Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Manualprogramacionlinealjulio20 100422211609 Phpapp01 PDF
Manualprogramacionlinealjulio20 100422211609 Phpapp01 PDF
MDULO
PROGRAMACIN LINEAL
(versin Preliminar)
INTRODUCCIN
JUSTIFICACIN
UNIDAD 1
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGA DE LA I.O.
1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES
1.5.1 DEFINICION Y FORMULACION DEL PROBLEMA
1.5.2 FORMULACION DE UN MODELO MATEMATICO
1.5.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO
1.5.4 PRUEBA DEL MODELO
1.5.5 VALIDACION DEL MODELO
1.5.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION
1.5.7 IMPLEMENTACION DE LA SOLUCION
CAPITULO 2
2.1 INTRODUCCIN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIN
2.5 FUNCION CONVEXA
CAPITULO 3.
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
METODO GRAFICO
CAPITULO 2
METODO ALGEBRAICO
2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER
CAPITULO 3
METODO SIMPLEX
3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.4 EJEMPLOS DESARROLLADOS
3.5 TALLER
CAPITULO 4
ANALISIS DE VARIABILIDAD:
4.1 INTRODUCCION
4.2 DUALIDAD
4.3 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
4.4 EJEMPLOS RESUELTOS
4.5 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL - SIMPLEX
4.6 TALLER
CAPITULO 5
TOPICOS AVANZADOS
5.1 INTRODUCCION
5.2 DEGENERACION EN PROGRAMACION LINEAL
5.3 METODO SIMPLEX GENERALIZADO
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES ACOTADAS
5.5 ALGORITMO DE DESCOMPOSICION
FUENTES DOCUMENTALES
INTRODUCCIN
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGA DE LA I.O.
1.1 INTRODUCCION
Definicin del
problema
Modelo NO Es valida la
modificado solucin?
Implementacin
1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES
Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se
puede hacer, las interrelaciones del rea bajo estudio con otras reas de la
organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para
tomar una decisin, etc. Este proceso de definir el problema es crucial ya que
afectar en forma significativa la relevancia de las conclusiones del estudio.
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximacin abstracta de la realidad con consideraciones y simplificaciones que
hacen ms manejable el problema y permiten evaluar eficientemente las alternativas
de solucin.
Esta fase consiste en determinar los rangos de variacin de los parmetros dentro de
los cuales no cambia la solucin del problema.
El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo
largo del proceso a los ejecutivos o tomadores de decisiones.
TALLER
Ejercicios de I.O.
Tu ejemplo......................................
Problema/objetivo a resolver/realizar
..............................................................................................................
Fases:
1............
2..................
3.........................
CAPITULO DOS
2.1 INTRODUCCIN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIN
2.5 FUNCION CONVEXA
.2.1 INTRODUCCIN
.EJEMPLO.
CONJUNTO P
P
CONJUNTO Q
CONJUNTO R
CONJUNTO T.
y
Obsrvese que para cualquier par de puntos (x, y) que estn dentro del conjunto P,
el segmento que une dichos puntos siempre queda dentro del conjunto, en
consecuencia P sera un conjunto convexo.
Consideremos el conjunto Q:
Q
x y
Obsrvese que para cualquier par de puntos (x,y) que estn dentro del conjunto Q, el
segmento que une dichos puntos no queda dentro del conjunto, en consecuencia Q
no sera un conjunto convexo.
Consideremos el conjunto R:
x R
En este caso para cualquier par de puntos (x,y) de esta recta R, el segmento que los
une queda dentro del conjunto, en consecuencia R es un conjunto convexo.
y
Es claro grficamente que para cualquier par de puntos x, y, el segmento que los une
est totalmente contenido en dicho conjunto.
Se puede ver que existen segmentos, como el indicado en la figura que se sale del
conjunto por lo que este conjunto no sera CONVEXO.
EJERCICIOS
SOLUCION:
a. es convexo
b. no es convexo
Para delimitar la regin del plano basta considerar un punto que no est en la curva,
por ejemplo (1,2) si ese punto satisface la ecuacin entonces ese es el recinto a
considerar, en nuestro caso como 2 s es mayor o igual que 1. Entonces el recinto es
Obsrvese que es claramente convexo pues cualquier par de puntos que estn en
S3 el segmento que los une est claramente contenido en S3.
En esos casos es necesario dar una definicin analtica de conjunto convexo, para lo
cual efectuamos la siguiente definicin:
CONJUNTO CONVEXO:
EJEMPLO:
es un conjunto convexo.
(x1,y1), (x2,y2),
Habra que comprobar si b(x1,y1)+(1-b)(x2,y2) es un vector que pertenece a S3 para
cualquier valor de b en [0,1]
.bx1+(1-b)x2 , by1+(1-b)y2
Como x1,y1 entonces bx1,by1 (pues b es positivo o cero)
Y comprobando si el vector
Y al expandirle
Si es un vector del conjunto S3.
EJERCICIO
a.
b.
SOLUCIONES:
Cul es el recinto?
Y por otro lado para determinar el conjunto x-y=1 comprobamos que 0-0= 1 por tanto
tambin es de la recta hacia el (0,0), con lo cual tendremos que el recinto ser:
EJEMPLO.
Este conjunto no es convexo pues si considero dos puntos del conjunto por ejemplo
Obtenemos
Segmento que no est totalmente contenido en el conjunto. Luego:
a.
b.
c. 2
d. R
e.
f.
g.
h.
i.
EJEMPLO.
Podemos ver que en esta grfica si dibujamos cualquier segmento que una dos
puntos de la misma, ste siempre queda por debajo de la grfica. Por ejemplo,
consideremos los puntos
Obtenemos
Se puede observar que para cualquier par de puntos de la grfica que toman valores
en el segmento considerado el segmento que une dichos puntos siempre queda por
debajo de la grfica por ello podemos efectuar la siguiente definicin:
DEFINICIN:
Diremos que una funcin f es estrictamente cncava en un conjunto M convexo si
todo segmento que une dos puntos de la grfica esta estrictamente por debajo de la
grfica.
Diremos que una funcin es CONCAVA (no estricta) si no todas las cuerdas que
unen puntos de la grfica en dicho intervalo quedan estrictamente por debajo.
EJEMPLO.
se obtiene
Obtendremos
FUNCIN CONVEXA.
( C) En el intervalo (0,1 )
SOLUCIONES:
a. ESTRICTAMENTE CONVEXA
b. ESTRICTAMENTE CONVEXA
c. ESTRICTAMENTE CONVEXA
d. ESTRICTAMENTE CONCAVA
e. estrictamente CONCAVA
f. ESTRICTAMENTE CONVEXA
CAPITULO 3
3.1 INTRODUCCION
3.2 CONCEPTO
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
3.3.2 ESTRUCTURA DE UN MODELO DE P.L.
3.4. MODELO GENERAL DE PROGRAMACION LINEAL
3.5 FORMA ESTNDAR DE LOS MODELOS DE P.L.
3.6 OTRAS FORMAS DE MODELOS DE P.L.
3.7 FORMULACION ALGEBRAICA: FORMA CANONICA
3.8 RESUMEN
3.1 INTRODUCCION
El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser
funciones lineales. En este caso, las palabra programacin no se refiere a
programacin en computadoras; en esencia es un sinnimo de planeacin. As, la
programacin lineal trata la planeacin de las actividades para obtener un resultado
ptimo.
3.3.1 INTRODUCCION
3A + 2B = 100
Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio
que se usen todos los recursos (en este caso, horas de mano de obra). Ms bien la
limitacin es que se use, cuando mucho, lo que se tiene disponible. Para este caso,
la afirmacin anterior puede escribirse como una desigualdad:
3A + 2B 100
Para que sea aceptable para PL, cada restriccin debe ser una suma de
variables con exponente 1. Los cuadrados, las races cuadradas, etc. no son
aceptables, ni tampoco los productos de variables. Adems, la forma estndar para
una restriccin pone a todas las variables del lado izquierdo y slo una constante
positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los
trminos. Si, por ejemplo, la restriccin es que A debe ser por los menos el doble de
B, esto puede escribirse como:
A 2B A - 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como
si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido
de esta desigualdad se invierte. Puede ser necesario hacer esto para que los
coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por
lo menos tan grande como B - 2, entonces:
AB2
A B -2
Por ltimo B A 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra.
Por ejemplo:
A - 2B 0 es lo mismo que A - 2B -S = 0
Maximizar Z = 4A + 6B
x1 0, x2 0, ..., xn 0
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan
otras formas) para el problema de PL. Cualquier situacin cuya formulacin
matemtica se ajuste a este modelo es un problema de PL.
Cualquier problema que incluya una, varias o todas estas formas del modelo anterior
tambin se clasifica como un problema de PL, siempre y cuando stas sean las
nicas formas nuevas introducidas. Puede ser que la interpretacin que se ha dado
de asignacin de recursos limitados entre actividades que compiten no se aplique,
pero independientemente de la interpretacin o el contexto, lo nico que se necesita
es que la formulacin matemtica del problema se ajuste a las formas permitidas. Se
ver que estas otras cuatro formas legales se pueden reescribir en una forma
equivalente para que se ajuste al modelo que se present. Entonces, todo problema
de PL se puede poner en nuestra forma estndar si se desea.
siendo:
Otra representacin:
n
Max (z) = c j x j
j=1
sujeto a :
n
a x
j=1
ij j bi donde i = 1, 2, ... m
xj 0 j = 1, 2, ... n
En forma matricial:
Max (z) = C x
sujeto a:
Ax b
x 0
A esta forma se la denomina forma cannica
Conjunto factible
Es el conjunto de puntos que satisfacen simultneamente todas las
restricciones (o filas) del problema
Actividades, columnas o variables (xj)
Representan los usos alternativos que deben competir entre s para la
obtencin de los recursos de forma que se optimice la funcin objetivo
Recursos (bi)
Son productos, tiempo, etc. Se cuantifican en el trmino independiente o Right
Hand Side (RHS) del problema
El conjunto factible de un problema de PL, si existe, es representable mediante un
poliedro convexo
LECTURA
Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el
nombre de rgimen alimenticio optimal.
Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente
areo de Berln. Se continu con infinidad de aplicaciones de tipo preferentemente
militar.
En 1946 comienza el largo perodo de la guerra fra entre la antigua Unin Sovitica
(URSS) y las potencias aliadas (principalmente, Inglaterra y Estados Unidos). Uno de
los episodios ms llamativos de esa guerra fra se produjo a mediados de 1948,
cuando la URSS bloque las comunicaciones terrestres desde las zonas alemanas
en poder de los aliados con la ciudad de Berln, iniciando el bloqueo de Berln. A los
aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la
fuerza, o llegar a Berln por el aire. Se adopt la decisin de programar una
demostracin tcnica del poder areo norteamericano; a tal efecto, se organiz un
gigantesco puente areo para abastecer la ciudad: en diciembre de 1948 se estaban
transportando 4500 toneladas diarias; en marzo de 1949, se lleg a las 8000
toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de
las comunicaciones. En la planificacin de los suministros se utiliz la programacin
lineal. (El 12 de mayo de 1949, los soviticos levantaron el bloqueo)
METODOS DE SOLUCION
CAPITULO 1
1.1 INTRODUCCION
2X + 3Y = 60 en donde X, Y 0
Es decir que para que se cumpla la igualdad de la ecuacin nos tocara adquirir 15
unidades de X y 10 unidades de Y respectiva mente:
2(15) + 3(10) = 60
Y la solucin se dara por la misma lnea recta.
Pero por otra parte si en la ecuacin no se quiere llegar a la totalidad del resultado se
dar la ecuacin en una forma diferente llamada inecuacin:
2X + 3Y 60 en donde X, Y 0
Dndose como solucin factible un rea sombreada que depende del signo de la
desigualdad. Si el signo es el la solucin ser el rea inferior esa se sombrear o si
por el contrario el sigo es el rea a sombrear ser la de todos los puntos por
encima de la lnea obtenida.
Por definicin de algunos libros una desigualdad entre dos variables es una
desigualdad que puede escribirse de la forma:
EJEMPLO 1:
Cuando veamos un problema como este no nos asustemos porque el hecho de que
no aparezca la x en ningn lugar de la ecuacin solo quiere decir que x es cierto en
cualquier punto de x.
SOLUCION
EJEMPLO 3:
Dando valores a x y y determinamos las rectas con las reas correspondientes a las
desigualdades planteadas.
2x + y > 3
xy
y1>0
Este sistema es equivalente
yx x= 0; y= 0
x=1 ; y= 1
y > 1/2
Para llegar a una solucin ptima en el mtodo grafico se requiere seguir con una
serie de pasos que podemos dar a continuacin:
EJEMPLO:
Z= 3x + y
Sujeto a las restricciones:
2x + y 8
2x + 3y 12
x, y 0
A continuacin graficamos las desigualdades planteadas en las restricciones as:
2x + y 8 x=0; y=8
y=0; x=4
2x + 3y 12 x=0; y=4
Y=0; x=6
x, y 0
Se observa que la regin factible esta conformada por los puntos A(0,0); D(0,4);
B(4,0) y el punto C que es el resultado de la interseccin de las 2 inecuaciones cuyo
valor aproximadamente en el plano esta dado por las coordenadas (3,2).
Z= 2x + 3y
x +2y 10
3x + 2y 18
x, y 0
x, y 0
Regin Factible
(4,3)
Se observa que la regin factible esta conformada por los puntos (0,9); (4,3); (10,0),
donde el punto (4,3) es el resultado de la interseccin de las dos ecuaciones dadas
como restricciones.
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).
CAPITULO 2
METODO ALGEBRAICO
2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER
2.1 INTRODUCCION
Dado que tenemos un problema de dos variables, podemos graficar las soluciones
posibles y comprender algunos puntos interesantes respecto a las relaciones
lineales. Veremos la siguiente manera de obtener grficamente las soluciones al
problema planteado y luego veremos como obtenerlas algebraicamente.
PROBLEMA 1:
A B C UTILIDAD
MANUALES(X) 2 1 1 4000
ELECTRICOS(Y) 1 2 1 6000
HORAS 180 160 100
DISPONIBLES
SOLUCIN:
SUJETO A:
2X + Y 180
X + 2Y 160
X + Y 100
2. Paso: Elaboramos el grfico correspondiente a las restricciones con el fin de
precisar la regin factible y determinar los puntos que la conforman:
Y= 60 X = 80
X= 40 Y = 20
4. Paso:
EJEMPLO 2:
A B C COSTO
CRECI/RAPIDO 3 5 1 4000
CRECI/NORMAL 2 2 2 3000
REQUERIMIENTO 160 200 80
SOLUCIN:
3X + 2Y 160
5X + 2Y 200
X + 2y 80
3X + 2Y 160 X=0 Y= 80
Y=0 X= 53,33
X + 2y 80 X=0 Y=40
Y=0 X=80
-2X = -40 2X = 80
X = 20 X= 40
Y = 50 Y = 20
4. Paso: Optimizamos la funcin objetivo:
Z= 4000X + 3000Y
(80,0) 4000(80) + 3000(0) = 320000
(40,20) 4000(40) + 3000(20) = 220000
(20,50) 4000(20) + 3000(50) = 230000
(0.100) 4000(0) + 3000(100) = 300000
1. MAXIMIZAR
P= 10x + 12y
Sujeta a:
x + y 60
x - 2y 0
x, y 0
2. MAXIMIZAR
P= 5x + 6y
Sujeta a
x + y 80
3x + 2y 220
2x + 3y 210
x, y 0
3. MAXIMIZAR
Z= 4x - 10y
Sujeta a
x 4y 4
2x y 2
x, y 0
4. MINIMIZAR
Z= 7x + 3y
Sujeta a
3x y -2
x+y 9
x y = -1
x, y 0
METODO SIMPLEX
3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.4 EJEMPLOS DESARROLLADOS
3.5 TALLER
3.1 INTRODUCION
3.2 CONCEPTO
X1 X2 X3 S1 S2 S3 S4 Z b
S1 a11 a12 a13 1 0 0 0 0 b1
S2 a21 a22 a23 0 1 0 0 0 b2
S3 a31 a32 a33 0 0 1 0 0 b3
S4 a41 a42 a43 0 0 0 1 0 b4
Z -C1 -C2 -C3 0 0 0 0 1 0
Indicadores
Existen cuatro variables de holgura, S1, S2, S3, y S4; una para cada restriccin.
2. Si todos lo indicadores del ltimo rengln son no negativos, entonces Z tiene un
mximo cuando X1=0, X2=0 y X3=0. El valor mximo es 0. Si existen indicadores
negativos, localizar la columna en la que aparezca el indicador ms negativo.
Esta columna seala la variable entrante.
EJEMPLO 1
Maximizar Z= 5X1+4X2
Sujeto a: X1+X2 20
2X1+X2 35
-3X1+X2 12
X10, X20
Z -5 -4 0 0 0 1 0
Indicadores
Variable
Entrante
El indicador mas negativo, -5, aparece en la columna x1. Por ello, x1 es la variable
entrante. El menor cociente es 17.5, de modo que, S2 es la variable saliente. El
elemento pivote es 2. Utilizando operaciones elementales sobre los renglones para
obtener un 1 en la posicin del pivote y 0 en las dems posiciones de esa columna,
se tienen:
x1 x2 S1 S2 S3 Z b
1 1 1 0 0 0 20
2 1 0 1 0 0 35
-3 1 0 0 1 0 12
-5 -4 0 0 0 1 0
1 1 1 0 0 0 20
1 1/2 0 1/2 0 0 35/2 (Multiplicando el rengln 2 por 1/2)
-3 1 0 0 1 0 12
-5 -4 0 0 0 1 0
x1 x2 S1 S2 S3 Z b Cocientes
Variable S1 0 1/2 1 -1/2 0 0 5/2 5/2 1/2=5
Saliente x1 1 1/2 0 1/2 0 0 35/2 35/2 1/2=35
S3 0 5/2 0 3/2 1 0 129/2 129/25/2=25(4/5)
Indicadores
Variable Entrante
x1 x2 S1 S2 S3 Z b
0 1 -1/2 0 0 5/2
1 1/2 0 1/2 0 0 35/2
0 5/2 0 3/2 1 0 129/2
0 1 2 -1 0 0 5
1 0 -1 1 0 0 15
0 0 -5 4 1 0 52 (Multiplicando el rengln uno por 2)
0 0 3 1 0 1 95
x1 x2 S1 S2 S3 Z b
x2 0 1 2 -1 0 0 5
x1 1 0 -1 1 0 0 15
S3 0 0 -5 4 1 0 52
Z 0 0 3 1 0 1 95
Indicadores
EJEMPLO 2
TABLA SIMPLEX I
x1 x2 x3 S1 S2 Z b Cocientes
Variable S1 1 2 0 1 0 0 10 102=5
Saliente S2 2 2 1 0 1 0 10 102=5
Z -3 -4 -3/2 0 0 1 0
Indicadores
Variable
Entrante
TABLA SIMPLEX II
x1 x2 x3 S1 S2 Z b Cocientes
Variable x2 1/2 1 0 1/2 0 0 5 no hay puesto
Saliente S2 1 0 1 -1 1 0 0 que 0 No es positivo
Z -1 0 -3/2 2 0 1 20 01=0
Indicadores
Variable
Entrante
La tabla II corresponde a una SFB (solucin bsica factible) en la que una variable
bsica S2 es 0. Por ello, la SFB es degenerada. Ya que existen indicadores
negativos, se contina el proceso. La variable entrante es ahora x3, la variable
saliente es S2 y el pivote se encuentra encerrado en un crculo. Utilizando
operaciones elementales sobre renglones, se obtiene la tabla III.
TABLA SIMPLEX II
x1 x2 x3 S1 S2 Z b
x2 1/2 1 0 1/2 0 0 5
x3 1 0 1 -1 1 0 0
Indicadores
En virtud de que todos los indicadores son no negativos, Z es mxima cuando x2=5 y
x3=0, y x1=S1=S2=0. El mximo valor es Z=20. Obsrvese que este valor es igual al
valor de Z correspondiente a la tabla II. En problemas con degeneracin es posible
llegar al mismo valor de Z en varias etapas del proceso simplex.
EJEMPLO 3:
Maximizar Z=2x1+5x2+8x3
PASO 1: INICIALIZACIN:
Maximizar Z
Z-2x1-5x2-8x3 = 0 (0)
x1+ x2+ x3+ x4 =12 (1) (II)
8x1-4x2+4x3 +x5 =24 (2)
x2+ x3 +x6 =8 (3)
xj0, j=1,2,,6
V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Esto quiere decir que, en esa ecuacin, la dems variables, al ser no bsicas, sus
valores son ceros y, por consiguiente, podemos deducir que el valor de x5 es igual a
24.
Observe que en la tabla se pueden leer estos valores directamente. Bastar hacer
corresponder a cada variable bsica indicada en la primera columna, (V.B.) los
valores de la ltima columna (b).
Primera Iteracin
La variable bsica entrante es x3, puesto que es la que tiene mayor coeficiente en la
funcin objetivo de (I), o bien es la de coeficientes ms negativos en la tabla inicial (-
8 en este ejemplo).
Restriccin
1 a'13 = 1 b'1 = 12
2 a'23 = 1 b'2 = 24
3 a'33 = 1 b'3 = 8
Como todos los coeficientes de las ecuaciones i (i = 1, 2,3) son positivos, entonces la
cota superior estar dada por b'i/a'ie. O sea:
B1/a'13 = 12/1 = 12
b'2/a'23 = 24/4 = 6
b'3/a'33 = 8/1 = 8
2. Para lograr ceros en los coeficientes de x3 en las nuevas ecuaciones (0), (1) y
(3) multiplique la ecuacin (A) anterior por 8, -1 y -1 uno a la vez, y sume el
resultado a las ecuaciones anteriores (0), (1) y (3). O sea, multiplicar la
ecuacin (A) por 8 se obtiene:
Estos resultados se presentan de una manera sencilla en forma tabular. Al igual que
se hizo con la tabla inicial, registramos solamente los coeficientes de las variables y
los colocamos inmediatamente debajo de la tabla inicial. Esta segunda tabla
proporciona una manera fcil de ver los valores actuales de las variables bsicas
despus de que se ha realizado la primera iteracin.
La tabla inicial y la que resulta despus de la primera iteracin son las siguientes:
V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Tabla Inicial
V.B x1 x2 x3 x4 x5 x6 b Tabl
Z 14 -13 0 0 2 0 48 a
x4 -1 2 0 1 -1/4 0 6 Des
x5 2 -1 1 0 1/4 0 6 pu
x6 -2 2 0 0 -1/4 1 2 s
De
La Primera Iteracin
Segunda iteracin
La variable bsica entrante es x2, puesto que es la que tiene mayor coeficiente en la
funcin objetivo, o bien es la del coeficiente ms negativo en la tabla despus de la
primera iteracin.
Restriccin
1 a'12 = 2 , b'1 = 6
2 a'22 = -1 , b'2 = 6
3 a'32 = 2 , b'3 = 2
6/2 = 2
+ ya que a'22 = -1 < 0
2/2 = 1
Regla de parada
Como todos los coeficientes de la ecuacin (0) son positivos, la solucin presente es
ptima; o sea: Z = 61, x4 = 4, x3 = 7, x2 =1 y el resto de las variables son ceros.
V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Tabla Inicial
V.B x1 x2 x3 x4 x5 x6 b
Z 14 -13 0 0 2 0 48
x4 -1 2 0 1 -1/4 0 6
x5 2 -1 1 0 1/4 0 6
x6 -2 2 0 0 -1/4 1 2
Primera Iteracin
V.B x1 x2 x3 x4 x5 x6 b
Z 1 0 0 0 3/8 13/2 61
x4 1 0 0 1 0 -1 4
x5 1 0 1 0 1/8 1/2 7
x6 1 1 0 0 -1/8 1/2 1
Segunda Iteracin
La solucin ptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0); Z = 61
Hemos visto la aplicacin del mtodo Simplex para obtener la solucin ptima de un
problema de Programacin Lineal y su forma tabular asociada. En realidad, el
proceso de hace bastante mas expedito utilizando directamente la tabla, sin tener
que pasar por las ecuaciones correspondientes. La determinacin de las variables
bsica entrantes y salientes en cada iteracin, puede hacerse directamente a partir
de cada una de las tablas.
Ejemplo 4:
Observemos el siguiente ejemplo, recordando los pasos fundamentales en el mtodo
simplex, adems del uso de variables artificiales, no confundir con adicionales.
2x1 + 5x2 - x3 1
-3x1 - 8x2 + 2x3 4
-2x1 - 12x2 + 3x3 9
P4 P5 P6
5 -1 1 0 0 1
2
-3 -8 2 0 1 0 4
-2 -12 3 0 0 1 9
(0,0,0,1,4,9)
Z =-5x1 + 8x2 + 3x3+ 0 (1 - 2x1 - 5x2 + x3)+ 0 (4 + 3x1 + 8x2 - 2x3) + 0 (9 + 2x1 +
12x2 - 3x3)
Se plantea como aumentar el valor de una variable, de forma que las otras
variables que aparecan en la expresin de Z sigan nulas y, al menos, una de
las que eran distintas de cero se anule.
x2=k>0,
x1= x3= 0
y x4, x5, x6 0 y de estas tres variables, al menos, una nula.
1 - 5k = x4
4 + 8k = x5
9 + 12k = x6
Debemos anular x4, ya que es imposible anular x5 y x6, con valores positivos.
La mejor eleccin ser k=1/5,
P2 P5 P6
Obtenemos z1, que saldr de sustituir el valor del vrtice hallado en la nueva
expresin de la funcin objetivo:
z1= 8/5.
x3= k
x1, x4= 0
Por tanto,
1/5 + k/5 = x2
28/5 - 2/5 k = x5
57/5 - 3/5 k = x6
P2 P3 P6
1/2 1 0 1 1/2 0 3
1/2 0 1 4 5/2 0 14
5/2 0 0 -3/2 0 1 3
Z = 66 - 21/2 x1 - 20 x4 + 23/2 x5
(0,3,14,0,0,3) z2= 66
Comentarios
Si Im no est dentro de A:
(Im , matriz identidad de mxm, con m= n de condiciones.)
1. Debe elegirse m columnas linealmente independientes de A
cualesquiera. Aun as, puede que el simplex no arranque.
2. Manipular las ecuaciones del sistema para que ste sea equivalente y
la matriz identidad aparezca en el sistema final.
1 1 -1 0 1 1 1 -1 0 1
F1
F2- 2F1
230 1 6 012 1 4
-1 0 0 1 1 48
1 2 -1 0 0 97
0 2 0 -1 0 11
-1 0 0 1 1 0 0 48
1 2 -1 0 0 1 0 97
0 2 0 -1 0 0 1 11
Vs* = (v1, v2,..., vn, ..., 0,..., 0 ) solucin de II ___ Vs = (v1, v2,..., vn) solucin de I.
1. MAXIMIZAR
Z= x1 + 2x2
Sujeta a
2x1 + x2 8
2x1 + 3x2 12
x1, x2 0
2. MAXIMIZAR
Z= -x1 + 3x2
Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0
3. MAXIMIZAR
Z= 8x1 + 2x2
Sujeta a
x1 x2 1
x1 + 2x2 8
x1 + x2 5
x1, x2 0
ANALIS DE VARIABILIDAD
4.1 DUALIDAD
4.2 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
4.3 EJEMPLOS RESUELTOS
4.4 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL SIMPLEX
4.5 ANALISIS DE SENSIBILIDAD
4.6 TALLER
4.1 DUALIDAD
Para cada problema de programacin lineal hay una asociacin y una relacin muy
importante con otro problema de programacin lineal, llamado precisamente dual. El
dual permite resolver problemas de maximizacin resolviendo un problema
minimizacin relacionado con aquel.
El mtodo simplex adems de resolver un problema de programacin lineal llegando
a una solucin ptima nos ofrece ms y mejores elementos para la toma de
decisiones. La dualidad y el anlisis de sensibilidad son potencialidades de ste
mtodo
MAX Z= CX MIN Z= BY
Sujeto a: Sujeto a:
AX b AY C
X0 Y0
EJEMPLO 1
Minimizar W = 10Y1 + 10 Y2
Sujeta a Y1 + 2Y2 3,
2Y1 + 2Y2 4,
0Y1 + Y2 2,
Y1, Y2 0.
EJEMPLO 2
X1 + X2 1, (2)
-4X1 + X2 3, (3)
Y1, Y2 0.
Debido a que es un problema de minimizacin, las restricciones (2) y (3) deben
quedar >. Multiplicando ambos lados de (2) y (3) por -1, tendremos -X1 - X2 > -1 y
4X1 - X2 > -3. Por lo tanto:
3X1 - X2 2,
X1 - X2 -1,
4X1 - X2 -3.
El dual es:
-Y1 - Y2 - Y3 3,
Y1, Y2, Y3 0.
4.4 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL - SIMPLEX
PRIMAL DUAL
Necesita para comenzar una base Necesita para comenzar una base
(primal) factible. (dual) factible.
Partiendo de una base primal factible, Partiendo de una base dual factible, el
se trata de alcanzar una factibilidad mtodo trata de alcanzar factibilidad
del dual, manteniendo una factibilidad del primal, manteniendo una
del primal a travs de todo el proceso. factibilidad del dual a travs del todo
el proceso.
El criterio para optimizacin para el El criterio de optimizacin para el dual
primal es el criterio de factibilidad del Es el criterio de factibilidad para el
dual. primal.
Los elementos pivote son posibles en Los elementos pivotes son negativos
todas las iteraciones, a fin de en todas las iteraciones, a fin de
mantener la factibilidad del primal. acercarse a la factibilidad del primal.
Sujeto a:
4X1 + 2X2 71
2X1 + 4X2 59
Para resolver ese problema utilizamos la tabla final del problema anterior.
X1 X2 H1 H2
Z 0 0 5/3 2/3 132
Final X1 1 0 1/3 -1/6 12
X2 0 1 -1/6 1/3 6
X1 1/3 -1/6 71 14
= =
14
(8,6) = 157
7.5
SUJETO A:
4x1 + 2x2 56
2x1 + 4x2 25
Solucin:
= =
X2 -1/6 1/3 25 -1
Como los nuevos valores de las variables de decisin tienen signo negativo violan la
propiedad del simplex, o sea, cuando el sector [b] [0] la solucin no es factible.
Entonces la nueva solucin de la segunda restriccin X2= -1 no es factible; aqu el
mtodo de dual simplex llega a ser importante para restablecer la factibilidad del
problema.
Base X1 X2 H1 H2 Solucin
Z 0 0 5/3 2/3 110
X1 1 0 1/3 -1/6 14.5
X2 0 1 -1/6 1/3 -1
Z 0 10 0 4 100
X1 1 2 0 12.5
X3 0 -6 1 -2 6 ptimo
La solucin factible y ptima actual es: X1= 12.5, X2= 0, X3= 6, X4= 0, Z= 100
No se debe olvidar que para encontrar cul recurso hay que aumentar a fin de lograr
el mejor rendimiento marginal, tenemos que ver en la tabla final de dual aquella
variable dual correspondiente a la restriccin primal que tiene el valor positivo ms
alto, y el recurso que rendir ms si aumentamos unas unidades. Para ms
informacin ver la interpretacin de dual.
4.5.2. CAMBIO AL VECTOR DE COSTO O PRECIO
Sujeto a:
4X1 + 2X2 60
2X1 + 4X2 48
X1,X2 0
Solucin:
El anlisis de sensibilidad para este tipo de cambio toma como punto de partida la
solucin ptima del problema original multiplicando el nuevo vector de costo o precio
(valores de la funcin objetivo por la matriz de coeficientes tecnolgicos), o sea, la
matriz de los coeficientes de las variables que no estn en la base de la tabla final de
simplex: el resultado de esta multiplicacin le llamaremos Q.
Coeficientes
Tecnolgicos
Q matriz de las variables = L
De cual es dual
L C = 0, la solucin es ptima
1/3 -1/6
(6,5) = (7/6,2/3)
-1/6 1/3
4 2
2 4
(8 6) (8 5) = (2 1)
4.6 TALLER
En los siguientes problemas hay que encontrar solo la forma dual del ejercicio
no es necesario que los resuelva, sin embargo si es su deseo hacerlo proceda.
1. MAXIMIZAR
Z= 2x1 + 3x2
Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0
2. MAXIMIZAR
Z= x1 + 8x2 + 5x3
Sujeta a
x1 + x2 + x3 8
-x1 + 2x2 + x3 2
x1, x2, x3 0
TOPICOS AVANZADOS
5.1 INTRODUCCION
5.2 DEGENERACION EN PROGRAMACION LINEAL
5.3 METODO SIMPLEX GENERALIZADO
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES
ACOTADAS
5.5 ALGORITMO DE DESCOMPOSICION
5.1 INTRODUCCION
Las cuatro unidades anteriores cubren los aspectos fundamentales del modelo de
programacin lineal. Pero este capitulo se presentan algunos tpicos avanzados
relacionados con la degeneracin en programacin lineal, as como algoritmos para
resolver problemas con estructuras especiales. Con el estudio de esta unidad
entonces, es complemento natural de un primer curso de investigacin de
operaciones para un estudiante de ingeniera.
En el desarrollo del mtodo simple, hemos visto que si existe una solucin bsica
factible (pero no optima) al conjunto de restricciones y en ausencia de degeneracin,
es posible ir combinando sucesivamente un vector de la base y alcanzar una
solucin optima (o una indicacin de que la solucin no esta acotada) en un numero
finito de pasos.
Numeramos los vectores de tal manera que aquellos que conforman la matriz
identidad estn de primero.
Comenzando con una matriz identidad como base podemos obtener siempre
una solucin bsica inicial para el problema perturbado.
En algunos casos no es importante hallar el valor de E (dado por algunos libros como
el coeficiente que acompaa el resultado de la solucin factible), ya que no es
necesario en la practica porque requiere de mucho trabajo sin embargo es
importante ya que demuestra que cualquier valor entre 0 y Emax puede perturbar el
resultado de la solucin degenerada.
En primer lugar consideramos las menores potencias de E porque los valores mas
pequeos son los que cuentan.
a1 a2 a3 a4 a5
V.B x1 x2 x3 x4 x5 b
Z 0 0 0 -4 -3 0
X1 1 0 0 2 4 2
X2 0 1 0 3 1 0
X3 0 0 1 4 2 0
Y21/Y24 y Y31/Y34.
Y21/Y24=0/3=0
Y31/Y34=0/4=0
Y22/Y24=1/3; Y32/Y34=0/4=0
a1 a2 a3 a4 a5
V.B x1 x2 x3 x4 x5 b
Z 0 0 1 0 -1 0
X1 1 0 -1/2 0 3 2
X2 0 1 -3/4 0 -1/2 0
X3 0 0 1/4 1 0
Primera iteracin
n+s
Xb(E) = Xb + E ^ (j)Yj
j=1
Tenemos:
Para determinar el vector que sale de la base podemos utilizar una generalizacin de
la formula usual;
{
XBr/Yrk = min XBi/Yik, Yik > 0 }
i
EJEMPLO
Utilicemos el mismo ejemplo anterior para mostrar la solucin obtenida utilizando el
mtodo simplex generalizado.
V.B x1 x2 x3 x4 x5 b
Z 0 0 0 -4 -3 0
X1 1 0 0 2 4 2
X2 0 1 0 3 1 0
X3 0 0 1 4 2 0
Z 0 0 1 0 -1 0
X1 1 0 -1/2 0 3 2
X2 0 1 -3/4 0 -1/2 0
X3 0 0 1/4 1 1/2 0
Z=(0,0,0,0)
ZN=(0,0,0,1)
INTRODUCCION
PRINCIPIO DE DESCOMPOSICION
ALGORITMO DE DESCOMPOSICION
Pasos:
DOCUMENTOS IMPRESOS:
GASS, Saul I. Linear Programming. Methods and Applications. Editorial McGraw Hill. 1969.
Revistas:
SOFTWARE EDUCATIVOS:
CPLEX
NETPLOW
OPTIMA
PAFO
SOCRATES
MATLAB
SIAM 2000
PIMAD
SUN W.
NASDAQ.
TODAS LAS DIRECCIONES QUE LLEVEN A INVESTIGACIN DE OPERACIONES.