Solucin de modelos de programacin - Dualidad

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.