Optimización Lineal

Optimización Lineal
Ariel Garcı́a López
U.P.T.C.
Junio 2017
Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 1 / 101

Introducción a la optimización lineal
Por qué optimización lineal
Técnica de optimización que permite expresar un problema en

términos lineales.
Figure 1: Naturaleza de los problemas de optimización

Introducción a la optimización lineal
Optimización en la toma de decisiones
Búsqueda de mejores soluciones.

Representación de realidad compleja con notación simple.
Se pueden intentar variaciones al modelo sin incurrir en un costo.
Existe la posibilidad de fallar.

Modelación matemática
Componentes de un modelo
Decisiones: qué debe decidirse (Variables de Decisión).

Información: qué información está disponible para tomar una
decisión (Parámetros)
Condiciones: qué limita la decisión (Restricciones)
Propósito: cómo cuantificar el impacto de las decisiones (Función
Objetivo)

Ejemplo
Una empresa de refinación de petróleo tiene la posibilidad de comprar su

materia prima de dos diferentes paı́ses: Arabia Saudı́ y Venezuela.
Los barriles que se le compran a Venezuela producen 0.3 barriles de gasolina,

0.4 barriles de diésel y 0.2 barriles de lubricante. Los barriles que se le
compran a Arabia producen 0.4 barriles de gasolina, 0.2 barriles de diésel y
0.3 barriles de lubricante.
La disponibilidad diaria de petroleo venezolano es de 6000 barriles por dı́a

a un precio de $15 USD (por barril) mientras que la disponibilidad diaria de
petroleo saudı́ es de 9000 barriles a un precio de $20 USD (por barril).
Esta empresa ha firmado unas clausulas de cumplimiento que le obligan a

producir 2000 barriles diarios de gasolina, 1500 barriles diarios de diésel y
500 barriles de lubricante.
Formulación matemática
min 20x1 + 15x2 Asegurar el costo mı́nimo

s.t. Sujeto a
0.3x1 + 0.4x2 ≥ 2000 Asegurar la producción de gasolina
0.4x1 + 0.2x2 ≥ 1500 Asegurar la producción de diésel
0.2x1 + 0.3x2 ≥ 500 Asegurar la producción de lubricante
x1 ≤ 9000 No superar la disponibilidad de Arabia
x2 ≤ 6000 No superar la disponibilidad de Venezuela
x1 , x2 ≥ 0 No se compran cantidades negativas

Solución gráfica
Figure 2: Representación gráfica.

Representación de una función objetivo
Gradiente como dirección de

∂Z ∂Z
movimiento ∇Z = ( ∂x ,
1 ∂x2
).
Curvas de nivel representan los
cambios en la función objetivo.
Las curvas de nivel son
perpendiculares al gradiente.
Figure 3: Curvas de nivel y gradiente.

Cambios en la función objetivo
Cuando se hacen cambios en la

función objetivo, se hacen
cambios en la dirección de
movimiento (gradiente).
¿Qué pasarı́a si el precio del
barril venezolano cuesta ahora
$10 USD?.
Se generan varias soluciones al
problema; óptimos alternos.
Figure 4: Óptimos alternos.

¿Qué pasarı́a si la disponibilidad

de Venezuela y Arabia se
redujera a 2000 barriles?.
No serı́a posible cumplir la
demanda establecida.
Infactibilidad del problema.
Figure 5: Problema infactible.

Arabia Saudita encontró una

cantidad virtualmente infinita de
petróleo y ahora le paga $2
USD por barril que usted
”compre”.
Suministro infinito.
Cambio del gradiente y curvas
de nivel.
Figure 6: Óptimo no acotado.

Formulación a gran escala

Pi Hybrids1
Hybrids es un productor de semillas que cuenta con dos tipos de semillas

(azul y roja) que son fabricadas en dos plantas diferentes y son distribuidas
a dos ciudades diferentes.
La información que ha recolectado la unidad de inteligencia analı́tica son:

1) los costos de producción de cada variedad en cada planta; 2) el costo de
envio de cada bolsa de cada variedad a cada una de las ciudades destino; 3)
la cantidad de insumos requeridos para producir una bolsa de cada variedad;
4) la capacidad de procesamiento de cada planta y 5) la demanda estimada
de cada ciudad.
Formule un modelo que le permita hacer un seguimiento de la mejor forma

de producción y operacion de Hybrids.
Decisiones: 1) Cantidad de bolsas de semillas de cada variedad que

se producen en cada planta y 2) Cantidad de bolsas de semillas de
cada variedad enviadas desde cada planta hacia cada ciudad.
x11 : Cantidad a producir en la planta 1 de la variedad 1 de semillas

Decisiones: 1) Cantidad de bolsas de semillas de cada variedad que

se producen en cada planta y 2) Cantidad de bolsas de semillas de
cada variedad enviadas desde cada planta hacia cada ciudad.
y111 : Cantidad enviada desde la planta 1
de la variedad 1 de semillas a la ciudad 1



Información: 1) Costos de envı́o, 2) Costos de procesamiento, 3)

Capacidades de procesamiento, 4) Demanda, 5) etc.
c11 : Costo de producir en la planta 2 una bolsa de la variedad 1 de semillas
c22 : Costo de producir en la planta 2 una bolsa de la variedad 2 de semillas


s111 : Costo de enviar desde la planta 1 una bolsa de la variedad 1
hasta la ciudad 1
hasta la ciudad 2
hasta la ciudad 1

u1 : Capacidad de procesamiento de la planta 1
u2 : Capacidad de procesamiento de la planta 2


a1 : Cantidad de maiz que debe ser procesado para producir
una bolsa de semillas tipo 1
a2 : Cantidad de maiz que debe ser procesado para producir
una bolsa de semillas tipo 2


d11 : Demanda de la variedad de maiz 1 en la ciudad 1

Condiciones (Restricciones): 1) Costos de envı́o, 2) Costos de

procesamiento, 3) Capacidades de procesamiento, 4) Demanda, 5)
etc.
No se puede exceder la capacidad de producción de las plantas.
La cantidad enviada a cada ciudad desde las plantas debe ser
suficiente para satisfacer la demanda.
Todo lo que se produce en las plantas se debe enviar a las ciudades.
No se pueden producir ni enviar cantidades negativas de bolsas de
semillas.

Condiciones (Restricciones):
?

a1 x11 + a2 x12 ≤ u1
a1 x21 + a2 x22 ≤ u2

¿Cómo escribir la restricción de una forma compacta?
a1 x11 + a2 x12 ≤ u1
a1 x21 + a2 x22 ≤ u2

Figure 7: Sumatoria de ı́ndices.

Figure 8: Expresión para todos ∀.

Demanda de las ciudades.
y111 + y211 ≥ d11
y121 + y221 ≥ d21
y112 + y212 ≥ d12
y122 + y222 ≥ d22

Demanda de las ciudades.
Figure 9: Formulación compacta.

Propósito (Función objetivo):

¿Cómo se cuantifica el impacto de la decisión?
Figure 10: Función objetivo de Hybrids.

¿Cuál serı́a la formulación matemática para el problema de

producción y distribución de semillas?
Figure 11: Problema de Hybrids.

Estructuras Comunes
Estructuras comunes
¿Por qué utilizarlas?
Reducción del tiempo de formulación; son comunes en problemas de

optimización.
Eficiencia computacional.
Claridad conceptual en la formulación

Estructuras Comunes
Estructuras comunes
Restricciones de cota.
Restricciones de flujo.
Restricciones de recursos.
Restricciones de balance.
Temas especiales*
Figure 12: Problema de flujo máximo.

Estructuras Comunes
Restricciones de cota
Volviendo al problema de
refinación de crudos: la
disponibilidad de petróleo de
Venezuela y Arabia.
x1 ≤ 9
x2 ≤ 6
Figure 13: Disponibilidad de petróleo.

Estructuras Comunes
Restricción de flujo
Hybrids
¿Cómo asegurarse que las k1
unidades de la planta 1 sean
despachadas?
¿cómo asegurarse que las k2
despachadas?
Figure 14: Restricción de flujo en
problemas de transporte.

Estructuras Comunes
Restricción de flujo
Hybrids
¿Cómo asegurarse que las k1
despachadas?
¿cómo asegurarse que las k2
despachadas?
Pn Figure 15: Restricción de flujo en
j=1 xij = ki ∀i = 1, 2
problemas de transporte.

Estructuras Comunes
Restricción de recursos
Se requieren a unidades de un recurso para producir un ı́tem x.

Se tiene una limitación de b unidades del recurso a.
P4
i=1 aij xi ≤ bj ∀j = 1, 2, 3, 4

Estructuras Comunes
Restricción de balance
Una empresa de correo concentra toda la correspondencia en una

bodega, en donde no puede almacenar ningún paquete.
¿Cómo asegurar que toda la correspondencia que llegue sea
despachada?
¿?

Estructuras Comunes
Restricción de balance
Una empresa de correo concentra toda la correspondencia en una

bodega, en donde no puede almacenar ningún paquete.
¿Cómo asegurar que toda la correspondencia que llegue sea
despachada?
Pm Pn
i=1 xio = j=1 yoj

Estructuras Comunes
Restricción de balance - Inventario
Una empresa de ladrillos tiene 8 ladrillos almacenados en bodega, los

cuales le sobraron de la operación del dı́a anterior.
Hoy produjo 9 ladrillos adicionales.
Además, hoy, despachó 10 ladrillos a sus clientes.
Ihoy = Iayer + Iproducido − Ienviado

Estructuras Comunes
Restricción de balance - Inventario
Una empresa de ladrillos tiene 8 ladrillos almacenados en bodega, los

cuales le sobraron de la operación del dı́a anterior.
Hoy produjo 9 ladrillos adicionales.
Además, hoy, despachó 10 ladrillos a sus clientes.
Hasta n dı́as
It = It−1 + xt − vt ∀t = 1, 2, 3, ..., n

Estructuras Comunes
Temas especiales: variables binarias
Considere un conjunto de 8 proyectos candidatos a ser seleccionados.

Se debe decidir si realizar, o no, cada uno de los proyectos.

Estructuras Comunes
Considere un conjunto de 8 proyectos candidatos a ser seleccionados.

se debe decidir si realizar, o no, cada uno de los proyectos.
yi : (1)si se realiza el proyecto i ∈ P
yi : (0)d.l.c.
yi ∈ {0, 1} ∀i ∈ P

Estructuras Comunes
Se debe realizar como máximo un proyecto.

X
yi ≤ 1
i∈P
Se deben realizar como máximo tres proyectos.

X
yi ≤ 3
i∈P
Se debe realizar exactamente dos proyectos.

X
yi = 2
i∈P

Estructuras Comunes
Si cualquier de los proyectos 1 o 2 (o ambos) se realizan, entonces al

menos uno de los proyectos 3, 4, y 5 deben realizarse también.
¿?
Figure 16: ¿Qué es eso?.

Estructuras Comunes
Si cualquier de los proyectos 1 o 2 (o ambos) se realizan, entonces al

menos uno de los proyectos 3, 4, y 5 deben realizarse también.
Uso del concepto de variables auxiliares.
Generalmente denominadas z.
Funciona también como una variable binaria (se prenden o apagan).
y1 + y2 ≤ 2z Si se hacen ambos proyectos
y1 + y2 ≥ z Si se hacen sólo un proyecto
z ≤ y3 + y4 + y5 Asegura que z se prenda.
z ∈ {0, 1} Asegura que es una variable binaria.

Estructuras Comunes
Son variables muy utilizadas en

modelación lineal.
Se complementan muy bien con
las estructuras presentadas.
Figure 17: Funciones no lineales.
Ayudan a transformar
problemas no lineales en uno
lineal.
Para más información: FICO
Xpress, (2014) MIP formulation
and linealization. Quick
reference.
Figure 18: Aproximación por cortes
tangentes.

Estructuras Comunes
Temas especiales: conjuntos y subconjuntos
Reduce la enumeración en los

ı́ndices.
Indexación más ágil.
Un ejemplo:
El conjunto representa una
economı́a. i ∈ P Figure 19: Representación de
Cada una de las figuras subconjuntos.
representa un sector de la
economı́a. Ni , i ∈ P

Estructuras Comunes
Temas especiales: conjuntos y subconjuntos
Reduce la enumeración en los Economı́a:

ı́ndices. Financiero, Alimenticio,
Energético, etc.
Indexación más ágil.
Subsectores de la economı́a:
Un ejemplo:
Financiero: Davivienda,
El conjunto representa una
Bancolombia, AVAL.
economı́a. i ∈ P
Energético: Ecopetrol, Pacific,
Cada una de las figuras
etc.
representa un sector de la
economı́a. Ni , i ∈ P
El subconjunto va indexado
en el conjunto.

Estructuras Comunes
Temas especiales: tipos de función objetivo y variables
Funciones objetivo:
Min-max.
Max-min.
Tipos de variables:
Continuas.
Discretas.
Enteras.

Estructuras Comunes
Funciones objetivo:
Min-max
Max-min.
Tipos de variables:
Continuas.
Discretas.
Enteras.
Figure 20: Problema con variables

continuas.

Estructuras Comunes
Funciones objetivo:
Min-max
Max-min.
Tipos de variables:
Continuas.
Discretas.
Enteras.
Figure 21: Problema con variables

enteras.

Búsqueda de mejores soluciones
Búsqueda local
Se define como un proceso iterativo (Heurı́stica).

La idea es buscar, dentro de un espacio de solución factible, la mejor
solución.
El único criterio de actualización es el valor de la función objetivo.
Algoritmo de búsqueda local genérico.

1 Buscar una solución factible (x 0 )
2 Exploración del vecindario de (x 0 ) buscando una mejor solución
3 Moverse a una mejor solución factible (x 1 )
4 Iterar desde el paso 1.

Paradigma de búsqueda
Es genérico para cualquier problema de búsqueda

x t+1 ← x t + λ∆x
λ: Longitud del paso (escalar)
∆: Dirección de movimiento (vector columna) (puede ser factible y de
mejora)

Paradigma de búsqueda
Figure 22: Óptimos locales y globales.

Supuestos
Figure 23: Tipos de problemas de optimización.

Supuestos
Figure 24: Tipos de problemas de optimización.

Supuestos
Proporcionalidad: la contribución de la i-ésima variable xi es

proporcional respecto al término multiplicativo (constante) a
Aditividad: el valor de la función objetivo es la sumatoria
(proporcional) de sus variables de decisión. Aplica para las
restricciones,también.
Divisibilidad: las variables de decisión pueden ser fraccionales.
Coeficientes determinı́sticos: no existe distribución de probabilidad
para los parámetros.

Forma canónico vs Forma estándar
Forma estándar: implica que exista estricta igualdad en las

restricciones
P
j∈J aij xj = bi ∀i ∈ I
xj ≥ 0, ∀j ∈ J
Forma canónico: existen desigualdades en las restricciones
En
P problemas de minimización
j∈J aij xj ≥ bi ∀i ∈ I
xj ≥ 0, ∀j ∈ J
En
P problemas de maximización
j∈J aij xj ≤ bi ∀i ∈ I
xj ≥ 0, ∀j ∈ J

¿Cómo se expresa una restricción en forma estándar desde una forma

canónica ?
En problemas de minimización
P
j∈J aij xj ≥ bi ∀i ∈ I
¿?
En problemas de maximización
P
j∈J aij xj ≤ bi ∀i ∈ I
¿?

¿Cómo se expresa una restricción en forma estándar desde una forma

canónica ?
En problemas de minimización
P
aij xj ≥ bi ∀i ∈ I
Pj∈J
j∈J aij xj − si = bi ∀i ∈ I
En problemas de maximización
P
aij xj ≤ bi ∀i ∈ I
Pj∈J
j∈J aij xj + si = bi ∀i ∈ I

Formato matricial de un problema de optimización

Un problema de optimización se puede expresar en los siguientes términos
matriciales
min c T x
s.t.
Ax ≥ b
x ≥0
Figure 25: Formato matricial.

Representación gráfica de las variables de holgura
Figure 26: Representación gráfica.

Punto extremo
Definición
Sea X un poliedro de la forma X = {x : Ax ≤ b, x ≥ 0} donde A es una
matriz de dimensión m x n y b es un vector de dimensión m x l: un
punto extremo es un punto factible donde hay n o más restricciones
activas.

Ejemplo
min c T x
s.t.
2x1 + x2 ≤ 8
−x1 − x2 ≤ −1
x1 , x2 ≥ 0
Figure 27: Modelo.

Ejemplo
min c T x
s.t.
2x1 + x2 + s1 = 8
−x1 − x2 + s2 = −1
x1 , x2 , s1 , s2 ≥ 0
Figure 28: Modelo.

Ejemplo
min c T x
s.t.
Figure 30: Modelo.

Figure 29: Representación matricial del
problema.

Ejemplo
min c T x
s.t.
Figure 32: Modelo.

problema.
¿Cuántos puntos extremos tiene el problema?

Soluciones básicas
min c T x
s.t.

problema.
Figure 34: Modelo.

Algoritmo para encontrar puntos extremos
¿Cómo encontrar los puntos extremos en un poliedro de forma analı́tica?

Algoritmo
1 Encontrar una matriz de variables básicas de dimensión m x m
(Invertible)
2 Multiplicar por el vector b
3 Algún elemento del vector resultante es negativo:
Si → Solución básica infactible
No → Solución básica factible (punto extremo)
4 Iterar hasta haber combinado todas las variables

Algoritmo Simplex
Conceptos previos
Definiciones
Un conjunto S es convexo si para cualquier x, y ∈ S y para cualquier
λ ∈ 0, 1 se cumple que λx + (1 − λ)y ∈ S
Una combinación lineal convexa es un vector que suma elementos de
sus mismos pares en un conjunto determinado.
Retomando el concepto de dirección de movimiento ∆: un vector ∆
es una dirección de movimiento para un conjunto convexo
{x 0 + λ∆ : λ > 0}.

Algoritmo Simplex
Teorema de representación. Nociones
Teorema de representación
Cualquier punto x 0 ∈ X puede
ser representado como una
combinación lineal convexa de
x 1 , x 2 , x 3 , ..., x k más una
combinación no-negativa de
∆1 , ∆2 , ..., ∆t .
Figure 35: Representación gráfica del

Teorema de la Representación.

Algoritmo Simplex
Definición
k
X l
X
x0 = λ j xj + µj ∆j
j=1 j=1
k
X
λj = 1
j=1
λj ≥ 0 ∀j = 1, 2, 3, ..., k
µj ≥ 0 ∀j = 1, 2, 3, ..., l

Algoritmo Simplex
Es importante pues es la base del Algoritmo Simplex.

Es limitado a problemas de juguete.
Un problema con matriz A de tamaño m = 50 (restricciones) y
n = 125 (variables) se demorarı́a 7.9x1018 milenios en resolver. Aun
con un poder de procesamiento de 1.000.000 de SB/Seg.

Algoritmo Simplex
Algoritmo Simplex
Creado por George Dantzig

Algoritmo eficiente utilizado en
técnicas de resolución
avanzadas (Simplex Revisado,
Dantzig-Wolfe, Descomposición
de Benders, etc.)
Figure 36: George Dantzig. Tomado de

WikiCommons.

Algoritmo Simplex
Algoritmo Simplex
Algoritmo. Parte 1.
1 Encontrar una solución básica factible
La solución debe ser un punto extremo.
Caso contrario. Utilizar un método de inicialización (Dos fases, gran
M)
2 Criterio de optimalidad
Si ninguna dirección de mejora la función objetivo, entonces el método
deja de iterar. El punto extremo actual se declara como el óptimo.
Si existe al menos una dirección de mejora, el movimiento se hace en
esa dirección.

Algoritmo Simplex
Algoritmo Simplex
Algoritmo
1 Construcción de una dirección de movimiento
La dirección debe mejorar la función objetivo.
El movimiento sea realiza hacia puntos extremos adyacentes.*
El movimiento se realiza a través de un intercambio de columna de la
base con una columna de la matriz no básica.
2 Longitud de movimiento
En el cálculo de la longitud debe verificarse un no acotamiento.
La longitud del movimiento debe asegurar que la solución siga siendo
factible.
3 Movimiento
Actualizar la solución por medio del paradigma de búsqueda (?).
La base se actualiza, incluye la nueva variable básica. De la misma
forma, la matriz no básica se actualiza.
Volver al Criterio de optimalidad.

Algoritmo Simplex
Algoritmo Simplex. Un ejemplo
Encontrar la solución al siguiente

problema por medio del Algoritmo
Simplex
max 3x1 + 5x2
s.t.
x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18 Figure 37: ¿Cómo resolverlo?
x1 , x2 ≥ 0

Algoritmo Simplex
¿Qué hacer primero?

¿?

Algoritmo Simplex
¿Qué hacer primero?

Expresarlo en forma estándar
max 3x1 + 5x2
s.t.
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
x1 , x2 , x3 , x4 , x5 ≥ 0

Algoritmo Simplex
Ahora, ¿qué hacemos?

Expresarlo en formato matricial.
Partir la matriz A en básicas y no básicas.
c T = [cBT |cN
T
]
xB
x =[ ]
xN

Algoritmo Simplex
Ahora, encontrar una solución básica.

Recordemos que un sistema de ecuaciones lineales se resuelve
multiplicando su matriz inversa por su vector solución.
Para el caso de optimización: xB = B −1 b
¿Cuál deberı́a ser la base inicial?

Algoritmo Simplex
Ahora, encontrar una solución básica.

Recordemos que un sistema de ecuaciones lineales se resuelve
multiplicando su matriz inversa por su vector solución.
Para el caso de optimización: xB = B −1 b
Generalmente, la base inicial la conforman las variables de holgura.
Puede ser conformada por otras variables, pero encontrar cuáles
conforman un punto extremo puede ser un proceso iterativo
desgastante.
Si la base inicial no se puede conformar por las variables de holgura,
se utiliza un método de inicialización.

Algoritmo Simplex
Ahora, revisar la optimalidad del punto extremo encontrado.

Concepto más importante del algoritmo Simplex: COSTOS
REDUCIDOS
Un punto extremo con un vector de costos reducidos no positivo
r t ≤ 0, entonces x ∗ es la solución óptima de un problema de
maximización.
Ayuda: los costos reducidos de las variables básicas son siempre cero.
Entonces ... ¿?

Algoritmo Simplex

REDUCIDOS
r T ≤ 0, entonces x ∗ es la solución óptima de un problema de
maximización.
Entonces ... ¡Encontrar los costos reducidos de las variables no
básicas!
rq = cq − W T Aq q ∈ IN
W T = cBT B −1
¿Cuál es el costo reducido de las variables no básicas?

Algoritmo Simplex

REDUCIDOS
r T ≤ 0, entonces x ∗ es la solución óptima de un problema de
maximización.
Entonces ... ¡Encontrar los costos reducidos de las variables no
básicas!
rq = cq − W T Aq q ∈ IN
W T = cBT B −1
¿Cuál es el costo reducido de las variables no básicas?r1 , r2

Algoritmo Simplex
Ahora, movernos de acuerdo a la variable básica que entramos.

Pero momento ....

Algoritmo Simplex

Pero momento ....
¿Cuál variable entrar ...?

Algoritmo Simplex

Pero momento ....
El costo reducido es una promesa de mejora, no necesariamente el
costo reducido más alto implica llegar al óptimo más rapido.

Algoritmo Simplex

Pero momento ....
¿Entonces? Calcular la dirección de movimiento (∆) de cada uno de
las variables no básicas (d q )
−B −1 Aq
dq = [ ]
eq

Algoritmo Simplex

Pero momento ....
¿Entonces? Calcular la dirección de movimiento (∆) de cada uno de
las variables no básicas (d q )
Pero escoger la dirección que permita llegar más lejos a veces ayuda,
al menos cuando se hacen problemas de juguete.
−B −1 Aq
dq = [ ]
eq

Algoritmo Simplex

Pero después de calculada la dirección, ¿qué tanto se puede mover?
Recordemos que la longitud de movimiento en una búsqueda local
era λ
xB B −1 b −B −1 Aq
[ ]=[ ] + α[ ]
xN 0 eq
La expresión anterior ya nos es conocida.

Ahora el problema es encontrar qué valor debe tomar la longitud de
movimiento α
Se usa la Prueba de la Razón Mı́nima.
Figure 38: Prueba de la razón mı́nima

Métodos de inicialización.
Métodos de inicialización
Para muchos problemas avanzados de optimización no es trivial

encontrar una base con las variables de holgura.
Nuevamente, iterar hasta encontrar una base es una forma
ineficiente.
Es posible que nunca se encuentre una base; se declara infactibilidad
del problema.
Se puede solucionar este problema con dos rutinas previas al
algoritmo Simplex: 1) Método de Dos Fases y 2) Método de la Gran
M.

Método de dos fases
Definición
Un problema de optimización con un vector de costos transpuestos
c T x que no tiene una solución básica factible.
Se debe transformar el vector de costos para obtener 1T x a .
Se utiliza una variable artificial (x a ) para encontrar una matriz
identidad.
Se itera sobre esa variable hasta encontrar que el costo reducido de la
variable (x a = 0).
Si con varias iteraciones Simplex, el costo reducido de (x a 6= 0): el
problema es infactible.

Método de dos fases
Definición
Un problema de optimización con un vector de costos transpuestos
c T x que no tiene una solución básica factible.
Se suma al vector de costos un costo artificial Mx a .
Se utiliza una variable artificial (x a ) para encontrar una matriz
identidad.
Se itera sobre esa variable hasta encontrar que el costo reducido de la
variable (x a = 0).
Si con varias iteraciones Simplex, el costo reducido de (x a 6= 0): el
problema es infactible.

Dualidad y Sensibilidad
Análisis de dualidad
La compañı́a relojera Rolox produce dos tipos de relojes, el tipo de gama

media Payless y el reloj de gama alta Timeless, los cuales vende a 2 y 3
dólares respectivamente.
Para producir el reloj Payless se necesita un gramo de platino y dos gramos

de oro, mientras que para producir un reloj timeless se necesita un gramo
de oro y un gramo de platino.
Rolox cuenta en sus cajas fuertes con 3 gramos de platino y 4 de oro. El

objetivo de la compañı́a es maximizar sus ingresos por la venta de relojes.
¿Qué cantidad deberı́a producir Rolox de cada tipo de reloj?

¿Cuál serı́a la formulación matemática para el problema de Rolox?.
Figure 39: Problema de Rolox.

De acuerdo a la formulación anterior, ¿en cuánto valor Rolox sus

recursos ?
¿Cuánto estarı́a dispuesto a pagar por una unidad adicional de cada

recurso?
Se encuentra el Problema Dual asociado al problema original

formulado.
Este Problema Dual permite encontrar el cambio marginal asociado a
cada reloj o cada recurso.
El Problema Dual es, básicamente, la transposición de la matriz A
del problema original (Problema Primal).

El problema dual asociado al primal es:
min 3w1 + 4w2

s.t.
w1 + 2w2 ≥ 2
w1 + w2 ≥ 3
w1 , w2 ≥ 0
Cuya solución es z = 9, w1 = 3 y w2 = 0
Esto ocurre por las Condiciones de Karush - Kuhn - Tucker
(KKT)

Debido a los altos costos de los recursos, Rolox desea comprar un seguro
contra robo. Para esto, ha llegado a un acuerdo con Delime (una em-
presa de seguros), en el cual Rolox escoge el valor por el cual desea ase-
gurar cada unidad de cada recurso (oro y platino).
La polı́tica que desea tomar Rolox es asegurar todos sus recursos (3 gramos
de platino y 4 de oro) de manera que si le roban cierta cantidad, se le re-
ponga por lo menos lo que Rolox dejarı́a de recibir.
Debido a que las cuotas de la póliza dependen de la cantidad asegurara,

Rolox desea asegurar los recursos por el menor valor posible. ¿Por qué
cantidad deberı́a Rolox asegurar sus recursos?

Debido a los altos costos de los recursos, Rolox desea comprar un seguro
contra robo. Para esto, ha llegado a un acuerdo con Delime (una em-
presa de seguros), en el cual Rolox escoge el valor por el cual desea ase-
gurar cada unidad de cada recurso (oro y platino).
La polı́tica que desea tomar Rolox es asegurar todos sus recursos (3 gramos
de platino y 4 de oro) de manera que si le roban cierta cantidad, se le re-
ponga por lo menos lo que Rolox dejarı́a de recibir.
Debido a que las cuotas de la póliza dependen de la cantidad asegurara,

Rolox desea asegurar los recursos por el menor valor posible. ¿Por qué
cantidad deberı́a Rolox asegurar sus recursos?
El valor de las variables duales es la valoración de cada unidad de recurso.

References
References
R. Rardin. Optimization in operations research. Prentice Hall. 1998.

M. Bazaraa. Linear programming and network flow. Wiley . 2010.
R. Ahuja. Network flows: theory, algorithms and applications.
Prentice Hall. 1993.
End of Presentation
Gracias.

Optimización Lineal

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

Optimización Lineal

Cargado por

Copyright:

Formatos disponibles

Optimización Lineal

Ariel Garcı́a López

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 1 / 101

Por qué optimización lineal

Técnica de optimización que permite expresar un problema en

Figure 1: Naturaleza de los problemas de optimización

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 2 / 101

Optimización en la toma de decisiones

Búsqueda de mejores soluciones.

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 3 / 101

Decisiones: qué debe decidirse (Variables de Decisión).

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 4 / 101

Una empresa de refinación de petróleo tiene la posibilidad de comprar su

Los barriles que se le compran a Venezuela producen 0.3 barriles de gasolina,

La disponibilidad diaria de petroleo venezolano es de 6000 barriles por dı́a

Esta empresa ha firmado unas clausulas de cumplimiento que le obligan a

min 20x1 + 15x2 Asegurar el costo mı́nimo

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 6 / 101

Figure 2: Representación gráfica.

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 7 / 101

Representación de una función objetivo

Gradiente como dirección de

Figure 3: Curvas de nivel y gradiente.

Cambios en la función objetivo

Cuando se hacen cambios en la

Figure 4: Óptimos alternos.

Cambios en la función objetivo

¿Qué pasarı́a si la disponibilidad

Figure 5: Problema infactible.

Cambios en la función objetivo

Arabia Saudita encontró una

Figure 6: Óptimo no acotado.

Formulación a gran escala

Hybrids es un productor de semillas que cuenta con dos tipos de semillas

La información que ha recolectado la unidad de inteligencia analı́tica son:

Formule un modelo que le permita hacer un seguimiento de la mejor forma

Formulación a gran escala

Decisiones: 1) Cantidad de bolsas de semillas de cada variedad que

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 13 / 101

Formulación a gran escala

Decisiones: 1) Cantidad de bolsas de semillas de cada variedad que

y211 : Cantidad enviada desde la planta 2

y222 : Cantidad enviada desde la planta 2

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 14 / 101

Formulación a gran escala

Información: 1) Costos de envı́o, 2) Costos de procesamiento, 3)

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 15 / 101

Formulación a gran escala

Información: 1) Costos de envı́o, 2) Costos de procesamiento, 3)

s222 : Costo de enviar desde la planta 2 una bolsa de la variedad 2

s221 : Costo de enviar desde la planta 2 una bolsa de la variedad 2

Formulación a gran escala

Información: 1) Costos de envı́o, 2) Costos de procesamiento, 3)

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 17 / 101

Formulación a gran escala

Información: 1) Costos de envı́o, 2) Costos de procesamiento, 3)

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 18 / 101

Formulación a gran escala

Información: 1) Costos de envı́o, 2) Costos de procesamiento, 3)

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 19 / 101

Formulación a gran escala

Condiciones (Restricciones): 1) Costos de envı́o, 2) Costos de

Ariel Garcı́a López (U.P.T.C.) Optimización Lineal Junio 2017 20 / 101

Formulación a gran escala