0 calificaciones0% encontró este documento útil (0 votos)
10 vistas1 página
El documento describe cómo verificar si una nueva restricción afecta la solución óptima actual de un modelo de programación lineal. Si la solución óptima actual satisface la nueva restricción, sigue siendo la mejor solución. De lo contrario, se debe encontrar una nueva solución óptima introduciendo la restricción en la tabla simplex final. También se discute el análisis de sensibilidad paramétrica continuando modificando parámetros para ver cuándo cambia la solución óptima.
El documento describe cómo verificar si una nueva restricción afecta la solución óptima actual de un modelo de programación lineal. Si la solución óptima actual satisface la nueva restricción, sigue siendo la mejor solución. De lo contrario, se debe encontrar una nueva solución óptima introduciendo la restricción en la tabla simplex final. También se discute el análisis de sensibilidad paramétrica continuando modificando parámetros para ver cuándo cambia la solución óptima.
El documento describe cómo verificar si una nueva restricción afecta la solución óptima actual de un modelo de programación lineal. Si la solución óptima actual satisface la nueva restricción, sigue siendo la mejor solución. De lo contrario, se debe encontrar una nueva solución óptima introduciendo la restricción en la tabla simplex final. También se discute el análisis de sensibilidad paramétrica continuando modificando parámetros para ver cuándo cambia la solución óptima.
ser menos restrictiva que otras ya planteadas en el modelo, pero ahora es necesario verifi car esta
impresión con la solución óptima obtenida.
Para ver si la nueva restricción afecta a la solución óptima actual, todo lo que debe hacerse es verifi car en forma directa si esa solución óptima satisface la restricción. Si es así, todavía sería la mejor solución básica factible (es decir, la solución óptima), aun cuando se agregara la restricción al modelo. La razón es que una nueva restricción sólo puede eliminar algunas de las soluciones factibles anteriores sin agregar algunas nuevas. Si la nueva restricción elimina la solución óptima actual, y si se quiere encontrar la nueva solución, se introduce esta restricción a la tabla símplex fi nal (como un renglón adicional) exactamente como si fuera la tabla inicial, en la que se designa la variable usual (de holgura o artifi cial) como la variable básica que corresponde a este nuevo renglón. Como éste tal vez tenga coefi cientes distintos de cero en algunas otras variables básicas, se debe aplicar la conversión a la forma apropiada de eliminación de Gauss y después el paso de reoptimización en la forma normal. Igual que para algunos de los casos anteriores, el procedimiento del caso 4 es una versión simplifi cada del procedimiento general que se resume al fi nal de la sección 6.6. La única pregunta que hay que hacerse en este caso es si la solución óptima anterior todavía es factible, así que debe eliminarse el paso 5 (prueba de optimalidad). El paso 4 (prueba de factibilidad) se reemplaza por una prueba de factibilidad mucho más rápida (¿La solución óptima anterior satisface la nueva restricción?) que se realiza inmediatamente después del paso 1 (revisión del modelo). Sólo cuando la respuesta a esta prueba es negativa y se quiere reoptimizar, se cubren los pasos 2, 3 y 6 (revisión de la tabla símplex fi nal, conversión a la forma apropiada de eliminación de Gauss y reoptimización). Ejemplo (variación 6 del modelo de la Wyndor). Para ilustrar este caso, se considera la variación 6 del modelo de la Wyndor Glass Co., que introduce la nueva restricción 2x1 _ 3x2 _ 24 en la variación 2 del modelo dado en la tabla 6.21. El efecto gráfi co se muestra en la fi gura 6.7. La solución óptima anterior (0, 9) viola la nueva restricción, por lo que la solución óptima cambia a (0, 8). Para analizar este ejemplo en forma algebraica, observe que con (0, 9) se obtiene 2x1 1 3x2 5 27 . 24, por lo que esta solución óptima anterior ya no es factible. Para encontrar la nueva solución óptima, se agrega esta restricción a la tabla símplex fi nal actual como se describió, con la variable de holgura x6 como su variable básica inicial. Este paso conduce a la primera tabla que se muestra en la tabla 6.25. El paso de conversión a la forma apropiada de eliminación de Gauss requiere restar el renglón 2 multiplicado por 3, del nuevo renglón, con lo que se identifi ca la solución básica actual: x3 5 4, x2 5 9, x4 5 6, x6 5 23 (x1 5 0, x5 5 0), como se muestra en la segunda tabla símplex. Cuando se aplica el método dual símplex (descrito en la sección 7.1) se obtiene en una sola iteración (algunas veces se necesitan más) la nueva solución óptima en la tabla fi nal de la tabla 6.25. Análisis de sensibilidad sistemático: programación paramétrica Hasta aquí se ha descrito cómo verifi car cambios específi cos en los parámetros del modelo. Otro enfoque común del análisis de sensibilidad es modifi car de manera continua uno o más parámetros en un intervalo (o intervalos) para ver cuándo cambia la solución óptima. Por ejemplo, en la variación 2 del modelo de la Wyndor Glass Co., en lugar de comenzar a probar el cambio específi co de b2 5 12 a b2 5 24, se puede establecer b2 5 12 1 u y después modifi car u de manera continua desde 0 hasta 12 (valor máximo de interés). La interpretación geométrica de la fi gura 6.3 es que la recta de restricción 2x2 5 12 se mueve hacia arriba hasta 2x2 5 12 1 u, donde el valor de u aumenta de 0 a 12. El resultado es que la solución FEV óptima original (2, 6) mueve la recta de restricción 3x1 1 2x2 5 18 hacia el punto (22, 12). Esta solución en un vértice permanece óptima mientras siga siendo factible (x1 $ 0), después de lo cual (0, 9) se convierte en la solución óptima.