Professional Documents
Culture Documents
MDULO
PROGRAMACIN LINEAL
(versin Preliminar)
TABLA DE CONTENIDOS
INTRODUCCIN
JUSTIFICACIN
UNIDAD 1
INTRODUCCIN A LA PROGRAMACIN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGA DE LA I.O.
1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES 1.5.1
DEFINICION Y FORMULACION DEL PROBLEMA
1.5.2 FORMULACION DE UN MODELO MATEMATICO
1.5.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO
1.5.4 PRUEBA DEL MODELO
1.5.5 VALIDACION DEL MODELO
1.5.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION
1.5.7 IMPLEMENTACION DE LA SOLUCION
CAPITULO 2
CONJUNTOS CONCAVOS Y CONVEXOS
2.1 INTRODUCCIN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIN
2.5 FUNCION CONVEXA
CAPITULO 3.
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL
3.1
3.2
INTRODUCCION
CONCEPTO
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL 3.3.1
INTRODUCCION
3.3.2 ESTRUCTURA DE UN MODELO DE P.L.
3.4
MODELO GENERAL DE PROGRAMACION LINEAL
3.5
FORMA ESTNDAR DE LOS MODELOS DE P.L.
3.6
OTRAS FORMAS DE MODELOS DE P.L.
3.7
FORMULACION ALGEBRAICA: FORMA CANONICA
3.8
RESUMEN
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
METODO GRAFICO
1.1 INTRODUCCION METODO GRAFICO
1.2 DEFINICION
1.3 CONCEPTO GENERAL DEL METODO GRAFICO
1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO
CAPITULO 2
METODO ALGEBRAICO
2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER
CAPITULO 3
METODO SIMPLEX
3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.4 EJEMPLOS DESARROLLADOS
3.5 TALLER
CAPITULO 4
ANALISIS DE VARIABILIDAD:
4.1 INTRODUCCION
4.2 DUALIDAD
4.3 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
4.4 EJEMPLOS RESUELTOS
4.5 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL - SIMPLEX
4.6 TALLER
CAPITULO 5
TOPICOS AVANZADOS
5.1 INTRODUCCION
5.2 DEGENERACION EN PROGRAMACION LINEAL
5.3 METODO SIMPLEX GENERALIZADO
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES ACOTADAS
5.5 ALGORITMO DE DESCOMPOSICION
FUENTES DOCUMENTALES
INTRODUCCIN
El curso de Programacin Lineal Componente de Formacin Disciplinar tiene
carcter bsico en los programas de Ingeniera que oferta la UNAD, adems es de
tipo terico. Tiene como objetivo Formular, obtener y analizar soluciones a problemas
de programacin lineal en especial los referidos a optimizacin de recursos.
El curso tiene 2 crditos acadmicos los cuales comprenden el estudio independiente
y el acompaamiento tutorial, con el propsito de:
JUSTIFICACIN
No es del todo fcil definir qu es la investigacin de operaciones. Existen diversas
definiciones en textos, pero se podra decir que la investigacin de operaciones es un
enfoque cientfico interdisciplinario para la solucin de problemas, que envuelve la
interaccin compleja, dinmica y sujetiva de hombres, mtodos y sistemas, a los
cuales, en algunos casos no se les puede proporcionar una solucin exacta por medio
de los procedimientos matemticos o por medio de tcnicas de ensayo y error.
Utilizando modelos matemticos como un recurso primario, la metodologa de la
investigacin de operaciones est diseada para cuantificar y acotar estos problemas
dentro de un marco de restricciones especficas, medidas, objetivos y variables, de tal
forma que se busquen controles ptimos de operacin, decisiones, niveles y
soluciones.
La programacin matemtica es quizs el rea ms desarrollada de la investigacin
de operaciones. Cubre tpicos tales como: Programacin lineal, programacin de
redes y programacin entera, adems de otras variantes de mtodos de programacin
tales como programacin de metas, en este curso nos ocuparemos de la
programacin lineal y sus diversos mtodos y tcnicas de solucin para una adecuada
toma de decisin.
Un modelo de programacin lineal proporciona un mtodo eficiente para determinar
una decisin ptima, (o una estrategia ptima o un plan ptimo) escogida de un gran
nmero de decisiones posibles. La decisin ptima es la que satisface un objetivo de
administracin, sujeto a varias restricciones.
PRIMERA UNIDAD
INTRODUCCIN A LA PROGRAMACIN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGA DE LA I.O.
1.1 INTRODUCCION
Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y la
separacin de las responsabilidades administrativas en las organizaciones. Sin
embargo esta revolucin creo nuevos problemas que ocurren hasta la fecha en
muchas empresas. Uno de estos problemas es la tendencia de muchos de los
componentes a convertirse en imperios relativamente autnomos, con sus propias
metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la
mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de
Operaciones.
La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para un
problema de decisin con la restriccin de recursos limitados.
En la Investigacin de Operaciones utilizaremos herramientas que nos permiten tomar
una decisin a la hora de resolver un problema, tal es el caso de los modelos de
Investigacin de Operaciones que se emplean segn sea la necesidad.
Actualmente la investigacin de operaciones a incursionado en la administracin con
muy buenos resultados en este campo pues el ambiente de negocios al que se est
sometido y los mltiples cambios que ellos generan, los ciclos de vida de los
productos se hacen ms cortos, la abrumadora y acelerada era de la nueva
Definicin del
problema
Resolucin del
modelo
matemtico.
Modelo
Modificado
NO
Solucin
Es valida la
solucin?
Implementacin
TALLER
Observa con atencin la siguiente presentacin en ppt y realzale ejercicio que
all se plantea, hazlo llegar a tutor de la manera que el te lo indique (e-mail, CDroom, medio fsico, presencial etc).
1. Concepto y delimitacin de la I.O.
Antecedentes:
Surge durante la segunda Guerra Mundial,
luego y con motivo de la revolucin industrial, ha ido teniendo cada vez
INVESTIGACIN OPERATIVA
Definicin
Aplicacin del mtodo cientfico por un grupo multidisciplinario
personas a la resolucin de un problema.
Objetivo
del
proceso
analizado,
generalmente
bajo
Etapas de un ejercicio de
I.O.
Bsicamente la I.O. sigue los siguientes pasos:
Mtodos
hbridos:
Conjugan
determinsticos y probabilsticos.
mtodos
Fases
de un
estudi
o
FORMULACIN DEL
PROBLEMA
NECESIDAD DE
REORGANIZACIN
SISTEMA DE INTERS
OBTENCIN DE DATOS
CONSTRUCCIN DEL
MODELO
TOMA DE DECISIONES
IMPLEMENTACIN Y SOLUCIN DEL
MODELO CONTROL
INTERPRETACIN DE
RESULTADOS E
IMPLICACIONES
Ejercicios de I.O.
Ejemplo 1:
aproximadamente igual a 10
, an revisando un 1 milln de
Ejercicios de I.O.
Ejercicios de I.O.
2.
3.
Ejercicios de I.O.
Ejemplo 2: Aplicacin al mbito sanitario
Planificacin y asignacin de recursos en un sistema de salud mental
2.
2.
Ejercicios de I.O.
Ejemplo 2: Aplicacin al mbito sanitario
3.
Ejercicios de I.O.
Tu ejemplo......................................
Problema/objetivo a resolver/realizar
..............................................................................................................
Fases:
1............
2..................
3.........................
CAPITULO DOS
CONJUNTO Q
CONJUNTO R
CONJUNTO T.
x
P
Obsrvese que para cualquier par de puntos (x, y) que estn dentro del conjunto P, el
segmento que une dichos puntos siempre queda dentro del conjunto, en consecuencia
P sera un conjunto convexo.
Consideremos el conjunto Q:
Q
x
Obsrvese que para cualquier par de puntos (x,y) que estn dentro del conjunto Q, el
segmento que une dichos puntos no queda dentro del conjunto, en consecuencia Q no
sera un conjunto convexo.
Consideremos el conjunto R:
En este caso para cualquier par de puntos (x,y) de esta recta R, el segmento que los
une queda dentro del conjunto, en consecuencia R es un conjunto convexo.
Por ltimo sea el conjunto T:
x
T
y
Es claro grficamente que para cualquier par de puntos x, y, el segmento que los une
est totalmente contenido en dicho conjunto.
Consideremos un ltimo ejemplo en el plano, sea el conjunto T
EJERCICIOS
Determinar si los siguientes conjuntos son o no convexos, dibujndoles previamente:
a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1)
SOLUCION:
a. es convexo
b. no es convexo
(-
Obsrvese que es claramente convexo pues cualquier par de puntos que estn en S3
el segmento que los une est claramente contenido en S3.
Qu sucedera si no podemos representar grficamente el conjunto, como sucede
con conjuntos de dimensin superior a 3?
En esos casos es necesario dar una definicin analtica de conjunto convexo, para lo
cual efectuamos la siguiente definicin:
CONJUNTO CONVEXO:
n
est en S, es
por
EJEMPLO:
Estudiar analticamente si el conjunto anterior
es un conjunto convexo.
Para ello consideremos dos vectores de S3
(x1,y1), (x2,y2),
Habra que comprobar si b(x1,y1)+(1-b)(x2,y2) es un vector que pertenece a S3 para
cualquier valor de b en [0,1]
Es decir tendremos que comprobar si
.bx1+(1-b)x2 ,
by1+(1-b)y2
Y comprobando si el vector
Y al expandirle
Cul es el recinto?
Ahora debemos determinar en que lado de las circunferencias se sita el
conjunto.
Para saber cul es exactamente el recinto, tomemos un punto que no est en dichas
rectas, por ejemplo (0,0).
Comprobemos a qu lado de la recta x+y=1 se encuentra nuestro conjunto x+y=1,
comprobamos para (0,0), y observamos que 0+0= 1 verifica la ecuacin, por tanto el
recinto x+y=1 est al lado del (0,0).
Y por otro lado para determinar el conjunto x-y=1 comprobamos que 0-0= 1 por tanto
tambin es de la recta hacia el (0,0), con lo cual tendremos que el recinto ser:
Este conjunto no es convexo pues si considero dos puntos del conjunto por ejemplo
(1.04, -1.57) y (2.43,-0.3)
Si representamos el segmento que une dichos puntos editando
Obtenemos
es un conjunto convexo.
Podemos ver que en esta grfica si dibujamos cualquier segmento que una dos
puntos de la misma, ste siempre queda por debajo de la grfica. Por ejemplo,
consideremos los puntos
Obtenemos
Se puede observar que para cualquier par de puntos de la grfica que toman valores
en el segmento considerado el segmento que une dichos puntos siempre queda por
debajo de la grfica por ello podemos efectuar la siguiente definicin:
FUNCIONES ESTRICTAMENTE CONCAVAS Y CONCAVAS
DEFINICIN:
Diremos que una funcin f es estrictamente cncava en un conjunto M convexo si todo
segmento que une dos puntos de la grfica esta estrictamente por debajo de la
grfica.
Diremos que una funcin es CONCAVA (no estricta) si no todas las cuerdas que unen
puntos de la grfica en dicho intervalo quedan estrictamente por debajo.
Vamos ahora a introducir el concepto de funcin CONVEXA.
Consideremos el siguiente ejemplo:
EJEMPLO.
Consideremos la misma funcin anterior
Consideremos ahora nuevamente varios puntos de esta grfica en dicho intervalo por
ejemplo
se obtiene
Obtendremos
Obsrvese que los segmentos quedan siempre por encima de la grfica de la funcin.
En estos casos, diremos que la funcin es convexa en el intervalo dado.
Por
ello
podemos
realizar
la
siguiente
definicin:
FUNCIN CONVEXA.
DEFINICION: Sea f una funcin definida en un intervalo de R, diremos que dicha
funcin es convexa en el intervalo si todo segmento que une dos puntos de la grfica
queda por encima de la grfica. Si siempre queda estrictamente por encima decimos
que la funcin es estrictamente convexa.
EJERCICIO
Estudiar el carcter de las siguientes funciones en los recintos que se indican:
(a) En toda la recta real:
( C) En el intervalo (0,1 )
SOLUCIONES:
a. ESTRICTAMENTE CONVEXA
b. ESTRICTAMENTE CONVEXA
c. ESTRICTAMENTE CONVEXA
d. ESTRICTAMENTE CONCAVA
e. estrictamente CONCAVA
f. ESTRICTAMENTE CONVEXA
CAPITULO 3
3.1 INTRODUCCION
3.2 CONCEPTO:
El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser
funciones lineales. En este caso, las palabra programacin no se refiere a
programacin en computadoras; en esencia es un sinnimo de planeacin. As, la
programacin lineal trata la planeacin de las actividades para obtener un resultado
ptimo.
La programacin lineal es una tcnica de investigacin de operaciones para la
determinacin de la asignacin optima de recursos escasos cuando la funcin objetivo
y las restricciones son lineales. Es una manera eficiente de resolver estos problemas
cuando se debe hacer una eleccin de alternativas muy numerosas que no pueden
evaluarse intuitivamente por los mtodos convencionales.
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
Los trminos clave son recursos y actividades, en donde m denota el nmero de
distintos tipos de recursos que se pueden usar y n denota el nmero de actividades
bajo consideracin.
Z = valor de la medida global de efectividad.
Xj = nivel de la actividad j (para j = 1,2,...,n).
Cj = incremento en Z que resulta al aumentar una unidad en el nivel de
actividad j.
la
A - 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si
fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido de
esta desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes
del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan
grande como B - 2, entonces:
AB2
A B -2
Por ltimo B A 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por
ejemplo:
B -A 2
es lo mismo que
B -A+ S = 2
A - 2B -S = 0
Z = 4A + 6B
Minimizar
Z = 2x1 + 5x2
x1 0, x2 0, ..., xn 0
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan otras
formas) para el problema de PL. Cualquier situacin cuya formulacin matemtica se
ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminologa que usaremos para los
modelos de PL. La funcin que se desea maximizar, c 1x1 + c2x2 + ... + cnxn, se llama
ver que estas otras cuatro formas legales se pueden reescribir en una forma
equivalente para que se ajuste al modelo que se present. Entonces, todo problema
de PL se puede poner en nuestra forma estndar si se desea.
Otra representacin:
Max (z) = n cjx j
j=1
sujeto a :
n aijx j bi
j=1
En forma matricial:
Max (z) = C x
sujeto a:
Ax b
x0
j = 1, 2, ... n
3.8 RESUMEN
TERMINOLOGIA Y CONCEPTOS BASICOS:
Conjunto factible
Es el conjunto de puntos que satisfacen simultneamente todas las
restricciones (o filas) del problema
Actividades, columnas o variables (xj)
Representan los usos alternativos que deben competir entre s para la
obtencin de los recursos de forma que se optimice la funcin objetivo
Recursos (bi)
Son productos, tiempo, etc. Se cuantifican en el trmino independiente o Right
Hand Side (RHS) del problema
El conjunto factible de un problema de PL, si existe, es representable mediante un
poliedro convexo
LECTURA
ORIGEN DE LA PROGRAMACIN LINEAL
(Tomada de http://thales.cica.es/rd/recursos/rd98/)
En los siglos XVII y XVIII, grandes
matemticos como Newton, Leibnitz,
Bernouilli y, sobre todo, Lagrange, que
tanto haban contribuido al desarrollo del
clculo infinitesimal, se ocuparon de
obtener mximos y mnimos condicionados de determinadas funciones.
Posteriormente el matemtico francs Jean Baptiste-Joseph Fourier (1768-1830) fue
el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente
llamamos programacin lineal y la potencialidad que de ellos se deriva.
Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se
interes por problemas de este gnero, debemos remontarnos al ao 1939 para
encontrar nuevos estudios relacionados con los mtodos de la actual programacin
lineal. En este ao, el matemtico ruso Leonodas Vitalyevich Kantarovitch publica
una extensa monografa titulada Mtodos matemticos de organizacin y planificacin
de la produccin en la que por primera vez se hace corresponder a una extensa gama
de problemas una teora matemtica precisa y bien definida llamada, hoy en da,
programacin lineal .
En 1941-1942 se formula por primera vez el problema de transporte, estudiado
independientemente por Koopmans y Kantarovitch, razn por la cual se suele
conocer con el nombre de problema de Koopmans-Kantarovitch.
Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el
nombre de rgimen alimenticio optimal.
En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se
asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era
un problema de tal complejidad, que su resolucin y simplificacin pasaba
necesariamente por los modelos de optimizacin que resuelve la programacin lineal.
Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y los
ordenadores, instrumentos que haran posible la resolucin y simplificacin de los
problemas que se estaban gestando.
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
1.1 INTRODUCCION METODO GRAFICO
1.2 DEFINICION
1.3 CONCEPTO GENERAL DEL METODO GRAFICO
1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO
1.1 INTRODUCCION
Antes de entrarnos por completo en los mtodos analticos de la investigacin de
operaciones es muy conveniente ver un poco acerca de las desigualdades de una
ecuacin lineal.
Por ejemplo tenemos la ecuacin
2X + 3Y = 60 en donde X, Y 0
Es decir que para que se cumpla la igualdad de la ecuacin nos tocara adquirir 15
unidades de X y 10 unidades de Y respectiva mente:
2(15) + 3(10) = 60
1.2 DEFINICION:
Por definicin de algunos libros una desigualdad entre dos variables es una
desigualdad que puede escribirse de la forma:
EJEMPLO 2:
Describir la regin definida por la desigualdad: x -2
EJEMPLO 3:
Dando valores a x y y determinamos las rectas con las reas correspondientes a las
desigualdades planteadas.
2x + y > 3
xy
y1>0
Este sistema es equivalente
y > -2x + 3
x =0; y =3
Y=0; x= 3/2
yx
x= 0; y= 0
x=1 ; y= 1
y > 1/2
Obsrvese que se ha escrito cada desigualdad de manera que y queda despejada.
Consecuencia las regiones apropiadas con respecto a las rectas correspondientes
restaran evidentes. En primer lugar se trazan las rectas
y = -2x + 3,
y=xYy=
y
Despus se sombra la regin que se encuentra simultneamente por encima de la
recta, sobre o por debajo de la segunda de ellas y por encima de la tercera esta regin
es la solucin.
x=0; y=8
y=0; x=4
x=0; y=4
Y=0; x=6
x, y 0
Se observa que la regin factible esta conformada por los puntos A(0,0); D(0,4); B(4,0)
y el punto C que es el resultado de la interseccin de las 2 inecuaciones cuyo valor
aproximadamente en el plano esta dado por las coordenadas (3,2).
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).
EJEMPLO:
Minimizar la funcin objetivo:
Z= 2x + 3y
Sujeto a las restricciones:
x +2y 10
3x + 2y 18
x, y 0
A continuacin graficamos las desigualdades planteadas en las restricciones as:
x + 2y10
3x + 2y18
x=0; y=5
y=0; x=10
x=0; y=9
Y=0; x=6
x, y 0
Regin Factible
(4,3)
Se observa que la regin factible esta conformada por los puntos (0,9); (4,3); (10,0),
donde el punto (4,3) es el resultado de la interseccin de las dos ecuaciones dadas
como restricciones.
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).
CAPITULO 2
METODO ALGEBRAICO
2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER
2.1 INTRODUCCION
En ocasiones nos encontramos con problemas de ndole magnitud, a los cuales se
desea maximizar o minimizar una funcin sujeta a ciertas restricciones.
Muchas personas califican al mtodo algebraico, como uno de los mtodos ms
importantes en el campo de la programacin lineal. En la actualidad es una
herramienta comn, que se ha prestado para resolver problemas de gran magnitud;
por su simplicidad, sencillez y estilo de uso cientos de empresas, compaas de todo
el mundo han ahorrado miles y miles de pesos.
En este capitulo se tratara la formulacin de problemas utilizando el mtodo
algebraico para la solucin de problemas de programacin lineal. Se hace un enfoque
a la variedad de aplicaciones del mtodo para que el estudiante interesado pueda
tener una visin y ejercitar sus conocimientos.
El mtodo algebraico contempla en su desarrollo al mtodo grafico y de la misma
manera el mtodo grafico no estara completo sin la rigurosidad del mtodo
algebraico pues la apreciacin visual que da el grafico en la solucin ptima puede
estar sujeta a error por parte del analista.
MANUALES(X)
ELECTRICOS(Y)
HORAS
DISPONIBLES
A
2
1
180
B
1
2
160
C
1
1
100
UTILIDAD
4000
6000
SOLUCIN:
1. Paso: Planteamos la funcin objetivo y las restricciones correspondientes:
2X + Y 180
X=0 Y= 180
Y=0 X= 90
X + 2Y 160
X=0
Y=0
Y=80
X=160
X + Y 100
X=0
Y=0
Y=100
X=100
Para C: 2X + Y 180
X + Y 100
X+Y
100
Y= 60
= 80
X= 40
= 20
4. Paso:
Con los puntos de la regin factible:
O(0,0) ; B(40,60) ; C(80,20) ; A(0,80); D(90,0) Maximizamos la funcin
objetivo :
MAX Z = 4000x + 6000 y
(0,0)
4000(0) + 6000(0)
= 0
(0,80)
(40,60)
(90,0)
CRECI/RAPIDO
CRECI/NORMAL
REQUERIMIENTO
A
3
2
160
B
5
2
200
C
1
2
80
COSTO
4000
3000
SOLUCIN:
1. Paso: Determinamos la funcin objetivo y sus restricciones:
MIN Z= 4000X + 3000Y
SUJETO A LAS RESTRICCIONES:
3X + 2Y 160
5X + 2Y 200
X + 2y 80
2. Paso: Elaboramos la grfica y determinamos la regin factible:
3X + 2Y 160
X=0 Y= 80
Y=0 X= 53,33
5X + 2Y 200
X=0
Y=0
X + 2y 80
Y= 100
X= 40
X=0 Y=40
Y=0 X=80
Para B: 3X + 2Y 160
5X + 2Y 200
-2X
X
= -40
= 20
Y
= 50
4. Paso: Optimizamos la funcin objetivo:
X + 2y 80
2X
= 80
X= 40
Y = 20
Z= 4000X + 3000Y
(80,0) 4000(80) + 3000(0) = 320000 (40,20)
4000(40) + 3000(20) = 220000 (20,50)
4000(20) + 3000(50) = 230000 (0.100)
4000(0) + 3000(100) = 300000
5. Paso: La solucin del problema para el granjero est en comprar 40 unidades
de crecimiento rpido y 20 de crecimiento normal, con un costo mnimo de $
220.000.
2.4 TALLER
1.
MAXIMIZAR
P= 10x + 12y
Sujeta a:
x + y 60
x - 2y 0
x, y 0
2.
MAXIMIZAR
P= 5x + 6y
Sujeta a
x + y 80
3x + 2y 220
2x + 3y 210
x, y 0
3.
MAXIMIZAR
Z= 4x - 10y
Sujeta a
x 4y 4
2x y 2
x, y 0
4.
MINIMIZAR
Z= 7x + 3y
Sujeta a
3x y -2
x + y 9
x y = -1
x, y 0
5. Un fabricante de juguetes que esta preparando un programa de produccin para 2
nuevos artculos, maravilla y fantstico, debe utilizar la i informacin respecto a
sus tiempos de construccin que se proporcionan en la siguiente tabla. Por
ejemplo, cada juguete maravilla requiere de 2 horas en la maquina A. las horas
de trabajo disponibles de los empleados por semana, son: para la maquina A, 70
horas; para la B, 40 horas; para terminado, 90 horas. Si las utilidades de cada
juguete maravilla y cada juguete fantstico son de $40.000 y $60.000,
respectivamente, Cuntas unidades de cada uno deben fabricarse por semana
con el objeto de maximizar las utilidades? cual seria la utilidad mxima?
MARAVILLA
FANTASTICO
MAQUINA A
2h
1h
MAQUINA B
1h
1h
TERMINADO
1h
3h
CAPITULO 3
METODO SIMPLEX
3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.4 EJEMPLOS DESARROLLADOS
3.5 TALLER
3.1 INTRODUCION
En los captulos 1 y 2 de esta unidad vimos como resolver problemas de
programacin lineal a travs del mtodo grafico y el mtodo algebraico, surgen
grandes limitaciones a la hora de trabajar con estos dos mtodos, es decir que no es
posible darle ptima solucin a un problema. Esto se debe a que el mtodo grafico no
resulta prctico cuando el nmero de variables se aumenta a tres, y con ms variables
resulta imposible de utilizar. Por otra parte el mtodo algebraico tarda demasiado
tiempo aun para problemas de pocas variables y restricciones.
El mejor mtodo para resolver un problema de programacin lineal es el mtodo
simplex, ya que es un mtodo de fcil aplicacin, de tipo algortmico y conduce a una
eficiente solucin del problema.
3.2 CONCEPTO
El mtodo simplex fue desarrollado por George dantzig (1947) y es un mtodo
algebraico que se utiliza para resolver problemas de programacin lineal en un
nmero finito de pasos en una computadora. Este mtodo establece una solucin
factible y luego prueba si es ptima o no. Si no lo es busca una mejor solucin y si
esta no es optima entonces repite el proceso hasta hallar una solucin ptima.
3.3PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
1. Elaborar la tabla simplex inicial.
S1
S2
S3
S4
Z
X1
a11
a21
a31
a41
X2
X3
a12 a13
a22 a23
a32 a33
a42 a43
-C1 -C2 -C3
S1
1
0
0
0
0
S2
0
1
0
0
0
Indicadores
S3
0
0
1
0
0
S4
0
0
0
1
0
Z
0
0
0
0
1
b
b1
b2
b3
b4
0
Existen cuatro variables de holgura, S1, S2, S3, y S4; una para cada restriccin.
2. Si todos lo indicadores del ltimo rengln son no negativos, entonces Z tiene un
mximo cuando X1=0, X2=0 y X3=0. El valor mximo es 0. Si existen indicadores
negativos, localizar la columna en la que aparezca el indicador ms negativo. Esta
columna seala la variable entrante.
3. Dividir cada uno de los elementos de la columna de b que se encuentran por
encima de la recta punteada entre el correspondiente elemento de la columna de
la variable entrante. Se debe realizar esta divisin solo en los casos en los que el
elemento de la variable que entra sea positivo.
4. encerrar en un crculo el elemento de la columna de la variable entrante que
corresponde al menor cociente del paso 3. Este es un elemento pivote. La variable
saliente es la que se encuentra al lado izquierdo del rengln del elemento pivote.
5. Utilizar operaciones elementales sobre renglones para transformar la tabla en otra
tabla equivalente que tenga un 1 en donde se encuentra el elemento pivote y 0 en
las dems posiciones de esa columna.
6. la variable entrante debe reemplazar a la variable saliente en el lado izquierdo de
esta nueva tabla.
7. si todos los indicadores de la tabla nueva son no negativos, ya se tiene una
solucin ptima. El valor mximo de Z es el elemento del ltimo rengln y la ltima
columna. Ocurre esto cuando las variables se encuentran del lado izquierdo de la
tabla son iguales a lo elementos correspondiente de la ltima columna. Todas las
dems variables son ceros. Si cuando menos uno de los indicadores es negativo,
se debe repetir el mismo proceso con la nueva tabla, comenzando con el paso 2.
X1+X2 20
2X1+X2 35
-3X1+X2 12
X10, X20
Variable
Saliente
S1
S2
S3
x1
1
2
-3
x2
1
1
1
S1
1
0
0
S2
0
1
0
S3
0
0
1
Z
0
0
0
b
20
35
12
-5
-4
Cocientes
201=20
352=17.5
Indicadores
Variable
Entrante
El indicador mas negativo, -5, aparece en la columna x1. Por ello, x1 es la variable
entrante. El menor cociente es 17.5, de modo que, S2 es la variable saliente. El
elemento pivote es 2. Utilizando operaciones elementales sobre los renglones para
obtener un 1 en la posicin del pivote y 0 en las dems posiciones de esa columna, se
tienen:
x1
1
2
-3
x2
1
1
1
S1
1
0
0
S2
0
1
0
S3
0
0
1
Z
0
0
0
b
20
35
12
-5
-4
1
1
-3
1
1/2
1
1
0
0
0
1/2
0
0
0
1
0
0
0
20
35/2
12
-5
-4
0
1
0
1/2
1/2
5/2
1
0
0
-1/2
1/2
3/2
0
0
1
0
0
0
-3/2
5/2
5/2
(Sumando al rengln uno el rengln 2
35/2
multiplicado por -1; sumando al rengln
129/2 tres el rengln 2 multiplicado por 3;
Sumando al rengln cuatro el rengln dos
175/2
multiplicado por 5)
S1
x1
S3
x1
0
1
0
x2
1/2
1/2
5/2
S1
1
0
0
S2
-1/2
1/2
3/2
S3
0
0
1
Z
0
0
0
b
Cocientes
5/2
5/2 1/2=5
35/2
35/2 1/2=35
129/2 129/25/2=25(4/5)
-3/2
5/2
175/2
Indicadores
Variable Entrante
Obsrvese que en el lado izquierdo, x1 reemplaz a S2. Ya que -3/2 es el indicador
ms negativo se debe continuar con el proceso. La variable entrante es ahora x2. El
menor cociente es 5. De modo que S1 es la variable saliente y es el elemento
pivote. Utilizando operaciones elementales sobre renglones, se tiene:
x1
x2
S1
S2
S3
0
1
0
1/2
5/2
1
0
0
-1/2
1/2
3/2
0
0
1
0
0
0
5/2
35/2
129/2
-3/2
5/2
175/2
0
1
0
1/2
0
0
1
-1
-5
-1/2
1
4
0
0
1
0
0
0
5/2
15
52
95
0
1
0
1
0
0
2
-1
-5
-1
1
4
0
0
1
0
0
0
5
15
52
95
x1
0
1
0
x2
1
0
0
S1
2
-1
-5
S2
-1
1
4
S3
0
0
1
Z
0
0
0
b
5
15
52
95
Indicadores
En donde x2 reemplazo a S1 en el lado izquierdo. Como todos los indicadores son
no negativos, el valor mximo de Z es 95 y aparece cuando x2=5 y x1=15 (y S3=52,
S1=0, S2=0).
EJEMPLO 2
Maximizar Z= 3x1 + 4x2 + 3/2x3
Sujeta a:
-x1-2x2
-10
2x1+2x2+x3 10
x1, x2, x3 0
TABLA SIMPLEX I
Variable
Saliente
S1
S2
x1
1
2
x2
2
2
x3
0
1
S1
1
0
S2
0
1
Z
0
0
b
10
10
-3
-4
-3/2
Cocientes
102=5
102=5
Indicadores
Variable
Entrante
La variable entrante es x2. Dado que existe un empate en el menor cociente, se
puede elegir cualquiera de los dos, S1 o S2, como la variable saliente. Se escoge
S1. Se encierra en un crculo el pivote. Utilizando operaciones elementales sobre
renglones, se obtiene la tabla 2.
TABLA SIMPLEX II
Variable
Saliente
x2
S2
x1
1/2
1
x2
1
0
x3
0
1
S1
1/2
-1
S2
0
1
Z
0
0
b
5
0
Cocientes
no hay puesto
que 0 No es positivo
-1
-3/2
20
01=0
Indicadores
Variable
Entrante
La tabla II corresponde a una SFB (solucin bsica factible) en la que una variable
bsica S2 es 0. Por ello, la SFB es degenerada. Ya que existen indicadores negativos,
se contina el proceso. La variable entrante es ahora x3, la variable saliente es S2 y el
pivote se encuentra encerrado en un crculo. Utilizando operaciones elementales
sobre renglones, se obtiene la tabla III.
TABLA SIMPLEX II
x2
x3
x1
1/2
1
1/2
x2
1
0
0
x3
0
1
S1
1/2
-1
S2
0
1
Z
0
0
b
5
0
1/2
3/2
20
Indicadores
En virtud de que todos los indicadores son no negativos, Z es mxima cuando x2=5 y
x3=0, y x1=S1=S2=0. El mximo valor es Z=20. Obsrvese que este valor es igual al
valor de Z correspondiente a la tabla II. En problemas con degeneracin es posible
llegar al mismo valor de Z en varias etapas del proceso simplex.
EJEMPLO 3:
Considere el siguiente problema de programacin lineal:
Maximizar
Z=2x1+5x2+8x3
Maximizar Z
Z-2x1-5x2-8x3
x1+ x2+ x3+ x4
8x1-4x2+4x3
+x5
x2+ x3
+x6
xj0, j=1,2,,6
= 0 (0)
=12 (1)
=24 (2)
=8 (3)
(II)
x1
-2
1
8
0
x2
-5
1
-4
1
x3
-8
1
4
1
x4
0
1
0
0
x5
0
0
1
0
x6
0
0
0
1
b
0
12
24
8
a'13 = 1
a'23 = 1
a'33 = 1
b'1 = 12
b'2 = 24
b'3 = 8
Como todos los coeficientes de las ecuaciones i (i = 1, 2,3) son positivos, entonces la
cota superior estar dada por b'i/a'ie. O sea:
B1/a'13 = 12/1 = 12
b'2/a'23 = 24/4 = 6
b'3/a'33 = 8/1 = 8
La menor cota superior es 6, que corresponde a la restriccin numero 2. La variable
bsica que corresponde a esa ecuacin es x5 y es, en consecuencia, la variable
bsica saliente. Es decir, en el conjunto de variables bsicas se cambia a x5 por x3,
por lo que las nuevas variables bsicas son x4, x3 y x6.
Ahora x3 es una variable bsica, luego debe tener un coeficiente +1 en la segunda
ecuacin y no debe aparecer en ninguna otra, es decir, en cualquier otra ecuacin
distinta de la segunda restriccin (que es la ecuacin donde la variable bsica es x3)
el coeficiente de x3 debe ser cero. Esto se logra de la siguiente manera:
1. Divida toda la ecuacin por 4, que es el coeficiente de x3 en la segunda
restriccin.
La ecuacin queda
2x1 - x2 + 1x3 + 1/4x5 = 6
(A)
2. Para lograr ceros en los coeficientes de x3 en las nuevas ecuaciones (0), (1) y
(3) multiplique la ecuacin (A) anterior por 8, -1 y -1 uno a la vez, y sume el
resultado a las ecuaciones anteriores (0), (1) y (3). O sea, multiplicar la
ecuacin (A) por 8 se obtiene:
16x1 - 8x2 + 8x3 + 2x5 = 48
Esta ecuacin sumada con la ecuacin (0) se partida queda:
Z + 14x1 13x2 + 2x5 = 48
Que vendra a ser la ecuacin (0).
De manera similar, para lograr un cero en el coeficiente de x3 de la ecuacin (1),
multipliquemos la ecuacin (A) por -1 y sumemos el resultado a la ecuacin (1).
(1) Ecuacin A:
-2x1 + x2 x3
Ecuacin (1):
x1 + x2 + x3 + x4
Nueva Ecuacin:
- x1 + 2x2
+ x4
-1/4X5 = - 6
= 12
1/4x5 = 6
V.B
Z
x4
x5
x6
x1
-2
1
8
0
x2
-5
1
-4
1
x3
-8
1
4
1
V.B
Z
x4
x5
x1
14
-1
2
x2
-13
2
-1
x3
0
0
1
x6
-2
x4
0
1
0
0
Tabla Inicial
x5
0
0
1
0
x6
0
0
0
1
b
0
12
24
8
x4
0
1
0
x5
2
-1/4
1/4
x6
0
0
0
b
48
6
6
-1/4
Tabl
a
Des
pu
s
De
La Primera Iteracin
Observe que si en la segunda tabla se intercambian las columnas de x5 y x3, de
nuevo se destaca la matriz unitaria.
En este momento, es oportuno preguntarse si la solucin que se ha obtenido despus
de la primera iteracin es la solucin ptima. Para responder la pregunta, veamos si
es posible incrementar una de las variables de tal manera que la funcin objetivo
aumente. La funcin objetivo despus de la primera iteracin es:
Z + 14x1 13x2 + 2x5 = 48, o bien
Z = -14x1 + 13x2 2x5 + 48
Si aumentamos x2 aumentar el valor de Z, puesto que su coeficiente es positivo
(+13). Por consiguiente, todava no hemos obtenido el valor ptimo y necesitamos
realizar otra iteracin. A esta misma conclusin hubisemos llegado si observamos
que en la tabla despus de la primera iteracin, todava existe un coeficiente (el de x2)
que es negativo.
Segunda iteracin
Despus de la primera iteracin, el sistema de ecuaciones queda:
Z = -14x1 + 13x2
-x1 + 2x2
2x1 - x2 + x3
-2x1 +2x2
-2x5
+ x4 - 1/4x5
+ 1/4x5
- 1/4x5 + x6
+ 48
= 6
= 6
= 2
La variable bsica entrante es x2, puesto que es la que tiene mayor coeficiente en la
funcin objetivo, o bien es la del coeficiente ms negativo en la tabla despus de la
primera iteracin.
Para determinar la variable bsica saliente, procedemos de manera similar a lo que
hizo en la primera iteracin.
En este caso xent = x2
Restriccin
1
2
3
a'12 = 2
a'22 = -1
a'32 = 2
,
,
,
b'1 = 6
b'2 = 6
b'3 = 2
El resultado es:
Z + x1
x1
x1
x1 + x2
+ x4
+ x3
+3/8x5 + 13/2x6
x6
+ 1/8x5 + 1/2x6
- 1/8x5 + 1/2x6
= 61
= 4
= 7
= 1
(0)
(1)
(2)
(3)
Regla de parada
Como todos los coeficientes de la ecuacin (0) son positivos, la solucin presente es
ptima; o sea: Z = 61, x4 = 4, x3 = 7, x2 =1 y el resto de las variables son ceros.
Al igual que en la primera iteracin, los resultados se pueden presentar en forma
tabular. La tabla inicial y las que resultan despus de la primera y de la segunda
iteracin, son las siguientes:
V.B
Z
x4
x5
x6
x1
-2
1
8
0
x2
-5
1
-4
1
x3
-8
1
4
1
x4
0
1
0
0
Tabla Inicial
x5
0
0
1
0
x6
0
0
0
1
b
0
12
24
8
V.B
Z
x4
x5
x6
x1
14
-1
2
-2
x2
-13
2
-1
2
x3
x4
0
0
0
1
1
0
0
0
Primera Iteracin
x5
2
-1/4
1/4
-1/4
x6
0
0
0
1
b
48
6
6
2
V.B
Z
x4
x5
x6
x1
1
1
1
1
x2
0
0
0
1
x3
x4
x5
0
0
3/8
0
1
0
1
0
1/8
0
0
-1/8
Segunda Iteracin
x6
13/2
-1
1/2
1/2
b
61
4
7
1
La solucin ptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0); Z = 61
Hemos visto la aplicacin del mtodo Simplex para obtener la solucin ptima de un
problema de Programacin Lineal y su forma tabular asociada. En realidad, el
proceso de hace bastante mas expedito utilizando directamente la tabla, sin tener
que pasar por las ecuaciones correspondientes. La determinacin de las variables
bsica entrantes y salientes en cada iteracin, puede hacerse directamente a partir
de cada una de las tablas.
Ejemplo 4:
Observemos el siguiente ejemplo, recordando los pasos fundamentales en el mtodo
simplex, adems del uso de variables artificiales, no confundir con adicionales.
-3
-8 2
-2
-12 3
1 - 2x1 - 5x2 + x3 = x4
4 + 3x1 + 8x2 - 2x3 = x5
9 + 2x1 + 12x2 - 3x3 = x6
1 - 5k = x4
4 + 8k = x5
9 + 12k = x6
Debemos anular x4, ya que es imposible anular x5 y x6, con valores positivos.
La mejor eleccin ser k=1/5,
Con este valor obtenemos el nuevo vrtice de salida:
(0, 1/5 ,0,0, 28/5 ,57/5)
Ahora debemos rehacer las expresiones, expresadas en funcin de x 1, x3 y x4
.
4. Se cambia la columna de la variable sealada que acaba de anularse por la
de la sealada que aument su valor.
P2
P5 P6
1/5
1/5 0
2/5 8/5
0 28/5
14/5 0
3/5 12/5
1 57/5
Por tanto,
1/5 + k/5 = x2
28/5 - 2/5 k = x5
57/5 - 3/5 k = x6
P6
1/2 1
0 1
1/2
1/2 0
1 4
5/2
14
5/2 0
0 -3/2 0
Comentarios
1 1 -1 0 1
1 1 -1 0 1
F1
F2- 2F1
230 1 6
012 1 4
0 2
0
-1
48
97
-1
11
-1
0 0
0 0
48
2 -1
1 0
97
2 0
0 1
11
-1
3.5 TALLER
1.
MAXIMIZAR
Z= x1 + 2x2
Sujeta a
2x1 + x2 8
2x1 + 3x2 12
x1, x2 0
2.
MAXIMIZAR
Z= -x1 + 3x2
Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0
3.
MAXIMIZAR
Z= 8x1 + 2x2
Sujeta a
x1 x2 1
x1 + 2x2 8
x1 + x2 5
x1, x2 0
4. Una compaa de carga maneja envos para 2 compaas, A y B, que se
encuentran en la misma ciudad. La empresa A enva cajas que pesan 3 libras
cada una y tiene un volumen de 2 pies; la B enva cajas de 1 pie con peso de
5 libras cada una. Tanto A como B hacen envos a los mismos destinos. El
costo de trasporte para cada caja de A es $7500 y para B es $5000. la
compaa transportadora tiene un camin con espacio de carga para 2400
pies y capacidad mxima de 9200 libras. En un viaje, Cuntas cajas de cada
empresa debe transportar el camin para que la compaa de transportes
obtenga el mximo ingreso? cual es este mximo?
5. una compaa fabrica 3 productos X, Y, Z. cada producto requiere de los
tiempos de maquina y tiempo de terminado como se muestran en la tabla. Los
nmeros de horas de tiempo de maquinas y de tiempo de terminado
disponibles por mes son 900 y 5000 respectivamente. La utilidad por unidad X,
Y y Z es $3000, $4000 y $6000 respectivamente. Cual es la utilidad mxima al
mes que puede obtenerse?
TIEMPO DE
TIEMPO DE
MAQUINA
TERMINADO
X
1
4
Y
2
4
Z
3
8
CAPITULO 4
ANALIS DE VARIABILIDAD
4.1 DUALIDAD
4.2 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
4.3 EJEMPLOS RESUELTOS
4.4 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL SIMPLEX
4.5 ANALISIS DE SENSIBILIDAD
4.6 TALLER
4.1 DUALIDAD
Para cada problema de programacin lineal hay una asociacin y una relacin muy
importante con otro problema de programacin lineal, llamado precisamente dual. El
dual permite resolver problemas de maximizacin resolviendo un problema
minimizacin relacionado con aquel.
El mtodo simplex adems de resolver un problema de programacin lineal llegando a
una solucin ptima nos ofrece ms y mejores elementos para la toma de decisiones.
La dualidad y el anlisis de sensibilidad son potencialidades de ste mtodo
El dual es un problema de PL que se obtiene matemticamente de un modelo primal
de PL dado. Los problemas dual y primal estn relacionados a tal grado, que la
solucin simplex ptima de cualquiera de los dos problemas conduce en forma
automtica a la solucin ptima del otro.
PROBLEMA PRIMAL EN
FORMA CANONICA:
PROBLEMA DUAL EN
FORMA CANONICA:
MAX Z= CX
MIN Z= BY
Sujeto a:
Sujeto a:
AX b
AY C
X0
Y0
4.3 EJEMPLOS RESUELTOS
EJEMPLO 1
Encontrar el dual del siguiente problema:
Maximizar
Sujeta a
El dual es:
Minimizar
Sujeta a
W = 10Y1 + 10 Y2
Y1 + 2Y2
3,
2Y1 + 2Y2 4,
0Y1 + Y2 2,
Y1, Y2 0.
EJEMPLO 2
Encontrar el dual del siguiente problema:
Minimizar
Sujeta a
Z = 4X1+ 3X2
3X1 - X2
3,
(1)
X1 + X 2
1,
(2)
3,
(3)
-4X1 + X2
Y1, Y2 0.
Debido a que es un problema de minimizacin, las restricciones (2) y (3) deben
quedar >. Multiplicando ambos lados de (2) y (3) por -1, tendremos -X 1 - X2 > -1 y
4X1 - X2 > -3. Por lo tanto:
3X1 - X2
2,
X1 - X 2
-1,
4X1 - X2 -3.
El dual es:
Maximizar
Sujeta a
W = 2Y1 Y2 3Y3
3Y1 Y2 + 4Y3
4,
-Y1 - Y2 - Y3
3,
Y1, Y2, Y3 0.
PRIMAL
Necesita para comenzar una base
(primal) factible.
DUAL
Necesita para comenzar una base
(dual) factible.
Una forma de conocer los cambios que ocurren en la solucin ptima de un problema
de P.L. cuando ocurren cambios (discretos) en uno o ms coeficientes, es resolver
completamente el nuevo problema y comparar su solucin con la obtenida en el
problema original. Esto puede ser, sin embargo, completamente ineficiente. Otra
manera es hacer uso de las propiedades del primal-dual estudiadas anteriormente. En
general, esto ltimo reduce bastante el esfuerzo computacional, comparando con el
que tendramos que realizar si resolvemos el nuevo problema y es precisamente lo
que haremos en esta seccin.
Despus de llegar a la solucin de un problema de programacin lineal. Puede ocurrir
que el administrador necesite hacer ciertos cambios en los recursos disponibles de la
operacin, en el costo de operacin, en el precio de materia producido, etc.
Generalmente estos cambios dan origen a un nuevo problema, y su resolucin
requiere recursos financieros, humanos y tiempo; pero en ocasiones no es factible
gastar y esperar ms por el nuevo problema creado con el cambio ocurrido en las
disponibilidades. Con las propiedades del mtodo simplex no se necesitar resolver el
nuevo problema desde el principio, ya que es posible reducir muchos clculos y
ahorrar recursos y tiempo llegando a nuevas soluciones ptimas, sin resolver el
problema totalmente, pues ese es el objetivo del anlisis de sensibilidad. El anlisis de
sensibilidad permite utilizar la tabla final para realizar operaciones con objeto de
analizar los siguientes cambios en el problema de programacin lineal:
4.5.2
Final
Variables de Variables
Decisiones
Holgura
de Solucin
Z
X1
X1
0
1
X2
0
0
H1
5/3
1/3
H2
2/3
-1/6
132
12
X2
-1/6
1/3
1/3
-1/6
71
=
X2
14
=
-1/6
1/3
59
7.5
= 157
7.5
1/3
-1/6
56
=
X2
14.5
=
-1/6
1/3
25
-1
Como los nuevos valores de las variables de decisin tienen signo negativo violan la
propiedad del simplex, o sea, cuando el sector [b] [0] la solucin no es factible.
Entonces la nueva solucin de la segunda restriccin X2= -1 no es factible; aqu el
mtodo de dual simplex llega a ser importante para restablecer la factibilidad del
problema.
Base
Z
X1
X1
0
1
X2
0
0
H1
5/3
1/3
H2
2/3
-1/6
Solucin
110
14.5
X2
Z
X1
0
0
1
1
10
2
-1/6
0
0
1/3
4
-1
100
12.5
X3
-6
-2
ptimo
La solucin factible y ptima actual es: X1= 12.5, X2= 0, X3= 6, X4= 0, Z= 100
No se debe olvidar que para encontrar cul recurso hay que aumentar a fin de lograr
el mejor rendimiento marginal, tenemos que ver en la tabla final de dual aquella
variable dual correspondiente a la restriccin primal que tiene el valor positivo ms
alto, y el recurso que rendir ms si aumentamos unas unidades. Para ms
informacin ver la interpretacin de dual.
= Q
=L
De cual es dual
L C = 0, la solucin es ptima
1/3
-1/6
(6,5)
= (7/6,2/3)
-1/6
1/3
(7/6, 2/3)
= (6,5)
2
4.6 TALLER
En los siguientes problemas hay que encontrar solo la forma dual del ejercicio
no es necesario que los resuelva, sin embargo si es su deseo hacerlo proceda.
1.
MAXIMIZAR
Z= 2x1 + 3x2
Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0
2.
MAXIMIZAR
Z= x1 + 8x2 + 5x3
Sujeta a
x1 + x2 + x3 8
-x1 + 2x2 + x3 2
x1, x2, x3 0
3. Una empresa esta comparando los costos de publicidad en dos medios de
comunicacin: peridicos y radio. Para cada peso de publicidad la tabla que
aparece en seguida presenta el numero de personas por grupo de ingresos, de
cada uno de esos medios de comunicacin alcanza. La empresa desea llegar a
cuando menos 8000 personas de las que tienen ingresos de menos de $500.000 y
cuando menos 6000 de las que ganan mas de $500.000. utilizar el dual y el
mtodo simplex para hallar las cantidades que debe invertir la empresa en
publicidad en peridicos y en radio, para llegar a ese nmero de personas, con un
costo total mnimo. cual es el costo total mnimo de publicidad?
PERIODICOS
RADIO
MENOS DE
$500.000
40
50
MAS DE $500.000
100
25
CAPITULO 5
TOPICOS AVANZADOS
5.1 INTRODUCCION
5.2 DEGENERACION EN PROGRAMACION LINEAL
5.3 METODO SIMPLEX GENERALIZADO
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES
ACOTADAS
5.5 ALGORITMO DE DESCOMPOSICION
5.1 INTRODUCCION
Las cuatro unidades anteriores cubren los aspectos fundamentales del modelo de
programacin lineal. Pero este capitulo se presentan algunos tpicos avanzados
relacionados con la degeneracin en programacin lineal, as como algoritmos para
resolver problemas con estructuras especiales. Con el estudio de esta unidad
entonces, es complemento natural de un primer curso de investigacin de operaciones
para un estudiante de ingeniera.
5.2 DEGENERACION EN PROGRAMACION LINEAL
En el desarrollo del mtodo simple, hemos visto que si existe una solucin bsica
factible (pero no optima) al conjunto de restricciones y en ausencia de degeneracin,
es posible ir combinando sucesivamente un vector de la base y alcanzar una solucin
optima (o una indicacin de que la solucin no esta acotada) en un numero finito de
pasos.
Para la solucin de la degeneracin en programacin lineal existen dos mtodos
importantes: mtodo de perturbacin de charnes y mtodo simplex generalizado.
1. METODO DE PERTURBACION DE CHARNES
Se considera solamente la resolucin de un problema particular, considerando un
conjunto de problemas cuyos valores son modificados a un valor en particular. Cuando
los valores no se modifican el conjunto de problemas incluye el problema original a
resolver.
Numeramos los vectores de tal manera que aquellos que conforman la matriz
identidad estn de primero.
Comenzando con una matriz identidad como base podemos obtener siempre
una solucin bsica inicial para el problema perturbado.
En algunos casos no es importante hallar el valor de E (dado por algunos libros como
el coeficiente que acompaa el resultado de la solucin factible), ya que no es
necesario en la practica porque requiere de mucho trabajo sin embargo es importante
ya que demuestra que cualquier valor entre 0 y Emax puede perturbar el resultado de
la solucin degenerada.
2. USO DE LA TECNICA DE PERTURBACION EN EL METODO SIMPLEX EN
FORMA TABULAR
Para aplicar la tcnica de perturbacin de Charnes con el mtodo tabular del algoritmo
simplex se resuelve de la misma forma que el mtodo simplex para realizar el clculo
de la SBF (solucin bsica factible).
En primer lugar consideramos las menores potencias de E porque los valores mas
pequeos son los que cuentan.
Claro esta que en el uso de la tcnica de perturbacin con el mtodo simplex en forma
tabular, debemos proveer las columnas para los vectores artificiales que se requieran.
V.B
Z
X1
X2
X3
a1
x1
0
1
0
0
a2
x2
0
0
1
0
a3
x3
0
0
0
1
a4
x4
-4
2
3
4
a5
x5
-3
4
1
2
b
0
2
0
0
V.B
Z
X1
X2
X3
a1
x1
0
1
0
0
a2
x2
0
0
1
0
a3
a4
x3
x4
1
0
-1/2
0
-3/4
0
1/4
1
Primera iteracin
a5
x5
-1
3
-1/2
b
0
2
0
0
E ^ (j)Yj
j=1
Tenemos:
XB1 (E) = 2 + E +2E^(4) +4E^(5)
XB2 (E) = 0 + E^(2) +3E^(4) +E^(5)
XB3 (E) = 0 + E^(3) +4E^(4) +2E^(5)
Z(E) = 0
Los nuevos valores XnBi(E) cuando se incorpora el vector a4 se obtiene la segunda
tabla y son los siguientes:
XnB1 (E) = 2 + E^(3) (1/2)E^(3) +3E^(5)
XnB2 (E) = E^(2) (3/4) E^(3) (1/2)E^(5)
XnB4 (E) = 1/4E^(3) + 4E^(4) +2E^(5)
ZN(E) = E^(3) + 4E^(4) + 2E^(5)
Para los valores pequeos de E los XBi(E) son positivos. A dems
ZN(E) > Z(E).
Para determinar el vector que sale de la base podemos utilizar una generalizacin de
la formula usual;
x1
0
1
0
0
0
1
0
0
x2
0
0
1
0
0
0
1
0
x3
0
0
0
1
1
-1/2
-3/4
1/4
x4
-4
2
3
4
0
0
0
1
x5
-3
4
1
2
-1
3
-1/2
1/2
b
0
2
0
0
0
2
0
0
FUENTES DOCUMENTALES
DOCUMENTOS IMPRESOS:
THA, Hamdy A. Investigacin de operaciones. Editorial Alfaomega, 5 edicin 1.995.
EPPEN, Gould y Schimidt. Investigacin de operaciones en las Ciencias de Ingeniera. Editorial
Prentice may, 3 edicin
GALLAGHER, Watson. Mtodos Cuantitativos para la Toma de decisiones. Editorial McGraw
Hill
SHAMBLIN, James. Investigacin de Operaciones.
KAUFMANN , A. Faure R. Invitacin a la investigacin de operaciones. 7 edicin. C:E:C:S:A
MARTHUR Y SOLOW. Investigacin de Operaciones. Editorial Prentice Hall.
SASIENI, Yaspan. Investigacin de operaciones. Mxico. Limusa.
BARROS,Oscar. Investigacin operativa anlisis de sistemas. Chile, Universitaria.
MORA, Jose Luis. Investigacin de operaciones e informtica. Editorial Trillas.
PRAWDA, Juan. Mtodos y Modelos de investigacin de operaciones. Editorial Limusa, 1.979.
Tomo I
THIERAUF, Robert. Introduccin a la investigacin de operaciones. Editorial Limusa 1.982
HADLEY G. Linear Programming. Editorial Addison-Wesley. 1969
GASS, Saul I. Linear Programming. Methods and Applications. Editorial McGraw Hill. 1969.
Revistas:
Manufacturing Engineering.
Mathematical Programming.
Mathematics of Operations Research.
Operations Research.
SOFTWARE EDUCATIVOS:
CPLEX
NETPLOW
OPTIMA
PAFO
SOCRATES
MATLAB
SIAM 2000
PIMAD
DIRECCIONES SITIOS WEB:
SUN W.
NASDAQ.
TODAS LAS DIRECCIONES QUE LLEVEN A INVESTIGACIN DE
OPERACIONES.