Despus de encontrar la solucin ptima para la versin inicial del modelo
se hace el anlisis pos ptimo, como un procedimiento muy importante en el desarrollo de modelo de investigacin de operaciones. Re optimizacin: El modelo bsico puede poseer muchas variaciones debido a la cantidad de variables y restricciones; entonces, despus de encontrar una solucin ptima para una versin del modelo de programacin lineal, debe resolverse el problema de nuevo (o muchas veces), para una versin un poco diferente del modelo. La re optimizacin deduce los cambios que deben introducirse en la tabla simplex final. Esta tabla simplex revisada y la solucin ptima del modelo anterior se usan como la tabla inicial y la solucin bsica inicial para resolver el nuevo modelo. Si esta solucin es factible para el nuevo modelo, se aplica el mtodo simplex en la forma usual a partir de estos datos iniciales. Si la solucin no es factible, tal vez se pueda aplicar un algoritmo similar llamado mtodo simplex dual (que analizaremos ms adelante), para encontrar la solucin ptima, comenzando con esta solucin bsica inicial. Generalmente la tcnica de re optimizacin requiere slo una aplicacin de la prueba de optimalidad y ninguna iteracin. Precios sombra: Algunas veces los problemas de programacin lineal representan la asignacin de recursos a actividades, o materias primas disponibles. Algunas veces puede haber dudas sobre las cantidades de recursos disponibles; si es de esta manera, se puede proponer una solucin inicial tentativa sobre las cantidades de estos recursos. En el modelo revisado estas cantidades podran variar para optimizar el sistema nicamente cuando sea justificable el cambio. En estos casos, si se analizan los costos de las materias primas podra presentarse unas variaciones en los aportes a la utilidad, del mismo modo como se contemplan las ganancias por produccin. Se puede ver un caso muy particular de esta aplicacin en el ejemplo prototipo de Hillier y Lieberman de Wyndor Glass que analizaremos ms adelante. Anlisis de sensibilidad: El propsito principal del anlisis de sensibilidad es identificar los parmetros sensibles (esto es, aquellos que no pueden cambiar sin modificar la solucin ptima). Los parmetros sensibles son los parmetros que ser necesario controlar muy de cerca conforme el estudio se ponga en prctica. Si se descubre que el valor verdadero de un parmetro sensitivo difiere de su valor estimado en el modelo, esto da la seal inmediata de que la solucin debe cambiar.
En algunos casos, los parmetros sensibles se pueden detectar mediante
los precios sombra que proporciona el mtodo simplex. Cuando el problema tiene dos variables la sensibilidad de los distintos parmetros se puede analizar con una grfica. La manera ms fcil de analizar la sensibilidad de cada uno de los parmetros es verificar si su restriccin correspondiente es de atadura en la solucin ptima (al cambiar cualquiera de sus coeficientes cambia la solucin optima). Usando la tabla final de WIN-QSB encontraremos unos datos concluyentes sobre los conceptos anteriores, apoyndonos en la resolucin de los ejercicios de este captulo.
Mtodo simplex dual: Se puede considerar el mtodo simplex dual es la
imagen en un espejo del mtodo simplex. El mtodo simplex trata directamente con soluciones bsicas en el problema primal que son factibles primales pero no factibles duales. Los pasos para el desarrollo del mtodo simplex dual son los siguientes:
Inicializacin: Despus de convertir cualquier restriccin funcional de
la forma a la forma (multiplicando ambos lados por -1), se agregan las variables de holgura necesarias para construir un conjunto de ecuaciones que describan el problema. Demostrar la solucin bsica factible y pasar a la prueba de factibilidad. Prueba de factibilidad: Verifique si todas las variables bsicas son no negativas; si estn de esta manera, entonces la solucin bsica si es factible o de esta manera ptima y el algoritmo para en este punto. Si no es as, se debe continuar al paso de iteracin. Iteracin: Paso 1: Se determina la variable bsica que sale seleccionando la variables bsica negativa que tenga el mayor valor absoluto (paso inicial del simplex normal). Paso 2: Determinar la variable bsica entrante que corresponde a la
de la ecuacin 0 que llegue primero a cero al agregar a la ecuacin
0 un mltiplo creciente de la ecuacin que contiene la variable bsica que sale. Para esto se analizan los coeficientes negativos de las variables no bsicas y se selecciona la que tiene el menor valor absoluto del cociente dado por el coeficiente n la ecuacin 0 entre el coeficiente en esa ecuacin. Paso 3: Se determina la nueva solucin bsica comenzando con el conjunto actual de ecuaciones y se despejan las variables bsicas en trminos de las no bsicas por el mtodo de eliminacin gaussiana; cuando las variables no bsicas se hacen cero, cada variable bsica es igual al nuevo valor del lado derecho donde sta se encuentra (con el coeficiente +1), y se hace nuevamente a prueba de factibilidad.
Cuando se ejecute la serie de ejercicios se podr apreciar en prctica
la manera de solucionar este mtodo y hacer un anlisis comparativo con el WIN-QSB.