Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre
actividades competitivas de la mejor manera posible (es decir, en forma ptima).Este problema de
asignacin puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por
recursos escasos para realizarlas.
La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va
desde la asignacin de instalaciones productivas a los productos, hasta la asignacin de los
recursos nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de
una terapia de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la
necesidad de asignar recursos a las actividades
VARIABLES
Las variables son reales mayores o iguales a cero. Xi 0. En caso que se requiera que el valor
resultante de las variables sea un entero, el procedimiento se denomina Programacin entera.
RESTRICCIONES
Las restricciones pueden ser de la forma:
Tipo 1:
= .
=
TIPO 2
= .
=
TIPO 3
.
=
Donde:
A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
a; b; y, c = coeficientes tcnicos conocidos;
X = Incgnita i = nmero de la restricciones, variable de 1 a N.
j = nmero de incgnitas, variable de 1 a M
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M; , N <
M. Los tres tipos de restricciones pueden darse simultneamente en el mismo problema.
FUNCIN OBJETIVO
La funcin objetivo puede ser:
= .
=
= .
=
Donde:
fi = coeficientes son relativamente mayores o iguales a cero
M = numero de incgnitas.
= .
=
s.a
.
=
J= 1, 2,3,M
Ntese que la regin factible consistir de todos los vectores x que satisfagan Ax > b ( Zona de
soluciones factibles, es decir todos los valores de xl y x2 que satisfagan a las restricciones Ax > b) y
x > O. Entre tales puntos deseamos encontrar un punto con mnimo valor Cx.
Z = Cx = , ; c x = 1, 2 ,. . . ,n (n = No. de variables)
Si Z va a ser minimizada, entonces una vez establecida la regin factible, la correspondiente recta
de
Z = Cx es deslizada paralelamente a si misma en la direccin que optimice (minimice) ms el valor
del objetivo.
6
Z Optima
X1 + X2 5
Punto ptimo
Z1
Regin factible
-X1 + 2X2 6
La lnea de la funcin objetivo Z, se mueve paralelamente desde la esquina inferior derecha hacia
la e8squina superior izquierda, alcanzndose el ptimo en el punto ltimo que toque la recta Z
de la funcin objetivo de la zona de soluciones factibles.
Es importante hacer notar que el Punto Optimo es una de las 5 esquinas que son denominadas
puntos extremos
Nota:
Si Z va a ser maximizada, entonces Z = Cx ser deslizada paralelamente a s misma en la
direccin que optimice (maximice) el valor del objetivo.
1. SOLUCION UNICA:
Regin limitada
Regin ilimitada
2. SOLUCION MULTIPLE:
Regin limitada
Regin ilimitada
3. SOLUCION FACTIBLE VACIA (NO SOLUCIN)
4. SOLUCION NO FACTIBLE
Una empresa donde produce sillas y mesas, tiene una ganancia por mesa de tres (3) dlares,
para construir una necesita invertir dos (2) horas mquina y una (1) hora hombre. Para la
empresa producir una silla necesita invertir seis (6) horas mquina y cuatro (4) horas
hombre donde tiene una ganancia de cinco (5) dlares por silla.
Nuestro mximo disponible por horas mquinas ser de dos (2) y el mximo disponible
para horas hombre ser de seis (6)
Artculo Ganancias Horas Mquina Horas Hombre
MESAS $3.00 2 1
SILLAS $5.00 6 4
Para obtener nuestra ecuacin llamaremos a las mesas con X y las sillas con Y.
2X + 6Y 12 2X + 6Y 12
2(0) + 6Y 12 2X + 6(0) 12
6Y 12 2X 12
Y 2 X 6
X + 4Y 7 X + 4Y 7
(0) + 4Y 7 X + 4(0) 7
4Y 7 X 7
Y 1.75
Descripcin X Y X Y
Horas 0 2 0 1.75
Mquina
Horas Hombre 6 0 7 0
3
SILLAS
2
A to B
C to D
1
1 2 3 4 5 6 7 8
MESAS
De esta forma podemos tener nuestros puntos factibles necesarios para as determinar la funcin
objetiva. Nuestros puntos factibles son CEB, donde
Solucin: F = 3X + 5Y
Luego de realizar estos clculos podemos ver que para que la empresa reciba un mayor
beneficio debe producir solamente mesas.
2.1.4 EJERCICIO DE MINIMIZACION
Tenemos para M = X y para N = Y, donde M = $8.00 por paquete con un peso de 4kilos y
donde N = $5.00 por paquete con un peso de 2kilos. Tambin tenemos 100kilos por lo
menos 20 paquetes de N.
Ecuaciones;
4X = 2Y 100 Y 20 X 0
Funcin Objetiva;
F = 8X + 5Y
Solucin:
4X + 2Y 100 4X + 2Y 100
2Y 100 4X 100
Y 50 X 25
60
MEZCLA "N"
50
40
A to B
30
20
C to Infinite
10
0
0 5 10 15 20 25 30
MEZCLA "M"
Solucin: F = 8X + 5Y
A = 8(0) + 5(50) =
250
D = 8(15) + 5(20) = 220
Luego de obtener estos clculos podemos determinar que el punto donde mejor
minimizamos los costos es en el punto D.
El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor
mximo en el vrtice A de la regin factible, entonces hay una arista que parte de A, a lo largo de
la cual f aumenta; es decir, partiendo del valor de la funcin objetivo en un vrtice cualquiera, el
mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se
hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de
variables es mayor) que conforman la regin factible. Cmo el nmero de vrtices (y de aristas) es
finito, siempre se podr encontrar la solucin.
Adems de ser eficiente, dicho mtodo tiene otras ventajas. Es completamente mecnico (se
utilizan matrices, operaciones elementales sobre renglones y aritmtica bsica). Asimismo, no
implica el uso de geometra. Esto permite resolver problemas de programacin lineal que tiene
cualquier nmero de restricciones y variables. Cabe destacar que para aplicar el Mtodo Simplex a
un modelo lineal, este debe estar en un formato especial conocido como formato estndar.
2.2.1 FORMA ESTNDAR DE UN MODELO DE PROGRAMACIN LINEAL
Considerando que:
Tabla
Base
P1 P2 ... Pn-1 Pn P0
Los valores de la fila Z se obtienen de remplazar los valores Cim de la funcin objetivo y cero si no
aparece en la base. El resto de columnas se obtiene remplazando los coeficientes de las
restricciones segn se muestra en la tabla.
Se observar al realizar el mtodo Simplex, que en esta primera tabla, en la base estarn las
variables de holgura.
Condicin de parada: Cuando en la fila Z no existe ningn valor negativo (para problemas
de Maximizacin) o ningn valor positivo (para problemas de Minimizacin), se ha
alcanzado la solucin ptima del problema. En tal caso, se ha llegado al final del algoritmo.
De no ser as, se contina con las iteraciones.
2x+y+h = 18
2x+3y+s = 42
3x+y+d = 24
En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes
de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los
coeficientes de la funcin objetivo:
x Y h s d
H 2 1 1 0 0 18
S 2 3 0 1 0 42
D 3 1 0 0 1 24
Z -3 -2 0 0 0 0
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale
de la base
Para escoger la variable de decisin que entra en la base, utilizamos el criterio de
optimalidad para lo cual nos fijamos en la ltima fila, la de los coeficientes de la funcin
objetivo y escogemos la variable con el coeficiente negativo mayor
Para encontrar la variable de holgura que tiene que salir de la base, se divide cada
trmino de la ltima columna (valores solucin) por el trmino correspondiente de la
columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso:
Si hubiese algn elemento menor o igual que cero no se realiza dicha operacin. En el
caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos
una solucin no acotada y no se puede seguir ya que se hace imposible la aplicacin del
criterio de factibilidad para las variables salientes de la base.
Si al calcular los cocientes, dos o ms son iguales, segn PRAWDA [8] se debe aplicar las
llamadas reglas lexicogrficas para romper el empate. Una decisin arbitraria puede
causar que el proceso cicle continuamente sin alcanzar la solucin ptima.
En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote
operacional, 3.
X Y h S d
H 0 1/3 1 0 -2/3 2
S 0 7/3 0 1 -2/3 26
X 1 1/3 0 0 1/3 8
Z 0 -1 0 0 1 24
Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado
todava a la solucin ptima. Hay que repetir el proceso:
La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:
X Y H s d
y 0 1 3 0 -2 6
s 0 0 -7 0 4 12
x 1 0 -1 0 1 6
Z 0 0 3 0 -1 30
Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado
todava a la solucin ptima. Hay que repetir el proceso:
La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:
6/(-2) =-3, 12/4 =3, y 6/1 =6
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S
El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla:
X Y h s d
y 0 1 -1/2 0 0 12
d 0 0 -7/4 0 1 3
x 1 0 -3/4 0 0 3
Z 0 0 5/4 0 0 33
La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en este
caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas
correspondientes a las variables de decisin que han entrado en la base x= 3; y= 12 donde la
solucin ptima al PL se da en el vrtice D(3,12), con un valor optimo z= 33.
Mtodo de las Dos Fases segn TAHA [10], es una variante del Algoritmo Simplex, que se aplica
cuando luego de llevar un modelo de programacin lineal a su forma estndar no se dispone de
una solucin bsica factible inicial.
Segn MACHUCA [5] y GREEN [4] ste mtodo difiere del Simplex en que primero hay que resolver
un problema auxiliar que trata de minimizar la suma de las variables auxiliares o artificiales. Una
vez resuelto este primer problema y reorganizada la tabla final, se pasa a la segunda fase, que
consiste en realizar el mtodo Simplex normal, el cual segn PRAWDA [8] se calcula como sigue:
FASE UNO:
En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal, excepto la
construccin de la primera tabla, la condicin de parada y la preparacin de la tabla que pasar a
la fase 2.
Se considera un problema auxiliar que resulta de agregar tantas variables auxiliares a las
restricciones del problema, de modo de obtener una solucin bsica factible. Luego se resuelve,
utilizando el mtodo Simplex, un nuevo problema que considera como funcin objetivo minimizar
la suma de las variables auxiliares sujeta a las restricciones del problema original. Si el problema
tiene un espacio factible el valor de la funcin objetivo es cero, lo cual indica que todas las
variables artificiales son cero. En ese momento se pasa a la Fase Dos; caso contrario el problema
no tiene solucin ptima.
FASE DOS:
Consiste en resolver a travs del Mtodo Simplex el problema original a partir de la solucin
bsica factible inicial hallada en la Fase Uno, es decir, tomando como base los resultados ptimos
obtenidos en la ltima tabla de la Fase Uno, se eliminan las columnas de las variables artificiales,
se remplaza la funcin objetivo original del problema, en lugar de la provisional que se haba
colocado para iniciar la Fase Uno. Luego se procede a resolver a partir de ah, con el mtodo
Simplex tradicional.
Siguiendo las pautas de , se hace de la misma forma que la tabla inicial del mtodo Simplex, la
diferencia es que la fila de la funcin objetivo cambia para la primera fase, ya que cambia la
funcin objetivo y los coeficientes de esta si en el mtodo simplex normal se consideraba a los Zi-
Ci, ahora se consideran a los Zi, adems que en la segunda columna de la tabla aparecern los
coeficientes del valor de la funcin objetivo en las restricciones a lo se llamara Cb, y se incluirn las
columnas para las variables artificiales.
Variable Valores
Base Variable de decisin
artificial solucin
La condicin de parada es la misma que en el mtodo Simplex normal. La diferencia est en que
pueden ocurrir dos casos cuando se produce la parada: la funcin toma un valor 0, que significa
que el problema original tiene solucin, o que tome un valor distinto, indicando que el modelo no
tiene solucin.
2X1+3X2+4X3+2X4+Y1=300
8X1+ X2+ X3+5X4+Y2=300
2. Construir la nueva funcin objetivo
Min W=Y1+Y2
Ahora para resolver el modelo por el mtodo simplex como un problema de maximizacin
debemos de recordar que:
Min W = Max (-W), entonces tenemos:
Max W=-Y1-Y2
s.a
2X1+3X2+4X3+2X4+ Y1+0Y2=300
8X1+ X2+ X3+5X4+0Y1+ Y2=300
X1, X2, X3, X4, Y1, Y2 0
FASE I
Se resuelve el modelo en la tabla simplex como se muestra:
Valores
Base Variable de decisin
solucin
W X1 X2 X3 X4 Y1 Y2
Y1 0 2 3 4 2 1 0 300
Y2 0 8 1 1 5 0 1 300
W -1 0 0 0 0 1 1 0
Variable Valores
Base Variable de decisin
artificial solucin
W X1 X2 X3 X4 Y1 Y2
Y1 0 2 3 4 2 1 0 300
Y2 0 8 1 1 5 0 1 300
W -1 -2 -3 -4 -2 0 1 -300
Variable Valores
Base Variable de decisin
artificial solucin
W X1 X2 X3 X4 Y1 Y2
Y1 0 2 3 4 2 1 0 300
Y2 0 8 1 1 5 0 1 300
W -1 -10 -4 -5 -7 0 0 -600
Ahora se observa que los coeficientes de las variables bsicas artificiales son 0, por lo que la tabla
simplex es correcta; por ello se procede a resolver mediante el mtodo simplex normal,
obtenindose las tablas siguientes:
Variable Valores
Base Variable de decisin
artificial solucin
W X1 X2 X3 X4 Y1 Y2
Y1 0 2 3 4 2 1 0 300
Y2 0 8 1 1 5 0 1 300
W -1 -10 -4 -5 -7 0 0 -600
La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente -
10 (menor negativo)
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:
Variable Valores
Base Variable de decisin
artificial Solucin
W X1 X2 X3 X4 Y1 Y2
y como el menor cociente positivo es 60, tenemos que la variable que sale es Y1.
Variable Valores
Base Variable de decisin
artificial Solucin
W X1 X2 X3 X4 Y1 Y2
W -1 0 0 0 0 1 1 0
Como se observa los coeficientes de las variables de decisin son todos mayores o iguales a cero, y
el valor de las variables artificiales son ceros en consecuencia la funcin tiene valor 0, por lo que se
da por concluido con la FASE I y se tiene una solucin bsica factible X1=30, X2=0, X3=60, X4=0
FASE II
Min Z = 4X1+2X2+3X3+5X4
Se toma la solucin bsica factible de la FASE I como la solucin inicial y se eliminan las columnas
de las variables artificiales. Teniendo as la siguiente tabla simplex:
Valores
Base Variable de decision
solucin
W X1 X2 X3 X4
X3 0 0 11/15 1 1/5 60
X1 0 1 1/30 0 3/5 30
Como se observa en el cuadro simplex los costos reducidos de las variables bsicas X3 y X1 no son
nulos por ello debemos de hacer cero (0) estos coeficientes para que la tabla sea correcta.
Valores
Base Variable de decision
solucin
W X1 X2 X3 X4
X3 0 0 11/15 1 1/5 60
X1 0 1 1/30 0 3/5 30
Z 1 0 1/3 0 -2 300
Como se observa, uno de los coeficientes de las variables de decisin es menos a cero, por tanto
se contina con las iteraciones
La variable que entra en la base es X4, por ser la variable que corresponde al coeficiente -2
(menor negativo)
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote
60/(1/5) =300, 30/(3/5) =50
y como el menor cociente positivo es 50, tenemos que la variable que sale es X1
El elemento pivote, que ahora hay que hacer 1, es 3/5. Una vez reducido el pvot a 1
mediante la reduccin gaussiana se hacen 0 los coeficientes restantes de la columna, se
tiene:
Valores
Base Variable de decisin
solucin
W X1 X2 X3 X4
X3 0 -1/3 13/18 1 0 50
X4 0 5/3 1/18 0 1 50
Entonces se tiene que los coeficientes de las variables de decisin son mayores o iguales a cero,
por tanto se da por concluida las iteraciones obtenindose la Solucin Bsica Factible: