Está en la página 1de 77

DEPARTAMENTO DE INGENIERA

CIVIL Y AMBIENTAL
ICYA 2001
MODELACIN Y ANALISIS NUMERICO

Fernando Ramrez R
OPTIMIZACION
UNIVERSIDAD DE LOS ANDES

Optimizacin
Optimizacin es la bsqueda de mximos y/o mnimos de una funcin.
Analiticamente:

xopt f '(xopt ) = 0
f ''(xopt ) > 0 xopt es un mnimo local

f ''(xopt ) < 0 xopt es un mximo local


En ingeniera el problema de optimizacin consiste en encontrar la
mejor solucin o mejor resultado para un problema. Los ingenieros
deben desarrollar dispositivos, productos que realicen una tarea de
forma eficiente dentro de las limitaciones fiscas al menor costo
posible. Es decir, necesitan optimizar la solucin

Optimizacin
Optimizacin Unidimensional No Restringida
Queremos encontrar los mximos o mnimos de una funcin f(x).

Optimizacin
Optimizacin Unidimensional No Restringida
Mtodos cerrados: El mtodo encontrar el mnimo o mximo absoluto
en el intervalo de busqueda.

Intervalo 1

Intervalo 2

Optimizacin
Mtodo de la Seccin Dorada
Seccin Dorada
http://asusta2.com.ar/wpcontent/uploads/2008/07/
gioconda.thumbnail.gif

Partenn de Atenas

DaVinci

5 1
R=
= 0.61803
2

Optimizacin
Mtodo de la Seccin Dorada

xopt

xopt
x2 x1

xl

5 1

d=

xu

xl

( x u xl )

x1 = xl + d

x2 x1 xu

x2 = x u d


xopt
xl x2 x1 xu

Optimizacin
Mtodo de la Seccin Dorada

xl

x2
x

*
l

x1
x

*
2

xu
xu

x1 ) > f ( x2 )
Supongamos
f (
*
x

x
x x
x (xl + R(x u xl ))
*
R
= u 2*= u 1 = u
xu xl xu x2 x u (xu R(x u xl ))

R* =

(1 R)(xu xl ) (1 R)
2
5 1
=
=
1 =
R(xu xl )
R
2
5 1

R* =

2
5 1
1 =
=R
2
5 1

x1 = xl + R( xu xl )
x2 = xu R( xu xl )
La ventaja de usar la seccin
dorada es que el anterior x1 o x2
est localizado en la razn
dorada del siguiente intervalo,
solo se necesita evaluar el
nuevo x2 o x1, respectivamente

Optimizacin
Mtodo de la Seccin Dorada
Similar a la biseccin puede calcularse el error mximo absoluto para cada
iteracin:

Emax = x1 x2 = xl + R( xu xl ) xu + R( xu xl )
Emax = 2( R 1)( x u xl ) = 0.23606( x u xl )

xl

x2

x1

xu

xl

x2

xu

Emax = xu x1 = ( xu xl ) R( xu xl )

Emax = (1 R)( xu xl ) = 0.3819( xu x


l)

max

x u xl )
(
= 0.3819
100%
xopt

Optimizacin
Mtodo de la Seccin Dorada
1. Seleccionar el rango [xl,xu]que incluya
el optimo buscado.
2. Calcular x1 y x2

5 1
d=
xl x u )
(
2

xl

x2

x1

3. Evaluar f(x1) y f(x2)

x2 = x u d

xu

Si f (x1 ) > f (x2) xopt = x1 ,


x = x , x
l
2
2 = x1
Si f (x2 ) > f (x1 ) xopt = x2 ,
xu = x1 , x1 = x2

x1 = xl + d

4. Calcular el error mximo, si max<s


se ha encontrado la solucin, en caso
contrario ir a 2.

max = 0.3819

( xu xl ) 100%
xopt

Clase 13 Regular
Clase 14 Examen

Optimizacin
Interpolacin Cuadrtica

xopt Aproximado
xopt Real

Cuadrtica

f (x)

x0

Toma ventaja de que un polinomio


de segundo orden es una buena
aproximacin a un funcin en las
cercanas de un ptimo.

x1 x3 x2

2 2
f ( x0 )( x1 x2 ) + f ( x1 )( x22 x02 ) + f ( x2 )( x02 x12 )
x3 =
2 f ( x0 )( x1 x2 ) + 2 f ( x1 )( x2 x0 ) + 2 f ( x2 )( x0 x1 )

Interpolacin Cuadrtica

Optimizacin
x3 > x1 :
f ( x3 ) > f ( x1 ) =>
x0 = x1 , x1 = x3 , x2 = x2

xopt Aproximado
xopt Real

x0 = x0 , x1 = x1 , x2 = x3

Cuadrtica

x3 < x1 :

f(x)

x0

x1 x3 x2

f ( x3 ) < f ( x1 ) =>

f ( x3 ) > f ( x1 ) =>
x0 = x0 , x1 = x3 , x2 = x1
f ( x3 ) < f ( x1 ) =>
x0 = x3 , x1 = x1 , x2 = x2

Optimizacin
Interpolacin Cuadrtica

xopt Aproximado
xopt Real

2. Calcular la aproximacin
al ptimo x3

Cuadrtica

1. Seleccionar x0 x1 x2

3. Calcular error

f (x)

x0

x1 x3 x2

i+1
i
xopt
xopt
a =
100%
i+1
xopt

4. Si a>s identifique
el nuevo intervalo y vaya al paso 2, en caso
contrario el ltimo valor calculado es ptimo.


f ( x0 )( x12 x22 ) + f ( x1 )( x22 x02 ) + f ( x2 )( x02 x12 )
x3 =
2 f ( x0 )( x1 x2 ) + 2 f ( x1 )( x2 x0 ) + 2 f ( x2 )( x0 x1 )

Optimizacin
Mtodo de Newton
Sabemos que el ptimo ocurre en el punto donde la derivada de la
funcin es cero.

xopt f '(xopt ) = 0
Es decir, el ptimo ocurre en la raz de la derivada de la funcin, para
lo cual tenamos:

f (xi )
xi+1 = xi
f '(xi )

El ptimo con el mtodo de Newton-Raphson sera:

f '(xi )
xi+1 = xi
f ''(xi )

Optimizacin
Bsqueda Dorada
xl
1.000
1.000
1.000
1.000
1.271
1.271
1.374
1.374
1.413
1.413
1.413
1.423

xu
4.000
2.854
2.146
1.708
1.708
1.541
1.541
1.477
1.477
1.453
1.438
1.438

d
1.854
1.146
0.708
0.438
0.271
0.167
0.103
0.064
0.039
0.024
0.015
0.009

x1
2.854
2.146
1.708
1.438
1.541
1.438
1.477
1.438
1.453
1.438
1.428
1.432

x2
f(x1) f(x2) Xopt
2.146 -0.247 1.218 2.146
1.708 1.218 1.689 1.708
1.438 1.689 1.776 1.438
1.271 1.776 1.749 1.438
1.438 1.762 1.776 1.438
1.374 1.776 1.773 1.438
1.438 1.773 1.776 1.438
1.413 1.776 1.776 1.438
1.438 1.775 1.776 1.438
1.428 1.776 1.776 1.428
1.423 1.776 1.776 1.428
1.428 1.776 1.776 1.428

f (x) = 2 sin(x) x 2 /10

Error
53.399
41.459
30.444
18.816
11.629
7.187
4.442
2.745
1.697
1.055
0.652
0.403

Optimizacin
Interpolacin Cuadrtica

xo
0.000
1.000
1.000
1.000
1.426

x1
1.000
1.506
1.490
1.426
1.427

x2
f(xo) f(x1) f(x2)
4.000 0.000 1.583 -3.114
4.000 1.583 1.769 -3.114
1.506 1.583 1.771 1.769
1.490 1.583 1.776 1.771
1.490 1.776 1.776 1.771

f (x) = 2 sin(x) x 2 /10

x3
f(x3) Error
1.506 1.769
1.490 1.771
1.07
1.426 1.776
4.48
1.427 1.776
0.07
1.428 1.776
0.07

Optimizacin
Mtodo de Newton
xi
2.500
0.995
1.469
1.428

f (x) = 2 sin(x) x 2 /10

f'(x)
f"(x)
xi+1
Error
-2.102 -1.397
0.995 151.236
0.890 -1.878
1.469 32.262
-0.091 -2.190
1.428
2.898
0.000 -2.180
1.428
0.006

f '(x) = 2 cos(x) x / 5 f "(x) = 2 cos(x) 1/ 5

Optimizacin
Optimizacin Multidimensional No Restringida
Queremos encontrar los mximos o mnimos de una funcin f(x,y).
Mximos
Locales

Mnimos
Locales

Optimizacin
Busqueda Aleatoria : Evala la funcin con valores aleatorios de x y
y, si se repite para un nmero suficiente de muestras, el ptimo ser
eventualmente localizado
Generacin de nmeros aleatorios

x = xl + (x u - xl )r
y = yl + (yu - yl )r
Donde r es un nmero aleatorio (0,1)

Excel: RAND()
Matlab: RAND
Python: random.random()
Este mtodo adems de no ser muy eficiente no considera el comportamiento
de la funcin o los resultados de iteraciones previas para mejorar la bsqueda
Clase 15 Regular

Optimizacin
Busqueda Univariada:
Consiste en trabajar con una sola variable
a la vez , como solo cambia una variable
el problema se reduce a una secuencia de
bsquedas en una sola dimensin
La bsqueda puede llegar a ser muy
lenta e ineficiente .
Si se unen los puntos alternados la
direccin resultante va hacia el

mximo. Estas trayectorias se


conocen como direcciones patrn.

(x3 , y3 )
(x3 , y2 ) (x2 , y2 )
(x1 , y1 )
(x2 , y1 )

(x1 , yo )

f (x, yo )

(xo , yo )

x1

Optimizacin
Busqueda Univariada-Ejemplo:

f (x, y) = y x 2x 2 2xy y 2
x0 = 1

y0 = 1

Analtica:

f (x, y)
= 1 4 x 2y = 0
x

f (x, y)
= 1 2x 2y = 0
y
#4 2&
H =%
(
$2 2'

"4 2%( x+ (1+


$
') , = ) ,
#2 2&* y- * 1
xopt = 1 yopt = 1.5

H = (4)(2) (2)(2) = 4 > 0

Optimizacin
Busqueda Univariada-Ejemplo:

f (x, y) = y x 2x 2 2xy y 2

x0 = 1

y0 = 1

f (x,1)
f (x,1) = 2x 3x
= 4 x 3 = 0 xopt = -0.75
x
0.75 1
x
a =
100% = 233.3%
0.75
2

f (0.75, y)
f (0.75, y) = y + 2.5y 0.375
= 2y + 2.5 = 0 yopt = 1.25

y
1.25 1
y
a =
100% = 20.0%
1.25
2

Optimizacin
Busqueda Univariada-Ejemplo:

f (x, y) = y x 2x 2 2xy y 2
2

f (x,1.25) = 2x 3.5x 0.312

x0 = 1

y0 = 1

f (x,1.25)
= 4 x 3.5 = 0 xopt = -0.875
x

0.875 + 0.75
=
100% = 14.3%
0.875
x
a

f (0.875, y) = y + 2.75y 0.66

f (0.875, y)
= 2y + 2.75 = 0 yopt = 1.375
y

1.375 1.25
=
100% = 9.1%
1.375
y
a

Optimizacin
Busqueda Univariada-Ejemplo:

f (x, y) = y x 2x 2 2xy y 2

x0 = 1

y0 = 1

f (x,1.375)
f (x,1.375) = 2x 3.75x - 0.515
= 4x 3.75 = 0 xopt = -0.9375
x
2

0.9375 + 0.875
=
100% = 6.6%
0.9375
x
a

f (0.9375, y) = y + 2.875y 0.82

1.4375 1.375
=
100% = 4.3%
1.4375
y
a

f (0.9375, y)
= 2y + 2.875 = 0 yopt = 1.4375
y

Optimizacin
Busqueda Univariada-Ejemplo:

f (x, y) = y x 2x 2 2xy y 2

x0 = 1

y0 = 1

f (x,1.498)
f (x,1.498) = 2x 3.99x - 0.746
= 4x 3.99 = 0 xopt = -0.999
x
2

0.999 + 0.998
=
100% = 0.09%
0.999
x
a

f (0.999, y) = y + 2.998y 0.99

1.499 1.498
=
100% = 0.06%
1.499
y
a

f (0.999, y)
= 2y + 2.998 = 0 yopt = 1.499
y

Optimizacin
Mtodos con Gradiente:
Solucin Analtica:

$f (x, y)
&& x = 0
f (x, y) %
&f (x, y) = 0
&' y

$f 2 (xopt , yopt )
< 0 y H > 0 Maximo
&
2
x
&

&f 2 (xopt , yopt )


%
> 0 y H > 0 Minimo
2
x
&
& H < 0 Punto de Silla
&
'

La solucin de este sistema


de ecuaciones es el punto
(x,y) que hacen ambas
derivadas parciales cero. Es
decir, corresponden a un
punto ptimo

#f 2 (x, y)
%
2

x
[H ] = % 2
%f (x, y)
%$ yx

f 2 (x, y) &
(
xy (
f 2 (x, y) (
y 2 ('

Optimizacin
Mtodos con Gradiente:

El gradiente de una funcin


evaluado un punto dado
indica la direccin con la
mxima pendiente.

f f
f (x, y) => f = i + j
x
y

% f )
' x '
' 1'
' f '
' x 2 '
f (x1 , x2 ,...xn ) f = & *
' . '
' . '
' f '
'(x '+
n

La pendiente en esa direccin


ser la magnitud del gradiente
dada por:
2
$ f '2 $ f '
f = & ) + & )
% x ( % y (

Optimizacin
Mtodos con Gradiente:

f (x, y) = xy x 2 y 2
f
f
= y 2x
= x 2y
x
y

f = (y 2x)i + (x 2y) j

y) = (0.5,1)
(x,

f = 2i + 2.5 j
2

f = (2) + (2.5) = 3.2


Como usar el gradiente para encontrar los optimos de la funcin?

Optimizacin
h

Mtodo Optimal de Mxima Inclinacin:

hopt

f (x(h), y(h))

Evaluar el gradiente en el punto inicial de busqueda, luego encontramos el


ptimo a lo largo de la direccin del gradiente, este punto es el nuevo inicio, se
evala el gradiente en este punto y nos movemos en esta direccin hasta
encontrar el ptimo en esa direccin.
El proceso se repite hasta encontrar el ptimo de la funcin.

Optimizacin
Mtodo Optimal de Mxima Inclinacin:
Por lo tanto, la solucin en cada iteracin se divide en dos pasos, el
primero es determinar la mejor direccin, y el segundo es determinar el
ptimo en esa direccin.
Para implementar este mtodo debemos aprender como transformar
una funcin de x y y en una funcin de h a lo largo de la direccin del
gradiente

f
x(h) = x0 + h (1)
x

h
h*

( x
o , yo )

f
y(h) = y0 + h
y

(2)

g(h) = f (x(h), y(h))

Se reemplazan todas la xs de f(x,y) por (1), y todas las ys por (2), as

obtenemos una funcion g(h).

Optimizacin
Mtodo Optimal de Mxima Inclinacin:
1. Seleccionar punto inicial de busqueda (x0, y0)
2. Evaluar el gradiente de la funcin en (x0, y0)

f f
f = i + j
x y
3. Transformar f(x, y) a g(h)

f
x(h) = x0 + h
x

f
y(h) = y0 + h
y

4. Hallar ptimo de g(h), es decir h*, usando


cualquier mtodo unidireccional
5. Evaluar el nuevo (x, y) usando ecuaciones del Punto 3.

6. Si a>s haga x0= x y y0=y vaya al paso 2, en caso contrario el ltimo valor calculado
es ptimo.

Optimizacin
Mtodo Optimal de Mxima Inclinacin:
Criterios de Convergencia:
1. Magnitud del gradiente cercana a cero.
2
$
'
$ f '
f
f = & ) + & )
% x ( % y (
2

2. Distancia h* cercana a cero.

h*

3. Diferencia relativa porcentual entre valores


ptimos de la funcin cercana a cero

f (x, y)i+1 f (x, y)i


f (x, y)

i+1

100% < s
Clase 16 Regular

Optimizacin
Mtodo Optimal de Mxima Inclinacin-Ejemplo:

f (x, y) = 2xy + 2x x 2 2y 2 => x0 = 1, y0 = 1


Analtica:

f
(x, y)
= 2y + 2 2x = 0
x

#2 2&) x , )2,
%
(* - = * $2 4'+ y. +0.

xopt = 1

#2 2 &
H =%
(
$ 2 4'

yopt = 2

f (x, y)
= 2x 4 y = 0
y

H = (2)(4) (2)(2) = 4 > 0


2 f (x, y)
= 2 < 0
2
x

Optimizacin
Mtodo Optimal de Mxima Inclinacin-Ejemplo:

f (x, y) = 2xy + 2x x 2 2y 2 => x0 = 1, y0 = 1


Evaluar gradiente de la funcin en punto inicial, direccin de busqueda

f (x, y)
f (x, y)
= 2y + 2 2x
= 2x 4 y

x
y
f (x0 , y0 )
f (x0 , y0 )
= 2(1) + 2 2(1) = 6
= 2(1) 4(1) = 6
x
y
f = 6i 6 j

Obtener g(h)

#
f
f &
f % x0 + h, y0+ h ( = f (1+ 6h,1 6h)
x
y '
$

g(h) = 2(1+ 6h)(1 6h) + 2(1+ 6h) (1+ 6h) 2(1 6h) = g(h) = 180h + 72h 7

Optimizacin
Mtodo Optimal de Mxima Inclinacin-Ejemplo:

f (x, y) = 2xy + 2x x 2 2y 2 => x0 = 1, y0 = 1


Hallar ptimo de g(h), es decir h*
CUALQUIER METODO DE BUSQUEDA UNIDIMENSIONAL PUEDE SER USADO !!!!!

g(h) =180h 2 + 72h 7

g'(h) = 360h + 72

h* = 72 / 360 = 0.20

Evaluar el nuevo (x, y)

f
x = x0 + h = 1+ (6)(0.2) = 0.2
x
Criterio de convergencia

f
y = y0 + y h = 1 (6)(0.2) = 0.2

h* = 0.20 > 0.01

f
f
= (0.2,0.2) = 1.20 f (0.2,0.2) = 1.697 > 0.01
(0.2,0.2) = 1.20
y
x

Diferencia 0.28 (7)


f (1,1) = 7 f (0.2,0.2) = 0.28
100% = 2600%
0.28
relativa:

Optimizacin
Mtodo Optimal de Mxima Inclinacin-Ejemplo:

f (x, y) = 2xy + 2x x 2 2y 2 => x0 = 0.2, y0 = 0.2


Evaluar gradiente de la funcin en punto inicial, direccin de busqueda

f (x, y)
f (x, y)
= 2x 4 y
x = 2y + 2 2x
y
f (x0 , y0 )
f (x0 , y0 )
= 1.20
= 1.20
x
y
f =1.20i +1.20 j

Obtener g(h)

#
f
f &
f % x0 + h, y0 + h (
= f (0.20 +1.2h,020 +1.2h)
x
y '
$

g(h) = 1.44h 2 + 2.88h + 0.20

Optimizacin
Mtodo Optimal de Mxima Inclinacin-Ejemplo:

f (x, y) = 2xy + 2x x 2 2y 2 => x0 = 0.20, y0 = 0.20


Hallar ptimo de g(h), es decir h*
CUALQUIER METODO DE BUSQUEDA UNIDIMENSIONAL PUEDE SER USADO !!!!!

g(h)
= 1.44h 2 + 2.88h + 0.20

g'(h) = 2.88h + 2.88 h* = 2.88 / 2.88 = 1

Evaluar el nuevo (x, y)

f
x = x0 + h = 0.20
+ (1.20)(1) = 1.4

Criterio de convergencia

h* = 1.0 > 0.01

f
y
= y0 + h = 0.20 + (1.2)(1) = 1
y

f
f
= (1.4,1) = 1.20 f (1.4,1.2) = 1.697 > 0.01
(1.4,1.0) = 1.20
x
y

Diferencia 1.64 0.28


f (0.2,0.2) = 0.28 f (1.4,1) = 1.64
100% = 82.9%
1.64
relativa:

OPTIMIZACION RESTRINGIDA
Funcin Objetivo:
Representa aquello que queremos optimizar
z = c1 x1 + c2 x2 + ..... + cn xn
cj : Contribucin de la actividad en j

xj= Magnitud de la actividad

Las restricciones se presentan de manera general como :


ai1 x1 + ai2 x2 +..... + aij x j +...a1n xn bi

aij: Cantidad de recurso i consumido por actividad j y limitado por bi


El segundo tipo de restriccin esta dada por
xi 0
Es decir todas las actividades deben tener un valor positivo
PROGRAMACION LINEAL

OPTIMIZACION RESTRINGIDA
Mtodo Grfico:
Limitado a dos o tres dimensiones pero son tiles para ilustrar.
Ejemplo: Planta de produccin de dos tipos de combustibles,
combustible regular (R) y combustible premium (P).
Encontrar la cantidad de R y de P para maximizar utilidad si se tiene la
siguiente informacin:
Consumo de materia prima:
Recursos disponibles:
R: 7 m3/ton
P: 11 m3/ton
3
Materia prima: 77 m
Consumo de tiempo:
Tiempo: 80 hr
R: 10 hr/ton
P: 8 hr/ton
Almacenamiento R: 9 ton
Utilidad:
Almacenamiento de P: 6 ton
R: 150 $/ton
P: 175 $/ton
Funcin Objetivo:
Restricciones:

z = 150R +175P
7R +11P 77 10R + 8P 80
R0 P0

R9

P6

OPTIMIZACION RESTRINGIDA
Mtodo Grfico:

(1) 7R +11P 77

(2) 10R + 8P 80
(3) R 9
(4) P 6

(3)
10

(2)

6
Popt

z = 1350

(4)

z = 1050

R0

z = 150R +175P

(1)
8

Ropt

11

P0

OPTIMIZACION RESTRINGIDA
Mtodo Grfico:

(1) Materia Prima

(2) Tiempo
(3) Almacenamiento R
(4) Almacenamiento P

(3)
10

(2)

7
6
Popt

(4)

Como aumentar utilidades?

(1)
8

Ropt

(1) y (2) Obligatorias


(3) y (4) No son limitantes

11

Incrementar materia prima


Incrementar/Mejorar tiempo de
produccin

OPTIMIZACION RESTRINGIDA
Mtodo Grfico:

P
(3)
10

(2)

(4)

6
Popt

(1)
8

Ropt

11

1. Graficar restricciones, las


lineas delimitan la zona de
valores factibles de R y P
2. Graficar funcin objetivo
para diferentes valores de Z
3. Continuar aumentando Z
hasta que un pequeo
incremento lleve a la funcin
objetivo fuera de la regin
factible
El ptimo se presenta en puntos
de esquina o extremos ,
interseccin de 2 restricciones.
Identificar estos puntos y evaluar
la funcin objetivo para encontrar
el valor ptimo

OPTIMIZACION RESTRINGIDA
Mtodo Grfico:
P

P
(3)

(3)

10

10
(2)

(2)

(4)

Popt

11

Solucin Unica

Popt

(1)
8

(4)

Ropt

(1)
8

Ropt

11

Soluciones Alternativas

Solucin no

Factible

Solucin no

Acotada

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
Reformula las restricciones introduciendo las variables de holgura.

(1) 7R +11P + S1 = 77
(2) 10R + 8P + S2 = 80
(3) R + S3 = 9
(4) P + S4 = 6

Estas variables miden cuanto de un recurso esta disponible en un

punto cualquiera,
es decir, cuanta holgura esta disponible del recurso.
de holgura es mayor a cero hay excedente, si es
Si la variable
menor acero se ha violado la restriccin, y si es igual a se ha usado
todo el recurso disponible.

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
Introducir una variable de holgura para cada restriccin - versin
aumentada.
1 7R +11P + S = 77

()

(2) 10R + 8P + S2 = 80
(3) R + S3 = 9
(4) P + S4 = 6
P

Existen
n variables
estructurales, m de holgura
variables
Total: n+m
Cada punto
extremo tiene 2 de

las 6 variables igualadas a cero.

(3)

10

(2)

(4)

6
Popt

(1)
8

Ropt

11

Solucin Unica

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
Por lo tanto una forma de resolver el problema es igualar a cero pares
de variables y resolver el sistema de ecuaciones resultante. Las
variables igualadas a cero se conocen como no bsicas, y las
restantes como bsicas.
Si todas los bsicas son no negativos el resultado es una solucin
factible bsica.
Entonces el procedimiento ser determinar todas las soluciones
bsicas, seleccionar cules son factibles, y de estas cual tiene el
mayor valor de Z. El problema de esta solucin algebraica es que an
para problemas pequeos debe resolverse un nmero grande de
sistemas de ecuaciones
m=10 y n=16

C mn =

n!
m!(n m)!

8008 sistemas de 10x10

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
La idea es comenzar con una solucin factible y luego desplazarse
hacia otras soluciones factibles para mejorar el valor de la funcin
objetivo.
1. Preparar una tabla cuyas columnas son todas las variables y Z, y las filas son
la funcin objetivo y las variables bsicas, se supone como primera solucin
factible aquella cuyas variables estructurales son cero.
2. Seleccionar variable de entrada como aquella con el mayor valor negativo en
la fila de Z.
3. Calcular valores en los que las lineas de restriccin intersecan la linea
correspondiente a la variable de entrada dividiendo la solucion de cada ecuacin
por el coeficiente de la variable de entrada.
4. La variable de salida corresponde a la interseccin ms cercana positiva.
5. Normalizar la ecuacin correspondiente a la v. salida con respecto a la de
entrada. Renombrar fila con la variable de entrada
6. Eliminar variable de entrada de las dems filas.
7. Repetir 2 a 5 hasta que la fila de Z no tenga coeficientes negativos.

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
S4

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1

S2
0
1
0
0
0

S3

S4

0
0
1
0
0

0
0
0
1
0

SOL.
0
0
0
0
1

INTER.

0
77
80
9
6

z 150R 175P = 0
(1) 7R +11P + S1 = 77
(2) 10R + 8P + S2 = 80
(3) R + S3 = 9
(4) P + S4 = 6

(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
S4
R=0
Z
Z
S1
S2
S3
S4

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1
P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S2
0
1
0
0
0

S4
0
0
0
1
0

S3
0
0
1
0
0

SOL.
0
0
0
0
1

S4
0
0
0
1
0

0
77
80
9
6

SOL.
0
0
0
0
1

INTER.

0
77
80
9
6

INTER.

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
S4
R=0
Z
Z
S1
S2
S3
S4

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1
P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S2
0
1
0
0
0

S4
0
0
0
1
0

S3
0
0
1
0
0

SOL.
0
0
0
0
1

S4
0
0
0
1
0

0
77
80
9
6

SOL.
0
0
0
0
1

INTER.

0
77
80
9
6

INTER.
7
10
NA
6
Clase 17 Regular

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

R=0
Z
Z
S1
S2
S3
S4

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S4
0
0
0
1
0

SOL.
0
0
0
0
1

0
77
80
9
6

INTER.
7
10
NA
6

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

R=0
Z
Z
S1
S2
S3
S4

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S4
0
0
0
1
0

SOL.
0
0
0
0
1

0
77
80
9
6

INTER.
7
10
NA
6

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
S4

R=0
Z
Z
S1
S2
S3
P

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S4
0
0
0
1
0

S4=O
R
P
1 -150

S1

S2

S3

SOL.
0
0
0
0
1

S4

INTER.

0
77
80
9
6

7
10
NA
6

SOL. INTER.
175 1050

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
S4
R=0
Z
Z
S1
S2
S3
P

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S4
0
0
0
1
0

S4=O
R
P
1 -150
0
7

0
0

0
1

0
0

0
0

S1

S2

S3

SOL.
0
0
0
0
1

S4

INTER.

0
77
80
9
6

7
10
NA
6

SOL. INTER.
175 1050
-11
11

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
S4
R=0
Z
Z
S1
S2
S3
P

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S4
0
0
0
1
0

S4=O
R
P
1 -150
0
7
0
10

0
0
0

0
1
0

0
0
1

0
0
0

S1

S2

S3

SOL.
0
0
0
0
1

S4

INTER.

0
77
80
9
6

7
10
NA
6

SOL. INTER.
175 1050
-11
11
-8
32
1

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
S4
R=0
Z
Z
S1
S2
S3
P

P=O
R
P
S1
1 -150 -175
0
7
11
0
10
8
0
1
0
0
0
1
S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S2
0
1
0
0
0

S1
0
0
0
0
1

S3
0
0
1
0
0

S2
0
1
0
0
0

S4
0
0
0
1
0

S3
0
0
1
0
0

0
0
0
0
1

S4
0
0
0
1
0

SOL.
0
77
80
9
6

INTER.
7
10
NA
6

SOL. INTER.
175 1050
-11
11
-8
32
0
9
1
6

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1
0
0
0
0
1

S2

S3

0
1
0
0
0

0
0
1
0
0

0
0
0
1
0

P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

S4

SOL. INTER.
175 1050
-11
11
-8
32
0
9
1
6

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
P
R=0
Z
Z
S1
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0
S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1
0
0
0
0
1

S2
0
1
0
0
0

S1
0
0
0
0
1

S3
0
0
1
0
0

S2
0
1
0
0
0

SOL. INTER.
175 1050
-11
11
-8
32
0
9
1
6

S4

SOL. INTER.
175 1050
-11
11
-8
32
0
9
1
6

0
0
0
1
0

S3
0
0
1
0
0

S4

0
0
0
1
0

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
P
R=0
Z
Z
S1
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0
S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1
0
0
0
0
1

S2
0
1
0
0
0

S1
0
0
0
0
1

S3
0
0
1
0
0

S2
0
1
0
0
0

SOL. INTER.
175 1050
-11
11
-8
32
0
9
1
6

S4

SOL. INTER.
175 1050
-11
11 1.571
-8
32
3.2
0
9
9
1
6
NA

0
0
0
1
0

S3
0
0
1
0
0

S4

0
0
0
1
0

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

R=0
Z
Z
S1
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1
0
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S4
0
0
0
1
0

SOL. INTER.
175 1050
-11
11 1.571
-8
32
3.2
0
9
9
1
6
NA

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

R=0
Z
Z
S1
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1
0
0
0
0
1

S2
0
1
0
0
0

S3
0
0
1
0
0

S4
0
0
0
1
0

SOL. INTER.
175 1050
-11
11 1.571
-8
32
3.2
0
9
9
1
6
NA

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1=0 S4=O
Z
R
P
Z
R
S2
S3
P

S1
0
0
0
0
1

S2
0
1
0
0
0

S1
0 0.143

S3
0
0
1
0
0

S2

0
0
0
1
0

S3
0

S4

S4

SOL. INTER.
175 1050
-11
11 1.571
-8
32
3.2
0
9
9
1
6
NA

SOL.

0 -1.571 1.571

INTER.

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
P

Z
R
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1=0 S4=O
Z
R
P
1
0
0
1

S1
0
0
0
0
1

S2
0
1
0
0
0

S1
S2
0 21.43
0 0.14

S3
0
0
1
0
0

0
0
0
1
0

S3
0
0

S4

SOL. INTER.
175 1050
-11
11 1.571
-8
32
3.2
0
9
9
1
6
NA

S4
SOL. INTER.
0 -60.7 1285.7
0
-1.6 1.57

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
P

Z
R
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1=0 S4=O
Z
R
P
1
0
0
1
0
0

S1
0
0
0
0
1

S2
0
1
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43

S3
0
0
1
0
0

0
0
0
1
0

S3
0
0
1

S4

SOL. INTER.
175 1050
-11
11 1.571
-8
32
3.2
0
9
9
1
6
NA

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
0 7.71 16.29

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
P

Z
R
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0

S1
0
0
0
0
1

S2
0
1
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14

S3
0
0
1
0
0

0
0
0
1
0

S3
0
0
1
0

S4

SOL. INTER.
175 1050
-11
11 1.571
-8
32
3.2
0
9
9
1
6
NA

S4
SOL.
INTER.
0 -60.71 1285.7
0 -1.57
1.57
0 7.71 16.29
1 1.57
7.43

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
R=0
Z
Z
S1
S2
S3
P

S4=O
R
P
1 -150
0
7
0
10
0
1
0
0

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
0
0
0
0
1

S2
0
1
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1 0.00

S3
0
0
1
0
0

0
0
0
1
0

S3
0
0
1
0
0

S4

SOL. INTER.
175 1050
-11
11 1.571
-8
32
3.2
0
9
9
1
6
NA

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
0 7.71 16.29
1 1.57 7.43
0
1
6

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1 0.00

S3
0
0
1
0
0

P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
0 7.71 16.29
1 1.57 7.43
0
1
6

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1 0.00

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S3

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
0 7.71 16.29
1 1.57 7.43
0
1
6

S3

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
0 7.71 16.29
1 1.57 7.43
0
1
6

0
0
1
0
0

0
0
1
0
0

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S3

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
0 7.71 16.29
1 1.57 7.43
0
1
6

S3

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.111
1 1.57 7.43 4.727
0
1
6
6

0
0
1
0
0

0
0
1
0
0

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S3
0
0
1
0
0

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.111
1 1.57 7.43 4.727
0
1
6
6

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S3
0
0
1
0
0

P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.11
1 1.57 7.43 4.73
0
1
6
6

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0
S1=0 S2=O
Z
R
P

Z
R
S4
S3
P

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S1

S3
0
0
1
0
0

S2

0 -0.185 0.130

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.11
1 1.57 7.43 4.73
0
1
6
6

S3

S4

SOL.

2.11

INTER.

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0
S1=0 S2=O
Z
R
P

Z
R
S4
S3
P

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S1

S3
0
0
1
0
0

S2

0 -0.185 0.130

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.11
1 1.57 7.43 4.73
0
1
6
6

S3

S4

SOL.

2.11

INTER.

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

Z
R
S4
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S1=0 S2=O
Z
R
P
1
0

S1
S2
S3
0 10.19 7.87

SOL. INTER.
0 1413.9

0 -0.185 0.130

S3
0
0
1
0
0

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.11
1 1.57 7.43 4.73
0
1
6
6

S4

2.11

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

Z
R
S4
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S1=0 S2=O
Z
R
P
1
0
0
1
0
0

S1
S2
S3
0 10.19 7.87
0 -0.15 0.20
0 -0.19 0.13

S3
0
0
1
0
0

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.11
1 1.57 7.43 4.73
0
1
6
6

S4
0
0
0

SOL. INTER.
0 1413.9
0
4.9
1
2.1

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S2
S3
P

Z
R
S4
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S1=0 S2=O
Z
R
P
1
0
0
1
0
0
0
0

S1
S2
S3
0 10.19 7.87
0 -0.15 0.20
0 -0.19 0.13
0 0.15 -0.20

S3
0
0
1
0
0

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.11
1 1.57 7.43 4.73
0
1
6
6

S4
0
0
0
1

SOL. INTER.
0 1413.9
0 4.89
1 2.11
0 4.11

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:
S1
S2
0 21.43
0 0.14
0 -1.43
0 -0.14
1
0

S3

Z
R
S2
S3
P

S1=0 S4=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S4
SOL. INTER.
0 -60.71 1285.7
0 -1.57 1.57
-1
0 7.71 16.29 2.11
1 1.57 7.43 4.73
0
1
6
6

Z
R
S4
S3
P

S1=0 S2=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
S3
0 10.19 7.87
0 -0.15 0.20
0 -0.19 0.13
0 0.15 -0.20
1 0.19 -0.13

S4 SOL.
INTER.
0
0 1413.9
0
0
4.89
0
1
2.11
1
0
4.11
0
0
3.89

0
0
1
0
0

OPTIMIZACION RESTRINGIDA
Mtodo Simplex:

Z
R
S4
S3
P

S1=0 S2=O
Z
R
P
1
0
0
1
0
0
0
0
0
0

S1
S2
S3
0 10.19 7.87
0 -0.15 0.20
0 -0.19 0.13
0 0.15 -0.20
1 0.19 -0.13

S4 SOL.
INTER.
0
0 1413.9
0
0
4.89
0
1
2.11
1
0
4.11
0
0
3.89

P
(3)

10
(2)

(4)

(1)
8

11

Solucin Unica

CLASE 7 - VAC