You are on page 1of 20

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.

H-Semestre II-2010

PROGRAMACION LINEAL La Programacin Lineal trata con el problema de minimizar o maximizar una funcin lineal en la presencia de un conjunto de desigualdades lineales que constituyen las restricciones del problema. Existe un mtodo llamado el mtodo Simplex (de George B Dantzing en 1947), para resolver este tipo de problema. Este mtodo es el que estudiaremos en este curso para resolver distintos problemas de optimizacin (no necesariamente lineales) en los cuales sea aplicable. Definicin 1. Un problema de programacin lineal (PPL), optimacin que se puede plantear en la forma siguiente: Optimizar Z= !cj xj
n j=1 n j=1

es aquel problema de

Sujeto a o en forma matricial :

!ai j xj ( , =, ) bi , i=1, 2,...,m xj 0 , j =1, 2, ...,n

(1)

Optimizar: Z = c X (funcin objetivo) sujeto a A X( , =, ) b, (restricciones de desigualdad). X0 (restricciones de no negatividad) donde Optimizar significa minimizar o maximizar la funcin objetivo Z,

(1)

X = ( x" , x# , ...., xn )t es el Vector de Actividades o Variables de Decisiones. c=(c" , c# ,....,cn ) es el vector de Precios o Costos Unitarios (contribucin por unidad de producto). b = (b" , b# ,...,bm )t Vector de Disponibilidades de Recursos y A = (aij ) es una matriz de orden m n . aij es la cantidad del recurso i que se necesita por unidad de la actividad j, i=1,...,m ; j=1,...,n. Las componentes de los vectores c, b, y los elementos aij de la matriz A son nmeros reales (conocidos o estimados), es decir pueden ser negativos, positivos o ceros. La funcin objetivo y las funciones que definen las restricciones son todas funciones lineales de las variables de decisiones xi

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

SUPUESTOS DE LA PROGRAMACION LINEAL En la formulacin (1) estan implcitos los siguientes supuestos: 1.- Proporcionalidad. Dada una variable xj , su contribucin a la funcin objetivo es cj xj y su contribucin a la la i-sima restriccin es aij xj . Esto significa que si xj se dobla por ejemplo, entonces se dobla su contribucin a la funcin objetivo y a cada restriccin. 2.- Aditividad. Este supuesto garantiza que el costo total es la suma de los costos individuales, y que la contribucin total para la i-sima restriccin es la suma de las contribuciones individuales de cada actividad. 3.- Divisibilidad. Este supuesto asegura que las variables de decisiones pueden ser divididas en cualquier nivel de fraccin de manera que son permitidos valores no enteros para las variables Ejemplo 1. Una planta produce nicamente dos tipos de cerveza: clara y oscura. Existen tecnologas bastante diferentes para la elaboracin de cada uno de los tipos de cerveza y obviamente cada tecnologa a un costo diferente. El precio de venta al por mayor de 1.000 litros de cerveza clara es de $5.000, mientras que por 1.000 litros de la oscura el precio es de $3.000. El objetivo del industrial es maximizar los ingresos semanales. Hay restricciones de mano de obra y restricciones de costo de produccin. Un estudio de tiempos y movimientos ha demostrado que para producir 1.000 litros de cerveza clara se necesitan un total de 3 obreros en el proceso de produccin. En cambio se requieren 5 obreros para 1.000 litros de cerveza oscura. La planta dispone de un total de 15 obreros. Producir 1.000 litros de cerveza clara le cuesta al dueo de la planta $500, mientras que 1.000 litros de la oscura le cuestan solamente $200. Su capital no le permite gastar ms de $1.000 semanales. Cuales deben ser los niveles de produccin semanal de cerveza clara y oscura que maximicen el ingreso por concepto de venta semanal, sin exceder las restricciones de personal y capital?. Solucin. X1 = Cantidad, en miles de litros, de cerveza clara a producir a la semana. X# Cantidad, en miles de litros, de cerveza oscura a producir a la semana. Luego interesa resolver el siguiente PPL: Maximizar Z= 5.000x1 +3.000x2 s/a: 3x1 + 5x2 15 500x1 +200x2 1.000. x1 0, x2 0.
2

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

ELEMENTOS DE PROGRAMACION LINEAL DEFINICIONES Y RESULTADOS BASICOS DE LA PROGRAMACION LINEAL Consideremos el PPL Max Z = c X s/a A X( , =, ) b .................................. (1) X0

x" Notemos que (1) tambin puede ser escrito como: Max Z = (c1 ,.....,cn ) xn

s/a

x1 a" x# a# +........+xn an b -

a1i donde ai = 2,....,n i=1, - ami

b" b= . bm

x" 0 xn 0

I) DEFINICIONES Definicin 1.-Diremos que un PPL de mximo est en su forma cannica si est escrito como: Mximizar: Z = cX s/a AX b ................(2) X 0. Un PPL de mnimo est en su forma cannica si es de la forma Minimizar: Z = cX s/a AX b .......................(3) X 0.

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

Observacin. Cualquier PPL puede ser escrito en la forma (2) o (3) mediante las reglas de manipulacin siguientes: Regla 1. a) Mn cx se resuelve como Mx ( c)x b) Mx cx se resuelve como Min ( c)x

Esto es, si nuestro PPL original es minimizar cx por ejemplo, y disponemos de un algoritmo para resolver el problema como mximo, entonces solucionamos el PPL Mx ( c)x y el resultado del problema original se obtiene como Mx ( c)x. Regla 2.. Ax b es equivalente a Ax b Ax b es equivalente a Ax b. Regla 3.. Ax=b es equivalente a Ax b Ax b Ax b -Ax -b

Regla 4. a) Toda desigualdad de la forma Ax b puede convertirse en igualdad mediante la adicin de un vector s, llamado vector de holgura. Las componentes de s , llamadas variables de holguras, son no negativas, s 0. b) Toda desigualdad de la forma Ax b puede convertirse en igualdad restando un vector s, llamado vector de excedente. El vector s tiene todas sus componentes no negativas. Regla 5. Una variable de decisin xi no restringida en signo, o sea una variable que puede tomar cualquier valor real (negativo, cero o positivo), puede ser escrita como la diferencia de dos variables no negativas. Esto es, xi = u v , con u 0 y v 0. Ejercicio 1. Convierta el siguiente PPL original a un PPL de mximo en su forma cannica: Minimizar: Z = 3x1 4x2 +x3 s/a 0,5x1 +2x2 3 x2 x3 = 4 x1 0, x2 0 , x3 no restringida en signo. Solucin. Sabemos que un problema de Min ct x es equivalente a Max( ct x) y haciendo x4 = x2 0 y x3 = x5 x6 , resolvemos el PPL : Mximizar: z = 3x1 4x4 x5 +x6
4

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

s/a

0,5x1 +2x4 3 x4 x5 + x6 4 x4 + x5 x6 4 x1 0, x4 0, x5 0, x6 0 .

Definicin 2.- Un vector b (punto) de m es una combinacin lineal de los vectores a" ,a# ak en m , si b =!xi ai donde los xi son nmeros reales.
k i=1

Definicin 3.- Una coleccin de vectores a" ,a# ak en m se dicen linealmente independientes (l.i.) si !xi ai = 0 implica que xi = 0 para i= 1, 2,......,k.
k i=1

Definicin 4.- Una coleccin de vectores a" , a# ,,am en m se dicen que forman una Base de si :
m

i) b= !xi ai , para todo b m y ii) a" ,a# am son l.i.


m i=1

Definicin 5.- Un conjunto C en n se llama un Conjunto Convexo, si dado dos puntos x1 y x# de C, entonces !x1 +(1 !)x2 C para cada ! 0, 1. Cualquier punto x de la forma x = !x1 +(1 !)x2 donde ! 0, 1 se denomina una combinacin convexa de los puntos x1 y x# . Si ! (0, 1) entonces se habla de una combinacin convexa estricta. Definicin 6.- Un punto x en un conjunto convexo C se llama punto extremo (o vrtice) de C si x no puede ser representado como una combinacin convexa estricta de dos puntos distintos en C. Definicin 7.- Una solucin factible del PPL (1) es el vector X que satisface las condiciones AX b y X 0. El conjunto de todas las soluciones factibles se llama Regin Factible (RF). Definicin 8.- Una solucin bsica factible es aquella solucin factible con a lo ms m componentes no negativas ( 0). Una solucin bsica factible no degenerada es una solucin bsica factible, con exactamente m componentes del vector X positivas (>0). Una solucin bsica factible degenerada es una solucin bsica factible donde hay menos de m componentes positivas del vector X. II) RESULTADOS
5

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

Resultado1.- La regin factible RF = { x: Ax b, x 0} es un conjunto convexo. Resultado2.- Para el PPL (1), si en la matriz A existe un conjunto de k m columnas, por ejemplo a" , a# ,....,ak , que sean l.i. y tales que y" a" + y# a# + ........ + yk ak = b con yi 0, entonces el punto x = (y" ,y# ,...,yk , 0,....0) es un punto extremo de la regin factible. Resultado3.- Si x es un punto extremo del conjunto de todas las soluciones factibles. Entonces las columnas de la matriz A que estn asociada con cada componente positiva xi de x, son l.i. con un mximo de m componentes xi positivas (el resto son ceros). Resultado4.- Si hay una nica solucin que minimiza o maximiza una funcin objetivo lineal, entonces esa solucin debe ser un punto extremo de RF (vrtice del polgono de soluciones factibles); si hay ms de una solucin, por lo menos dos de las soluciones deben corresponder a vrtices adyacentes del polgono de soluciones factibles. Por lo tanto, la funcin objetivo de un PPL alcanza su valor ptimo (mximo o mnimo) en un punto extremo del conjunto convexo de soluciones factibles.

RESOLUCION DE UN PROBLEMA DE PROGRAMACION LINEAL 1.-SOLUCION GEOMETRICA Los PPL que involucran dos variables de decisin pueden resolverse en forma geomtrica, graficando las restricciones de desigualdades como igualdades y determinando de este modo un polgono de soluciones factibles. Recordemos que una solucin se dice factible si satisface todas las restricciones del PPL. El Resultado 4 reduce el nmero de soluciones factibles del PPL a considerar en la bsqueda de la solucin ptima. Ejemplo 3. Resolvamos geomtricamente el Ejemplo 1. Maximizar Z= 5.000x1 +3.000x2 ..................................(1) s/a: 3x1 + 5x2 15 ................................ (2) 500x1 +200x2 1000 ................................ (3) x1 0, x2 0 ................................. (4) Solucin. En un sistema de ejes de coordenadas (x1 ,x2 ), determinamos la regin de todos los puntos que satisfacen la restriccin de no negatividad (4). Esta regin resulta ser el primer cuadrante del sistema de ejes coordenados. A continuacin, graficamos las rectas
6

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

3x1 + 5x2 =15 y 500x1 +200x2 =1.000 y determinamos la zona del primer cuadrante que satisface las restricciones (2), (3) y (4) a la vez. Esta zona es la llamada regin factible RF, que como sabemos es un conjunto convexo. En este ejemplo, la regin fatible es un polgono de cuatro vertices o puntos extremos: A(0 ; 0), B(0 ; 2), C(1,053 ; 2,368) y D(0 ; 3). Estos puntos extremos, de acuerdo al Resultado.4, son los candidatos a ser solucin ptima del problema. Lo que resta es evaluar la funcin objetivo en estos puntos y quedarse con quel punto donde Z logre su valor mximo. En este ejemplo, C es el punto ptimo y el valor mximo de Z es 12.369. Por supuesto, si el pligono de soluciones factibles, para un PPL de dos variables, tiene muchos puntos extremos, la evaluacin de Z en cada punto se hace tediosa. Una forma rpida y grfica de evitar el procedimiento de evaluacin de Z en todos los puntos, es determinar primero la direccin de crecimiento (o disminucin en un PPL de mnimo) de la funcin objetivo. Esta direccin est dada por el vector gradiente de Z, que `Z `Z . Dado que la recta z= corresponde al vector de coordenadas c1 ,c2 = , ` x1 ` x2 c1 x1 +c2 x# es perpendicular a su vector gradiente , se puede mover la recta Z = z en la direccin de crecimiento hasta tocar con ella el ltimo punto extremo, de manera que la regin factible quede completamente a un lado de ella. Ver figura a continuacin.

Solucin. Producir x1 = 1.053 litros de cerveza clara y x2 = 2.368 litros de cerveza oscura, obteniendo un beneficio mximo de z= $12.369 Los siguientes ejemplos muestran situaciones especiales de soluciones de un PPL.

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

Ejemplo 4. Ejemplo de una solucin no acotada. s/a

Max Z = 4X" + 4X# - 2X" + 2X# 2 - X" + 2X# 4 X" , X# 0.

Ejemplo 5. Soluciones Optimas Mltiples.

Max Z= 5X" + 2 X# s/a 6X" + 10 X# 30 10X" + 4X# 20 X" ,X# 0.

Ejemplo 6. (No existe solucin). s/a

Max Z = 4X" + 4X# - 2X" + 2X# 2 - 2X" + 2X# 4

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

X" , X# 0.

2.-SOLUCION POR EL METODO SIMPLEX

Consideremos un PPL general: Optimizar: Z = cX s/a AX b X 0. Los pasos siguientes corresponden al algoritmo Simplex 1. Transforme el PPL a un problema de Mximo con el vector de recursos b 0

2. Convierta todas las desigualdades en ecuaciones. Este paso requiere de la adicin de variables de holguras o variables de excedentes, las que denotaremos por si . Max Z = c1 x1 +c2 x2 +................+cn xn + 0s1 + 0s2 +.....+ 0sm s/a a11 x1 +a12 x2 +..............a1n xn + s1
9

= b1

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

a21 x1 +a22 x2 +..............a2n xn + . . . . . . am1 x1 +am2 x2 +..............amn xn +

+ s2

= b2 . . + sm = b m

x1 0, x2 0,..........,xn 0, s1 0, s2 0,........., sm 0

La adicin de las variables de holguras si , crea la primera base, B, que resulta ser una matriz de identidad. Esto a su vez genera el primer punto extremo de la regin factible, cuyas coordenadas estn dadas por el vector b (RHS). 3. Construya una tabla con los coeficientes del PPL, como se muestra en la tabla siguiente:

Tabla Simplex
contribucin por unidad variables bsicas XB xB1 xB2 . xBr . xBm zj cj zj c1 x1 y11 y21 . yr1 . ym1 z1 c1 z1 c2 x2 y12 y22 . yr2 . ym2 z2 c 2 z2 . . . . . . . . ck xk y1k . . . . . . . . cn xn y1n y2n . yrn . ymn . 0 s1 1 0 . . 0 . . . . 1 . . . . . . . . . . . . 0 sm 0 0 . . 1 . cn zn RHS b b1 b2 . br . bm z0

cB cB1 cB2 . cBr . cBm

yrk ymk zk ck zk

donde yij = aij , componentes de la matriz A (slo en la primera tabla simplex). zj =!cBi yij , contribucin que se pierde por unidad que se fabrica del producto j
m i=1

10

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

z0 = !cBi bi , valor de la funcin objetivo para la solucin bsica factible presente XB .


m i=1

XB = ( xB1 ,xB2 ,..xBr ,.. ,xBm )t = (b1 , b2 ,..,br ,.., bm )t ( slo en la primera tabla simplex) y cj zj es el mejoramiento neto de la funcin objetivo al fabricar una producto j. unidad del

Si cj zj 0, entonces se puede mejorar la funcin objetivo al fabricar una unidad del producto j. Si cj zj es 0 para todas las columnas, estamos en presencia de una solucin ptima. 4. Si la solucin en la tabla anterior no es la ptima, (esto es, si existe alguna columna para la cual cj zj >0) genere una nueva solucin bsica factible (un nuevo punto extremo) en la forma siguiente: 1o . Determine qu variable no bsica se convertir en bsica. La variable candidata a entrar a la base es aquella que proporciona el mayor incremento unitario en la funcin objetivo y corresponde a la de mayor valor positivo cj zj . Esto es, la variable xk entrar a la base si se satisface que: ck zk = Mx cj zj : cj zj 0

2o . Una vez seleccionada la variable que entra a la nueva base (supongamos que es la variable xk ), determine la variable que sale de la base utilizando la regla siguiente: La variable bsica XBr (cuyo valor, se encuentra en la fila r de la columna RHS) sale de la base si para ella se cumple que:
xBr yrk

= Mnimo yjkj : yjk >0 ............. (3).


xB

11

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

B ase cB 1 XB 1 cB 2 XB 2 . . . . cB r XB r . . . . cB m XB m

c1 x1 y1 1 y2 1 . . yr1 . . ym 1 z1 c 1 -z 1

c2 x2 y1 2 y2 2 . . yr2 . . ym 2 z2 c 2 -z 2

. . . . . . . . . . . .

. . . . . . . . . . . .

ck . cn xk . xn RHS . b1 y1 k y1 n . b2 y2 k y2 n . . . . . . . . . br yrk yrn . . . . . . . . . ym k ym n b m zk . zn Z0 c k -z k . c n -z n M ax V a ria b le q u e e n tra a la

b 1 /y1 k b 2 /y2 k va ria b le M in q u e s a le

b r/yrk

b m /ym n

base

Observacin. En el caso que todas las yjk del denominador en (3) sean negativos, estamos en presencia de una solucin no acotada. 5. En la tabla simplex, la interseccin entre la columna encabezada por el vector que entra a la base y la fila correspondiente a la variable que sale de la base, determina el elemento pivote yrk . Con el objeto de convertir a la columna encabezada por xk en un vector unitario, con un 1 en el lugar del pivote y ceros en las restantes componentes se procede como sigue: a) Divida la fila r, (correspondiente a la variable que sale de la base), por el pivote yrk. b) Para las otras filas i, i r, actualice la fila i sumndole yik veces la nueva fila r obtenida en el paso a). Este paso genera una nueva base, un nuevo punto extremo XB y un nuevo valor de la funcin objetivo. 6. Vuelva al paso 4. Ejemplo 7. (Continuacin Ejemplo 1). Resuelva mediante el mtodo simplex el PPL Mx Z= 5.000x1 +3.000x2 s/a 3x1 + 5x2 15 500x1 +200x2 1.000 x" , x# 0

12

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

1. Est listo. El problema es de mximo y el vector de recursos b es no negativo. Notemos que la restriccin 500x1 +200x2 1.000 es equivalente a 5x1 +2x2 10. 2. Como hay dos desigualdades agregamos dos variables de holguras, s1 y s2 . El problema queda como: Mx Z= 5.000x1 +3.000x2 +0s1 +0s2 s/a 3x1 + 5x2 + s1 = 15 5x1 + 2x2 + s2 =10 x" , x# , s1 , s2 0. s1 representa la diferencia entre el nmero de obreros que hay disponibles y los que se van a utlilizar en la produccin ptima. s2 es la diferencia entre el capital disponible y el que se va a gastar semanalmente en la produccin ptima. 3. La primera tabla simplex es: Tabla 1 cB 0 0 cj Base s1 s2 zj cj zj 5.000 x1 3 (5) 0 5.000 3.000 x2 5 2 0 3.000 0 s1 1 0 0 0 0 s2 0 1 0 0

RHS 15 10 Z0 =0

Fila 1 Fila 2

La solucin presente es (x1 , x2 , s1 , s2 ) = (0, 0, 15, 10), ms bin XB =(x1 , x2 )t = (0,0)t y el valor de la funcin objetivo en este caso es Z0 = 5000(0)+3000(0)=0. 4. Como no se satisface el criterio de optimalidad ( esto es, todos los cj zj no son 0), procedemos a determinar la variable no bsica que entrar a la base.

Dado que c1 z1 = 5000 = Mx c1 z1 , c2 z2 = Mx 5.000, 3.000, la variable x1 entra a la base. La variable que sale de la base es s2 , pues para ella se cumple que Mn yB1 , yB2 = Mn 15 , 3 11 21
x x 10 5

10 xB2 5 = y21

13

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

Tabla 1 cB 0 0

cj Base s1 s2 zj cj zj

5.000 x1 3 (5) 0 5.000

3.000 x2 5 2 0 3.000

0 s1 1 0 0 0

0 s2 0 1 0 0

RHS 15 10 Z0 =0

15/3=5 (Fila 1) 10/5=2 (Fila 2)

5. Como entra la variable x1 k 1 y sale la variable s# r #, el pivote es y21 =5, encerrado en un parntesis. Dividiendo la fila del pivote por 5 (fila 2 de la Tabla 1) obtenemos Tabla 2 cB 0 cj Base s1 zj cj zj En la Tabla 1 para las filas i , i 2, las actualizamos sumndoles yi1 veces la nueva fila obtenida en la tabla anterior (Tabla 2). Por ejemplo, para actualizar la fila 1 (i=1) de la Tabla 1 que es cj Base s1 zj cj zj le sumamos y11 = 3 veces la nueva fila obtenida en la Tabla 2 como se muestra a continuacin
cB 0 Base s1 x1 3 3(1)=0 x2 5 3(2/5)=
19 5

5000 x1 1

3000 x2 2/5

0 s1 0/5

0 s2 1/5

RHS 10/5

cB

5000 x1 3

3000 x2 5

0 s1 1

0 s2 0

RHS 15

s1 1 3(0)=1

s# 0 3(1/5)=

3 5

RHS 15 3(10/5)=9

14

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

y actualizando todos los elementos de la Tabla 1 obtenemos la Tabla 3 siguiente, mostrando la nueva base conformada por las variables s1 y x1 : Tabla 3 cB 0 5000 cj Base s1 x1 zj cj zj 5.000 x1 0 1 5.000 0 3.000 x2
19 5 2 5

2.000 1.000

0 s1 1 0 0 0

0 s2
1 5 3 5

1.000 1.000

RHS 9 2 10.000

Aqu, la nueva solucin es (x1 , x2 , s1 , s2 )t = (2, 0, 9, 0)t , esto es (x1 , x2 )t = (2,0)t y z0 =5000(2)+3000(0)=0(9)+5000(2)=10.000. De la Tabla 3, vemos que an podemos incrementar el valor de la funcin objetivo, pues c2 z2 =1000 (es positiva). En la prxima etapa entra a la base x2 y sale s1 . Repitiendo el proceso anterior obtenemos la Tabla 4. Tabla 4 cB 3000 5000 cj Base x2 x1 zj cj zj 5.000 x1 0 1 0 0 3.000 x2 1 0 0 0 0 s1
5 19 2 19 5.000 19 5.000 19

0 s2

RHS
3 19 45 19 20 19 235.000 19

5 19 16.000 19 16.000 19

Como cj zj 0 para todo j, estamos en la tabla ptima. Por lo tanto la solucin ptima es: (x1 , x2 , s1 , s2 )t = (20/19, 45/19, 0, 0)t y Z0 =23.500/19 = 12.368,4. Esto es, se debe fabricar 20 (1000) litros de cerveza clara y 45 (1000) litros de cerveza 19 19 oscura , obteniendo un beneficio mximo por venta de $12.368,4.

15

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

SOLUCION BASICA FACTIBLE INICIAL VARIABLES ARTIFICIALES Si en el procedimiento del algoritmo simplex, despus de llevar a cabo los pasos 1 y 2, no logramos una base inicial; esto es, una matriz de identidad, no podemos continuar con los pasos siguientes. De aqu que estamos forzados a crear, usando variables artificiales, una solucin bsica factible inicial para poder continuar el algoritmo Las variables artificiales se utilizan en el mtodo smplex slo como variables auxiliares para identificar una solucin bsica factible inicial del problema. Estas variables son necesarias cuando un PPL contiene restricciones del tipo y/o de =. Las variables artificiales se utilizan para completar la matriz identidad en el conjunto de restricciones, y de esta manera obtener una solucin inicial. Mtodo de Dos Fases para Variables Artificiales La idea general del mtodo de dos fases, una vez introducidas las variables artificiales necesarias para crear la base inicial, es intentar resolver el PPL en dos partes: Primero se lleva todas las variables artificiales a tomar el valor cero, esto constituye la primera fase. Luego se resuelve el problema original, comenzando con una solucin bsica factible obtenida en la primera fase que no contiene variables artificiales, o si las contiene, stas estn a nivel cero.

FASE I. Se resuelve el PPL artificial Max Za = X a1 Xa2 ..... Xap s/a AX+Xa = b , b 0 X 0, Xa 0 donde Xa es un vector de p variables artificiales . En este problema, es siempre verdadero que Za 0 y el mximo valor de Za es cero. Este valor se obtiene slo si cada variable artificial logra ser cero. Si mx Za < 0, entonces las variables artificiales no han podido tomar el valor cero y luego el problema original no tiene solucin factible.

16

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

As, la fase I consiste de los clculos usuales del algoritmo smplex salvo por el hecho que estamos maximizando Za en lugar de la funcin objetivo original Z. Paramos la fase I tan pronto como Za sea cero, porque sabemos que este es el mximo valor de Za . No necesitamos continuar hasta que el criterio de optimalidad se satisfaga si Za se hace cero antes. Al final de la fase I, cuando el criterio de optimalidad se satisface o Za =0, existen 3 situaciones posibles: 1) Mx Za 0, esto es, una o ms variables artificiales aparecen en la base a nivel positivo, entonces el problema original no tiene solucin factible. 2) Mx Za = 0 y ninguna variable artificial aparece en la base. Hemos encontrado una solucin bsica factible para el problema original y podemos iniciar la Fase II. 3) Mx Za = 0 y una o ms variables artificiales aparecen en la base a nivel cero, entonces hemos encontrado una solucin bsica factible para el problema original, pero puede haber restricciones redundantes en el problema. FASE II. Si caemos en la situacin (2) o (3), podemos empezar la fase II. Esta fase se inicia con la solucin bsica factible obtenida de la ltima tabla simplex de la fase I, eliminando las correspondientes columnas encabezadas por las variables artificiales. Se contina aplicando el algoritmo simplex como antes hasta llegar a una solucin. Ejemplo 8. Consideremos el siguiente PPL. Minimizar : X1 2X2 s/a X1 +X2 2 X1 +X2 1 X2 3 X1 0, X2 0 Resolvemos el problema equivalente Mximizar Z = X1 +2X2 s/a X1 +X2 2 X1 +X2 1 X2 3 X1 0, X2 0

17

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

Esto es, Mximizar Z = X1 +2X2 s/a X1 +X2 S1 +Xa1 =2 X1 +X2 S2 + Xa2 =1 X2 +S3 =3 X1 0, X2 0, S1 0, S2 0, S3 0, Xa1 0, Xa2 0.

Donde X1 , X2 son las variables originales, S1 , S2 , S3 son variables de holguras o de excedentes y Xa1 , Xa2 son variables artificiales.

FASE I. Resolvemos: Mximizar Za = Xa1 Xa2 s/a X1 +X2 S1 +Xa1 =2 X1 +X2 S2 + Xa2 =1 X2 +S3 =3 X1 , X2 , S1 , S2 , S3 , Xa1 , Xa2 0

La tabla smplex correspondiente es

Tabla 1.8 cB 1 1 0

cj Base xa1 xa2 s3 cj zj

0 x1 1 1 0 0

0 x2 1 1 1 2

0 s1 1 0 0 1

0 s2 0 1 0 1

0 s3 0 0 1 0

1 xa1 1 0 0 0

1 xa2 0 1 0 0

RHS 2 1 3 3

Aplicando el algoritmo simplex para la Fase I, obtenemos las dos tablas siguientes:

18

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

Tabla 2.8 cB 1 0 0

cj Base xa1 x2 s3 cj zj

0 x1 2 1 1 2

0 x2 0 1 0 0

0 s1 1 0 0 1

0 s2 1 1 1 1

0 s3 0 0 1 0

1 xa1 1 0 0 0

1 xa2 1 1 1 2

RHS 1 1 2 Za = 1

Tabla 3.8 cB 0 0 0

cj Base x1 x2 s3 cj zj

0 x1 1 0 0 0

0 x2 0 1 0 0

0 s1 1/2 1/2 1/2 0

0 s2 1/2 1/2 1/2 0

0 s3 0 0 1 0

1 xa1 1/2 1/2 1/2 1

1 xa2 1/2 1/2 1/2 1

RHS 1/2 3/2 3/2 Za =0

Hemos logrado caer en el caso que Za = 0 y ninguna variable artificial (a nivel cero) aparece en la base.

FASE II Resolvemos el problema de mximo con la solucin bsica factible dada por la ltima tabla de la FASE I, Tabla 3.8, donde se ha eliminado las columnas encabezadas por xa1 , xa2 (pintado de amarillo). 1 x1 1 0 0 0

cB 1 2 0

cj Base x1 x2 s3 cj zj

2 x2 0 1 0 0

0 s1 1/2 1/2 1/2 1/2

0 s2 1/2 1/2 1/2 3/2

0 s3 0 0 1 0

RHS 1/2 3/2 3/2 5/2

Aplicando el algoritmo simplex, obtenemos las dos tablas a continuacin:

19

DEPARTAMENTO DE ESTADISTICA INVESTIGACIN DE OPERACIONES M.V.H-Semestre II-2010

Tabla 4.8 cB 0 2 0 Tabla 5.8 cB 0 2 0

cj Base s2 x2 s3 cj zj cj Base s2 x2 s1 cj zj

1 x1 2 1 1 3 1 x1 1 0 1 1

2 x2 0 1 0 0 2 x2 0 1 0 0

0 s1 1 1 1 2 0 0 s1 s2 0 1 0 0 1 0 0 0

0 s2 1 0 0 0

0 s3 0 0 1 0 0 s3 1 1 1 2

RHS 1 2 1 4 RHS 2 3 1 6

Solucin ptima: X1 =0, X2 =3, Mx Z =6 MnZ = 6.

20

You might also like