin hay las siguientes reglas:
1). A ojo o al azar.
2). Por prioridades, segn...
La variable representa una decisin importante en el problema.
Su coste (o beneficio) es ms grande que en las dems variables.
Decisin segn resolucin anterior del problema.
Como PL-2 y PL-3 son PL-1 con una nueva restriccin aadida, podemos usar el MSD (Mtodo del Simplex
Dual) para encontrar sus soluciones ptimas.
Supongamos que las soluciones ptimas de PL-2 y de PL-3 siguen siendo fraccionarias. El siguiente paso
consiste en seleccionar PL-2 o PL-3 para hacer una nueva ramificacin. Para ello:
a). Se elige aquel problema cuyo valor ptimo sea el mejor.
b). Se selecciona el problema resuelto ms recientemente (Last-in-First-out rule, LIFO)
Continuamos as la sucesin de ramificaciones y resolucin de p.p.l hasta resolver uno que tenga solucin
entera. El valor de la funcin objetivo en este caso ser una cota inferior del valor ptimo del MIP original. En
este momento podemos dejar de considerar todos aquellos nodos cuyos valores de Z no sean mejores que la
cota inferior. Se dice que esos nodos han sido saturados.
DEFINICIN: un nodo intermedio est explcita o implcitamente saturado siempre que se satisfaga una de
las siguientes condiciones:
1). La solucin ptima del p.p.l correspondiente es entera.
2). El p.p.l correspondiente es no factible.
3). El valor ptimo de Z para el p.p.l correspondiente no es mejor que la cota inferior actual.
Problemas de Transporte.
Consideremos:
M almacenes con existencias a1, a2, , aM
N mercados con demandas b1, b2, , bN
Sea Cij coste por unidad enviada del almacn i al mercado j
i = 1M
j = 1N
Se trata de calcular la cantidad a enviar desde cada almacn hasta cada mercado minimizando el coste total
del transporte.
ALMACN
MERCADO
Sujeto a:
Las restricciones vienen dadas por las capacidades de los almacenes y las exigencias de los mercados.
1
xij
xi1
j
ai
i=1,2,,M
existencia
en el almacn
i-simo
xiN
x1j
xij
xMj
j=1,2,,N
bj
cantidad total
que recibe el
mercado j
cantidad
demandada por
el mercado j
M N
sujeto a: xij ai
i=1M
j=1
xij bj
j=1N
i=1
xij 0
i,j
M+N restricciones
MxN variables
i=1
j=1
ai bj
almacenado demandado
M
i=1
j=1
sujeto a:
xij = ai
j=1
M
xij = bj
i=1
i=1M
j=1N
xij 0 i,j
Desarrollaremos tcnicas de resolucin para problemas de este tipo, por ello, si no se cumple que:
ai = bj
i=1
j=1
ai > bj
(I)
(La cantidad enviada es mayor que la cantidad demandada. Habr una cierta cantidad que no se enviar. Se crea
entonces un mercado ficticio, llamado N+1, con demanda precisamente igual a esa cantidad).
1
b1
b2
bN
bN+1
mercado
ficticio
El problema se reescribe:
xi,N+1
i=1
j=1
i=1,,M
lo que sobra en el almacn i
M N+1
sujeto a:
N+1
xij = ai
i=1M
j=1
M
xij = bj
i=1
i,j
xij 0
Si:
j=1N+1
i=1
j=1
ai < bj
( II )
(La cantidad enviada es menor que la demandada. No se cumplirn todas las demandas y habr una cierta prdida en
algn mercado. Se crea entonces un almacn ficticio, llamado M+1, con la cantidad que falta).
almacn
ficticio
a1
a2
b1
b2
aM
aM+1
bN
El problema se reescribe:
M+1 N
sujeto a:
xij = ai
i=1M+1
j=1
M+1
xij = bj
j=1N
i=1
xij 0
i,j
El problema de Transporte estndar puede expresarse en forma de tabla con los datos (ai, bj, Cij).
1
Almacenes
1
x11
x21
2
x12
C11
C12
x22
C21
C22
Mercados
3
x13
C13
x23
C23
Existencias
x1N
C1N
x12N
C2N
Demandas
a2
xi1
xi2
xi1
Ci1
xiN
Ci2
Ci3
CiN
a1
ai
xM1
xM2
CM1
b1
xMN
xM3
CM2
b2
CM3
b3
CMN
bN
aM
i=1 j=1
i=1
j=1N
xij = bj
i=1
N M
j=1 i=1
j=1
xij = bj
= ai
i=1
(1)
Obtencin de una
solucin
factible bsica inicial
(2)
Comprobar si es
ptima
NO
SI
FIN
Se mejora
obteniendo
otra solucin
factible bsica
(3)
(1) Hay varios mtodos: esquina noroeste, coste mnimo, de Vogel, de aproximacin de Russell
(2) Mtodo U-V
(3) Algoritmo de Steeping-Stone
Mtodo de la esquina noroeste.
Consiste en elegir como variables bsicas (>0) aquellas que ocupen la esquina noroeste en la tabla de
transporte estndar.
M1
M2
M3
M4
capacidades
A1
A2
10
A3
5
15
demandas
b1
b2
b3
b4
= a1
+
= a2
+
= a3
M1
3
M2
0
M3
0
M4
0
4-3=1
M2
0
M3
0
M4
0
M2
0
3
0
0
M3
0
M4
0
M2
0
3
0
0
M3
0
3
M4
0
0
4-3=1
M2
0
3
0
M3
0
3
1
M4
0
0
4
3-3=0
7
5
M1
3
1
0
1-1=0
0
7-1=6
5
M1
3
1
0
0
0
6-3=3
5
M1
3
1
0
0
0
0
5
M1
3
1
0
0
0
5-1=4
M1
2
10
7
4
A1
A2
A3
M2
2
8
6
3
A1
A2
A3
A1
A2
A3
M4
3
M1
0
M2
0
M3
0
3
7
5
M2
0
M3
0
M1
0
M2
0
M3
0
4
0
M1
0
M2
0
0
3
M1
0
2
2
4
0
7
5
x24 = min{7,1} = 1
M1
0
A1
A2
A3
M4
1
4
8
4
x14 = min{3,4} = 3
A1
A2
A3
M3
2
5
6
4
0
M2
0
0
3
0
M4
3
1
0
1
6
5
0
M4
3
1
0
0
M3
0
4
0
0
M4
3
1
0
0
M3
0
4
0
0
M4
3
1
0
0
0
7
0
6
2
5
0
2
5
0
2
2
Z = 79
M2
A1
4
5
7
4
1
1
A3
0
10
M4
3
A2
M3
4
0
6
3
6
4
8
4
3
7
5
A1
A2
M4
-1
+1
_
C11 = C11(cambio en x11) + C14(cambio en x14) + C21(cambio en x21) + C24(cambio en x24) = 2(1) + 1(-1) + 10(-1)
+ 4(+1) = -5
beneficio
relativo
de x11
Se pueden calcular todos los beneficios relativos de las variables no bsicas simultneamente, mediante el
mtodo U-V o MODI (Modified Distribution Method).
Mtodo U-V.
Se calculan nmeros:
Ui
i=1M
j=1N
tales que: Cij = Ui + Vj para cada variable bsica
Vj
_
Se tendr que Cij = Cij - (Ui + Vj) para cada variable no bsica.
M1
A3
M3
M4
A1
A2
M2
10
Hacemos
U1 = 0 V4 = 1 U2 = 3 V1 =7 y V3 = 2
_
C11 - (U1 + V1) = 2 (0+7) = -5
_
A1
M4
U1 + V4 = 1
U2 + V1 = 10
U2 + V3 = 5
U2 + V4 = 4
U3 + V1 = 7
U3 + V2 = 6
U3 = 0 V2 = 6
C12 = 2 - (0 + 6) = -4
_
C13 = 2 (0 + 2) = 0
_
C22 = 8 (3 + 6) = -1
_
C33 = 6 (0 + 2) = 4
_
C34 = 8 (0 + 1) = 7
V1 = 7
V2 = 6
V3 = 2
V4 = 1
U1 = 0
U2 = 3
10
U3 = 0
2-7-0 = -5
2-6-0 = -4
V1 = 7
V2 = 6
-5
U1 = 0
-4
2
-1
U3 = 0
0
2
10
V4 = 1
U2 = 3
V3 = 2
5
4
1
0
4
7
+
2-
2
4
3
3
3-
1+
3
7
5
(Steeping-Stone)
Nueva solucin factible bsica:
2
0
2
4
3
1
3
Z = 69
V2 = 1
1
U1 = 0
4
10
U3 = 5
V4 = 1
0
2
U2 = 3
V3 = 2
-1
1
4
2
6
4-
+
3
1
1-
3+
3
1
Z = 68
Problemas de Asignacin.
Formulacin general de un problema de asignacin estndar:
Se tienen N mquinas y N trabajos diferentes. Cada mquina puede realizar un nico trabajo y cada trabajo
slo puede efectuarlo una mquina. Se supone que el coste de realizacin de cada trabajo por cada mquina vara. El
problema consiste en resolver qu trabajo realiza cada mquina de manera que el coste total de realizacin de los N
trabajos sea mnimo.
M1
M2
MN
N mquinas
T1
T2
TN
N trabajos
T2
M1
C11
C12
C21
C22
1 asignacin: M1 T1
M2 T1
M2 T1
Coste = C11 + C22
Coste = C21 + C12
M2
2 asignacin: M1 T2
no
xij = 1 i = 1N
j=1
xij = 1 j = 1N
i=1
M1
M2
MN
N N
Min
Cij xij
T1
C11
C21
T2
C12
C22
CN1
1
CN2
1
i=1 j=1
TN
C1N
C2N
CNN
1
1
1
Tabla de costes
de asignacin
estndar
En general en un problema de transporte necesitaramos 2N-1 variables bsicas > 0, cuando en los problemas
de asignacin slo habr N variables > 0. No usaremos ni transporte ni simplex porque trabajaramos con soluciones
degeneradas.
El mtodo consiste en restar una cantidad a las filas y/o columnas de manera que se encuentre una asignacin
ptima a simple vista. Iniciamos el algoritmo examinando cada fila (columna) de la matriz de costes para identificar el
elemento ms pequeo. Esa cantidad se le resta a todos los elementos de dicha fila (columna). Esto origina una tabla
que contiene al menos un cero en cada fila (columna).
Ahora se intenta realizar una asignacin factible usando las celdas con coste cero. Si es posible, se tendr una
asignacin ptima.
Ejemplo:
M1
M2
M3
M4
T1
10
3
2
4
T2
9
4
1
3
T3
8
5
1
5
T4
7
6
2
6
T2
2
1
0
0
T3
1
2
0
2
mnimo = 7
mnimo = 3
mnimo = 1
mnimo = 3
M1
M2
M3
M4
T4
0
3
1
3
M4
T4
T1
T2
T3
T2
M3
M4
T3
T2
T1
10
5
5
2
T2
9
8
4
3
T3
7
7
6
4
T4
8
7
5
5
mnimo = 7
mnimo = 5
mnimo = 4
mnimo = 2
M4
M2 T1
M3 T2
T4
M4 T1
T4
Lo que se hace ahora es trazar lneas de modo que se cubran todas las celdas con ceros. El teorema de Knig
establece que el nmero mnimo de lneas necesario es igual al nmero mximo de trabajos que pueden asignarse
usando dichas celdas.
M1
M2
M3
M4
T1
3
0
1
0
T2
2
3
0
1
T3
0
2
2
2
T4
0
1
0
2
Ahora se selecciona el elemento ms pequeo no cubierto por las lneas, que en este ejemplo es el 1. Se resta
este nmero de todos los elementos no cubiertos, y se le suma a los cubiertos que sean interseccin de dos lneas.
Es equivalente a
restar 1 de la 2 y 4 fila y sumar 1 a la
T1
T2
T3
T4
1 columna, por lo que la asignacin
M1
4
2
0
0
ptima no vara.
M2
0
2
1
0
M3
2
0
2
0
M4
0
0
1
1
M1
T3
T4
M2
T1
T4
M3
T2
T4
M4
T1
T2
T3
T1
T4
T2
M1
M2
M3
M4
T3
T4
T2
T1
Zopt = 20