Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Un método para aplicar esto es resolver desde 0 cada nueva versión del
modelo, pero esto requeriría cientos o miles de iteraciones en muchos casos.
Una forma mas eficiente de lograrlo es re-optimizar . La re-optimización
envuelve deducir como los cambios en el modelo se transfieren a la tabla
final y posteriormente utilizar esta tabla como solución básica inicial para
resolver el nuevo modelo. Si esta solución es factible para el nuevo modelo,
aplicamos el método Simplex como siempre lo hemos hecho, en caso
contrario, podemos aplicar el método Simplex Dual.
Los precios sombra (denotados como yi) miden el valor marginal de un recurso; el
ritmo al que pudiera aumentarse Z si aumentamos la disponibilidad del recurso bi. El
método simplex identifica el precio sombra como el coeficiente de la variable de
holgura en la fila 0 de la tabla simplex final.
Los precios sombra de cada una de las tres plantas serían 0, 3/2 y 1 respectivamente.
Por lo tanto, cada aumento unitario de las bi produce un aumento de yi en Z.
Intenta cambiar ligeramente las bi y luego resolver el nuevo modelo para verificar los
cambios.
Precios Sombra
Puntos importantes a notar
• Solo las restricciones atántes tienen precios
sombra, ya que estas están cumplidas con
igualdad a su lado derecho.
• Los cambios en las bi a proponer deben ser
ligeros, debido a que cambios mayores
pudieran también cambiar las restricciones
atántes.
Análisis de Sensibilidad
En la mayoría de las aplicaciones, al inicio de un estudio, los coeficientes (parámetros)
no son tan exactos como quisiéramos que lo fueran. Recordemos que nuestros
modelos son simplificaciones de la realidad y que muchas veces atienden a
situaciones que no se han probado o implementado anteriormente. En estos casos,
nuestros parámetros pueden ser susceptibles a cambios durante la implementación y
se vuelve necesario saber que tan sensible es nuestra solución óptima a estos
cambios.
Celdas de variables
Celda Nombre Valor original Valor final Entero
$B$6 X1 0 2 Continuar
Variables $C$6 X2 0 6 Continuar
de Holgura
holgura restante
Restricciones
Celda Nombre Valor de la celda Fórmula Estado Demora
$D$10 = 12 $D$10<=$F$10 Vinculante 0
$D$11 = 18 $D$11<=$F$11 Vinculante 0
$D$9 = 2 $D$9<=$F$9 No vinculante 2
Reportes de Excel (Confidencialidad)
Costo de
entrar a Variaciones
la base Permitidas
Celdas de variables
Final Reducido Objetivo Permisible Permisible
Celda Nombre Valor Coste Coeficiente Aumentar Reducir
$B$6 X1 2 0 3 4.5 3
$C$6 X2 6 0 5 1E+30 3
Restricciones
Final Sombra Restricción Permisible Permisible
Celda Nombre Valor Precio Lado derecho Aumentar Reducir
$D$10 = 12 1.5 12 6 6
$D$11 = 18 1 18 6 6
$D$9 = 2 0 4 1E+30 2
Precios Variaciones
Sombra Permitidas
Reportes de Excel (Límites)
Límites
de
variables
Objetivo
Celda Nombre Valor
$E$6 Z 36
Resultado
en límites
Puntos importantes para mejorar el
modelo
• Aunque el método Simplex puede aplicarse a casi todo tipo de
modelos de PL, también existen modificaciones a este
especializadas en modelos de Transporte, Asignación, Flujo Mínimo,
etc. Estas últimas tienden a ser aún mas rápidas que el Simplex
normal.
• Factores que afectan el tiempo para resolver el modelo:
– # de restricciones: El tiempo de computación es proporcional al cubo
de la cantidad de restricciones.
– Cantidad de variables: Su efecto es menor, normalmente doblar el
número de variables ni siquiera dobla la cantidad de computaciones.
– Densidad de la tabla de coeficientes de las restricciones (cuantos
coeficientes son diferentes de 0): Aumenta la cantidad de
computaciones por iteración.
– En general, la cantidad de iteraciones necesarias tiende a ser igual al
doble del número de restricciones funcionales.
Investigación de Operaciones 1
Dualidad
Semana 8, Clase 1
Dualidad
Uno de los descubrimientos mas importantes en el desarrollo temprano de
la Programación Lineal es la Dualidad. Este descubrimiento reveló que
TODO problema de PL (Primal) tiene asociado otro problema de PL (Dual)
cuya relación provee información muy útil. Dentro de estos beneficios
encontramos:
• Los precios sombra están dados en realidad por la solución óptima del
Dual.
• La implementación e interpretación del análisis de sensibilidad está
fundamentada en la dualidad.
• Computacionalmente, normalmente, es mas fácil resolver el problema
Dual que el Primal.
• Con cada iteración del Simplex Dual obtenemos un límite superior del
valor de Z* mientras que con cada iteración del Simplex Primal
obtenemos un límite inferior del valor de Z*.
• Si ya tenemos una solución propuesta y factible x para el Primal, y a
través de simple inspección (u otro método) logramos obtener una
solución factible y para el Dual. De entrada (sin Aplicar Simplex)
podemos saber si x o y son óptimas o que tan buenas son.
Dualidad
• Cuando hablamos sobre dualidad, se le
llamará Primal al problema original y Dual al
problema nuevo.
• Si el problema Primal es de Maximización, el
problema Dual será de Minimización, y
viceversa.
• Por conveniencia, las variables del Primal se
escribirán como Z, x1,x2 … , xn y las variables
del Dual como W, y1, y2, … , ym
Dualidad
Dada la forma estándar de un problema, así se vería su problema dual.
Por simple inspección podemos obtener algunas soluciones para cada problema:
Primal Sol1 Sol2 Sol3 Sol4 Dual Sol1 Sol2 Sol3 Sol4
X1 0 2 3 4 Y1 0 0 0 0
X2 0 6 3 6 Y2 0 1.5 2 2
Z 0 36 24 42 Y3 0 1 0 1
Z 0 36 24 42
Como vemos solo las soluciones que tienen son factibles para ambos problemas son también óptimas.
Además, las soluciones factibles de un problema, representan un límite para solución óptima del otro.
Dualidad
Para resolver nuestro problema Dual, seguimos los
mismos pasos del método Simplex
#4 W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 -6.0
X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 1.0
X2 0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 1.0
X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 1.0
X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0
Encontrar una solución óptima al
agregar una restricción
Si agregamos una nueva restricción al problema,
pueden suceder 3 cosas:
1. La solución óptima actual satisface la nueva
restricción y por lo tanto sigue siendo óptima.
Esto es cierto porque el agregar restricciones no
agrega mas espacio al área de factibilidad.
2. La solución óptima actual no satisface la nueva
restricción, pero el problema aún tiene área de
factibilidad
3. La restricción adicional cause que el problema
no tenga soluciones factibles.
Encontrar una solución óptima al agregar una restricción
#4 W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 -6.0
Si a nuestro problema X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 1.0
anterior agregamos una X2 0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 1.0
nueva restricción, solo X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 1.0
tenemos que aplicar a X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0
operaciones necesarias #4´ W Y1 Y2 Y3 h1 h2 h3 h4 h5 h6 b
para mantener las Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 0.0 -6.0
variables básicas que ya X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 0.0 1.0
teníamos en nuestra X2
X3´
0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 0.0
0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
1.0
0.0
solución óptima anterior. X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 0.0 1.0
En este caso nos daremos X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0
cuenta que la tabla X5 0.0 -1.0 -1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 -2.0