Modulo3 Tecnicas Matematicas 1

ESCUELA POLITÉCNICA NACIONAL
FACULTAD DE INGENIERÍA ELÉCTRICA
SISTEMAS DE ADMINISTRACIÓN
DE ENERGÍA ELÉCTRICA
Ing. Marco Valencia, M.Sc.
1
ESCUELA POLITÉCNICA NACIONAL
FACULTAD DE INGENIERÍA ELÉCTRICA
SISTEMAS DE ADMINISTRACIÓN DE ENERGÍA

ELÉCTRICA
III. Operación Económica del Sistema

Parte 1: Técnicas Matemáticas
2
Técnicas Matemáticas:
Programación Lineal
• Modelos de
programación lineal
6
3
• Conceptos generales
2
1 • El método símplex
1 2 3 4 5 6 7 8
3
• Modelos de
6
3
2
1 2 3 4 5 6 7 8
4
Modelos de programación
matemática
MODELOS Resolver problemas de la vida real
Tratar de entender como se

comporta el mundo real Conectar la
realidad física y
matemática
Obtener las respuestas
esperadas de diferentes
acciones
5
Modelos de programación
matemática
CRITERIO
Naturaleza de los datos Determinísticos Estocásticos
Intervención del tiempo Dinámicos Estáticos
Objetivos del problema Objetivo único Multi objetivo
Presencia de
Sin restricciones Restringidos
restricciones
Linealidad de las
Lineales No lineales
funciones
Continuidad de las
Continuos Discretos
variables
6
Modelos de programación lineal
• La programación lineal (PL), trata

exclusivamente con funciones objetivos y
restricciones lineales.
• Es una de las áreas más importantes de la

matemática aplicada.
• Se utiliza en campos como la ingeniería, la

economía, la gestión, y muchas otras áreas de
la ciencia, la técnica y la industria.
7
Modelos de programación lineal
• Cualquier problema de programación lineal

requiere identificar cuatro componentes básicos:
1. El conjunto de datos.
2. El conjunto de variables involucradas en el problema,
junto con sus dominios respectivos de definición.
3. El conjunto de restricciones lineales del problema
que definen el conjunto de soluciones admisibles.
4. La función lineal que debe ser optimizada
(minimizada o maximizada).
8
El problema del transporte
u1 v1
c12
u2 v2
cij
ui vj
xij
um vn
Orígenes Destinos
9
u1 v1
c12
DATOS:
u2 v2
m: número de orígenes.
n: número de destinos.
cij ui: cantidad a enviar desde el origen i.
ui vj
xij vj: cantidad a recibir en el destino j.
cij: costo de enviar una unidad de
producto desde el origen i al
um vn destino j.
Orígenes Destinos
10
u1 v1
c12
VARIABLES:
u2 v2
xij: Cantidad a transportar del origen i al

cij destino j.
ui vj
xij
xij  0
um vn
Orígenes Destinos
11
u1 v1
c12
RESTRICCIONES:
u2 v2
Para todos los orígenes i:
n
ui
cij
vj
x
j 1
ij  ui
xij
Para todos los destinos j:

m
um vn
x
i 1
ij  vj
Orígenes Destinos
12
u1 v1
c12
FUNCIÓN OBJETIVO:
u2 v2
Minimizar el costo de transporte
cij
ui vj m n
xij min Z   cij xij
i 1 j 1
um vn
Orígenes Destinos
13
EJEMPLO
Costos:
2 1 1 5
Destino
Origen 1 2 3
3 2 2 2 1 1 2 3
2 2 1 2
3 3 2 1
4 3 3 2
14
El problema de la planificación de la
producción
Un productor debe abastecer una demanda que varía mensualmente
Producción variable
Costos de personal y
acondicionamiento de
maquinaria
Producción constante
Costos de almacenamiento
15
producción
DATOS:
n: número de meses a considerar

s0: cantidad almacenada al principio del periodo
dt: demanda del mes t
smax: capacidad máxima de almacenamiento
at: precio de venta en el mes t
bt: costo de producción en el mes t
ct: costo de almacenamiento en el mes t
16
producción
VARIABLES:
xt: número de unidades producidas en el mes t

st: número de unidades almacenadas en el mes t
17
El problema de la planificación de
la producción
RESTRICCIONES:
xt
st  st 1  xt  d t
st-1 st
st  smax
st  0
dt xt  0
18
producción
FUNCIÓN OBJETIVO:
xt
Maximizar los ingresos, una vez

st-1 st descontados los costos de producción
y de almacenamiento
T
max Z   at d t  bt xt  ct st 
t 1
dt
19
El problema de la planificación de
la producción
EJEMPLO Encontrar la planificación para cuatro

períodos con la siguiente demanda
xt
st-1 st
El almacenamiento al t = 0 es 2.
dt a=3
b=1
c=1
20
• Modelos de
6
3
2
1 2 3 4 5 6 7 8
21
Formulación del problema
PROGRAMACIÓN LINEAL:
Optimizar una función lineal de n variables.

Sujeto a:
Restricciones lineales
de igualdad o
desigualdad
Intersección de un
número finito de
hiperplanos y
semiespacios en Rn
22
SUPUESTOS DE LA PROGRAMACIÓN LINEAL:
• PROPORCIONALIDAD
– Los efectos de una variable de decisión son proporcionales tanto sobre la
función objetivo como sobre las restricciones. No hay economías de escala ni
costos de arranque.
• ADITIVIDAD
– Los efectos de las variables se suman. El costo total es la suma de los costos
individuales y la contribución total a una restricción es la suma de las
contribuciones de cada variable.
• DIVISIBILIDAD
– Las variables de decisión pueden tomar valores reales. Se permiten valores no
enteros.
23
Definición (problema de programación lineal):
La forma más general de un problema de programación lineal (PPL)

consiste en minimizar o maximizar
Función
1 objetivo
Sujeto a:
2
Restricciones
24
Definición (solución factible):
Un punto x = (x1, x2, . . . , xn) que satisface todas las

restricciones (2) se denomina solución factible. El conjunto de
todas esas soluciones es la región de factibilidad
Definición (solución óptima):
Un punto factible x* tal que f(x) ≥ f(x*) para cualquier otro

punto factible x se denomina una solución óptima del
problema.
Los problemas lineales presentan propiedades

que hacen posible garantizar el óptimo global
25
Propiedades de la programación lineal
• Si la región factible está acotada, el problema siempre tiene una solución

(ésta es una condición suficiente pero no necesaria para que exista una
solución).
• El óptimo de un problema de programación lineal es siempre un óptimo
global.
• Si x y y son soluciones óptimas de un problema de programación lineal,
entonces cualquier combinación lineal convexa de lo mismos también es
una solución óptima. Obsérvese que las combinaciones convexas de
puntos con el mismo valor de la función de coste presentan el mismo valor
de la función de coste.
• La solución óptima se alcanza siempre, al menos, en un punto extremo de
la región factible.
26
Ejemplo (solución única):
Maximizar
sujeto a:
27
Ejemplo (solución única):

-x1 + x2 ≤ 2
6
x1 + x2 ≤ 6
5
x1 ≤ 3
X = (3,3)
4
2x1 - x2 ≤ 4
Z = 12
3
-x2 ≤ 0
2
-x1 ≤ 0
1
-x1 - x2 ≤ -1
1 2 3 4 5 6 7 8 Z = 3x1 + x2
28
Ejemplo (soluciones múltiples):

-x1 + x2 ≤ 2
6
x1 + x2 ≤ 6
5
x1 ≤ 3
Z=6
4
2x1 - x2 ≤ 4
3
-x2 ≤ 0
2
-x1 ≤ 0
1
-x1 - x2 ≤ -1
1 2 3 4 5 6 7 8 Z = x1 + x2
29
Ejemplo (solución no acotada):
Maximizar
sujeto a:
30
Ejemplo (solución no acotada):

-x1 + x2 ≤ 2
-x2 ≤ 0
6 Región factible no
acotada en la dirección -x1 ≤ 0
5
de crecimiento de la
función objetivo
-x1 - x2 ≤ -1
4
3 Z = 3x1 + x2
2
1 2 3 4 5 6 7 8
31
Ejemplo (solución infactible):
Maximizar
sujeto a:
32
Ejemplo (solución infactible):

-x1 + x2 ≤ 2
6
x1 + x2 ≤ 6
5
x1 ≤ 3
4
2x1 - x2 ≤ 4
3
-x2 ≤ 0
2
-x1 ≤ 0
1
-x1 - x2 ≤ -1
x1 + x2 ≤ 0
1 2 3 4 5 6 7 8
33
Problema de PL en forma estándar
Vector elemento de Rn
Minimizar
Vector no negativo
elemento de Rm
sujeto a:
Matriz m x n
n >> m
34
Problema de PL en forma estándar
Un problema de programación lineal se dice

que está en forma estándar si y sólo si:
1. Es de minimización.
2. Sólo incluye restricciones de igualdad.
3. El vector b es no negativo.
4. Las variables x son no negativas.
35
Transformación a la forma estándar
1. VARIABLES NO RESTRINGIDAS EN SIGNO:
 
xi  xi  xi
xi  max0, xi 

Variables no
xi  max0, xi 
negativas

36
2. RESTRICCIONES DE DESIGUALDAD:
VARIABLES DE
HOLGURA
No negativas
37
3. PROBLEMA DE MAXIMIZACIÓN:
max Z max  cT x
Es equivalente a
min Z min  cT x
Si ambos problemas cumplen las mismas restricciones.
38
4. TÉRMINO INDEPENDIENTE NO POSITIVO
Toda restricción con un valor de bi negativo puede

multiplicarse por -1.
39
EJEMPLO:
Maximizar
Sujeto a:
40
EJEMPLO:
… es equivalente a
Minimizar
Sujeto a:
41
Soluciones básicas
• Considérese un problema de programación

lineal en forma estándar matricial donde se
supone que:
– el rango de la matriz A de dimensión m×n es m
– el sistema lineal Ax = b tiene solución.
42
Soluciones básicas
• RANGO de una matriz es el número de líneas de esa matriz (filas o

columnas) que son linealmente independientes.
• Una línea es linealmente dependiente de otra u otras cuando se

puede establecer una combinación lineal entre ellas.
– si f1 = 2·f3 - 3·f4, entonces decimos que f1 es linealmente dependiente

de f3 y f4.
• Una línea es linealmente independiente de otra u otras cuando no

se puede establecer una combinación lineal entre ellas.
• El rango o característica de una matriz A se simboliza como rang(A)

o r(A)
43
Soluciones básicas
Definición (Matriz básica):
Una submatriz no singular B de dimensión m×m de A se denomina

matriz básica o base. B se denomina matriz básica factible si y solo
si B−1b ≥ 0.
A cada matriz básica está asociado un

vector XB que se denomina solución básica
44
Soluciones básicas
Variables Variables
solución básica básicas no básicas
X= x1 x2 x3 x4 XB = x1 x2 x4 XN = x3
a11 a12 a13 a14 a11 a12 a14 a13
A= a21 a22 a23 a24 B= a21 a22 a24 N= a23
a31 a32 a33 a34 a31 a32 a34 a33
Columnas de matriz básica
45
Soluciones básicas
Haciendo 0 a las variables no básicas:
Solución básica asociada a B
46
Soluciones básicas
Teorema (Caracterización de puntos extremos):
Sea S = {x : Ax = b, x ≥ 0}, donde A es una matriz m×n de rango m, y b es

un vector de dimensión m. Un punto x es punto extremo de S si y sólo si A
puede descomponerse en (B,N) tal que
donde B es una matriz de dimensión m×m invertible que satisface B−1b ≥ 0.
47
Soluciones básicas
Teorema (Propiedad fundamental de la programación lineal):
Si un problema de programación lineal tiene una solución

óptima, es además una solución básica factible.
48
Sensibilidades
Sea B la base óptima, entonces:
Si b experimenta un cambio marginal:

λ*T
Se tienen cambios en el vector de variables y la función objetivo:
De donde:
Cambio en el valor óptimo de la función objetivo
debido al cambio marginal en el recurso bj
49
Dualidad
Problema primal (P) Problema dual (D)
Minimizar: Maximizar:
Sujeto a: Sujeto a:
y = (y1, y2, … ym)T se denominan variables duales
50
Dualidad
• Formulación del problema dual
• Una restricción de igualdad en el primal hace que la
correspondiente variable dual no esté restringida en
signo.
• Una restricción de desigualdad ≥ en el primal da lugar a
una variable dual no negativa.
• Una restricción de desigualdad ≤ en el primal da lugar a
una variable dual no positiva.
• Una variable no negativa primal da lugar a una restricción

de desigualdad ≤ en el problema dual.
• Una variable primal no positiva da lugar a una restricción
de desigualdad ≥ en el problema dual.
• Una variable no restringida en signo del problema primal
da lugar a una restricción de igualdad en el dual
51
Dualidad
EJEMPLO:
Problema primal (P) Problema dual (D)
Minimizar: Maximizar:
Sujeto a: Sujeto a:
52
Dualidad
Lema de la Dualidad Débil:
Sea P un Problema de Programación Lineal (PPL), y D su dual. Sea x

una solución factible de P e y una solución factible de D. Entonces
53
Dualidad
Demostración:
x es factible para P, entonces: 1
y es factible para D, entonces: 2
Por 1, la función objetivo de D es:
Y por 2, considerando que x es no negativo:
Por tanto:
54
Dualidad
Teorema de Dualidad:
Si x* es una solución óptima de P, existe una solución óptima y* para

D, y el mínimo de P y el máximo de D presentan el mismo valor de
la función objetivo bTy* = cTx*.
Recíprocamente, si y* es una solución óptima de D, existe una solución

óptima de P, x*, y nuevamente, los valores mínimo y máximo de P y
D dan lugar a un valor común de la función objetivo bTy* = cTx*.
En otro caso, o un conjunto factible está vacío o lo están los dos.
55
Dualidad
En resumen…
P óptimo D óptimo
P no acotado D no factible
D no acotado P no factible
P no factible D no acotado o no factible
D no factible P no acotado o no factible
56
Dualidad
EJEMPLO: Problema primal y dual del carpintero
57
Dualidad
4x1 + 3x2 ≤ 40
Maximizar:
Sujeto a:
4x1 + 7x2 ≤ 56
Z = 850 USD
58
Dualidad
Si se incrementa la capacidad de mecanizado secundario a 72 horas:
Maximizar:
x1 = 4
Sujeto a: x2 = 8
Z = 1000 USD
1000  850 150 75

Precio sombra =  
72  56 16 8
59
Dualidad
Problema dual:
Minimizar:
y1 = 65/8
Sujeto a: y2 = 75/8
Z = 850 USD
60
• Modelos de
6
3
2
1 2 3 4 5 6 7 8
61
El método Símplex
Economistas de • Aplicación de técnicas de la programación

la antigua Unión lineal en la organización y planificación de
la producción.
Soviética:
• Proyecto SCOOP (Scientific Computation

Segunda Guerra of Optima Programs) de la Fuerza Aérea
Mundial: USA
• Método símplex, George B.Dantzig, 1947
62
El método Símplex
• La implementación del método símplex (MS) ha

sufrido modificaciones importantes, pero los
conceptos fundamentales no han variado:
• método símplex revisado,
• método símplex dual,
• métodos primal – dual.
63
El método Símplex
• Método del punto interior (MPI), introducido por

Karmarkar en 1984
– Complejidad polinómica: para problemas grandes (más de

2000 restricciones y variables) los métodos del punto
interior superan al MS.
– El MS encuentra una solución en un número finito de

pasos, mientras que el MPI no siempre lo consigue, pues
converge asintóticamente a la solución optima.
64
Soluciones básicas
Definición (Matriz básica):
Una submatriz no singular B de dimensión m×m de A se denomina matriz

básica o base. B se denomina matriz básica factible si y solo si B−1b ≥ 0.
A cada matriz básica está asociado un

vector XB que se denomina solución básica
65
Soluciones básicas
Variables Variables
solución básica básicas no básicas
X= x1 x2 x3 x4 XB = x1 x2 x4 XN = x3
a11 a12 a13 a14 a11 a12 a14 a13
A= a21 a22 a23 a24 B= a21 a22 a24 N= a23
a31 a32 a33 a34 a31 a32 a34 a33
Columnas de matriz básica
66
Soluciones básicas
Haciendo 0 a las variables no básicas:
Solución básica asociada a B
67
Soluciones básicas
En general, el número de soluciones básicas factibles es menor o igual que:
n n!
  
 m  m! ( n  m )!
En el ejemplo de 4x3, el número máximo de soluciones básicas factibles es:
 4 4!
   4
 3  3! ( 4  3)!
Si la solución básica factible contiene una variable básica con valor cero, se
dice una solución degenerada.
68
Soluciones básicas
Puesto que el número de soluciones básicas factibles está

acotado, se podría enumerar todas las soluciones y
escoger aquella con la mejor función objetivo.
Pero:
• El número de soluciones puede ser muy grande
• No se puede saber si el problema tiene una solución no acotada
• Si la región factible está vacía, sólo lo sabremos cuando todas
las posibles combinaciones de n columnas en grupos de m no
produzcan una base factible.
69
Soluciones básicas
• El método símplex es un procedimiento más listo,

que se mueve de un punto extremo a otro con
una mejor función objetivo (o al menos no peor).
– Descubre si la región factible es vacía o si la solución

óptima es no acotada
– Enumera únicamente una pequeña porción de puntos

extremos de la región factible
70
Mejorando una solución básica
factible
Considere el problema:
Minimizar cTx
A es una matriz m x n
Sujeto a Ax = b de rango m
x0
 B 1b 
Supongamos que tenemos una solución básica factible 
 0 
 
Con valor objetivo z0 dado por:
 B 1b   B 1b 
z0  c   cB , cN    cB B 1b
 0   0 
71
factible
 xB 
Ahora consideremos una solución factible cualquiera: x    xB 0, xN0
x 
 N
b = Ax = BxB + NxN xB  B 1b  B 1 NxN R es el actual
xB  B 1b   B 1a j x j
conjunto de variables
no básicas
jR
Si z es el valor de la función objetivo en x:

z  cx  cB xB  cN xN
z  cB ( B 1b   B 1a j x j )   c j x j
jR jR
zj=cBB-1aj
z  z0   ( z j  c j ) x j Si (zj – cj) es positivo, la
jR función decrece al
incrementar xj desde cero
72
factible
REGLA:
Fijar cada variable no básica xj en cero, con excepción de una variable no
básica xk que tenga un valor de zk – ck positivo.
Entonces, el nuevo valor de la función objetivo es
z  z0  ( zk  ck ) xk
Al incrementar xk, las variables básicas actuales se modifican según:
xB  B 1b  B 1ak xk  b  yk xk
73
factible
xB  B 1b  B 1ak xk  b  yk xk Si yik  0:
xk xBi
 xB1   b1   y1k 
 x  b   y 
 B 2   2   2k 
       Si yik > 0:
        xk xk xBi
 xBr   br   yrk 
      
      xk puede
 xBm  bm   ymk  incrementarse hasta
que una variable
básica se haga cero
74
factible
xB  B 1b  B 1ak xk  b  yk xk La primera variable básica en
hacerse cero es la que tiene
un menor bi / yik
 xB1   b1   y1k 
 x  b   y  br b 
 min  i : yik  0  xk
 B 2   2   2k  yrk 1i m  yik 
      
        xk En ausencia de degeneración
 xBr   br   yrk  br > 0, con lo cual xk > 0 y se
       obtiene una nueva solución
básica factible
     
 xBm  bm   ymk 
La función objetivo ha
decrecido, pues zk – ck
es positivo
75
factible
EN RESUMEN…
El procedimiento se desplaza de una solución básica factible a otra.

• Se incrementa el valor de una variable no básica xk que tenga un
zk – ck positivo.
• Se ajustan los valores de las variables básicas actuales. Una de
ellas (xBr) se hace cero.
• Se dice que la variable xk entra a la base y la variable xBr sale de la
base.
• En ausencia de degeneraciones, la función objetivo decrece
estrictamente.
El procedimiento termina en un número finito de pasos, pues el número de
soluciones básicas factibles es finito.
76
factible
EJEMPLO: Minimizar x 1 + x2
Sujeto a x1 + 2x2  4
x2  1
x1, x2  0
Introduciendo variables de
holgura (slack) x3 y x4, se tiene la
siguiente matriz de restricciones:
1 2 1 0 
A  a1 , a2 , a3 , a4    
0 1 0 1 
77
factible
EJEMPLO:
Haciendo x1 y x2 variables básicas:
1
 x1  1 1 2 4
xB     B b     
 x2  0 1   1 
1  2 4 2
(2,1) xB       
0 1   1   1 
 x   0
xN   3    
 x 4   0
78
factible
EJEMPLO: Se calcula zj - cj para las variables

no básicas x3 y x4:
z3 – c3  cB B 1a3  c3
1
1 2 1
 1 1   0  0
 0 1   
1
 1 1   1
(2,1)  0 Positivo:
Incrementar x3
z4 – c4  cB B 1a4  c4
1  2 0
 1 1  1  0
 0 1  
  2
 1 1   1
1
79
factible
EJEMPLO: La solución modificada al

incrementar x3 es:
xB  B 1b  B 1a3 x3
 x1  2 1
 x   1  0 x3
 2    
El máximo valor que puede tomar x3

(0,1) (2,1)
es 2, con lo cual la nueva solución es:
x1, x2 , x3 , x4   0,1,2,0
80
factible
INTERPRETACIÓN DE zk - ck
m
zk  cB B ak  cB yk   cBi yik
1
i 1
Si xk se incrementa desde cero en una unidad, las variables básicas xBi se

decrementan en yik unidades, respectivamente.
Esta reducción de las variables básicas representa un ahorro igual a
 cBi yik
zk representa el ahorro
debido a la reducción
i 1 de la variables básicas
(zk – ck) es el beneficio neto derivado del

incremento de la variable no básica xk
81
Solución óptima y no acotamiento
Criterios para entrar y salir de la base:
br b 
xk entra si zk – ck > 0 xBr sale si  min  i : yik  0
yrk 1i m  yik 
Si zj – cj  0 para cada xj no básica Si yk  0 para cada xBi básica
LA SOLUCIÓN ES ÓPTIMA LA SOLUCIÓN ES NO

ACOTADA
82
EL MÉTODO SÍMPLEX
INICIALIZACIÓN
Escoger una solución básica factible

con base B Calcular
3
yk = B-1ak
LAZO PRINCIPAL Si yk  0 STOP (no acotado)
Resolver el sistema BxB = b xk entra a la base y la variable de

1
xB = B-1b, xN = 0, z = cBxB 4 bloqueo xBr sale. r cumple con:
br b 
 min  i : yik  0 
Calcular zj - cj= cBB-1aj - cj para y rk 1i  m  yik 
2 todas las variables no básicas
Actualizar la base y el conjunto de
Hacer zk – ck = max (zj - cj) índices R. Regresar a 1
Si zk – ck  0 STOP (óptimo)
83
El método símplex
en formato de tabla
Para una determinada base B, se tiene:
xB  B 1b  B 1 NxN z  cB B 1b  ( cB B 1 N  cN ) x N
Que se puede escribir como la siguiente tabla:
RHS -xN
z cB B 1b cB B 1 N  cN Fila 0
xB B 1b B 1 N Filas 1… m
84
El método símplex
en formato de tabla
La columna correspondiente a cada variable no básica xj es:
RHS -xj
z cB B 1b zj  cj Fila 0
xB B 1b B 1a j Filas 1… m
85
El método símplex
en formato de tabla
• Se requiere un mecanismo que permita actualizar la
tabla cuando se cambia de base, es decir, cuando
ingresa una variable no básica y sale una variable
básica.
• Este mecanismo debe:
• Actualizar las variables básicas y sus valores

• Actualizar los valores zj – cj de las nuevas variables no básicas
• Actualizar las columnas yj
86
El método símplex
en formato de tabla
OPERACIÓN DE PIVOTEO:
• Si xk entra a la base y xBr sale de la base, el pivoteo

sobre yrk consiste en:
• Dividir la fila del pivote para el pivote, salvo en la posición del pivote
• Dividir la columna del pivote para el pivote y cambiar de signo el
resultado (salvo la posición del pivote)
• Los demás términos se calculan por la regla del rectángulo
• En la posición del pivote se coloca su inverso
87
El método símplex
en formato de tabla
REGLA DEL RECTÁNGULO:
pivote b
a (i,j)
a b
nuevo (i, j )  viejo(i, j ) 
pivote
88
El método símplex
en formato de tabla
EJEMPLO: Minimizar x 1 + x2 – 4 x 3
Sujeto a x1 + x2 + 2x3  9
x 1 + x2 - x3  2
-x1 + x2 + x3  4
x1, x2, x3  0
Introduciendo variables de holgura:

Minimizar x 1 + x2 – 4 x 3 + 0 x4 + 0 x5 + 0 x6
Sujeto a x1 + x2 + 2x3 + x4 =9
x 1 + x2 - x3 + x5 =2
-x1 + x2 + x3 + x6 = 4
x1, x2, x3, x4, x5, x6  0
89
El método símplex
en formato de tabla
EJEMPLO: RHS -x1 -x2 -x3
z 0 -1 -1 4
x4 9 1 1 2
x5 2 1 1 -1
x6 4 -1 1 1
RHS -x1 -x2 -x6 RHS -x4 -x2 -x6

z -16 3 -5 -4 Z -17 -1 -4 -2
x4 1 3 -1 -2 x1 1/3 1/3 -1/3 -2/3
x5 6 0 2 1 x5 6 0 2 1
x3 4 -1 1 1
x3 13/3 1/3 2/3 1/3
90
Interpretación de la tabla del
símplex
z
4
x2
z
 2
RHS -x4 -x2 -x6 b3
Z -17 -1 -4 -2
x1 1/3 1/3 -1/3 -2/3
x5 6 0 2 1
x3 13/3 1/3 2/3 1/3
x5
 1
x6
(x1, x2, x3) = (1/3, 0, 13/3)

Z = -17
91
La solución básica factible inicial
• Para iniciar el método del símplex se requiere una

base B tal que B-1b  0.
• Si las restricciones son de la forma Ax  b, x  0…
Las variables de holgura permiten

obtener directamente una solución
FACIL básica factible
92
EJEMPLO: x1 + 2x2  4
- x1 + x2  1
x1, x2  0
Añadiendo variables de holgura:

 x3  4
x1 + 2x2 + x3 = 4 xB      
 x4   1 
- x1 + x2 + x4 = 1
 x1  0
x1, x2, x3, x4  0 xN      
 x 2   0
93
EJEMPLO: x 1 + x2 + x3  6
- 2x1 + 3x2 + 2x3  3
x2, x3  0
En forma estándar:
x1+ - x1- + x2 + x3 + x4 = 6 No se puede

- 2x1+ + 2x1- + 3x2 + 2x3 - x5 = 3 extraer una base
factible obvia
x1+, x1-, x2, x3 ,x4, x5  0
94
• Introducir variables artificiales para

obtener una solución básica factible
inicial de forma directa.
IDEA
• Utilizar el método del símplex para
deshacernos de las variables
artificiales.
95
EJEMPLO: En forma estándar:
x1 + 2x2  4 x1 + 2x2 – x3 = 4
- 3x1 + 4x2  5 - 3x1 + 4x2 - x4 = 5
2x1 + x2  6 2x1 + x2 + x5 = 6
x1, x2  0 x1, x2 , x3, x4, x5  0
Variables legítimas artificiales

Solución inicial del nuevo
x1 + 2x2 – x3 + x6 = 4 sistema
- 3x1 + 4x2 - x4 + x7 = 5 x5 = 6, x6 = 4, x7 = 5
2x1 + x2 + x5 = 6 Si se reducen a cero,
se tiene una solución
x1, x2 , x3, x4, x5, x6, x7  0 del problema original
96
EL MÉTODO DE DOS FASES
Reducir las variables artificiales a cero

FASE 1 o
Concluir que el problema original es no factible
Minimizar la función objetivo original iniciando con

FASE 2 la solución básica factible obtenida en la fase
anterior
97
El método de dos fases
Minimizar cTx
(P) Sujeto a Ax = b
x0
Si ω* > 0:
FASE 1 (P) No tiene solución
m
Si ω* = 0:
Minimizar    yi • Si ninguna variable artificial está en la base, se
i 1 encontró una base inicial para (P)
• Si alguna variable artificial está en la base, se la
Sujeto a Ax + Im y = b cambia por una variable original mediante
x, y  0 pivotaje
• Si esto no es posible, la ecuación asociada a
esta variable artificial es redundante y puede
eliminarse
98
EJEMPLO: Maximizar Z = x1 + 2x2

Sujeto a x 1 + x2  6
- x 1 + x2  3
x1, x2  0
En forma estándar:
Minimizar Z = -x1 - 2x2

Sujeto a x 1 + x2 + x3 = 6
- x 1 + x2 - x4 = 3
x1, x2 , x3, x4  0
99
EJEMPLO:
Minimizar w = y1 + y2
FASE 1
Sujeto a x 1 + x2 + x3 + y1 = 6
- x 1 + x2 - x4 + y2 = 3
x1, x2 , x3, x4, y1, y2  0
RHS -x1 -x2 -x3 -x4

W= 9 0 2 1 -1
Z= 0 1 2 0 0
+
y1 6 1 1 1 0
y2 3 -1 1 0 -1
100
EL MÉTODO DE DOS FASES
EJEMPLO: RHS -x1 -x2 -x3 -x4
W= 9 0 2 1 -1
Z= 0 1 2 0 0
FASE 1
y1 6 1 1 1 0
y2 3 -1 1 0 -1
RHS -x1 -y2 -x3 -x4 RHS -y1 -y2 -x3 -x4
W= 3 2 -2 1 1 W= 0 -1 -1 0 0
Z= -6 3 -2 0 2 Z= -21/2 -3/2 -1/2 -3/2 1/2
y1 3 2 -1 1 1 x1 3/2 1/2 -1/2 1/2 1/2
x2 3 -1 1 0 -1 x2 9/2 1/2 1/2 1/2 -1/2
101
EJEMPLO: RHS -y1 -y2 -x3 -x4

W= 0 -1 -1 0 0
Z= -21/2 -3/2 -1/2 -3/2 1/2

FASE 2
x1 3/2 1/2 -1/2 1/2 1/2
x2 9/2 1/2 1/2 1/2 -1/2
RHS -x3 -x4 RHS -x3 -x1
Z= -21/2 -3/2 1/2 Z= -12 -2 -1
x1 3/2 1/2 1/2 x4 3 1 2
x2 9/2 1/2 -1/2 x2 6 1 1
ÓPTIMO
102

Modulo3 Tecnicas Matematicas 1

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

Modulo3 Tecnicas Matematicas 1

Cargado por

Copyright:

Formatos disponibles

ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE INGENIERÍA ELÉCTRICA

Ing. Marco Valencia, M.Sc.

SISTEMAS DE ADMINISTRACIÓN DE ENERGÍA

III. Operación Económica del Sistema

MODELOS Resolver problemas de la vida real

Tratar de entender como se

Naturaleza de los datos Determinísticos Estocásticos

Intervención del tiempo Dinámicos Estáticos

Objetivos del problema Objetivo único Multi objetivo

• La programación lineal (PL), trata

• Es una de las áreas más importantes de la

• Se utiliza en campos como la ingeniería, la

• Cualquier problema de programación lineal

xij: Cantidad a transportar del origen i al

Para todos los destinos j:

Minimizar el costo de transporte

Un productor debe abastecer una demanda que varía mensualmente

n: número de meses a considerar

xt: número de unidades producidas en el mes t

Maximizar los ingresos, una vez

EJEMPLO Encontrar la planificación para cuatro

Optimizar una función lineal de n variables.

SUPUESTOS DE LA PROGRAMACIÓN LINEAL:

Definición (problema de programación lineal):

La forma más general de un problema de programación lineal (PPL)

Definición (solución factible):

Un punto x = (x1, x2, . . . , xn) que satisface todas las

Definición (solución óptima):

Un punto factible x* tal que f(x) ≥ f(x*) para cualquier otro

Los problemas lineales presentan propiedades

Propiedades de la programación lineal

• Si la región factible está acotada, el problema siempre tiene una solución

Ejemplo (solución única):

Ejemplo (solución única):

Ejemplo (soluciones múltiples):

Ejemplo (solución no acotada):

Ejemplo (solución no acotada):

Ejemplo (solución infactible):

Ejemplo (solución infactible):

Un problema de programación lineal se dice

1. VARIABLES NO RESTRINGIDAS EN SIGNO:

min Z min  cT x

Si ambos problemas cumplen las mismas restricciones.

4. TÉRMINO INDEPENDIENTE NO POSITIVO

Toda restricción con un valor de bi negativo puede

• Considérese un problema de programación

– el rango de la matriz A de dimensión m×n es m

– el sistema lineal Ax = b tiene solución.

• RANGO de una matriz es el número de líneas de esa matriz (filas o

• Una línea es linealmente dependiente de otra u otras cuando se

– si f1 = 2·f3 - 3·f4, entonces decimos que f1 es linealmente dependiente

• Una línea es linealmente independiente de otra u otras cuando no

• El rango o característica de una matriz A se simboliza como rang(A)

Definición (Matriz básica):

Una submatriz no singular B de dimensión m×m de A se denomina

A cada matriz básica está asociado un

a11 a12 a13 a14 a11 a12 a14 a13

A= a21 a22 a23 a24 B= a21 a22 a24 N= a23

a31 a32 a33 a34 a31 a32 a34 a33

Columnas de matriz básica

Haciendo 0 a las variables no básicas:

Solución básica asociada a B

Teorema (Caracterización de puntos extremos):