Geometría de PL: Puntos extremos, método gráfico y análisis de sensibilidad

Geometrı́a de los problemas de Programación Lineal
Puntos extremos y soluciones básicas factibles

Método Gráfico
Análisis de sensibilidad
Geometrı́a de la programación lineal

Presentación basada en el libro ”Programación lineal y entera Un
Enfoque de modelado, Parra Peña J. en proceso de publicación”
Javier Parra Peña

Yeny Andrea Niño Villamizar
Universidad Distrital Francisco José de Caldas

Facultad de Ingenierı́a
Mayo 2020
JPP-YANV Optimización
Método Gráfico
Contenido
1 Geometrı́a de los problemas de Programación Lineal
Terminologı́a básica de programación lineal
Hiperplanos, semiespacios y poliedros
Conjuntos afines, conjuntos convexos y conos
2 Puntos extremos y soluciones básicas factibles
No degeneración y adyacencia
Resolución para poliedros convexos
Teorema fundamental de la programación lineal
3 Método Gráfico
Representación del área factible
Ubicación del punto óptimo
Cálculo del valor óptimo de las variables y de la función
objetivo
Ejemplos
4 Análisis de sensibilidad
Cambios que afectanJPP-YANV
la condición de factible
Optimización
Puntos extremos y soluciones básicas factibles Terminologı́a básica de programación lineal
Método Gráfico Hiperplanos, semiespacios y poliedros
Geometrı́a de los problemas de programación lineal (LP) →

procedimientos algebraicos de solución.

Forma estándar de un problema de PL
Minimizar z =cT x
sujeto a: Ax = b (1)
x≥0
Donde
cT vector fila de dimensión n conocido como el vector de
costos
x vector columna de las variables, de dimensión n
A matriz de las restricciones, de m × n
b vector columna de dimensión m, llamado vector de los
recursos. Sus componentes son todos mayores o iguales a cero.
Región factible
P = {x ∈ R | Ax = b, x ≥ 0}
Si P es no vacı́o, el problema de programación lineal es factible.
Solución óptima
Una solución factible x∗ ∈ P tal que cT x∗ produce el mı́nimo valor
de la función objetivo cT x sobre el dominio factible P.
Se denota además P ∗ = {x∗ ∈ P|x∗ es una solución óptima} como
el conjunto de soluciones óptimas.
Hiperplano (H)
Su descripción implica un vector columna a diferente de cero y un escalar β.
H = {x ∈ Rn |aT x = β}
Un hiperplano H divide el espacio (total) en dos semiespacios, que se

intersectan en él.
Semiespacio
Son los subconjuntos del espacio a ambos lados de un hiperplano.
HL = {x ∈ Rn |aT x ≤ β} y HU = {x ∈ Rn |aT x ≥ β}
En un PL, los hiperplanos H = {x ∈ Rn |cT x = β} con β ∈ R, representan el

contorno de la función objetivo lineal, y el vector de costo c es el vector normal
de esos hiperplanos.
Sistema poliédrico o poliedro

Conjunto formado por la intersección de un número finito de semiespacios
cerrados. Si tal intersección es acotada y no vacı́a es llamado politopo. En un
problema de PL en su forma estándar, si se denota ai como la i-ésima fila de la
matriz de restricciones A y bi como el i-ésimo elemento del vector b, se tienen
m hiperplanos Hi = {x ∈ Rn |ai T x = bi , para i = 1, . . . , m} y el dominio factible
P es la intersección de esos hiperplanos y el primer ortante de Rn .
Un hiperplano H es la intersección de dos semiespacios HL y HU y el primer

ortante es la intersección de n semiespacios {x ∈ Rn |x ≥ 0} (i = 1, 2, . . . , n).
Como P es un conjunto poliédrico, una solución óptima para el problema de PL
puede ser identificada fácilmente si se observa como el hiperplano del contorno
formado por c o vector de costo se interseca con P.
Combinación lineal: λ1 x1 + λ2 x2 + · · · + λp xp
Dados p puntos, x1 , x2 , . . . , xp ∈ Rn , y p escalares λ1 , λ2 , . . . , λp ∈ R
Combinación afı́n
La combinación lineal es una combinación afı́n cuando λ1 + λ2 + · · · + λp = 1
Combinación convexa
La combinación lineal es una combinación convexa cuando
λ1 + λ2 + · · · + λp = 1 y 0 ≤ λ1 , λ2 , . . . , λp ≤ 1
Combinación afı́n
λ1 x1 + λ2 x2 + · · · + λp xp , λ1 + λ2 + · · · + λp = 1
y
8
7 x1 = (5, 7)
6
5
4
3 x2 = (8, 3)
2
1
x
1 2 3 4 5 6 7 8 9
Figura: Ejemplo de combinaciones afines para los puntos x1 = (5, 7) y

x2 = (8, 3)
Combinación convexa
λ1 x1 + λ2 x2 + · · · + λp xp , λ1 + λ2 + · · · + λp = 1, 0 ≤ λi ≤ 1
y
7 x1 = (5, 7)
6
5
4
3 x2 = (8, 3)
2
1
x
1 2 3 4 5 6 7 8
Figura: Ejemplo de combinaciones convexas para los puntos x1 = (5, 7) y

x2 = (8, 3)
Combinación lineal
Sean dos puntos x1 y x2 y su combinación lineal.

Sea λ1 + λ2 = 1 y λ2 = s de modo que λ1 = 1 − s, es posible ver
que: λ1 x1 + λ2 x2 = (1 − s)x1 + sx2 = x1 + s(x2 − x1 ).
Todas las combinaciones afines de los diferentes puntos
x1 , x2 ∈ R son todas las lı́neas determinadas por esos dos
puntos,
El conjunto de todas las combinaciones convexas es el
segmento que une x1 con x2
Cada combinación convexa es una combinación afı́n, pero lo
contrario sólo ocurre cuando x1 = x2 .
Conjunto afı́n
Un subconjunto no vacı́o S ⊂ Rn , se dice que S es afı́n si contiene todas las
combinaciones afines de cualquier par de puntos x1 , x2 ∈ S;
Conjunto convexo
S es convexo si contiene todas las combinaciones convexas de cualquier par de
puntos x1 , x2 ∈ S
Los conjuntos afines son convexos pero los conjuntos convexos no
necesariamente son afines
La intersección de una colección (finita o infinita) de conjuntos afines es
vacı́a o afı́n mientras que la intersección de una colección de conjuntos
convexos es vacı́a o convexa.
Los hiperplanos son afines (y por tanto convexos), pero los semiespacios
cerrados son únicamente convexos (no afines).
El espacio lineal {x ∈ Rn |Ax = b} es afı́n (y por lo tanto convexo) pero el
dominio factible P del problema de PL es únicamente convexo.
Dado un conjunto S ⊂ Rn y x ∈ S, x es un punto interior de S si ∃ > 0 tal
que la esfera abierta B = {y ∈ Rn | kx − yk < } ⊂ S. De lo contrario x es un
punto frontera de S. JPP-YANV Optimización
Teorema de separación
Sean, S un subconjunto convexo de Rn y x un punto en la frontera de S, existe
un hiperplano H que contiene a x con S contenido en HL o en HU .
Hiperplano soporte H, es un hiperplano tal que:

La intersección de H y S es no vacı́a,
HL contiene a S o HU contiene a S.
Solución óptima del PL

Está en la intersección del conjunto poliédrico P y el hiperplano soporte con el
vector de costo −c, como su vector normal.
Para un conjunto poliédrico convexo P y un hiperplano soporte H, la
intersección es un conjunto F = P ∩ H conocido como una cara de P.
Si F es de dimensión cero → vértice;
Si es de dimensión uno → arista;
Si es de una dimensión menos que P → faceta.
Puntos extremos y soluciones básicas factibles Resolución para poliedros convexos
Método Gráfico Teorema fundamental de la programación lineal

Puntos extremos
Un punto x en un conjunto convexo C es un punto extremo
de C si x no es una combinación convexa de cualquier par de
puntos diferentes en C .
Los puntos extremos son los vértices de un poliedro convexo.
Solución de un problema de Programación lineal

Los puntos extremos de un conjunto poliédrico son entidades
geométricas
Las soluciones básicas factibles de un sistema de ecuaciones y
desigualdades lineales se definen algebraicamente.
Herramientas algebraicas guiadas por intuición geométrica,
permiten resolver los problemas de LP
Para caracterizar los puntos extremos de un dominio factible

P = {x ∈ Rn |Ax = b, x ≥ 0} se puede asumir que A es una matriz de m × n
con m ≤ n, al denotar la columna j-ésima de A por Aj , para j = 1, 2, . . . , n.
Entonces, para cada punto x = (x1 , x2 , . . . , xn )T ∈ P, se tiene que
x1 A1 + x2 A2 + · · · + xn An = b, dando lugar al siguiente teorema.
Teorema
Un punto x de un conjunto poliédrico P = {x ∈ Rn |Ax = b, x ≥ 0} es un punto
extremo de P si y sólo si las columnas de A corresponden a las componentes
positivas de x linealmente independientes
Sea A de m × n con m ≤ n, si A tiene m columnas linealmente independientes,

se dice que A tiene rango completo. En este caso, es posible agrupar esas m
columnas linealmente independientes para formar una base B y dejar las
restantes n − m columnas como no básicas N. Esto es reordenar A = [B|N], y
los componentes de cualquier vector solución x como se observa en 2.

xB
x= (2)
xN
Resolución para poliedros convexos

Sea P un politopo, cada punto de P puede expresarse como una combinación
convexa del número finito de puntos extremos de P.
Una dirección extrema de un conjunto poliédrico P es un vector d ∈ Rn tal que
para cada x0 ∈ P el rayo {x ∈ Rn |x = x0 + λd, λ ≥ 0} está contenido en P.
Un vector d ∈ Rn es una dirección extrema de P sólo si Ad = 0 y d ≥ 0.
Cada punto en P puede representarse mediante el teorema de resolución.
Teorema de resolución
Sea V = {vi ∈ Rn |i ∈ I } el conjunto de todos los puntos extremos de P con un
conjunto ı́ndice finito I . Entonces para cada x ∈ P, se tiene que:
X
x= λi vi + d
i∈I
P
Donde i∈I λi = 1, λi ≥ 0, ∀i ∈ I y d es 0 o una dirección extrema de P.
Corolario 1: Si P es acotada, entonces cada punto x ∈ P es una combinación convexa de puntos
extremos de P.
Corolario 2: Si P es no vacı́o, entonces tiene al menos un punto extremo.
Teorema fundamental de la programación lineal
Para un problema lineal consistente, en su forma estándar, con un

dominio factible P el mı́nimo valor de la función objetivo z = cT x
es no acotado o es alcanzado en al menos un punto extremo de P.
El teorema no elimina la posibilidad de tener una solución óptima

en un punto no extremo. Simplemente, entre todas las soluciones
óptimas para un problema de programación lineal dado, al menos
una de ellas es un punto extremo (lo que permite múltiples
soluciones).
Geometrı́a de los problemas de Programación Lineal Representación del área factible
Puntos extremos y soluciones básicas factibles Ubicación del punto óptimo
Método Gráfico Cálculo del valor óptimo de las variables y de la función objetivo
Análisis de sensibilidad Ejemplos
Método Gráfico
Caracterı́sticas
1 Representación de las restricciones en un plano cartesiano.
2 Evaluación de la función objetivo.

3 Se limita a problemas de programación lineal con dos variables
de decisión (R2 ).
4 Permite comprender la naturaleza del comportamiento de
otros métodos empleados para resolver problemas de PL.
Etapas
Representación del espacio solución o área factible, si existe
Ubicación del vértice del espacio solución que representa el
valor extremo buscado (máximo o mı́nimo) de la función
objetivo.
Representación de una restricción

Una restricción de igualdad implica únicamente los puntos
sobre la recta que la representa.
Una restricción de desigualdad “mayor o igual” o “menor o
igual” representa un semiespacio (área) en el plano cartesiano
en el cual es válida. Es necesario:
1 Representar en el plano cartesiano la recta que sirve de
frontera a la restricción,
2 Determinar el semiespacio en el cual se cumple la restricción,

Establecimiento del espacio solución o área factible
Tras representar todas las restricciones del problema de PL, se
debe establecer (si existe): el área, la lı́nea o el punto (politopo),
en la cual se intersectan los semiespacios factibles de todas las
restricciones.
Tipos de espacios solución

Acotado: Área factible totalmente delimitada.
No acotado: El área en que se cumplen todas las restricciones
no está plenamente delimitada.
No Factible: No existe un área común donde se cumplan
todas las restricciones, se puede afirmar que el problema no
tiene solución factible bajo las condiciones dadas.
Ubicación del punto óptimo
Representación de una recta con la pendiente de la función objetivo...

... en el punto más extremo del espacio solución al cual puede llevarse, según
sea el objetivo de maximización o de minimización.
Mediante el vector dirección

Esto es aquel que representa una dirección perpendicular a la pendiente de la
función objetivo y ubicar el punto extremo en el cual este vector deja el área
factible, teniendo en cuenta el sentido de optimización que se persigue.
Evaluar todos los puntos extremos

Hallar las coordenadas de cada uno de los vértices del espacio solución y
evaluar la función objetivo en cada vértice, la respuesta óptima será aquella que
conduzca al mayor (menor) valor de la función objetivo si se trata de un
problema de maximización (minimización).
Cálculo del valor óptimo de las variables y de la función

objetivo
Calcular los valores de las coordenadas del punto (o los

puntos) en el cual se intersectan las restricciones que pasan
por él.
Una vez se conocen los valores que toman las variables en
dicho punto (puntos), se procede a calcular el valor de la
función objetivo en ese punto.
Los valores de las variables pueden calcularse a través de
diferentes métodos de solución del sistema de ecuaciones
Ejemplo 1.
Maximizar z =4x1 + 3x2

Sujeto a:
6x1 + x2 ≥ 12
5x1 + 2x2 ≤ 30
(3)
8x1 + 10x2 ≤ 80
x1 − 4x2 ≤ 0
x1 + x2 ≥ 5
x1 , x2 ≥ 0
x2
15
14
13
12
11
10
9 6x 1 + x 2
8
7
≥ 12
6
5
4
3
2
1
x1
1 2 3 4 5 6 7 8 9 10 11
Figura: Método gráfico, Inclusión progresiva de las restricciones
x2
15
14
13
12
11
10
5x 1
9 6x 1 + x 2
+2
8
x2
≤3
7
≥ 12
0
6
5
4
3
2
1
x1
1 2 3 4 5 6 7 8 9 10 11
x2
15
14
13
12
11
10
5x 1
9 6x 1 + x 2
+2
8
x2
≤3
7
≥ 12
0
6
5
4
8x
3 1 +
10
2 x2
≤
1 80
x1
1 2 3 4 5 6 7 8 9 10 11
x2
15
14
13
12
11
10
5x 1
9 6x 1 + x 2
+2
8
x2
≤3
7
≥ 12
0
6
5
4
8x
3 1 0
+ 4x 2 ≤
2 x 1 1−
0x
2 ≤
1 80
x1
1 2 3 4 5 6 7 8 9 10 11
x2
15
14
13
12
11
10
5x 1
9 6x 1 + x 2
+2
8
x2
≤3
7
≥ 12
0
6
5
4
x1 8x
3 1 0
+ + 4x 2 ≤
2
x2 x 1 1−
0x
≥ 2 ≤
1 5 80
x1
1 2 3 4 5 6 7 8 9 10 11
x2
15
14
13
12 Maximizar z = 4x1 + 3x2
11 5x 1 Sujeto a : 6x1 + x2 ≥ 12
10
5x1 + 2x2 ≤ 30
6x1 + x2
9
+
8x1 + 10x2 ≤ 80
2x 2
8
7 x1 − 4x2 ≤0
≤3
≥ 12
6 x1 + x2 ≥5
0
5 z= 30.5878
x1 , x2 ≥0
4 x (4.11,4.70)8x
1 + 0
3 1+ 1 4x 2 ≤
2 x2
x 1 −0x
≥ 2 ≤
1 5 80
x1
1 2 3 4 5 6 7 8 9 10 11
Figura: Método gráfico, Espacio acotado con solución única
Ejemplo 2
MaxZ =4x1 + 5x2

Sujeto a:
6x1 + x2 ≥ 12
5x1 + 2x2 ≤ 30
(4)
8x1 + 10x2 ≤ 80
x1 − 4x2 ≤ 0
x1 + x2 ≥ 5
x1 , x2 ≥ 0
x2
15
14
13
12 Maximizar z = 4x1 + 5x2
11 Sujeto a : 6x1 + x2 ≥ 12
5x 1
10
5x1 + 2x2 ≤ 30
6x1 + x2
9
+2
8 8x1 + 10x2 ≤ 80
x2 ≤
z= 40, (0.76,7.38) x1 − 4x2 ≤0

7
8x
≥ 12
30
6 1 + x1 + x2 ≥5
z= 40,5 (4.11,4.70) 10x x1 , x2 ≥0
4 x 2 ≤
3 1+ 80 x 2 ≤ 0
4
2 x2 x1 −
≥
1 5
x1
1 2 3 4 5 6 7 8 9 10 11
Una restricción se considera activa cuando se encuentra en un

punto extremo del espacio solución en el cual la función objetivo
toma su valor máximo (mı́nimo) si se trata de un problema de
maximización (minimización).
Se dice que existen múltiples soluciones debido a que al coincidir la
función objetivo con una restricción activa, existen infinitos puntos
sobre la recta que sirve de frontera a la restricción que
proporcionan el máximo (mı́nimo) buscado.
Ejemplo 3.
MaxZ =3x1 + 4x2

Sujeto a:
6x1 + x2 ≥ 12
5x1 + 2x2 ≤ 30
(5)
8x1 + 10x2 ≤ 80
x1 − 4x2 ≤ 0
x1 + x2 ≥ 11
x1 , x2 ≥ 0
Ejemplo 4
MinZ =3x1 + 4x2

Sujeto a:
6x1 + x2 ≥ 12
(6)
x1 − 4x2 ≤ 0
x1 + x2 ≥ 5
x1 , x2 ≥ 0
Ejemplo 5.
MinZ =3x1 + 3x2

Sujeto a:
6x1 + x2 ≥ 12
(7)
x1 − 4x2 ≤ 0
x1 + x2 ≥ 5
x1 , x2 ≥ 0
Ejemplo 6.
MaxZ =3x1 + 4x2

Sujeto a:
6x1 + x2 ≥ 12
(8)
x1 − 4x2 ≤ 0
x1 + x2 ≥ 5
x1 , x2 ≥ 0
A modo de conclusión
Ejemplos
1 Espacio acotado con solución única
2 Espacio acotado con múltiples soluciones
3 No existe espacio solución, problema no factible
4 Espacio no acotado con solución única
5 Espacio no acotado con múltiples soluciones
6 Espacio no acotado sin solución
Puntos extremos y soluciones básicas factibles Cambios que afectan la condición de factible
Método Gráfico Cambios que afectan la condición de óptimo
Dado que los modelos son para la toma de decisiones y que el

entorno en el cual se toman las decisiones es cambiante, se
requiere analizar el impacto de tales cambios
Tipos de cambios
1 Cambios que afectan la condición de factible
2 Cambios que afectan la condición de óptimo
Cambios que afectan la condición de factible

Cambios en el lado derecho de las restricciones
Corrimientos de las funciones, que sirven de frontera a las restricciones,
implican una expansión o contracción del espacio solución, que lo puede llevar
a desaparecer.
Es frecuente que el punto óptimo (intersección de dos o más restricciones) deje
de ser factible tras los cambios.
Adición de restricciones
Una nueva restricción puede mantener, reducir o incluso eliminar el área
factible.
Cuando una nueva restricción no afecta el espacio solución, se dice que no es
activa en el óptimo y la respuesta óptima se mantiene.
Eliminación de restricciones
Si la restricción eliminada no es redundante, el área factible se expande. Es
necesario verificar si la expansión amerita recalcular el punto óptimo.
Cambios que afectan la condición de óptimo

Cambios en los coeficientes de la función objetivo
Estos cambios actúan sobre la pendiente de la función objetivo,
cuando tiene lugar un cambio en tales coeficientes es preciso
verificar la condición de óptimo pues un cambio de esta naturaleza
puede hacer que un punto considerado óptimo en la solución inicial
del problema deje de serlo, o que un problema de solución única se
convierta en un problema de múltiples soluciones.
Adición de variables
El incluir nuevas variables puede llevar a que el óptimo actual deje
de serlo. Un análisis del caso se presentará en el tema “Dualidad y
Análisis de sensibilidad”, pues ante tal cambio el método gráfico
deja de ser apto para resolverlo, pues quedarı́a con tres o más
variables.

Geometría de PL: Puntos extremos, método gráfico y análisis de sensibilidad

Cargado por

Información del documento

Título original

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

Geometría de PL: Puntos extremos, método gráfico y análisis de sensibilidad

Cargado por

Copyright:

Formatos disponibles

Geometrı́a de los problemas de Programación Lineal

Puntos extremos y soluciones básicas factibles

Geometrı́a de la programación lineal

Javier Parra Peña

Universidad Distrital Francisco José de Caldas

Geometrı́a de los problemas de programación lineal (LP) →

Terminologı́a básica de programación lineal

Terminologı́a básica de programación lineal

Hiperplanos, semiespacios y poliedros

Un hiperplano H divide el espacio (total) en dos semiespacios, que se

Hiperplanos, semiespacios y poliedros

En un PL, los hiperplanos H = {x ∈ Rn |cT x = β} con β ∈ R, representan el

Sistema poliédrico o poliedro

Un hiperplano H es la intersección de dos semiespacios HL y HU y el primer

Figura: Ejemplo de combinaciones afines para los puntos x1 = (5, 7) y

Figura: Ejemplo de combinaciones convexas para los puntos x1 = (5, 7) y

Sean dos puntos x1 y x2 y su combinación lineal.

Hiperplano soporte H, es un hiperplano tal que:

Solución óptima del PL

Puntos extremos y soluciones básicas factibles

Solución de un problema de Programación lineal

Para caracterizar los puntos extremos de un dominio factible

Sea A de m × n con m ≤ n, si A tiene m columnas linealmente independientes,

Resolución para poliedros convexos

Teorema fundamental de la programación lineal

Para un problema lineal consistente, en su forma estándar, con un

El teorema no elimina la posibilidad de tener una solución óptima

2 Evaluación de la función objetivo.

Representación del área factible

Representación de una restricción

Representación del área factible

Tipos de espacios solución

Ubicación del punto óptimo

Representación de una recta con la pendiente de la función objetivo...

Mediante el vector dirección

Evaluar todos los puntos extremos

Cálculo del valor óptimo de las variables y de la función

Calcular los valores de las coordenadas del punto (o los

Maximizar z =4x1 + 3x2

Figura: Método gráfico, Inclusión progresiva de las restricciones

Figura: Método gráfico, Inclusión progresiva de las restricciones

Figura: Método gráfico, Inclusión progresiva de las restricciones

Figura: Método gráfico, Inclusión progresiva de las restricciones

Figura: Método gráfico, Inclusión progresiva de las restricciones

Figura: Método gráfico, Espacio acotado con solución única

MaxZ =4x1 + 5x2

z= 40, (0.76,7.38) x1 − 4x2 ≤0

Una restricción se considera activa cuando se encuentra en un

MaxZ =3x1 + 4x2

MinZ =3x1 + 4x2

MinZ =3x1 + 3x2

MaxZ =3x1 + 4x2

Dado que los modelos son para la toma de decisiones y que el

Cambios que afectan la condición de factible

Cambios que afectan la condición de óptimo

También podría gustarte