Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En la solución gráfica se observa que la solución óptima está asociada siempre con un punto
extremo del espacio de soluciones. El método simplex está basado fundamentalmente en este
concepto.
Careciendo de la ventaja visual asociada con la representación gráfica del espacio de soluciones,
el método simplex emplea un proceso iterativo que principia en un punto extremo factible,
normalmente el origen, y se desplaza sistemáticamente de un punto extremo factible a otro, hasta
que se llega, por último, al punto óptimo.
El algoritmo simplex da inicio en el origen, que suele llamarse solución inicial. Después se desplaza
a un punto extremo adyacente. La elección específica de uno a otro punto depende de los
coeficientes de la función objetivo hasta encontrar el punto óptimo.
El método simplex es un procedimiento iterativo que permite ir mejorando la solución a cada paso.
El proceso concluye cuando no es posible seguir mejorando más dicha solución.
Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en buscar
sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través de los
lados del polígono (o de las aristas del poliedro, si el número de variables es mayor). Cómo el
número de vértices (y de aristas) es finito, siempre se podrá encontrar la solución.
TEXTO AUDIO
Mientras que no exista un límite en el número de restricciones que puede tener un problema de
Programación Lineal, solo puede haber un objetivo. La forma matemática del objetivo se llama
función objetivo. Debe llevar consigo maximizar o minimizar alguna medida numérica. Podría ser
maximizar el rendimiento, la ganancia, la contribución marginal o los contactos con los clientes.
Podría ser minimizar el costo, el número de empleados o el material de desperdicio. Con
frecuencia el objetivo es evidente al observar el problema.
Como el valor de la Función Objetivo no se conoce hasta que se resuelve el problema, se usa la
letra Z para representarlo. La Función Objetivo tendrá, entonces, la forma:
Maximizar Z = C1X1 + C2X2
o
Minimizar Z = C1X1 + C2X2
Al suponer que existe cualquier número (m) de recursos limitados de cualquier tipo, que se pueden
asignar entre cualquier número (n) de actividades competitivas de cualquier clase, se enuncian los
recursos con números (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea Xj (una variable de
decisión) el nivel de la actividad j, para j = 1, 2,..., n, y sea Z la medida de efectividad global
seleccionada. Sea Cj el incremento que resulta en Z por cada incremento unitario en Xj (para j = 1,
2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por último, definen
aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1, 2, ..., m y j
= 1, 2, ..., n). Se puede formular el modelo matemático para el problema general de asignar
recursos a actividades. En particular, este modelo consiste en elegir valores de X 1, X2, ..., Xn para:
TEXTO AUDIO
Esta es la forma estándar que se utiliza (aunque en algunos libros de texto adoptan otras formas)
para el problema de Programación Lineal. Cualquier situación cuya formulación matemática se
ajuste a este modelo es un problema de Programación Lineal.
Se puede resumir la terminología que se usará para los modelos de Programación Lineal. La
función que se desea maximizar, C1X1 + C2X2 + ... + CnXn, se llama Función Objetivo. Por lo general,
se hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas
con una función del tipo ai1 X1 + ai2X2 + ... + ainXn, que representa el consumo total del recurso i)
reciben el nombre de restricciones funcionales. De manera parecida, las restricciones Xj >= 0 se
llaman restricciones de no negatividad. Las variables Xj son las variables de decisión. Las
constantes de entrada, aij, bi, Cj, reciben el nombre de parámetros del modelo.
Cualquier problema que incluya una, varias o todas estas formas del modelo anterior
también se clasifica como un problema de Programación Lineal, siempre y cuando
estas 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 Programación Lineal se puede poner en nuestra forma estándar si se
desea.
o Los elementos del lado derecho de cada ecuación son no negativos b i >=
0
CONTROL DE LECTURA
Verdadero
El método requiere que las restricciones sean ecuaciones en lugar de inecuaciones, lo cual se
logra añadiendo variables de holgura a cada inecuación del modelo, variables que nunca pueden
ser negativas y tienen coeficiente 0 en la Función Objetivo.
3. Métodos de Solución
o El Método Gráfico - Dos variables.
o El Método Simplex - Dos o más variables.
5. Tipos de Variables
o No negativas.
o Irrestrictas en signo.
6. Modelo de Programación Lineal general
Se toma como modelo el problema de maximización siguiente:
Maximizar Z = C1 X1 + ... + C2 Xn
Sujeto a las restricciones:
a11 X1 + a12 X2 + ... +a1n, Xn ≤ b1
a21 X1 + a22 X2 + ... +a2n, Xn ≤ b2
am1 X1 + am2 X2 + ... +amn, Xn ≤ bm
X1 ≥ 0, X2 ≥ 0, ... Xn ≥ 0
Cn, bi, Cij : son constantes determinados por la tecnología del problema.
Xn = Xj : son las variables de decisión.
bi : disponibilidad del recurso i.
Cn : valor por unidad de la actividad n.
aij : cantidad del recurso i que debe asignarse a cada unidad de la actividad j.
7. Forma Estándar
a11 X1 + a12 X2 + ... +a1n Xn + h1 = b1
a21 X1 + a22 X2 + ... +a2n Xn + h2 = b2
am1 X1 + am2 X2 + ... +amn Xn + hn = bm
Xn >= 0 No Negatividad
hn >= 0 No Negatividad
X1, X2, ... Xn Variables de variables de decisión.
h1, h2, ... hn Variables de variables de holgura.
La Función Objetivo (FO)
Max Z - C1X1 - C2X2 .... -CnXn = 0
8. Forma de Tabular
9. Criterio de Optimibilidad
o Maximizar: en la ecuación cero los coeficientes son positivos y ceros en
solución óptima.
o Minimizar: en la ecuación cero los coeficientes son negativos, ceros en
solución óptima.
3. Si es así, el proceso termina; de otra manera se lleva a cabo otra iteración para
obtener la nueva solución básica factible inicial.
6. Selecciona una variable que entra de entre las variables no básicas actuales que,
cuando se incrementan arriba de cero, pueden mejorar el valor de la Función Objetivo.
Si no existe la solución básica es la óptima, si existe pasar al paso siguiente.
CONTROL DE LECTURA
Para ilustrar la técnica de las variables artificiales, primero se considerará el caso en que la
única forma no estándar en el problema es la presencia de una o más restricciones en
forma de igualdad.
Es de notar que la tercera restricción es del tipo ≥, por lo que para cambiarla a su forma de
igualdad se tendría que restar una variable de superávit (o de excedente o de holgura),
quedando de la siguiente manera:
Entonces:
La variable artificial opera para mantener todas las variables no negativas cuando 0.6x 1 +
0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces h2 = 0 y
La solución básica factible actual es óptima si y solo si todos los coeficientes de la ecuación
de la función objetivo (renglón de Z) son no positivos (≤ 0). Si es así, el proceso termina; de
otra manera, se lleva a cabo otra iteración para obtener la nueva solución básica factible, lo
que significa el cambio de una variable no básica por una básica (parte 1) y viceversa (parte
2), y después despejar las variables de la nueva solución (parte 3).
Note que no se ha dicho nada con respecto a la forma de obtener la variable básica saliente
en una iteración, ya que este paso se realiza de la misma manera que cuando se está
maximizando, es decir, se escoge aquella variable básica con el menor cociente. Se ilustra
la forma de utilizar el método simplex para el caso de minimización.
CONTROL DE LECTURA
Existen casos especiales que se encuentran a menudo en las aplicaciones del método
simplex, los más importantes son:
4.2.2 Empate en la variable de salida, en este caso se obtiene una solución degenerada
Cuando en la tabla del simplex en el renglón de la Z existe una variable no básica que
puede entrar pero al determinar la variable que sale se da cuenta que en la columna
existen solo valores de ceros o negativos lo que significa que esa variable puede
hacer crecer en forma indefinida a Z sin que se infrinja ninguna de las restricciones.
Por lo tanto, se puede concluir sin hacer más cálculos que el problema no tiene
solución acotada.
Existen problemas que tienen más de una solución óptima. Cuando la Función Objetivo
es paralela a una restricción que se satisface en el sentido de la igualdad a través de la
solución óptima, la Función Objetivo tomará el mismo valor óptimo en más de un punto de
la solución. Por esta razón reciben el nombre de múltiples alternativas óptimas.
Dos casos:
La programación lineal exige que las variables sean no negativas, pero existen algunas
variables reales que pueden incluir valores negativos. Esta dificultad puede resolverse
transformando cada variable no restringida en signo por dos nuevas variables no
negativas mediante la siguiente expresión:
X j = X´ j - X´´ j.
dónde: X´ j ≽ 0 , X ´´ j ≽ 0
Sujeto a:
x1 + x2 + x3 = 10
-2x1 + 3x2 + 2x3 ≤ -5
7x1 - 4x2 + 5x3 ≤ 6
x1 + 4x2 + 3x3 ≥ 8
x1 no restringida,
x2 ≤ 0, x3 ≥0
Maximice Z = (5/2)X1 + X2
Sujeto a:
3X1 + 5X2 ≤ 15
5X1 + 2X2 ≤ 10
Xj > 0 ; j = 1, 2
Minimice Z = - X1 + X2
Sujeto a:
- X1 + X2 ≤ 0
- 0,5X1 + X2 ≤ 1
Xj > 0 ; j = 1, 2
Maximizar Z = 3 X1 + 9 X2
Sujeto a:
X1 + 4X2 ≤ 8
X1 + 2X2 ≤ 4
Xj > 0 ; j = 1, 2
Solución
Degener
ada y
Método
Simplex.