Programacion Lineal

“Año de la lucha contra la corrupción e impunidad”
UNIVERSIDAD NACIONAL DE UCAYALI
FACULTAD DE INGENIERÍA DE SISTEMAS E INGENIERÍA CIVIL
ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS
PROGRAMACION Método De La Gran M

LINEAL
INTEGRANTES:
 Diaz Camacho, Alexander Yoyki
 Huamán Huarcaya, Julio
 Pérez Haya, Flavio
DOCENTE: Ing.Msc. Ulloa Gálvez, Ronal Harold
CURSO: Investigación de Operaciones I
CICLO: V
PERU – UCAYALI
2019
DEDICATORIA
Dedicamos este trabajo a todos los profesores

de la facultad de Ing. De sistemas y de Ing. Civil
de la Universidad Nacional de Ucayali por su
contribución y compromiso en la formación
profesional de sus estudiantes.
AGRADECIMIENTO
Agradecemos en primer lugar al ser supremo dueño del saber y

verdad, por iluminarnos durante este trabajo y permitirnos
finalizarlo con éxito, a nuestros padres por el apoyo
incondicional y el esfuerzo por brindarnos una buena educación
y a la Ing. Ronal Harold, Ulloa Gálvez. Por la exigencia
académica que ha tenido con nosotros, para que seamos buenos
profesionales en el futuro.
INDICE
Escribir el título del capítulo (nivel 1) ...........................................................................1
Escribir el título del capítulo (nivel 3) .......................................................................3
Escribir el título del capítulo (nivel 3) ...............................................................................6
INTRODUCCION
La programación lineal es el campo de la programación matemática dedicado a

maximizar o minimizar (optimizar) una función lineal, denominada función objetivo, de
tal forma que las variables de dicha función estén sujetas a una serie de restricciones
expresadas mediante un sistema de ecuaciones o inecuaciones también lineales. El
método tradicionalmente usado para resolver problemas de programación lineal es el
Método Simplex.
Geométricamente, las restricciones lineales definen la región factible, que es un poliedro

convexo. Si la región factible es acotada y no vacía, entonces existirá al menos una
solución óptima, puesto que una función lineal es continua y por lo tanto alcanza un
máximo en cualquier región cerrada y acotada. Sin embargo, puede no existir una
solución óptima en dos situaciones. En primer lugar, si la región factible es vacía, es decir,
si ningún punto verifica todas las restricciones, entonces el problema es inviable. En
segundo lugar, si la región factible no está acotada en la dirección del gradiente de la
función objetivo, el problema es no acotado, y se pueden encontrar puntos que verifican
todas las restricciones y con un valor tan alto como queramos de la función objetivo.
La programación lineal constituye un importante campo de la optimización por varias

razones, muchos problemas prácticos de la investigación de operaciones pueden
plantearse como problemas de programación lineal. Algunos casos especiales de
programación lineal, tales como los problemas de flujo de redes y problemas de flujo de
mercancías se consideraron en el desarrollo de las matemáticas lo suficientemente
importantes como para generar por sí mismos mucha investigación sobre algoritmos
especializados en su solución.
CAPITULO I
PROGRAMACION LINEAL (METODO DE LA GRAN M)
1. METODO DE LA GRAN M.
El método de la M grande es una forma derivada del método simplex,

usado para resolver problemas donde el origen no forma parte de la
región factible de un problema de programación lineal.
Para realizar este algoritmo, se siguen los mismos pasos que en el
método simplex, pero antes tenemos que cambiar la función objetivo
para que incluya a las variables artificiales. Estas variables tendrán que
estar multiplicadas por un numero suficientemente grande para que no
se elimine a través de la operación, llamado M y que además deberá
irse solamente cuando se sume o reste con otra M.
Para el caso de maximización, tenemos que restar las variables
artificiales junto con sus coeficientes para que estas variables no
entren a la base, pero si minimizamos entonces tendremos que sumar
las variables artificiales
Este método añade variables artificiales, que no deben de aparecer en

la solución óptima final
Las variables artificiales dan una solución inicial en forma canónica:

Todas las variables “reales” valen inicialmente 0 y las variables
artificiales son las que satisfacen las ecuaciones. Estas variables tienen
de coeficiente 1.
En el óptimo todas las variables artificiales deben de valer 0. Se

consigue poniendo una alta penalización a las mismas en la función
objetivo, la “gran M”.
La resolución es en forma de tabla como en los casos anteriores:
1.1. TEOREMA DE SOLUCION
Para la solución de problemas de programación lineal con el
método de la gran M se debe cumplir con:
 Si es >= se le agrega la variable artificial +R y la de holgura -S
 Si es <= se le agrega la variable de holgura +S.
 Si es = se le agrega la variable artificial +R.
 Para el caso de Maximización la variable artificial es negativo
(-M).
 Para el caso de Minimización la variable artificial es
positivo(+M)
El único problema serio que introducen las otras formas de

restricciones funcionales (= o >=), es identificar la solución inicial
básica factible. Antes, esta solución inicial se encontraba en forma
muy conveniente al hacer que las variables de holgura fueran las
variables básicas iniciales, donde cada una era igual a la constante
no negativa del lado derecho de la ecuación correspondiente. Ahora
debe hacerse algo más, el enfoque estándar que se utiliza en estos
casos es la técnica de variables artificiales.
Esta constituye un problema artificial más conveniente
introduciendo una variable ficticia (llamado variable artificial), en
cada restricción que lo requiera. Las iteraciones del método
simplex automáticamente fuerzan a las variables artificiales a
desaparecer al volverse cero una a una, hasta que todas queden
fuera de la solución; después de esto se resuelven el problema real.
1.2. EJEMPLOS:
 Ejemplo de Maximización:
Cuya solución es:
 Ejemplo de Minimización:
CAPITULO II
PROGRAMACION LINEAL (METODO DE LAS DOS FASES)
2. METODO DE LAS DOS FASES.
La desventaja de la técnica M es el posible error de cómputo que podría resultar
de asignar un valor muy grande a la constante M. Esta situación podría presentar
errores de redondeo en las operaciones de la computadora digital. Para evitar esta
dificultad el problema se puede resolver en 2 fases.
FASE 1. Formule un nuevo problema reemplazando la función objetivo por la

suma de las variables artificiales.
La nueva función objetivo se minimiza sujeta a las restricciones del problema

original. Si el problema tiene un espacio factible el valor mínimo de la función
objetivo óptima será cero, lo cual indica que todas las variables artificiales son
cero. En este momento pasamos a la fase 2.
* Si el valor mínimo de la función objetivo óptima es mayor que cero, el problema
no tiene solución y termina anotándose que no existen soluciones factibles
FASE 2. Utilice la solución óptima de la fase 1 como solución de inicio para el

problema original. En este caso, la función objetivo original se expresa en
términos de las variables no básicas utilizando las eliminaciones usuales Gauss-
Jordán.
No siempre es fácil obtener una solución básica factible inicial, en las variables
originales del modelo. Para conseguir esto utilizaremos el método simplex de dos
fases. Él método de las dos fases es una variante del algoritmo simple que es usado
como alternativa al método de la gran M, donde se evita el uso de la constante M
para las variables artificiales.
2.1. EJEMPLOS:
 EJERCICIO 01
Considere el siguiente modelo de Programación Lineal:
FASE 1: Al agregar S1 como variable de exceso en la restricción 1 resulta

evidente que no se dispone de una solución básica factible inicial, por
tanto, utilizaremos una variable auxiliar "y" que incluiremos en el lado
izquierdo de la restricción y que servirá como variable básica inicial. Esto
define el problema inicial de la Fase 1 junto a su tabla.
Luego la variable X2 entra a la base (costo reducido negativo) y

claramente "y" deja la base. Se actualiza la tabla utilizando el método
simplex:
Con esta tabla finaliza la Fase 1. Notar que el valor de la función objetivo
al finalizar la Fase 1 es cero, por tanto, podemos continuar la Fase 2.
FASE 2: Se elimina la columna asociada a la variable artificial "y" y se
actualiza el vector de costos reducidos considerando la función objetivo
original. De esta forma se obtiene la tabla inicial de la Fase 2.
Dado que X2 es variable básica al finalizar la Fase 1 buscamos dejar esta

misma variable como básica al iniciar la Fase 2. Para ello multiplicamos
por -3 la fila 1 y luego la sumamos a la fila 2.
En este sencillo ejemplo se llega inmediatamente a la tabla final de la Fase

2, con solución óptima X1=0 y X2=10. El valor óptimo V(P)=-30.
CAPITULO III
PROGRAMACION LINEAL (EJERCICIOS RESUELTOS)
CONCLUSION
El método de la gran M grande corresponde a una variación del algoritmo simplex
para penalizar la presencia de variables artificiales, mediante la introducción de
una constante M definida como un valor muy grande, aunque finito. También se
puede usar el método de las dos Fases para resolver problemas que contengan
restricciones >= o =.

Programacion Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Programacion Lineal

Cargado por

Copyright:

Formatos disponibles

“Año de la lucha contra la corrupción e impunidad”

UNIVERSIDAD NACIONAL DE UCAYALI

FACULTAD DE INGENIERÍA DE SISTEMAS E INGENIERÍA CIVIL

ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS

PROGRAMACION Método De La Gran M

 Diaz Camacho, Alexander Yoyki

 Huamán Huarcaya, Julio

 Pérez Haya, Flavio

DOCENTE: Ing.Msc. Ulloa Gálvez, Ronal Harold

CURSO: Investigación de Operaciones I

Dedicamos este trabajo a todos los profesores

Agradecemos en primer lugar al ser supremo dueño del saber y

La programación lineal es el campo de la programación matemática dedicado a

Geométricamente, las restricciones lineales definen la región factible, que es un poliedro

La programación lineal constituye un importante campo de la optimización por varias

El método de la M grande es una forma derivada del método simplex,

Este método añade variables artificiales, que no deben de aparecer en

Las variables artificiales dan una solución inicial en forma canónica:

En el óptimo todas las variables artificiales deben de valer 0. Se

El único problema serio que introducen las otras formas de

FASE 1. Formule un nuevo problema reemplazando la función objetivo por la

La nueva función objetivo se minimiza sujeta a las restricciones del problema

FASE 2. Utilice la solución óptima de la fase 1 como solución de inicio para el

FASE 1: Al agregar S1 como variable de exceso en la restricción 1 resulta

Luego la variable X2 entra a la base (costo reducido negativo) y

Dado que X2 es variable básica al finalizar la Fase 1 buscamos dejar esta

En este sencillo ejemplo se llega inmediatamente a la tabla final de la Fase

También podría gustarte