Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MEDIANTE TABLEAU
Investigación Operativa I
Como hemos analizado hasta ahora, el desarrollo y resolución de PPL, mediante
tablas no es complejo pero si algo trabajoso. En este punto veremos, al igual como lo
vimos en el punto dónde efectuamos un estudio desde la perspectiva del método
gráfico, ahora los casos especiales que informa la resolución de distintos problemas
a través de los tableau.
La utilidad de lo anterior, es que nos permitirá analizar distintos casos que no son
previsibles cuando se resuelve cualquier problema particular.
Problema Con Soluciones Óptimas No acotado
X2
c a
RSF
c
X1
Hemos visto que a medida que crece la función objetivo paralelamente hacia la
derecha, su valor crece o incrementa, pero la RSF no es un conjunto cerrado o
acotado por el lado derecho, por lo cual, la función objetivo no tiene límite y, por
ende, su valor es infinito.
Ahora, como podemos identificar dicho estudio con el método simplex. Sea el
problema de programación lineal canónico:
Max : Z CX
s.a. :
AX b
x0
En cualquiereliteración
Retomemos delresuelto
ejemplo ya métodopor
simplex, el vector
el método gráfico:que entra a la base es el
asociado a la variable Xk, entonces si todas las Yik 0, i 1, , m , la solución del
problema lineal es no acotado.
Retomemos el ejemplo ya resuelto por el método gráfico
:
Máx Z 4 X1 4 X 2
s.a. :
2 X1 2X 2 2
X1 2X 2 4
X1, X 2 0
Z X1 X2 X3 X4
1 -4 -4 0 0 0
X3 0 -2 2 1 0 2
X4 0 -1 2 0 1 4
Z X1 X2 X3 X4
1 -8 0 2 0 4
X2 0 -1 1 1/2 0 1
X4 0 1 0 -1 1 2
Z X1 X2 X3 X4
1 0 0 -6 8 20
X2 0 0 1 -1/2 1 3
X1 0 1 0 -1 1 2
Como se puede apreciar, en esta tercera iteración X3 debe entrar a la base, pero
Y13 1 / 2 0 y Y23 1 / 2 0 .
Por lo tanto, no es posible aplicar la regla de selección que indica que variable debe
salir de la base óptima.
Problema Con Soluciones Óptimas Múltiples
A diferencia del problema anterior, existen otro tipo de problemas que no tienen una
única solución óptima, sino que al contrario, tienen un infinito número de soluciones
óptimas, pero acotadas en una región determinada para las cuales la solución
respectiva generará el mismo valor en la función objetivo, por lo general, para que
esto ocurra estos son conjuntos cerrados en segmentos de rectas o en rigor
matemático se refiere a combinaciones lineales convexas, en el cual deben existir
puntos extremos que permitirán acotar el límite de los trazos existentes de la región
de soluciones factibles. Cuando hablamos de estos casos se dice que la función
objetivo es paralela a una restricción de enlace, es decir, una restricción que se
satisface en el sentido de la igualdad a través de la solución óptima.
Máx Z 5 X 1 2 X 2
s.a. :
6 X1 10 X 2 30
10 X 1 4X 2 20
X1, X 2 0
La representación gráfica es la siguiente:
X2
b
c
RSF
B c
X1
Como se aprecia, la función objetivo tiene un valor máximo (óptimo) cuando coincid e
con el trazo AB de la RSF. Como se ha dicho, la solución óptima sigue estando en un
punto extremo (vértice), solo que la gran diferencia es que son dos puntos óptimos a
conocer, el punto A y B. Es necesario recordar el concepto de la combinación lineal
convexa entre dos puntos A y B, ya que cualquier punto perteneciente a la recta AB
también es óptima, es decir, como existen infinitos puntos también existen infinitos
puntos óptimos que generan el mismo valor de la función objetivo.
Nuevamente debemos indicar cuales serán las condiciones que nos permitirán
identificar soluciones múltiples óptimas mediante el método simplex. Sea el problema
de programación lineal canónico:
Max : Z CX
s.a. :
AX b
x0
Si existe un vector asociado a Xk que no esté en la base óptima, cuyo costo reducido
z k ck 0 , el resto de los zi ci 0 y todas Yik 0, i 1, , m , entonces el problema
de programación lineal tiene soluciones múltiples y la base es óptima.
Máx Z 5 X 1 2 X 2
s.a. :
6X1 10 X 2 30
10 X 1 4X 2 20
X1, X 2 0
Para determinar cual sería el otro punto extremo, se deberá introducir a la base la
variable X2, asi:
Z X1 X2 X3 X4
1 0 0 0 1/2 10
X2 0 0 1 5/38 -3/38 45/19
X1 0 1 0 -1/19 5/38 20/19
Como ya se explicó, existe una combinación lineal convexa entre los puntos X1 y X2
que también es óptima, es decir, se genera el mismo valor de la función objetivo. La
expresión matemática que define dicha expresión, asociada a un X* es:
2 20 / 19
0 45 / 19
X X (1 ) X
* 1 2 (1 ) , 0 1
18 0
0 0
la cual genera un punto óptimo de un conjunto de puntos óptimos existentes.
Problema Sin Soluciones o Infactible
1. del tipo , ya que las variables de holgura siempre generarán una RSF y, por
lo tanto, existirá una solución factible óptima,
2. del tipo efectivamente generan variables artificiales W que por su
estructura no nos garantizan una solución factible al modelo inicial y aunque
se efectúen las provisiones necesarias para que exista un solución óptima, es
decir, que efectivamente W = 0, si no existe una RSF el problema no tendrá
solución.
Veamos el siguiente caso de problema lineal:
Máx
Z 2X1 2X 2
sa :
X1 X 2 2
X1 X 2 4
X1, X 2 0
X2
c
a b
RSF 2
RSF 1 c
X1
Como se puede observar, no existen valores de X1 y X2 que puedan estar
simultáneamente en ambas regiones sombreadas.
Veamos ahora cómo identificamos esta condición por medio del método de
penalización de Gran M, presentando primero el PPL estándar y el tableau original:
Máx
Z 2 X 1 2 X 2 MW 0
sa :
X1 X 2 X 3 2
X1 X 2 X 4 W 4
X1, X 2 0
Z X1 X2 X3 X4 W
1 -2 -2 0 0 M 0
X3 0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4
Z X1 X2 X3 X4 W
1 -2-M -2-M 0 M 0 -4M
X3 0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4
Z X1 X2 X3 X4 W
1 0 0 2+M M 0 4-2M
X1 0 1 1 1 0 0 2
W 0 0 0 -1 -1 1 2
De esta manera, esta condición revela que el modelo tiene cuando menos una
restricción redundante.
Veamos el siguiente ejemplo:
Max
Z 3X 1 9 X 2
sa :
X1 4X 2 8
X1 2X 2 4
X1, X 2 0
Z X1 X2 X3 X4
1 -3/4 0 9/4 0 18
X2 0 1/4 1 ¼ 0 2
X4 0 1/2 0 -1/2 1 0
Z X1 X2 X3 X4
1 0 0 3/2 3/2 18
X2 0 0 1 ½ -1/2 2
X1 0 1 0 -1 2 0
Podemos ver en este caso que en la segunda iteración ya se obtuvo el valor óptimo
de la función objetivo, pero sus vectores básicos no son los últimos; en cambio, en la
última iteración los vectores básicos son los últimos, pero la solución no mejoro.
X2
RSF
c
X1
Como vimos anteriormente, las iteraciones uno y dos generaron una suerte de
ciclaje, ya que a partir de un estado común (valor objetivo iguales) se obtuvieron
soluciones distintas. Pero que pasa cuando son más de dos variables, la respuesta
es más compleja ya que el ciclaje o reciclaje, efectivamente, se vuelve más notorio,
ya que a partir del tableau inicial y después de sucesivas iteraciones aplicando el
método simplex, podemos volver nuevamente al tableau inicial sin poder llegar a la
solución óptima. Las técnicas utilizadas para solucionar el ciclaje generan una
reducción drástica en los cálculos y, por ende, en los tiempos de ejecución, pero una
técnica que mejora esta causa es la Regla Lexicográficas.