Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programacion Lineal PDF
Programacion Lineal PDF
MÓDULO
PROGRAMACIÓN LINEAL
INTRODUCCIÓN
JUSTIFICACIÓN
INTENSIONALIDADES FORMATIVAS
a. PROPOSITOS
OBJETIVOS
Objetivo general
Objetivos específicos:
b. METAS
c. COMPETENCIAS
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 METODOLOGÍA 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 INTRODUCCIÓN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIÓN
2.5 FUNCION 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 ESTÁNDAR DE LOS MODELOS DE P.L.
3.6 OTRAS FORMAS DE MODELOS DE P.L.
3.7 FORMULACION ALGEBRAICA: FORMA CANONICA
3.8 RESUMEN
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
INTRODUCCIÓN
Para el desarrollo del curso es importante el papel que juega los recursos
tecnológicos como medio activo e interactivo, buscando la interlocución durante
todo el proceso de diálogo docente-estudiante
PROPOSITOS
OBJETIVO GENERAL
OBJETIVOS ESPECÍFICOS:
COMPETENCIAS
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 METODOLOGÍA DE LA I.O.
1.1 INTRODUCCION
.
1.2 ANTECEDENTES Y ORIGEN DE LA INVESTIGACION DE OPERACIONES
Definición del
problema
Implementación
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 área bajo estudio con otras áreas de la
organización, los diferentes cursos de acción posibles, los límites de tiempo para
tomar una decisión, etc. Este proceso de definir el problema es crucial ya que
afectará en forma significativa la relevancia de las conclusiones del estudio.
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximación abstracta de la realidad con consideraciones y simplificaciones que
hacen más manejable el problema y permiten evaluar eficientemente las
alternativas de solución.
Esta fase consiste en determinar los rangos de variación de los parámetros dentro
de los cuales no cambia la solución 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.
CAPITULO DOS
2.1 INTRODUCCIÓN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIÓN
2.5 FUNCION CONVEXA
.2.1 INTRODUCCIÓN
EJEMPLO.
CONJUNTO P
P
CONJUNTO Q
CONJUNTO R
CONJUNTO T.
• x
• y
Obsérvese que para cualquier par de puntos (x, y) que estén dentro del conjunto
P, el segmento que une dichos puntos siempre queda dentro del conjunto, en
consecuencia P sería un conjunto convexo.
Consideremos el conjunto Q:
Q
x y
Obsérvese que para cualquier par de puntos (x,y) que estén dentro del conjunto
Q, el segmento que une dichos puntos no queda dentro del conjunto, en
consecuencia Q no sería un conjunto convexo.
Consideremos el conjunto R:
• x R
• y
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 gráficamente que para cualquier par de puntos x, y, el segmento que los
une está 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 sería CONVEXO.
• •
EJERCICIOS
a. es convexo
b. no es convexo
Obsérvese que es claramente convexo pues cualquier par de puntos que estén
en S3 el segmento que los une está claramente contenido en S3.
CONJUNTO CONVEXO:
EJEMPLO:
(x1,y1), (x2,y2),
Habría 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
EJERCICIO
a.
b.
SOLUCIONES:
a. Lo hacemos gráficamente, representando el conjunto.
Para ello dibujamos los dos límites del conjunto x2+y2=1 y x2+y2=4
(circunferencias de radio 1 y radio 2)
¿cuál es el recinto?
EJEMPLO.
Este conjunto no es convexo pues si considero dos puntos del conjunto por
ejemplo
Obtenemos
Segmento que no está totalmente contenido en el conjunto. Luego:
a.
b.
c. 2
d. R
e.
f.
g.
h.
i.
EJEMPLO.
Podemos ver que en esta gráfica si dibujamos cualquier segmento que una dos
puntos de la misma, éste siempre queda por debajo de la gráfica. Por ejemplo,
consideremos los puntos
Obtenemos
Se puede observar que para cualquier par de puntos de la gráfica que toman
valores en el segmento considerado el segmento que une dichos puntos siempre
queda por debajo de la gráfica por ello podemos efectuar la siguiente definición:
DEFINICIÓN:
Diremos que una función f es estrictamente cóncava en un conjunto M convexo si
todo segmento que une dos puntos de la gráfica esta estrictamente por debajo de
la gráfica.
Diremos que una función es CONCAVA (no estricta) si no todas las cuerdas que
unen puntos de la gráfica en dicho intervalo quedan estrictamente por debajo.
Vamos ahora a introducir el concepto de función CONVEXA.
EJEMPLO.
se obtiene
FUNCIÓN CONVEXA.
EJERCICIO
( 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 ESTÁNDAR 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
3.2 CONCEPTO:
El adjetivo lineal significa que todas las funciones matemáticas del modelo deber
ser funciones lineales. En este caso, las palabra programación no se refiere a
programación en computadoras; en esencia es un sinónimo de planeación. Así, la
programación lineal trata la planeación de las actividades para obtener un
resultado óptimo.
La programación lineal es una técnica de investigación de operaciones para la
determinación de la asignación optima de recursos escasos cuando la función
objetivo y las restricciones son lineales. Es una manera eficiente de resolver estos
problemas cuando se debe hacer una elección de alternativas muy numerosas
que no pueden evaluarse intuitivamente por los métodos convencionales.
3.3.1 INTRODUCCION
3A + 2B = 100
3A + 2B ≤ 100
Para que sea aceptable para PL, cada restricción debe ser una suma de
variables con exponente 1. Los cuadrados, las raíces cuadradas, etc. no son
aceptables, ni tampoco los productos de variables. Además, la forma estándar
para una restricción pone a todas las variables del lado izquierdo y sólo una
constante positiva o cero del lado derecho. Esto puede requerir algún reacomodo
de los términos. Si, por ejemplo, la restricción es que A debe ser por los menos el
doble de B, esto puede escribirse como:
A ≤ 2B ó A - 2B ≤ 0
A≤B–2
A – B ≤ -2
Por último B – A ≥ 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuación. 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 ó
x1 ≥ 0, x2 ≥0, ..., xn ≥ 0
Ésta se llamará nuestra forma estándar (porque algunos libros de texto adoptan
otras formas) para el problema de PL. Cualquier situación cuya formulación
matemática se ajuste a este modelo es un problema de PL.
Cualquier problema que incluya una, varias o todas estas formas del modelo
anterior también se clasifica como un problema de PL, siempre y cuando éstas
sean las únicas formas nuevas introducidas. Puede ser que la interpretación que
se ha dado de asignación de recursos limitados entre actividades que compiten
no se aplique, pero independientemente de la interpretación o el contexto, lo
único que se necesita es que la formulación matemática del problema se ajuste a
las formas permitidas. Se verá que estas otras cuatro formas legales se pueden
reescribir en una forma equivalente para que se ajuste al modelo que se
presentó. Entonces, todo problema de PL se puede poner en nuestra forma
estándar si se desea.
siendo:
xj: Nivel de actividad de la variable xj
cj: Contribución unitaria de xj a función objetivo
aij: Coeficiente técnico, unidades de recurso i que se consumen por
unidad de variable j
bi: Cantidad disponible de recurso i
• Otra representación:
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 canónica
• Conjunto factible
Es el conjunto de puntos que satisfacen simultáneamente todas las
restricciones (o “filas”) del problema
• Actividades, columnas o variables (xj)
Representan los usos alternativos que deben competir entre sí para la
obtención de los recursos de forma que se optimice la función objetivo
• Recursos (bi)
Son productos, tiempo, etc. Se cuantifican en el término independiente o
Right Hand Side (RHS) del problema
• El conjunto factible de un problema de PL, si existe, es representable mediante
un poliedro convexo
UNIDAD 2
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 ecuación nos tocaría adquirir
15 unidades de X y 10 unidades de Y respectiva mente:
2(15) + 3(10) = 60
2X + 3Y ≤ 60 en donde X, Y ≥ 0
Dándose como solución factible un área sombreada que depende del signo de la
desigualdad. Si el signo es el ≤ la solución será el área inferior esa se sombreará
o si por el contrario el sigo es ≥ el área a sombrear será la de todos los puntos por
encima de la línea obtenida.
En la anterior grafica la solución más factible es la de los puntos más cerca del
eje X (bajo la recta de la solución lineal ya que la ecuación es precedida por el
signo ≤.
1.2 DEFINICION:
Por definición de algunos libros una desigualdad entre dos variables es una
desigualdad que puede escribirse de la forma:
EJEMPLO 1:
SOLUCION
EJEMPLO 2:
EJEMPLO 3:
2x + y > 3
x≥y
y–1>0
Este sistema es equivalente
y≤x x= 0; y= 0
x=1 ; y= 1
y > 1/2
y = -2x + 3,
y=x Y
y=y
Para llegar a una solución óptima en el método grafico se requiere seguir con una
serie de pasos que podemos dar a continuación:
EJEMPLO:
Z= 3x + y
2x + y ≤ 8
2x + 3y ≤ 12
x, y ≥ 0
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 región 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 intersección de las 2 inecuaciones
cuyo valor aproximadamente en el plano esta dado por las coordenadas (3,2).
EJEMPLO:
Z= 2x + 3y
x +2y ≥ 10
3x + 2y ≥ 18
x, y ≥ 0
x, y ≥ 0
Región Factible
(4,3)
Se observa que la región factible esta conformada por los puntos (0,9); (4,3);
(10,0), donde el punto (4,3) es el resultado de la intersección de las dos
ecuaciones dadas como restricciones.
Ahora bien el problema solicita la maximización 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
Muchas personas califican al método algebraico, como uno de los métodos más
importantes en el campo de la programación lineal. En la actualidad es una
herramienta común, que se ha prestado para resolver problemas de gran
magnitud; por su simplicidad, sencillez y estilo de uso cientos de empresas,
compañías de todo el mundo han ahorrado miles y miles de pesos.
PROBLEMA 1:
A B C UTILIDAD
MANUALES(X) 2 1 1 4000
ELECTRICOS(Y) 1 2 1 6000
HORAS 180 160 100
DISPONIBLES
SOLUCIÓN:
SUJETO A:
2X + Y ≤ 180
X + 2Y ≤ 160
X + Y ≤ 100
X + Y ≤ 100 X + Y ≤ 100
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
SOLUCIÓN:
3X + 2Y ≥ 160
5X + 2Y ≥ 200
X + 2y ≥ 80
X + 2y ≥ 80 X=0 Y=40
Y=0 X=80
5X + 2Y ≥ 200 X + 2y ≥ 80
-2X = -40 2X = 80
X = 20 X= 40
Y = 50 Y = 20
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
5. Un fabricante de juguetes que esta preparando un programa de producción
para 2 nuevos artículos, “maravilla” y “fantástico”, debe utilizar la i información
respecto a sus tiempos de construcción que se proporcionan en la siguiente
tabla. Por ejemplo, cada juguete “maravilla” requiere de 2 horas en la maquina
A. las horas de trabajo disponibles de los empleados por semana, son: para la
maquina A, 70 horas; para la B, 40 horas; para terminado, 90 horas. Si las
utilidades de cada juguete “maravilla” y cada juguete “fantástico” son de
$40.000 y $60.000, respectivamente, ¿Cuántas unidades de cada uno deben
fabricarse por semana con el objeto de maximizar las utilidades? ¿cual seria la
utilidad máxima?
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 restricción.
2. Si todos lo indicadores del último renglón son no negativos, entonces Z tiene
un máximo cuando X1=0, X2=0 y X3=0. El valor máximo es 0. Si existen
indicadores negativos, localizar la columna en la que aparezca el indicador
más negativo. Esta columna señala la variable entrante.
EJEMPLO 1
Maximizar Z= 5X1+4X2
Sujeto a: X1+X2 ≤ 20
2X1+X2 ≤ 35
-3X1+X2 ≤ 12
X1≥0, X2≥0
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 posición del pivote y 0 en las demás 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 renglón 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 0 129/2 129/2÷5/2=25(4/5)
Indicadores
Variable Entrante
Obsérvese que en el lado izquierdo, x1 reemplazó a S2. Ya que -3/2 es el
indicador más negativo se debe continuar con el proceso. La variable entrante es
ahora x2. El menor cociente es 5. De modo que S1 es la variable saliente y ½ es
el elemento pivote. Utilizando operaciones elementales sobre renglones, se tiene:
x1 x2 S1 S2 S3 Z b
0 ½ 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 renglón 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 10÷2=5
Saliente S2 2 2 1 0 1 0 10 10÷2=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 0÷1=0
Indicadores
Variable
Entrante
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
EJEMPLO 3:
Maximizar Z=2x1+5x2+8x3
PASO 1: INICIALIZACIÓN:
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)
xj≥0, 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 ecuación, la demás variables, al ser no básicas, sus
valores son ceros y, por consiguiente, podemos deducir que el valor de x5 es
igual a 24.
Primera Iteración
La variable básica entrante es x3, puesto que es la que tiene mayor coeficiente en
la función objetivo de (I), o bien es la de coeficientes más negativos en la tabla
inicial (-8 en este ejemplo).
Restricción
1 a'13 = 1 b'1 = 12
2 a'23 = 1 b'2 = 24
3 a'33 = 1 b'3 = 8
B’1/a'13 = 12/1 = 12
b'2/a'23 = 24/4 = 6
b'3/a'33 = 8/1 = 8
La tabla inicial y la que resulta después de la primera iteración 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
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
Segunda iteración
La variable básica entrante es x2, puesto que es la que tiene mayor coeficiente en
la función objetivo, o bien es la del coeficiente más negativo en la tabla después
de la primera iteración.
Para determinar la variable básica saliente, procedemos de manera similar a lo
que hizo en la primera iteración.
Restricción
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
El resultado es:
Regla de parada
Como todos los coeficientes de la ecuación (0) son positivos, la solución presente
es óptima; 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 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 Iteración
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 Iteración
La solución óptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0); Z = 61
Hemos visto la aplicación del método Simplex para obtener la solución óptima de
un problema de Programación 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 determinación de las variables
básica entrantes y salientes en cada iteración, puede hacerse directamente a
partir de cada una de las tablas.
Ejemplo 4:
Observemos el siguiente ejemplo, recordando los pasos fundamentales en el
método simplex, además del uso de variables artificiales, no confundir con
adicionales.
2x1 + 5x2 - x3 ≤ 1
-3x1 - 8x2 + 2x3≤ 4
-2x1 - 12x2 + 3x3≤£ 9
1. Expresamos estas condiciones en forma matricial. Se eligen 3 (m)
columnas linealmente independientes dentro de A ___ P4, P5, P6.
P4 P5 P6
5 -1 1 0 0 1
2
-3 -8 2 0 1 0 4
-2 -12 3 0 0 1 9
1 - 2x1 - 5x2 + x3 = x4
(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 aparecían en la expresión de Z sigan nulas y, al menos, una
de las que eran distintas de cero se anule.
Actuaremos sobre la variable x2, ya que es la de mayor coeficiente, 8.
x2=k>0,
x1= x3= 0
y x4, x5, x6³ 0 y de estas tres variables, al menos, una nula.
1 - 5·k = x4
4 + 8·k = x5
9 + 12·k = x6
P2 P5 P6
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) è z2= 66
Si Im no está dentro de A:
(Im , matriz identidad de mxm, con m= nº de condiciones.)
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 ) solución de II ___ Vs = (v1, v2,..., vn) solución 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 programación lineal hay una asociación y una relación
muy importante con otro problema de programación lineal, llamado precisamente
dual. El dual permite resolver problemas de maximización resolviendo un
problema minimización relacionado con aquel.
El método simplex además de resolver un problema de programación lineal
llegando a una solución óptima nos ofrece más y mejores elementos para la toma
de decisiones. La dualidad y el análisis de sensibilidad son potencialidades de
éste método
MAX Z= CX MIN Z= BY
Sujeto a: Sujeto a:
AX ≤ b AY ≥ C
X≥0 Y≥0
EJEMPLO 1
X1, X2, X3 ≥ 0.
El dual es:
Minimizar W = 10Y1 + 10 Y2
Sujeta a Y1 + 2Y2 ≥ 3,
2Y1 + 2Y2 ≥ 4,
0Y1 + Y2 ≥ 2,
Y1, Y2 ≥ 0.
EJEMPLO 2
X1 + X2 ≤ 1, (12)
-4X1 + X2 ≤ 3, (13)
Y1, Y2 ≥ 0.
Debido a que es un problema de minimización, las restricciones (12) y (13) deben
quedar >. Multiplicando ambos lados de (12) y (13) 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 método trata de alcanzar factibilidad
del dual, manteniendo una factibilidad del primal, manteniendo una
del primal a través de todo el proceso. factibilidad del dual a través del todo
el proceso.
El criterio para optimización para el El criterio de optimización 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
4x1 + 2x2 ≤ 56
2x1 + 4x2 ≤ 25
Solución:
= =
X2 -1/6 1/3 25 -1
Como los nuevos valores de las variables de decisión tienen signo negativo violan
la propiedad del simplex, o sea, cuando el sector [b] ≥ [0] la solución no es
factible. Entonces la nueva solución de la segunda restricción X2= -1 no es
factible; aquí el método de dual simplex llega a ser importante para restablecer la
factibilidad del problema.
Base X1 X2 H1 H2 Solución
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 ½ 12.5
X3 0 -6 1 -2 6 Óptimo
La solución factible y óptima actual es: X1= 12.5, X2= 0, X3= 6, X4= 0, Z= 100
No se debe olvidar que para encontrar cuál 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 restricción primal que tiene el valor
positivo más alto, y el recurso que rendirá más si aumentamos unas unidades.
Para más información ver la interpretación de dual.
Sujeto a:
4X1 + 2X2 ≤ 60
2X1 + 4X2 ≤ 48
X1,X2≥ 0
Solución:
El análisis de sensibilidad para este tipo de cambio toma como punto de partida la
solución óptima del problema original multiplicando el nuevo vector de costo o
precio (valores de la función objetivo por la matriz de coeficientes tecnológicos), o
sea, la matriz de los coeficientes de las variables que no están en la base de la
tabla final de simplex: el resultado de esta multiplicación le llamaremos Q.
Coeficientes
Tecnológicos
De cual es dual
L – C = 0, la solución es óptima
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
programación lineal. Pero este capitulo se presentan algunos tópicos avanzados
relacionados con la degeneración en programación lineal, así como algoritmos
para resolver problemas con estructuras especiales. Con el estudio de esta
unidad entonces, es complemento natural de un primer curso de investigación de
operaciones para un estudiante de ingeniería.
En el desarrollo del método simple, hemos visto que si existe una solución básica
factible (pero no optima) al conjunto de restricciones y en ausencia de
degeneración, es posible ir combinando sucesivamente un vector de la base y
alcanzar una solución optima (o una indicación de que la solución no esta
acotada) en un numero finito de pasos.
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
En ambos casos el coeficiente es cero. Tomemos entonces la columna de a2
(segunda columna) y calculamos Y22/Y24 y Y32/Y34, o sea:
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 ½ 0
Primera iteración
n+s
Xb(E) = Xb + ∑ E ^ (j)Yj
j=1
Tenemos:
Para determinar el vector que sale de la base podemos utilizar una generalización
de la formula usual;
{
XBr/Yrk = min XBi/Yik, Yik > 0 }
i
EJEMPLO
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
Para la tabla inicial
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 INVESTIGACIÓN DE OPERACIONES.