Sei sulla pagina 1di 84

1.2.1.

ANTOLOGIA
MTRA. ANGLICA GUTIRREZ LIMN

INDICE

PAG

I. METODOLOGIA DE LA INVESTIGACION DE OPERACIONES Y FORMULACION DE MODELOS. 1.1. DEFINICION.. .2 1.2. FASES DEL ESTUDIO DE LA INVESTIGACION DE OPERACIONES...... 3 1.3. PRINCIPALES APLICACIONES DE LA INVESTIGACION DE OPERACIONES... 8 1.4. FORMULACION DE PROBLEMAS LINEALES 9 1.5. FORMULACION DE PROBEMAS MAS COMUNES POR EJEMPLO DIETA TRANSPORTE, ASIGNACION REMPLAZO 11 II. EL METODO SIMPLEX ... .11 II.1 SOLUCION GRAFICA EN UN PROBLEMA LINEAL.. .11 2.2. TEORIA DEL METODO SIMPLEX .. 16 2.3. FORMA TABULAR DEL METODO SIMPLEX 19 2.4. EL METODO DE LAS DOS FASES ..23 2.5. EL METODO SIMPLEX REVISADO .26 2.6. CASOS ESPECIALES .28 III. TEORIA DE LA DUALIDAD Y ANALISIS DE SENSIBILIDAD .29 3.1. FORMULACION DEL PROBLEMA DUAL .32 3.2. RELACION PRIMAL DUAL 34 3.3. INTERPRETACION ECONOMICA DEL DUAL35 3.4. CONDICIONES KHUN-TUCKER .38 3.5. DUAL SIMPLEX.. 41 3.6.CAMBIOS EN EL VECTOR COSTOS .47

3.7. CAMBIOS EN LOS Bi DE LAS RESTRICCIONES47 3.8. CAMBIOS EN LOS COEFICIENTES48 3.9. ADICION DE UNA NUEVA VARIABLE...50 3.10 ADICION DE UNA NUEVA VARIABLE .. 51

IV. TRANSPORTE Y ASIGNACION ..53 IV.1 DEFINICION DEL PROBLEMA DE TRANSPORTE ..53 IV.2 EL METODO DE APROXIMACION DE VOGEL .55 IV.3 METODO MODI.57 IV.4 PROCEDIMIENTO DE OPTIMIZACION61 IV.5 DEFINICION DEL PROBLEMA DE ASIGANCION..62 IV.6 EL MTODO HUNGARO.64 V. PROGRAMACION ENTERA .66 V.1 INTRODUCIION Y CASOS DE APLICACIN..66 V.2 DEFINICION Y MODELOS DE PROGRAMACION ENTERA67 V.3 METODO DE RAMIFICACION Y ACOTAR .71 V.4 METODO DE PLANOS CORTANTES ..75 V.5 ALGORITMO ADITIVO DE BALAS78

I. METODOLOGIA DE LA INVESTIGACION DE OPERACIONES Y FORMULACION DE MODELOS.


1.1DEFINICION. La Definicin De Churchman, Ackoff Y Arnoff: La Investigacin De Operaciones Es La Aplicacin, Por Grupos Interdisciplinarios, Del Mtodo Cientfico A Problemas Relacionados Con El Control De Las Organizaciones O Sistemas (Hombre-Mquina), A Fin De Que Se Produzcan Soluciones Que Mejor Sirvan A Los Objetivos De La Organizacin. De sta definicin se pueden destacar los siguientes conceptos: 1. Una organizacin es un sistema formado por componentes que se interaccionan, unas de estas interacciones pueden ser controladas y otras no. 2. En un sistema la informacin es una parte fundamental, ya que entre las componentes fluye informacin que ocasiona la interaccin entre ellas. Tambin dentro de la estructura de los sistemas se encuentran recursos que generan interacciones. Los objetivos de la organizacin se refieren a la eficacia y eficiencia con que las componentes pueden controlarse, el control es un

mecanismo de autocorreccin del sistema que permite evaluar los resultados en trminos de los objetivos establecidos. 3. La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. 4. La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs modelos matemticos, primero para representar al problema y luego para resolverlo. La definicin de la sociedad de investigacin de operaciones de la Gran Bretaa es la siguiente: La investigacin de operaciones es el ataque de la ciencia moderna a los complejos problemas que surgen en la direccin y en la administracin de grandes sistemas de hombres, mquinas, materiales y dinero, en la industria, en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un modelo cientfico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y comparen los resultados de decisiones, estrategias o controles alternativos. Su propsito es el de ayudar a la gerencia a determinar cientficamente sus polticas y acciones. La Investigacin de Operaciones aspira a determinar el mejor curso de accin, o curso ptimo, de un problema de decisin con la restriccin de recursos limitados. Como tcnica para la resolucin de problemas, investigacin de operaciones debe visualizarse como una ciencia y como un arte. Como Ciencia radica en ofrecer tcnicas y algoritmos matemticos para resolver problemas de decisin adecuada. Como Arte debido al xito que se alcanza en todas las fases anteriores y posteriores a la solucin de un modelo matemtico, depende de la forma apreciable de la creatividad y la habilidad personal de los analistas encargados de tomar las decisiones. En un equipo de Investigacin de Operaciones es importante la habilidad adecuada en los aspectos cientficos y artsticos de Investigacin de Operaciones. Si se destaca un aspecto y no el otro probablemente se impedir la utilizacin efectiva de la Investigacin de Operaciones en la prctica. La Investigacin de Operaciones en la Ingeniera de Sistemas se emplea principalmente en los aspectos de coordinacin de operaciones y actividades de la organizacin o sistema que se analice, mediante el empleo de modelos que describan las interacciones entre los componentes del sistema y de ste con este con su medio ambiente. En la Investigacin de Operaciones la parte de "Investigacin" se refiere a que aqu se usa un enfoque similar a la manera en la que se lleva a cabo la investigacin en los campos cientficos establecidos. La parte de "Operaciones" es por que en ella se resuelven problemas que se refieren a la conduccin de operaciones dentro de una organizacin 1.2 FASES DEL ESTUDIO DE LA INVESTIGACION DE OPERACIONES Fases o Etapas de la Investigacin de Operaciones. Las etapas de un estudio de Investigacin de Operaciones son las siguientes: Definicin del problema de inters y recoleccin de los datos relevantes. Formulacin de un modelo matemtico que represente el problema. Desarrollo de un procedimiento 4

basado en computadora para derivar una solucin al problema a partir del modelo. Prueba del modelo y mejoramiento segn sea necesario. Preparacin para la aplicacin del modelo prescrito por la administracin. Puesta en marcha. Definicin del problema y recoleccin de datos. La primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Determinar los objetivos apropiados viene a ser un aspecto muy importante en la formulacin del problema. Para hacerlo, es necesario primero identificar a la persona o personas de la administracin que de hecho tomarn las decisiones concernientes al sistema bajo estudio, y despus escudriar los pensamientos de estos individuos respecto a los objetivos pertinentes. (Incluir al tomador de decisiones desde el principio es esencial para obtener su apoyo al realizar el estudio.) Es comn que los equipos de Investigacin de Operaciones pasen mucho tiempo recolectando los datos relevantes sobre el problema. Se necesitan muchos datos como para lograr un entendimiento exacto del problema como para proporcionar el insumo adecuado para el modelo matemtico que se formular en la siguiente etapa del estudio. Tomar un tiempo considerable al equipo de Investigacin de Operaciones recabar la ayuda de otros de otros individuos clave de la organizacin para recolectar todos los datos importantes. Muchas veces, el equipo de Investigacin de Operaciones pasar mucho tiempo intentando mejorar la precisin de los datos y al final tendr que trabajar con lo que pudo obtener. Aplicacin: El Departamento de Salud de New Haven, Connecticut utiliz un equipo de Investigacin de Operaciones para disear un programa efectivo de intercambio de agujas para combatir el contagio del virus que causa el SIDA (HIV), y tuvo xito en la reduccin del 33% de la tasa de infeccin entre los clientes del programa. La parte central de este estudio fue un innovador programa de recoleccin de datos para obtener los insumos necesarios para los modelos matemticos de transmisin del SIDA. Este programa barco un rastreo completo de cada aguja (y cada jeringa), con la identificacin, localizacin y fecha de cada persona que reciba una aguja y cada persona que la regresaba durante un intercambio, junto con la prueba de si la condicin de la aguja era HIV - positivo o HIV negativo. Formulacin de un modelo matemtico.

Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su anlisis. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. El modelo matemtico puede expresarse entonces como el problema de elegir los valores de las variables de decisin de manera que se maximice la funcin objetivo, sujeta a las restricciones dadas. Un modelo de este tipo, y algunas variaciones menores sobre l, tipifican los modelos analizados en investigacin de operaciones. Un paso crucial en la formulacin de un modelo de Investigacin de Operaciones es la construccin de la funcin objetivo. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa a cada objetivo del tomador de decisiones identificado cuando se estaba definiendo el problema. Si en el estudio se contemplan mas de un objetivo, es necesario transformar y combinar las medidas respectivas en una medida compuesta de efectividad llamada medida global de efectividad. A veces esta medida compuesta puede ser algo tangible (por ejemplo, ganancias) y corresponder a una meta mas alta de la organizacin, o puede ser abstracta (como "utilidad"). En este ltimo caso la tarea para desarrollar esta medida puede ser compleja y requerir una comparacin cuidadosa de los objetivos y su importancia relativa. Aplicacin: La Oficina responsable del control del agua y los servicios pblicos del Gobierno de Holanda, el Rijkswaterstatt, asign un importante estudio de Investigacin de Operaciones para guiarlo en el desarrollo de una importante poltica de administracin del agua. La nueva poltica ahorro cientos de millones de dlares en gastos de inversin y redujo el dao agrcola en alrededor de 15 millones de dlares anuales, al mismo tiempo que disminuyo la contaminacin trmica y debida a las algas. En lugar de formular un modelo matemtico, este estudio de Investigacin de Operaciones desarroll un sistema integrado y comprensible de 50 modelos! Mas an, para alguno de los modelos, se desarrollan versiones sencillas y complejas. La versin sencilla se us para adquirir una visin bsica incluyendo el anlisis de trueques. La versin compleja se us despus en las corridas finales del anlisis o cuando se deseaba mayor exactitud o ms detalles en los resultados. El estudio completo de Investigacin de Operaciones involucr directamente a mas de 125 personas ao de esfuerzo (mas de un tercio de ellas en la recoleccin de datos), cre varias docenas de programas de computacin y estructur una enorme cantidad de datos. Obtencin de una solucin a partir del modelo. Una vez formulado el modelo matemtico para el problema bajo estudio, la siguiente etapa para un estudio de Investigacin de Operaciones consiste en desarrollar un procedimiento (por lo general basado en computadora) para derivar una solucin al problema a partir de este modelo. Esta es una etapa relativamente sencilla, en la que se aplican uno de los algoritmos de investigacin de operaciones en una computadora.

Un tema comn en Investigacin de Operaciones es la bsqueda de una solucin ptima, es decir, la mejor. Se han desarrollado muchos procedimientos para encontrarla en cierto tipo de problemas, pero es necesario reconocer que estas soluciones son ptimas slo respecto al modelo que se est utilizando. La meta de un estudio de Investigacin de Operaciones debe ser llevada a cabo el estudio de manera ptima, independientemente de si implica o no encontrar una solucin ptima para el modelo. Al reconocer este concepto, los equipos de Investigacin de Operaciones en ocasiones utilizan slo procedimientos heursticos (es decir, procedimientos de diseo intuitivo que no garantizan una solucin ptima) para encontrar una buena solucin subptima. Esto ocurre con mas frecuencia en los casos en que el tiempo o el costo que se requiere para encontrar una solucin ptima para un modelo adecuado del problema son muy grandes. Si la solucin se implanta sobre la marcha, cualquier cambio en el valor de un parmetro sensible advierte de inmediato la necesidad de cambiar la solucin. El anlisis posptimo tambin incluye la obtencin de un conjunto de soluciones que comprende una serie de aproximaciones, cada vez mejores, al curso de accin ideal. As, las debilidades aparentes de la solucin inicial se usan para sugerir mejoras al modelo, a sus datos de entrada y quiz al procedimiento de solucin. Se obtiene entonces una nueva solucin, y el ciclo se repite. Este proceso sigue hasta que las mejoras a soluciones sucesivas sean demasiado pequeas para justificar su solucin. Aplicacin: Considere el nuevo estudio de Investigacin de Operaciones para el Rijkswaterstatt sobre la poltica de administracin de agua en Holanda, que se introdujo en el concepto anterior. Este estudio no concluy con la recomendacin de una sola solucin. Mas bien, se identificaron, analizaron y compararon varias alternativas atractivas. La eleccin final se dejo al proceso poltico de gobierno de Holanda que culmino con la aprobacin del Parlamento. El anlisis de sensibilidad jug un papel importante en este estudio. Por ejemplo, ciertos parmetros de los modelos representaron estndares ecolgicos. El anlisis de sensibilidad incluy la evaluacin del impacto en los problemas de agua si los valores de estos parmetros se cambiaran de los estndares ecolgicos a otros valores razonables. Se us tambin para evaluar el impacto de cambios en las suposiciones de los modelos, por ejemplo, la suposicin sobre el efecto de tratados internacionales futuros sobre la contaminacin que pudiera llegar. Tambin se analizaron varios escenarios (como aos secos o hmedos extremosos), asignando las probabilidades adecuadas. Prueba del modelo. El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versin, es inevitable que contenga muchas fallas. El programa debe

probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validacin del modelo. Un enfoque mas sistemtico para la prueba del modelo es emplear una prueba retrospectiva. Cuando es apacible, esta prueba utiliza datos histricos y reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen desempeo, de haberse usado. Al emplear alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accin. Aplicacin: En un estudio de Investigacin de Operaciones para IBM se realizo con el fin de integrar su red nacional de inventarios de refacciones para mejorar el servicio a los clientes, al mismo tiempo que reducir el valor de los inventarios de IBM en mas de 250 millones de dlares y ahorrar otros 20 millones de dlares anuales a travs del mejoramiento de la eficiencia operacional. Un aspecto en particular interesante de la etapa de validacin del modelo en este estudio fue la manera en que se incorporaron el proceso de prueba los usuarios futuros del sistema de inventarios. Debido a que estos usuarios futuros (los administradores de IBM en las reas funcionales responsables de la implantacin del sistema de inventarios) dudaban del sistema que se estaba desarrollando, se asignaron representantes a un equipo de usuarios que tendra la funcin de asesorar al equipo de Investigacin de Operaciones. Una vez desarrollada la versin preliminar del nuevo sistema (basada en el sistema de inventarios de multiniveles) se lleva acabo una prueba preliminar de implantacin. La extensa retroalimentacin por parte del equipo de usuarios llevo a mejoras importantes en el sistema propuesto.

Preparacin para la aplicacin del modelo. El siguiente paso es instalar un sistema bien documentado para aplicar el modelo segn lo establecido por la administracin. Este sistema casi siempre esta diseado para computadora. De hecho, con frecuencia se necesita un nmero considerable de programas integrados. La base de datos y los sistemas de informacin administrativos pueden proporcionar entrada actualizada para el modelo cada vez que se use, en cuyo caso se necesitan programas de interfaz (de interaccin con el usuario). Despus de aplicar un procedimiento de solucin (otro programa) al modelo, puede ser que los programas adicionales maneje la implantacin de los resultados de manera automtica. En otros casos se instala un sistema interactivo de computadora llamado sistema de soporte de decisiones, para ayudar a la gerencia a usar datos y modelos para apoyar (no para sustituir) su toma de decisiones cuando lo necesiten. Otro programa puede generar

informes gerenciales (en el lenguaje administrativo) que interpretan la salida del modelo y sus implicaciones en la prctica. Aplicacin: Un sistema de computo grande para aplicar un modelo a las operaciones de control de una red nacional. Este sistema, llamado SYSNET, fue desarrollado como resultado de un estudio de Investigacin de Operaciones realizado para la Yellow Freight System, Inc. Esta compaa maneja anualmente mas 15 millones de envos de mensajera a travs de una red de 630 terminales en todo estados Unidos. SYSNET se usa tanto para optimizar tanto para optimizar las rutas de los envos como el diseo de la red . Debido al que sistema requiere mucha informacin sobre los flujos y pronsticos de carga, los costos de transporte y manejo, etc.; una parte importante del estudio de Investigacin de Operaciones esta dedicada a la integracin de SYSNET al sistema de informacin administrativo de la corporacin. Esta integracin permiti la integracin peridica de la entrada al modelo. La implantacin de SYSNET dio como resultado el ahorro anual de alrededor de 17.3 millones de dlares adems de un mejor servicio a los clientes. Implantacin. Una vez desarrollado un sistema para aplicar un modelo, la ltima etapa de un estudio de Investigacin de Operaciones es implementarlo siguiendo lo establecido por la administracin. La etapa de implantacin incluye varios pasos. Primero, el equipo de Investigacin de Operaciones da una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con la realidad operativa. Enseguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el equipo de Investigacin de Operaciones supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que tenga que hacerse en el futuro. Aplicacin: Este ultimo punto sobre la documentacin de un estudio Investigacin de Operaciones se ilustra con el caso de la poltica nacional de administracin del agua de Rijkswaterstatt en Holanda. La administracin deseaba documentacin mas extensa que lo normal, tanto para apoyar la nueva poltica como para utilizarla en la capacitacin de nuevos analistas o al realizar nuevos estudios. Completar esta documentacin requiri varios aos y quedo contenida en 4000 pginas a espacio sencillo encuadernadas en 21 volmenes! 1.3 PRINCIPALES APLICACIONES DE LA INVESTIGACION DE OPERACIONES

INVESTIGACIN DE OPERACIONES, PODEROSA HERRAMIENTA PARA EL USO PTIMO DE LOS RECURSOS ESCASOS Cul es la forma ms eficiente de asignar ciertos recursos escasos para conseguir la ms alta tasa de retorno? Cul es la mejor manera de asignar rutas a una flotilla de transporte de bienes que deben ser colocados en bodegas de distribuidores para que los costos sean ms bajos? Cuntas ventanillas deben colocarse en un banco en las horas normales y en las horas y das pico para que los clientes no se desesperen y se larguen al banco que est cruzando la calle? Cuntas cajas registradoras debe habilitar un supermercado para que el largo de las colas no entorpezcan la circulacin de los clientes que an estn comprando y de los trabajadores que colocan mercadera, etiquetan y dan atencin al pblico? De qu manera debe asignarse un presupuesto en una industria (o en un sector de la economa de un pas), para que se satisfaga la demanda interna y externa del bien o servicio que produce? Cul ser la demanda de lneas telefnicas para el ao 2000, teniendo en cuenta el crecimiento natural de la poblacin, el cambio de sus hbitos, la produccin, el nmero de profesionales, escuelas, comercios, etctera, que habrn en ese entonces? Ser posible hacer predicciones (aproximadas por supuesto) de cuntas escuelas, comercios, profesionales, etctera, habr en el ao 2000? Hermosa cantidad de preguntas para comenzar un artculo sobre Investigacin de Operaciones (IO), pero definitivamente es muy oportuno porque es en estos casos donde los especialistas en esta disciplina pueden apoyar a los dems. Una pregunta ms: Qu es entonces la Investigacin de Operaciones? realmente es un poco difcil dar una respuesta corta a esta ltima pregunta pero si la IO va a tratar de encontrar respuesta a las preguntas que hemos planteado en el primer prrafo y a otra tonelada ms, debemos tratar de definir lo que es. Hillier, Lieberman, Shamblin, Stevens, Taha, Tierauf, Grosse, Sasieni, por mencionar algunos de los grandes especialistas en IO, dan una serie de definiciones que bien podra resumirse como: Es un enfoque cientfico de la toma de decisin. Podemos decir que la IO utiliza un enfoque planeado (mtodo cientfico) y un grupo interdisciplinario para representar, mediante modelos simblicos, las relaciones funcionales que se dan en la realidad, lo cual suministra una base cuantitativa para la toma de decisiones. Algo que es tan general como la definicin que acabamos de dar pero que da mucha claridad sobre lo que hace la Investigacin de Operaciones es que, cuando se aplica alguna herramienta de la IO, se busca obtener el ptimo resultado del uso de los recursos escasos. Mucho se dice de la formacin previa que se debe tener para hacer Investigacin de Operaciones, incluso hay autores que an dicen en sus libros, que no se requiere ningn conocimiento de matemtica para poder leerlo, sin embargo, no advierten al ingenuo lector que tampoco podrn resolver problemas reales sino solamente algunos ejemplos de juguete que se encuentran ah mismo. Nuestra experiencia en el campo de la enseanza y la aplicacin de las herramientas de la IO, nos han hecho ver que para hacer IO

10

en forma profesional aceptable, se requiere de una slida preparacin en Estadstica Descriptiva e Inferencial, conocimientos sobre las aplicaciones del Clculo Diferencial e Integral y del Algebra Lineal, y desde luego, principios generales de Economa, de lo contrario, el estudioso de la Investigacin de Operaciones se sentir decepcionado y el que debe aplicarla se frustrar a menudo.

1.4 FORMULACION DE PROBLEMAS LINEALES Formulacin de problemas de programacin lineal. 1. Cierto fabricante produce sillas y mesas para lo que requiere la utilizacin de dos secciones de produracin: la seccin de montaje y la seccin de pintura. La produccin de una silla requiere 1 hora de trabajo en la seccin de montaje y 2 en la de pintura. Por su parte, la fabricacin de una mesa precisa de 3 horas en la seccin de montaje y 1 en la de pintura. La seccin de montaje slo puede estar 9 horas diarias en funcionamiento y la pintura slo 8 horas. El beneficio que se obtiene produciendo mesas es el doble que el de sillas >Cual ha de ser la produccin diaria de sillas y mesas que maximice el beneficio? 2. Queremos encontrar una dieta "optima"(coste mnimo) para pollos. El lote diario requerido de la mezcla son 100 unidades. La dieta debe contener al menos 0.8% pero no mas de 1.2% de calcio; al menos 22% de protenas y a lo mas 5% de verduras crudas. Adems, suponer que los principales ingredientes utilizados incluyen maz, soja y caliza (carbonato de calcio). El contenido nutritivo de estos ingredientes se resume a continuacin.

Plantear como un problema de programacin lineal. 3. Un agricultor posee una parcela de 640 m2 para dedicarla al cultivo de rboles frutales: naranjos, perales y manzanos. Se pregunta de que forma repartira la superficie de la parcela entre las variedades para conseguir el mximo beneficio sabiendo que: Cada naranjo precisa como mnimo de 16 m2, cada peral 4 m2 y cada manzano 8 m2. Dispone de un total de 900 horas de trabajo al ao precisando cada naranjo 30 horas al ao, cada peral 5 y cada manzano 10. Los beneficios unitarios son de 50, 25 y 20 unidades monetarias por cada naranjo, peral y manzano, respectivamente. Plantear como un problema de programacin lineal. 4. Un importador de Whisky dispone de un mercado ilimitado, pero la reglamentacin mensual de aduanas sobre importacin supone las siguientes restricciones para tres tipos de whisky (W1,W2 y W3):

11

Con estos tres tipos de whisky realiza tres mezclas diferentes cuyas caractersticas vienen detalladas en la tabla siguiente:

Plantear el problema de determinar el plan de fabricacin ptimo (beneficio neto mximo) de los tres tipos de mezclas. 5. Una compaa se va a dedicar a la fabricacin de tres nuevos productos, P1; P2; P3. Para ello necesita de tres maquinas, torno, fresadora y rectificadora. La disponibilidad de dichas maquinas, el tiempo que necesita cada unidad de producto en cada una de ellas y el beneficio unitario es el siguiente.

Las ventas de P1 y P2 excedern las tasas de produccin. Del producto P3 se vendern a lo sumo 20 piezas a la semana. >Cuantas unidades de cada producto se deben fabricar para que el beneficio obtenido sea mximo? 6. Una empresa de plsticos posee dos plantas de produccin de laminas acrlicas que son transportadas a diferentes fabricas para la confeccin de productos. Los costes de transporte por unidad son.

Se quiere determinar la forma mas econmica de transportar las laminas de las plantas a las fabricas. Plantear como un modelo de programacin lineal 1.5 FORMULACION DE PROBEMAS MAS COMUNES POR EJEMPLO DIETA TRANSPORTE, ASIGNACION REMPLAZO.

II

EL METODO SIMPLEX

EL METODO SIMPLEX PARA SOLUCIN DE PROBLEMAS DE PROGRAMACIN LINEAL Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible 12

seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. del simplex fue creado en 1947 por el matemtico George Dantzig. El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. 2.1 SOLUCION GRAFICA EN UN PROBLEMA LINEAL Solucin Grfica Los problemas de programacin lineal en dos variables tienen interpretaciones geomtricas relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un problema de programacin lineal bidimensional- si no es inconsistente- define una regin plana cuya frontera est formada por segmentos de recta o semirrectas, por lo tanto es posible analizar tales problemas en forma grfica. Si consideremos el problema del granjero Lpez, es decir, de maximizar P = 40x+ 30y sujeta a 2x+y<800 x+y<480 x>0, y>0 (7) El sistema de desigualdades (7) define la regin plana S que aparece en la figura 5. Cada punto de S es un candidato para resolver este problema y se conoce

13

como solucin factible. El conjunto S se conoce como conjunto factible. El objetivo es encontrar entre todos los puntos del conjunto S- el punto o los puntos que optimicen la funcin objetivo P. Tal solucin factible es una solucin ptima y constituyen la solucin del problema de programacin lineal en cuestin. Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solucin ptima del problema en cuestin, por ejemplo, es fcil ver que el punto (200, 150) est en S y, por lo tanto, entra en la competencia. El valor de la funcin objetivo P en el punto (200,150) est dado por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P correspondiente a cada punto de S, entonces el punto (o los puntos) en S que proporcione el valor mximo de P formar el conjunto solucin buscado. Por desgracia, en la mayora de los problemas, la cantidad de candidatos es demasiado grande o, como en este problema, es infinita. As este mtodo no es adecuado. Es mejor cambiar de punto de vista: en vez de buscar el valor de la funcin objetivo P en un punto factible, se asignar un valor a la funcin P y se buscarn los puntos factibles que correspondieran a un valor dado de P. Para esto supngase que se asigna a P el valor 6000. Entonces la funcin objetivo se convierte en 40x+ 30y = 6.000,una ecuacin lineal en x e y; por lo tanto, tiene como grfica una lnea recta L1 en el plano. Est claro que a cada punto del segmento de recta dado por la interseccin de la lnea recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso, pero ahora asignando a P el valor de 12.000, se obtiene la ecuacin 40x+ 30y =12.000 y la recta L2 lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de P. Obsrvese que la recta L2 es paralela a L1, pues ambas tienen una pendiente igual a 4/3. Esto se comprueba con facilidad escribiendo las ecuaciones en explcita de la recta. En general, al asignar diversos valores a la funcin objetivo, se obtiene una familia de rectas paralelas, cada una con pendiente igual a 4/3. Adems, una recta correspondiente a un valor mayor de P est ms alejada del origen que una recta con un valor menor de P. El significado es claro. Para obtener las soluciones ptimas de este problema, se encuentra la recta perteneciente a esta familia que se encuentra ms lejos del origen y que interseque al conjunto factible S. La recta requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de modo que la solucin de este problema est dado por x=320, y=160 ( es decir que el granjero Lpez deber sembrar 320 hectreas de maz y 160 hectreas de trigo), lo que produce el valor mximo P=40(320)+30(160)=17.600. No es casualidad que la solucin ptima de este problema aparezca como vrtice del conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema bsico de la programacin lineal, que se enuncia sin demostracin

14

Teorema 1

Si en problema de programacin lineal tiene una solucin, entonces sta deb esquina, del conjunto factible S asociado con el problema. Adems, si la func dos vrtices adyacente de S, entonces se optimiza en todos los puntos del se estos vrtices, en cuyo caso existe una infinidad de soluciones al problema

En nuestro ejemplo los nicos vrtice del conjunto factible S son los puntos coordenados: (0,0); (400,0); (320,160); (0,480), llamados tambin puntos esquinas (Fig. 6). Un ejemplo en el que tendramos infinitas soluciones, es: Supngase que la utilidad por hectreas es de $40 VERTICE P=40x+40y para ambos, maz y trigo. La tabla para este caso (0,0) 0 muestra la misma utilidad total en los (0,480) 19.200 vrtices(0,480) y (320,160). Esto significa que la lnea de utilidad en movimiento abandona la regin (320,160) 19.200 sombreada por el lado determinado por esos (400,0) 16.000 vrtices (adyacentes) , as todo punto en ese lado da una utilidad mxima. Todava es vlido, sin embargo, que la utilidad mxima ocurre en un vrtice. El teorema 1 dice que la bsqueda de las soluciones a un problema de programacin lineal se puede restringir al examen del conjunto de vrtices del conjunto factible S relacionado con el problema. Como un conjunto factible S tiene un nmero finito de vrtices, el teorema sugiere que las soluciones a un problema de programacin lineal se puedan hallar inspeccionando los valores de la funcin objetivo P en los vrtices. Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solucin de un problema de programacin lineal, no indica cundo tiene solucin. El siguiente teorema establece ciertas condiciones que garantizan la existencia de la solucin de un problema de programacin lineal. Teorema 2: Supngase un problema de programacin lineal con un conjunto Existencia de una factible S y una funcin objetivo P = ax + by. solucin 1. Si S est acotado, entonces P tiene u valor mximo y n valor mnimo en S. 2. Si S no est acotado y tanto a como b son no negativos, entonces P tiene un valor mnimo en S, si las restricciones que definen a S incluyen las desigualdades x 0 e y 0. 3. Si S es el conjunto vaco, entonces el problema de programacin lineal no tiene solucin; es decir, P no tiene un valor mximo ni uno mnimo

El mtodo utilizado para resolver el problema del granjero Lpez recibe el nombre de mtodo de las esquinas. Este mtodo sigue un procedimiento muy sencillo para resolver los problemas de programacin lineal basado en el teorema1. 15

Mtodo de las 1. esquinas 2.

Se grafica el conjunto factible. Se encuentran las coordenadas de todas las esquinas (vrtices) del conjunto factible. 3. Se evala la funcin objetivo en cada esquina. 4. Se halla el vrtice que proporcione el mximo (mnimo) de la funcin objetivo. Si slo existe un vrtice con esta propiedad, entonces constituye una solucin nica del problema. Si la funcin objetivo se maximiza (minimiza) en dos esquinas adyacentes de S, entonces existe una infinidad de soluciones ptimas dadas por los puntos del segmento de recta determinado por estos dos vrtices.

Aplicaremos los conceptos antes emitidos al siguiente problema de nutricin, basado en los requerimientos, en el cual hay que minimizar la funcin objetivo.

Un nutricionista asesora a un individuo que sufre una deficiencia de hierro y vitamina B, y le indica que debe ingerir al menos 2400 mg de vitamina B-1 (tiamina) y 1500 mg de vitamina B-2 (riboflavina) durante cierto perodo de tiempo. Existen dos pldoras de vitaminas disponibles, la marca A y la marca B. Cada pldora de la marca A contiene 40 mg de hierro, 10 mg de vitamina B-1, 5 mg de vitamina B-2 y cuesta 6 centavos. Cada pldora de la marca B contiene 10 mg de hierro, 15 mg de vitamina B-1 y de vitamina B2, y cuesta 8 centavos (tabla 2). Cules combinaciones de pldoras debe comprar el paciente para cubrir sus requerimientos de hierro y vitamina al menor costo? Marca A Hierro Vitamina B-1 Vitamina B-2 Costo por pldora (US$) 40 mg 10 mg 5 mg 0,06 Marca B 10 mg 15 mg 15 mg 0,08 Requerimientos mnimos 2400 mg 2100 mg 1500 mg

Solucin: Sea x el nmero de pldoras de la marca A e y el nmero de pldoras de la marca B por comprar. El costo C, medido en centavos, est dado por C = 6x+ 8y que representa la funcin objetivo por minimizar. La cantidad de hierro contenida en x pldoras de la marca A e y el nmero de pldoras de la marca B est dada por 40x+10y mg, y esto debe ser mayor o igual a 2400 mg. Esto se traduce en la desigualdad.

16

40x+10y>2400 Consideraciones similares con los requisitos mnimos de vitaminas B-1 y B-2 conducen a las desigualdades: 10x+15y>2100 5x+15y>1500 respectivamente. As el problema en este caso consiste en minimizar C=6x+8y sujeta a 40x+10y>2400 10x+15y>2100 5x+15y>1500 x>0, y>0 El conjunto factible S definido por el sistema de restricciones aparece en la figura. Los vrtices del conjunto factible S son A(0,240); B(30,120); C(120; 60) y D(300,0).

Los valores de la funcin objetivo C en estos vrtices en la tabla que sigue Vertice A (0,240) B(30,120) C(120,60) D(300,0) C=6x + 8y 1920 1140 1200 1800

La tabla muestra que el mnimo de la funcin objetivo C=6x+8y ocurre en el vrtice B(30,120) y tiene un valor de 1140. As el paciente debe adquirir 30 pldoras de la marca A y 120 de la marca B, con un costo mnimo de $11,40. El mtodo de las esquinas es de particular utilidad para resolver problemas de programacin lineal en dos variables con un nmero pequeo de restricciones, como han demostrado los ejemplos anteriores, sin embargo su efectividad decrece con rapidez cuando el

17

nmero de variables o de restricciones aumenta. Por ejemplo, se puede mostrar que un ejemplo de programacin lineal en tres variables y cinco restricciones puede tener hasta diez esquinas factibles. La determinacin de las esquinas factibles requiere resolver 10 sistemas 3x3 de ecuaciones lineales y luego comprobar que cada uno es un punto factible, sustituyendo cada una de estas soluciones en el sistema de restricciones. Cuando el nmero de variables y de restricciones aumenta a cinco y diez, respectivamente (que an es un sistema pequeo desde el punto de vista de las aplicaciones en economa), la cantidad de vrtice por hallar y comprobar como esquinas factibles aumenta hasta 252, y cada uno de estos vrtices se encuentra resolviendo el sistema lineal ...de 5x5! Por esta razn, el mtodo de las esquinas se utiliza con poca frecuencia para resolver problemas de programacin lineal, su valor reside en que permite tener una mejor idea acerca de la naturaleza de las soluciones a los problemas de programacin lineal a travs de su uso en la solucin de problemas de dos variables. 2.2 TEORIA DEL METODO SIMPLEX
El mtodo Simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. (Vase mtodo Grfico) El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Deber tenerse en cuenta que este mtodo slo trabaja para restricciones que tengan un tipo de desigualdad "" y coeficientes independientes mayores o iguales a 0, y habr que estandarizar las mismas para el algoritmo. En caso de que despus de ste proceso, aparezcan (o no varen) restricciones del tipo "" o "=" habr que emplear otros mtodos, siendo el ms comn el mtodo de las Dos Fases.

PREPARANDO EL MODELO PARA ADAPTARLO AL MTODO SIMPLEX 18

Esta es la forma estndar del modelo:

Funcin objetivo: Sujeto a:

c1x1 + c2x2 + ... + cnxn a11x1 + a12x2 + ... + a1nxn = b1 a21x1 + a22x2 + ... + a2nxn = b2 ... am1x1 + am2x2 + ... + amnxn = bm x1,..., xn 0

Para ello se deben cumplir las siguientes condiciones: 1. El objetivo es de la forma de maximizacin o de minimizacin. 2. Todas las restricciones son de igualdad. 3. Todas las variables son no negativas. 4. Las constantes a la derecha de las restricciones son no negativas.

Cambio del tipo de optimizacin.


Si en nuestro modelo, deseamos minimizar, podemos dejarlo tal y como est, pero deberemos tener en cuenta nuevos criterios para la condicin de parada (deberemos parar de realizar iteraciones cuando en la fila del valor de la funcin objetivo sean todos menores o iguales a 0), as como para la condicin de salida de la fila. Con objeto de no cambiar criterios, se puede convertir el objetivo de minimizar la funcin F por el de maximizar F(-1). Ventajas: No deberemos preocuparnos por los criterios de parada, o condicin de salida de filas, ya que se mantienen. Inconvenientes: En el caso de que la funcin tenga todas sus variables bsicas positivas, y adems las restricciones sean de desigualdad "", al hacer el cambio se quedan negativas y en la fila del valor de la funcin objetivo se quedan positivos, por lo que se cumple la condicin de parada, y por defecto el valor ptimo que se obtendra es 0. Solucin: En la realidad no existen este tipo de problemas, ya que para que la solucin quedara por encima de 0, alguna restriccin debera tener la condicin "", y entonces entraramos en un modelo para el mtodo de las Dos Fases.

Conversin de signo de los trminos independientes (las constantes a la derecha de las restricciones)
Deberemos preparar nuestro modelo de forma que los trminos independientes de las restricciones sean mayores o iguales a 0, sino no se puede emplear el mtodo Simplex. Lo nico que habra que hacer es multiplicar por "-1" las restricciones donde los trminos independientes sean menores que 0.

19

Ventaja: Con sta simple modificacin de los signos en la restriccin podemos aplicar el mtodo Simplex a nuestro modelo. Inconvenientes: Puede resultar que en las restricciones donde tengamos que modificar los signos de las constantes, los signos de las desigualdades fueran ("=", ""), quedando ("=","") por lo que en cualquier caso deberemos desarrollar el mtodo de las Dos Fases. Este inconveniente no es controlable, aunque nos podra beneficiar si slo existen trminos de desigualdad ("",""), y los "" coincidieran con restricciones donde el trmino independiente es negativo.

Todas las restricciones son de igualdad.


Si en nuestro modelo aparece una inecuacin con una desigualdad del tipo "", deberemos aadir una nueva variable, llamada variable de exceso si, con la restriccin si 0. La nueva variable aparece con coeficiente cero en la funcin objetivo, y restando en las inecuaciones. Surge ahora un problema, veamos como queda una de nuestras inecuaciones que contenga una desigualdad "" : a11x1 + a12x2 b1 a11x1 + a12x2 - 1xs = b1

Como todo nuestro modelo, est basado en que todas sus variables sean mayores o iguales que cero, cuando hagamos la primera iteracin con el mtodo Simplex, las variables bsicas no estarn en la base y tomarn valor cero, y el resto el valor que tengan. En este caso nuestra variable xs, tras hacer cero a x1 y x2, tomar el valor -b1. No cumplira la condicin de no negatividad, por lo que habr que aadir una nueva variable, xr, que aparecer con coeficiente cero en la funcin objetivo, y sumando en la inecuacin de la restriccin correspondiente. Quedara entonces de la siguiente manera: a11x1 + a12x2 b1 a11x1 + a12x2 - 1xs + 1 xr = b1

Este tipo de variables se les llama variables artificiales, y aparecern cuando haya inecuaciones con desigualdad ("=",""). Esto nos llevar obligadamente a realizar el mtodo de las Dos Fases, que se explicar ms adelante. Del mismo modo, si la inecuacin tiene una desigualdad del tipo "", deberemos aadir una nueva variable, llamada variable de holgura si, con la restriccin si "" 0 . La nueva variable aparece con coeficiente cero en la funcin objetivo, y sumando en las inecuaciones. A modo resumen podemos dejar esta tabla, segn la desigualdad que aparezca, y con el valor que deben estar las nuevas variables.

Tipo de desigualdad

Tipo de variable que aparece

20

- exceso + artificial + artificial + holgura

http://www.phpsimplex.com/pages/teoria.htm 2.3 FORMA TABULAR DEL METODO SIMPLEX

Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar sujeto a: Z= f(x,y)= 3x + 2y 2x + y 18 2x + 3y 42 3x + y 24 x 0,y 0

Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin x y h s d h 2 1 1 0 0 18 21

s d Z

2 3 -3

3 1 -2

0 0 0

1 0 0

0 1 0

42 24 0

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado). B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8] Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla.

22

Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s 2 Coeficiente 2 x Nueva fila pivote 1 = Nueva fila de s 0 3 2 x 1/3 = 7/3 0 2 x 0 = 0 1 2 x 0 = 1 0 2 x 1/3 = -2/3 42 2 x 8 = 26

Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin x y h s d h 0 1/3 1 0 -2/3 2 s 0 7/3 0 1 -2/3 26 x 1 1/3 0 0 1/3 8 Z 0 -1 0 0 1 24

23

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. C. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin x y h s d y 0 1 3 0 -2 6 s 0 0 -7 0 4 12 x 1 0 -1 0 1 6 Z 0 0 3 0 -1 30 Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. C. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del proceso Base Variable de decisin Variable de holgura Valores solucin x y h s d y 0 1 -1/2 0 0 12 d 0 0 -7/4 0 1 3 x 1 0 -3/4 0 0 3 Z 0 0 5/4 0 0 33 Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. 24

Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12) 2.4 EL METODO DE LAS DOS FASES Mtodo de las Dos Fases
ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que trata de minimizar la suma de las variables artificiales. Una vez resuelto este primer problema y reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el mtodo Simplex normal.

FASE 1
En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal, excepto la construccin de la primera tabla, la condicin de parada y la preparacin de la tabla que pasar a la fase 2. - Construccin de la primera tabla: Se hace de la misma forma que la tabla inicial del mtodo Simplex, pero con algunas diferencias. La fila de la funcin objetivo cambia para la primera fase, ya que cambia la funcin objetivo, por lo tanto aparecern todos los trminos a cero excepto aquellos que sean variables artificiales, que tendrn valor "-1" debido a que se est minimizando la suma de dichas variables (recuerde que minimizar F es igual que maximizar F(-1)). La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora tendremos que hacer el clculo de la siguiente forma: Se sumarn los productos CbPj para todas las filas y al resultado se le restar el valor que aparezca (segn la columna que se ste haciendo) en la fila de la funcin objetivo.

Tabla C0 Base Pi1 Pi2 ... Pim Cb Ci1 Ci2 ... Cim P0 bi1 bi2 ... bim C1 P1 a11 a21 ... am1 C2 P2 a12 a22 ... am2 ... ... ... ... ... ... Cn-k Pn-k a1n-k a2n-k ... amn-k ... ... ... ... ... ... Cn Pn a1n a2n ... amn

25

Z0

Z1

Z2

...

Z2

...

Zn

Siendo Zj = (CbPj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de decisin, holgura y exceso), y Cj = -1 para todo j comprendido entre n-k y n (variables artificiales).

- Condicin de parada: La condicin de parada es la misma que en el mtodo Simplex normal. La diferencia estriba en que pueden ocurrir dos casos cuando se produce la parada: la funcin toma un valor 0, que significa que el problema original tiene solucin, o que tome un valor distinto, indicando que nuestro modelo no tiene solucin. - Eliminar Columna de variables artificiales: Si hemos llegado a la conclusin de que el problema original tiene solucin, debemos preparar nuestra tabla para la segunda fase. Deberemos eliminar las columnas de las variables artificiales, modificar la fila de la funcin objetivo por la original, y calcular la fila Z de la misma forma que en la primera tabla de la fase 1.

IDENTIFICANDO CASOS ANMALOS Y SOLUCIONES


Obtencin de la solucin: Cuando se ha dado la condicin de parada, obtenemos el valor de las variables bsicas que estn en la base y el valor ptimo que toma la funcin que estn en la base mirando la columna P0. En el caso de que estemos minimizando, se multiplicar por "-1" el valor ptimo. Infinitas soluciones: Cumplida la condicin de parada, si se observa que alguna variable que no est en la base, tiene un 0 en la fila Z, quiere decir que existe otra solucin que da el mismo valor ptimo para la funcin objetivo. Si estamos ante este caso, estamos ante un problema que admite infinitas soluciones, todas ellas comprendidas dentro del segmento (o porcin del plano, o regin del espacio, dependiendo del nmero de variables del problema) que define Ax+By=Z0. Si se desea se puede hacer otra iteracin haciendo entrar en la base a la variable que tiene el 0 en la fila Z, y se obtendr otra solucin. Solucin ilimitada: Si al intentar buscar la variable que debe abandonar la base, nos encontramos que toda la columna de la variable entrante tiene todos sus elementos negativos o nulos, estamos ante un problema que tiene solucin ilimitada. No hay valor ptimo concreto, ya que al aumentar el valor de las variables se aumenta el valor de la funcin objetivo, y no viola ninguna restriccin.

26

No existe solucin: En el caso de que no exista solucin, seguro que tendremos que realizar las dos fases, por lo que al trmino de la primera sabremos si estamos en tal situacin. Empate de variable entrante: Se puede optar por cualquiera de ellas, sin que afecte a la solucin final, el inconveniente que presenta es que segn por cual se opte se harn ms o menos iteraciones. Se aconseja que se opte a favor de las variables bsicas, ya que son aquellas las que quedarn en la base cuando se alcance la solucin con estos mtodos. Empate de variable saliente: Se puede nuevamente optar por cualquiera de ellas, aunque se puede dar el caso degenerado y entrar en ciclos perpetuos. Para evitarlos en la medida de lo posible, discriminaremos a favor de las variables bsicas haciendo que se queden en la base. Ante el caso de estar en la primera fase (del mtodo de las Dos Fases), se optar por sacar en caso de empate las variables artificiales. Curiosidad Fase 1: Al finalizar la fase 1, si el problema original tiene solucin, todas las variables artificiales, en la fila Z deben tener el valor "1". Pivote puede ser 0?: No, ya que siempre se realizan los cocientes entre valores no negativos y mayores que cero.

2.5 EL METODO SIMPLEX REVISADO. El mtodo simplex revisado. El mtodo simplex original es un procedimiento algebraico directo. Sin embargo, durante su clculo utiliza muchos valores los cuales finalmente no son relevantes en la toma de decisiones. El mtodo simplex revisado utiliza nicamente: Los coeficientes de las V.N.B en el rengln (0). Los coeficientes de la variable bsica entrante en las restricciones. Los coeficientes de las V.B actuales en las restricciones. El lado derecho de las ecuaciones. El mtodo simplex revisado utiliza una notacin de forma matricial para hallar la solucin al problema. Max Z = c x Sujeto a

27

Axb x0
Veremos que no es necesario tener toda la tabla del Simplex en cada iteracin. Alcanza con conocer el inverso de la base y los multiplicadores del Simplex para la base actual. Desde luego, tambin necesitamos los datos originales del problema. En lugar de mantener toda la tabla, tendremos: - Los costos reducidos . - La columna actualizada para la variable que entra a la base. Esta columna se calcula como . - El lado derecho actualizado , que se calcula como . y (que es, en de las variables no bsicas. Que calcularemos como

Entonces, lo nico que debemos actualizar entre dos iteraciones es realidad, ).

Para entender su funcionamiento, consideremos la siguiente tabla: B N 0 1 b 0 I 0

que es la tabla del simplex salvo por el ltimo grupo de columnas. Realizando las mismas operaciones sobre esta tabla, que sobre la tabla del mtodo Simplex, obtenemos: I 0 Notamos lo siguiente: la parte extra de esta tabla contiene la columna y . . 0 1

se actualiza con las mismas operaciones que

Dada la columna actualizada

para la variable que entra a la base, y siendo , , y con el siguiente

la

variable que sale de la base, podemos actualizar procedimiento: - Construir la mini tabla del Simplex Revisado:

28

- Pivotear sobre

, para que

se transforme en

. La nueva tabla es:

donde el ndice

significa el valor actual en la nueva base.

ESQUEMA DEL MTODO SIMPLEX REVISADO 1. Dados , 2. Determinar a. b.


Si Si no, determinar sale de la base. , y para la base factible actual.

, solucin bsica actual es ptima, STOP. algn k, entra a la base. .

3. Calcular la columna actualizada:

el problema no tiene solucin acotada, STOP. de

4.

Actualizar elemento

, Poner

de acuerdo a la nueva base, pivoteando sobre el , volver a 2.

en la mini tabla del Simplex Revisado.

5.

2.6 CASOS ESPECIALES. El Mtodo simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin o cuando esta es ptima. Este mtodo, permite analizar cada variable del problema planteado, sus variaciones, para determinar cual es la decisin ms acertada a tomar en cualquiera que sea el rea de la empresa sobre la cual se presente la incertidumbre. Existen casos especiales de solucin de problemas por medio del simplex, tales como: Soluciones Mltiples Solucin Degenerada Solucin Infactible Sin Solucin

29

A continuacin se presenta un anlisis detallado de cada caso especial de solucin con un ejemplo prctico. CASO DE SOLUCIONES MLTIPLES Cuando la funcin objetivo es paralela a una restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima, la funcin objetivo tomar el mismo valor ptimo en ms de un punto de la solucin. Por esta razn reciben el nombre de Mltiples alternativas ptimas. CASO DE SOLUCIN DEGENERADA La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe un empate en la seleccin de la variable que sale. Este empate se rompe arbitrariamente. En este caso decimos que la nueva solucin es degenerada. Sin embargo, cuando suceda esto una o ms veces de las variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En el mtodo simplex, la presencia de una variable bsica igual a cero, no requiere ninguna accin especial; en todo caso, es necesario no descuidar las condiciones de degeneracin. En trminos geomtricos, la degeneracin ocurre cuando un vrtice est definido por demasiadas restricciones. CASO DE SOLUCIN INFACTIBLE En un modelo de Programacin Lineal, cuando las restricciones no se pueden satisfacer en forma simultnea, se dice que este no tiene solucin factible. Esta situacin nunca puede ocurrir si todas las restricciones son del tipo MENOR O IGUAL ( ), esto, suponiendo valores positivos en el segundo miembro, ya que las variables de holgura producen siempre una solucin factible. Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos al uso de variables artificiales, que por su mismo diseo no ofrecen una solucin factible al modelo original. Aunque se hacen provisiones (a travs del uso de penalizaciones) para hacer que estas variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo tiene una espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la iteracin ptima. Desde el punto de vista prctico, un espacio infactible, apunta a la posibilidad de que el modelo no se haya formulado correctamente, en virtud de que las restricciones estn en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en forma simultnea. En este caso, quizs se

30

necesite una estructura del modelo totalmente diferente que no admita todas las restricciones al mismo tiempo. CASO DE NO SOLUCIN En algunos modelos de Programacin Lineal, los valores de las variables, se pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin solucin cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puede crecer (Maximizacin) o decrecer (Minimizacin) en forma indefinida. En este caso, decimos que el espacio en el cual se espera sea resuelto el modelo, y el valor ptimo de la funcin objetivo no tiene solucin. La falta de explicacin de un modelo puede sealar solo una cosa, que este se encuentra mal construido. Evidentemente resulta irracional hacer que un modelo produzca una ganancia infinita. Las irregularidades ms probables en este modelo son: 1. No se toman en cuenta una o ms restricciones redundantes 2. No se determinan adecuadamente los parmetros (constantes) de alguna restriccin.

III

TEORIA DE LA DUALIDAD Y ANALISIS DE SENSIBILIDAD.

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 smplex ptima de cualquiera de los dos problemas conduce en forma automtica a la solucin ptima del otro. El mtodo smplex adems de resolver un problema de PL 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. En la mayora de los procedimiento de PL, el dual se define para varias formas del primal, dependiendo de los tipos de restricciones, de los signos de las variables y del sentido de la optimizacin. La experiencia nos indica que en ocasiones, los principiantes se confunden con los detalles de esas definiciones. Ms importante an es que el uso de esas definiciones mltiples puede conducir a interpretaciones inconsistentes de los datos en la tabla smplex, sobre todo en lo que respecta a los signos de las variables.

31

El concepto de dualidad indica que para cada problema de PL hay una asociacin y una relacin muy importante con otro problema de programacin lineal, llamado precisamente dual. La relacin entre el problema dual y su asociado, es decir el problema original llamado primal, presenta varias utilidades:

Aporta elementos que aumentan sustancialmente la compresin de la PL. El anlisis de dualidad es una herramienta til en la solucin de problemas de PL, por ejemplo: ms restricciones que variables. El problema dual tiene interpretaciones e informaciones importantes que muestran que los anlisis marginales estn siempre involucrados implcitamente al buscar la solucin ptima a un problema de PL.

La forma estndar general del primal se defina como; para maximizar o minimizar. sujeto a; Cmo convertir un problema primal a dual? Un problema dual se formula de un problema primal de la siguiente forma: 1. Si el primal es un problema de maximizacin su dual ser un problema de minimizacin y viceversa. 2. Los coeficientes de la funcin objetivo del problema primal se convierten en los coeficientes del vector de la disponibilidad en el problema dual. 3. Los coeficientes del vector de disponibilidad del problema original se convierten en los coeficientes de la funcin objetivo (vector de costo o precio) en el problema dual. 4. Los coeficientes de las restricciones en el problema primal, ser la matriz de los coeficientes tecnolgicos en el dual. 5. Los signos de desigualdad del problema dual son contrarios a los del primal. 6. Cada restriccin en un problema corresponde a una variable en el otro problema. Si el primal tiene m restricciones y n variables, el dual tendr n restricciones y m variables. As, las variables Xn del primal se convierte en nuevas variables Ym en el dual.

PROBLEMA PRIMAL EN FORMA CANONICA:

PROBLEMA DUAL EN FORMA CANONICA:

32

MAX Z= CX Sujeto a: AX b X 0 Ejemplo.

MIN Z= BY Sujeto a: AY C Y 0

Si el problema primal es: MAX Z= 45X1 + 17X2 + 55X3 Sujeto a: X1 + X2 + X3 200

9X1 + 8X2 + 10X3 5000 10X1+ 7X2 + 21 X3 4000 Xj 0 El problema dual ser: MIN Z= 200Y1 + 5000Y2 + 4000Y3 Sujeto a: Y1 + 9Y2 + 10Y3 45 Y1 + 8Y2 + 7Y3 17 Y1 + 10Y2 + 21Y3 55 Yj 0

3.1.

FORMULACION DEL PROBLEMA DUAL

FORMA DE PRESENTAR EL PROBLEMA DUAL MIN = 2X1 - 3X2 Sujeto a: 1X1 + 2X2 12 4X1 - 2X2 3

33

6X1 - 1X2 = 10 X1,2 0 1. Llevar el problema a su equivalente de maximizacin, multiplicando la funcin objetivo por 1: MAX -2X1 + 3X2 2. Convertir las restricciones en una restriccin equivalente multiplicando por 1 ambos lados: -4x1 + 2x2 -3 3. Para las restricciones de igualdad, obtener 2 restricciones de desigualdad, una de forma y la otra de forma ; despus regresar al punto anterior y cambiar la restriccin a la forma : 6X1 1X2 10 6X1 1X2 10 6X1 1X2 10

-6X1 + 1X2 -10 As el problema primal se ha replanteado en la forma equivalente: MAX Z= -2X1 + 3X2 Sujeto a: 1X1 + 2X2 12 -4X1 + 2X2 - 3 6X1 1X2 10 -6X1 + 1X2 -10 X1,2 0 4. Teniendo el problema primal convertido a la forma cannica de un problema de maximizacin, es fcil llevarlo al problema dual: MIN 12Y1 3Y2 + 10Y3

34

Sujeto a: Y14Y2 + 6Y36Y3 -2 restriccin 2Y1 + 2Y2 1Y3 + 1Y3 Y1, 2, 3, 3 0 3

Y3 y Y3 ambas se refieren a la tercera del problema primal.

3.2.

RELACION PRIMAL DUAL

35

36

3.3.

INTERPRETACION ECONOMICA DEL DUAL

Interpretacin econmica del problema dual. Precio Sombra.- Se define como la proporcin con que mejora el valor de la funcin objetivo a partir de la i - sima restriccin, dependiendo si se trata de maximizacin tiende a aumentar y a disminuir cuando es de minimizacin. La interpretacin econmica de la dualidad se basa directamente en la interpretacin ms frecuente del problema primal ( 16 ). Interpretacin del problema dual. Para ver cmo la interpretacin del problema primal conduce a una interpretacin econmica del problema dual. Notese el valor de Z como: Z = W1b1 + W2b2 + W3b3 + + Wmbm donde cada bi Wi puede interpretarse como la contribucin a la ganancia por disponer de bi unidades del recurso i. Wi se interpreta como la contribucin a la ganancia por unidad del recurso i ( i = 1 , 2, . . . , m), cuando se usa el conjunto actual de variables bsicas para obtener la solucin primal.

37

ujeto a: unidades del m recurso i-simo Valor nitario Ganancia asignada j = 1,, n Suma utlizados por * del recurso = a cada unidad de i =1 unidad de la i-simo la actividad j-sima actividad j-sima Valor unitario i - 1, , m * del recurso >= 0 i- simo

La asignacin de probabilidades a los eventos es una tarea difcil que muchos gerentes pueden mostrarse difcil a hacer, por lo menos con cierto grado de exactitud. En algunos casos prefieren decir creo que la probabilidad de que este evento ocurra est entre 0.5 y 0.7. Bajo estas circunstancias, como en cualquier aspecto de decisin gerencial, es til realizar un anlisis de sensibilidad para determinar cmo afecta a la decisin la asignacin de probabilidades. El anlisis de sensibilidad concierne el estudio de posibles cambios en la solucin ptima disponible como resultado de hacer cambios en el modelo original. Definiciones generales del Anlisis de sensibilidad Efecto neto.- Es la ganancia o prdida por unidad adicional de una variable que entra a la base. El efecto neto de una variable bsica siempre ser cero. f j = efecto neto Ejemplo: Realizar un anlisis de sensibilidad para el siguiente modelo. Maximizar: Xo = 10X1 + 15X2 + 4X3 + 2X4 sujeto a: " 10X1 + 20X2 + 2X3 + 3X4 <= 4,000 5X1 + 5X2 + 5X3 + 4X4 <= 1500 4X1 + 2X2 + 6X3 + 6X4 <= 800 X1, X2, X3, X4 >= 0

Solucin ptima del problema.

Base Xo X1 X2 X7 Sol. Xo 1 0 0 5/6 3,333.33 X2 0 0 1 -1/6 400/3 X6 0 0 0 -5/6 500/3 X1 0 1 0 1/3 400/3

X3 7/3

X4 5

X5 2/3 1/15 -1/6

X6 0 0 1 0

-13/5 -12/15 -1/3 -3/2

29/15 19/10 -1/30

38

Cambios en los coeficientes de la funcin objetivo. El cambio en el Cj de una variable se interpretara, por ejemplo, como en incremento en el precio de un producto para un objetivo de maximizacin, o como la disminucin en el costo de una materia prima para un objetivo de minimizacin. Finalmente, se estudiar por separado si la modificacin en el Cj es para una variable no-bsica o para una bsica, ya que las consecuencias en cada caso son muy diferentes. Cambios en el coeficiente Objetivo de una variable No-bsica. Es importante mencionar que una variacin de Cj a Cj en el coeficiente objetivo de una variable no-bsica, no necesariamente conlleva a una infraccin de la inmejorabilidad de la solucin ptima actual, aunque en ciertas ocaciones si lo haga. Por este motivo, se considerarn a continuacin dos alternativas de cambio mutuamente exclusivas en el Cj de una variable no-bsica. (1) cuando Cj < Cj (maximizacin) en la solucin ptima actual f j = Cj - Zj <= 0 ==> f j = Cj - Zj < 0 Con lo cual la inmejorabilidad no se infringe. En consecuencia, se deduce que cuando el Cj < Cj en un problema de maximizacin, la solucin ptima actual no se alterara, lo mismo en minimizacin con Cj > Cj. (2) cuando Cj > Cj (maximizacin) Es claro que solamente cuando el precio de la utilidad de una variable no-bsica se incrementa, Cj > Cj, en un problema de maximizacin, surge la posibilidad de que se altere la inmejorabilidad y por ende la optimidad actual. fj = Cj - Zj <= 0 ==> Cj <= Cj -fj o alternativamente, cuando Cj <= Cj + I fj I Es decir, si el nuevo Cj satisface la desigualdad, la actual solucin permanece ptima; de lo contrario, debe calcularse el f j el cual ser positivo, e introducirse Xj a la base para encontrar la nueva solucin ptima. Ejemplo: Cambio en el Cj de una variable no - bsica.

Para el problema dado. a) determinar los rangos de variacin en la utilidad unitaria de las variables no-bsicas , tal que la solucin ptima no se altere. b) Evaluar los efectos de un incremento en la utilidad unitaria del producto 3 de $4 a $5. c) Evaluar el efecto de de un aumento en la utilidad actual del producto 4 de $2 a $8. a) Cj <=Cj + I fi j I C3 <= 4 + I -7/3I <= 19/3 39

C4 <=2 + I -5I <= 7 C5 <= 0 + I -2/3I <= 2/3 C7 <= 0 + I -5/6I = 5/6 b) Dado C3 = 5 = 15/3 satisface el lmite mximo de 19/3, por lo tanto, el incremento no modifica la solucin ptima actual. C) Ya C4 = 8 sobrepasa el lmite de incremento en C4, la solucin ptima actual cambiar. El nuevo f4 es f4 = C4 - Z4 = 8 -7 = 1 y al ser positivo, X4 debe entrar a la base.

Base Xo X1 X2 X3 X4 Sol. Xo 1 0 0 7/3 -1 3,333.33 X2 0 0 1 -13/15 -12/15 -1/6 400/3 -----X6 0 0 0 -1/3 -3/2 -5/6 500/3 -----X1 0 1 0 29/15 19/10 1/3 400/3 4000/57

S1 2/3 1/15 -1/6 -1/30

S2 0 0 1 0

S3 5/6

3.4.

CONDICIONES KHUN-TUCKER.

Condiciones de Karush Kuhn Tucker


Proposicion 9 Supongase que f(x), gj(x) con j = 1, ...,m, son funciones diferenciables que satisfacen ciertas condiciones de regularidad. Entonces, x puede ser una solucion optima para el problema de programaci on no-lineal, solo si existen m numeros 1, ..., m que satisfagan todas las condiciones necesarias siguientes:

40

Comentarios acerca de KKT

Las condiciones de optimalidad de Karush-Kuhn-Tucker son condiciones necesarias y solo garantizaran optimalidad global si se cumplen adicionalmente otras condiciones de convexidad. Corolario 10 Supongase que f(x) es una funcion convexa y diferenciable, y que g1(x), g2(x), ..., gm(x) tambien lo son en donde todas estas funciones satisfacen las condiciones de regularidad. Entonces x = (x1, ..., xn) es una solucion optima si y solo si se satisfacen todas las condiciones del teorema. El m etodo identifica puntos optimos locales que cumplan condiciones de regularidad Los gradientes de las restricciones activas en el punto deben ser linealmente independientes.

Condiciones de Regularidad del Dominio

Ciertas condiciones garantizan regularidad en todo el dominio: Proposicion 11 (Slater) Las condiciones de regularidad de Slater establecen que si hay un dominio D = {x : gj(x) $ 0} con gj(x) funciones convexas, y existe un punto x & D tal que gj(x) < 0 "j = 1, . . . ,m,entonces todo punto x & D es regular. Proposicion 12 (Slater-Usawa) Las condiciones de regularidad de Slater- Usawa establecen que si hay un dominio D = {x : gj(x) $ 0} con gj(x) funciones convexas, y existe un punto x & D tal que gj(x) < 0 para toda restriccion no lineal, y gj(x) $ 0 para toda restriccion lineal, entonces todo punto x & D es regular. Corolario 13 En problemas lineales basta que haya un punto factible para decir que su dominio es regular.

41

42

3.5.

DUAL SIMPLEX

EL MTODO DUAL SIMPLEX


Como sabemos, el mtodo simplex es un algoritmo iterativo que iniciando en una solucin bsica factible pero no ptima, genera soluciones bsicas factibles cada vez mejores hasta encontrar la solucin ptima (s esta existe). Ntese que la base de su lgica es mantener la factibilidad, mientras busca la optimalidad. Pero surge la posibilidad de usar otro esquema igualmente iterativo, que como contraparte del simplex, comienza en una solucin bsica ptima, pero no factible y mantiene la inmejorabilidad mientras busca la factibilidad. Con este procedimiento se llega igualmente a la solucin ptima. El nuevo algoritmo fue desarrollo en 1954 por C. E. Lemke y se conoce con el nombre de Mtodo Dual-Simplex. A continuacin se presenta su estructura y un ejemplo para ilustrar su aplicacin.

Algoritmo Dual-Simplex para un modelo de maximizacin


Introduccin
Primero se debe expresar el modelo en formato estndar, agregando las variables de holgura y de exceso que se requieran. Enseguida, en las ecuaciones que tengan variables de exceso (resultantes de restricciones de tipo >), se debe multiplicar por (-1) en ambos lados , para hacer positivo el coeficiente de la variable de exceso, y formar as un vector unitario que nos permita tomar esta variable de exceso como una variable bsica inicial. sin necesidad de agregar una variable artificial en esa restriccin.

43

Al hacer lo anterior se logra que debajo de las variables bsicas aparezca una matriz identidad, que es la que el simplex siempre toma como base inicial. Obtendremos que los trminos del lado derecho de las ecuaciones multiplicadas por (-1) quedan con signo negativo, lo cual hace que la solucin inicial sea infactible. Es importante destacar que este proceso es muy til ya que en muchos modelos evita la inclusin de variables artificiales en el momento de transformar un modelo a formato estndar. El algoritmo para resolver un modelo de maximizacin es el siguiente: Paso 1: Hallar una solucin bsica inicial infactible e inmejorable Escribir el tablero inicial tomando a las variables de holgura y de exceso como variables bsicas iniciales Paso 2: Prueba de factibilidad a. Si todas las variables bsicas son no negatvas, la actual solucin es la ptima. b. Si hay al menos una variable bsica negativa, seleccionar como variable de salida, ( llammosla (XB)s ), a aquella con el valor mas negativo. Los empates se pueden romper arbitrariamente. Paso 3: Prueba de inmejorabilidad a. S en el rengln de la variable bsica de salida (XB)s todos los coeficientes de reemplazo con las variables no bsicas son no negativos, la solucin del modelo es ptima limitada. Se termina el proceso. Si en el rengln de la variable bsica de salida (XB)s, hay al menos un coeficiente de intercambio negativo , se efectan los cocientes entre el efecto neto de cada variable no bsicas y su correspondientel coeficiente de intercambio negativo. Es decir, siendo (XB)s la variable de salida se calculan todos los cocientes

Se toma como variable de entrada ( llammosla Xe ) a aquella que corresponda al mnimo de los cocientes del anterior conjunto 44

Si la variable de entrada es Xe el elemento pivote ser el elemento (Se)s El empate se puede romper arbitrariamente. b. Aplicar la operacin de pivoteo para generar la nueva tabla, en la cual aparezca Xe como variable bsica en lugar de la variable de salida (XB)s c. Repetir el algoritmo a partir del paso 2.

Ejemplo de aplicacin del Mtodo Dual Simplex


Sea el siguiente modelo: Maximizar Z= -2X1 -2X2 -3X3 Sujeto a : 2X1 +4X2 +2X3 > 10 3X1 -3X2 +9X3 = 12 con X1, X2, X3 > 0 Expresemos el modelo en formato estndar Maximizar Z= -2X1 -2X2 -3X3 = 10 Sujeto a : 2X1 +4X2 +2X3 -IE1 3X1 -3X2 +9X3 -IE2 = 12 multipliquemos por (-1) en ambos lados de las ecuaciones, para formar los vectores unitarios, requeridos para contar con una base inicial unitaria. Maximizar Z= -2X1 -2X2 -3X3 = -10 Sujeto a : -2X1 -4X2 -2X3 +IE1 -3X1 +3X2 -9X3 +IE2 = -12 paso 1. Tomando las variables bsicas iniciales hacemos lo siguiente:
Cj CB 0 0 Zj Ej -2 X1 -2 -3 0 -2 -2 X2 -4 3 0 -2 -3 X3 -2 -9 0 -3 0 E1 1 0 0 0 0 E2 0 1 0 0 XB Solucin Bsicas -10 E1 -12 E2 0 0Z

Paso 2 Sale E2 = (XB)2 o sea s = 2

45

Paso 3 a. Calculando los cocientes para todo (Sj)2 < 0 obtenemos:

o sea que X3 es la variable de entrada( entonces e = 3) y el elemento pivote es el (Se)s = (S3)2 = -9 b. Efectuando el pivoteo obtenemos la tabla siguiente:

Tabla 1 (maximizar)
Cj -2 CB X1 -2 X2 0 -4/3 14/3 -3 -1/3 -1/3 Zj -1 1 Ej -1 -3 -3 0 X3 E1 0 1 -3 0 1 0 0 0 0 E2 -2/9 -1/9 1/3 -1/3 XB Solucin Bsicas -22/3 E1 4/3 X3 -4 Z

c. Repitiendo el algoritmo desde el paso 1, obtenemos: sale E1 = (XB)1 y entra X2 por lo cual obtenemos la siguiente tabla

Tabla 2
Cj -2 CB X1 -2 2/7 -3 3/7 Zj 13/7 -2 -3 0 X2 X3 E1 1 0 3/14 0 1 1/14 1 -3 9/14 0 0 9/14 0 E2 1/21 2/21 4/21 4/21 -61/7 Z XB Solucin Bsicas 11/7 X2 13/7 X3

Ej -1/7

Como se observa, ahora estamos en el ptimo. En definitiva: X2* = 11/7 X3* = 13/7 Z* = - 61/7

46

Otro ejemplo: Resolver el siguiente modelo usando el mtodo Dual-Simplex Minimizar Z= 2X1 + 2X2 Sujeto a : 3X1 +X2 4X1 +3X2 X1 +2X con X1, X2 > 0 10 12

> > <

Expresando el modelo en formato estndar y ajustndolo para que las variables bsicas sean las variables de holgura tenemos: Minimizar Z= 2X1 + 2X2 Sujeto a : -3X1 -X2 +IE1 -4X1 -3X2 +IE2 X1 +2X +IE3 = = = -3 -6 3

Usando el mtodo Dual Simplex obtenemos, sucesivamente:

Tabla 0
Basicas X1 -3 E1 -4 E2 1 H3 2 Ej Sale E2 Entonces los cocientes son
X2 -1 -3 2 1 E1 1 0 0 0 E2 0 1 0 0 H3 0 0 1 0 Solucin -3 -6 3 0

Nota: Obsrvese que cuando el objetivo es minimizar, se toma el valor absoluto de los cocientes.

Tabla 1
Basicas E1 E2 H3 Ej
X1 -5/3 4/3 -5/3 2 X2 0 1 0 0 E1 1 0 0 0 E2 -1/3 -1/3 2/3 1/3 H3 0 0 1 0 Solucin -1 2 -1 2

47

Sale H1 Los cocientes son:

Tabla 2 (ptima)
Basicas X1 X2 E1 E2 H3 1 0 -3/5 1/5 0 E1 0 1 4/5 -3/5 0 E2 0 0 -1 1 1 H3 0 0 2/5 1/5 0 Ej La solucin ptima es X1 = 3/5, X2 = 6/5 ; Z = 12/5 En la grfica observamos el camino que realmente sigui el algoritmo para pasar de la solucin infactible con valor Z= 0 a la solucin factible ptima con valor Z = 12/5. La aplicacin del mtodo simplex dual es especialmente til en el anlisis de sensibilidad. Se usa cuando despus de haber obtenido la solucin ptima, se desea agregar una nueva restriccin al modelo si la nueva restriccin no se cumple. En este caso se obtiene que para los valores ptimos de las variables de decisin, la solucin permanece ptima pero se convierte en infactible. Surge entonces la necesidad de aplicar el algoritmo Dual-Simplex para extraer la variable bsica que tiene valor infactible. Cuando estudiemos el tema de anlisis de sensibilidad analizaremos un caso como el citado.
Solucin 3/5 6/5 0 12/5

http://docencia.udea.edu.co/ingenieria/plineal/dualidad10.ht m

48

3.6.

CAMBIOS EN EL VECTOR COSTOS

3.7.

CAMBIOS EN LOS Bi DE LAS RESTRICCIONES


49

La generacin automtica de cdigo es ya un viejo sueo (ver por ejemplo [1]), al que la MDA [2] (Model-Driven Architecture) y, en general, el MDD (ModelDriven Development) han dado un nuevo impulso. ltimamente han aparecido muchos mtodos y herramientas que prometen la generacin automtica y completa del cdigo de una aplicacin a partir de su especificacin en UML. Como ejemplo, es difcil encontrar una herramienta CASE que no se anuncie a sus posibles usuarios/compradores destacando sus capacidades de generacin de cdigo o su adhesin a la filosofa MDA. No obstante an queda mucho por hacer. Todos estos mtodos y herramientas son capaces de generar clases en Java o tablas en una base de datos relacional (BDR) a partir de un esquema conceptual (EC) definido usando un diagrama de clases en UML y (algunos menos) de generar tambin la parte dinmica a partir de diagramas de estados o lenguajes de acciones (Action Semantics, [3]). El problema es que muchos de ellos se olvidan de las restricciones de integridad (RI) durante esta generacin, a pesar de que, tal y como se define en [4] las RI son una parte fundamental de la especificacin de una aplicacin y por lo tanto tienen que tenerse en cuenta durante su implementacin. En este artculo se estudia el soporte ofrecido por estos mtodos para la generacin automtica de las RI definidas en la especificacin del EC. Como se ver, todos presentan limitaciones en cuanto a la expresividad de las RI permitidas o respecto a la eficiencia del cdigo generado para su comprobacin. Adems, en muchos de ellos el soporte es casi nulo. Es totalmente imposible evaluar todas las herramientas y mtodos disponibles. Se han intentado escoger los ms representativos de cada grupo (herramientas CASE, herramientas MDA, mtodos de generacin automtica). Se han incluido tambin todas las herramientas que permiten la definicin de RI en OCL (Object Constraint Language [5]) o similares, ya que son las nicas que pueden permitir la mxima expresividad en la definicin de RI (la mayora de RI no se pueden expresar simplemente de forma grfica y necesitan de un lenguaje especfico [6 ch. 2]). La estructura de este trabajo es la siguiente: en primer lugar se definen los criterios de la evaluacin. A continuacin, en la seccin 3 se evalan las diferentes herramientas y mtodos. En la seccin 4 se definen una serie de caractersticas deseables en todo mtodo de generacin de RI. Finalmente, en la seccin 5 se presentan algunas conclusiones.

3.8.

CAMBIOS EN LOS COEFICIENTES

Cambios en los coeficientes de la funcin objetivo. El cambio en el Cj de una variable se interpretara, por ejemplo, como en incremento en el precio de un producto para un objetivo de maximizacin, o como la disminucin en el costo de una materia prima para un objetivo de minimizacin. Finalmente, se estudiar por separado si la modificacin en el Cj es para una variable no-bsica o para una bsica, ya que las consecuencias en cada caso son muy diferentes. Cambios en el coeficiente Objetivo de una variable No-bsica. Es importante mencionar que una variacin de Cj a Cj en el coeficiente objetivo de una variable no-bsica, no necesariamente conlleva a una infraccin de la inmejorabilidad 50

de la solucin ptima actual, aunque en ciertas ocaciones si lo haga. Por este motivo, se considerarn a continuacin dos alternativas de cambio mutuamente exclusivas en el Cj de una variable no-bsica. (1) cuando Cj < Cj (maximizacin) en la solucin ptima actual f j = Cj - Zj <= 0 ==> f j = Cj - Zj < 0 Con lo cual la inmejorabilidad no se infringe. En consecuencia, se deduce que cuando el Cj < Cj en un problema de maximizacin, la solucin ptima actual no se alterara, lo mismo en minimizacin con Cj > Cj. (2) cuando Cj > Cj (maximizacin) Es claro que solamente cuando el precio de la utilidad de una variable no-bsica se incrementa, Cj > Cj, en un problema de maximizacin, surge la posibilidad de que se altere la inmejorabilidad y por ende la optimidad actual. fj = Cj - Zj <= 0 ==> Cj <= Cj -fj o alternativamente, cuando Cj <= Cj + I fj I Es decir, si el nuevo Cj satisface la desigualdad, la actual solucin permanece ptima; de lo contrario, debe calcularse el f j el cual ser positivo, e introducirse Xj a la base para encontrar la nueva solucin ptima. Ejemplo: Cambio en el Cj de una variable no - bsica.

Para el problema dado. a) determinar los rangos de variacin en la utilidad unitaria de las variables no-bsicas , tal que la solucin ptima no se altere. b) Evaluar los efectos de un incremento en la utilidad unitaria del producto 3 de $4 a $5. c) Evaluar el efecto de de un aumento en la utilidad actual del producto 4 de $2 a $8. a) Cj <=Cj + I fi j I C3 <= 4 + I -7/3I <= 19/3 C4 <=2 + I -5I <= 7 C5 <= 0 + I -2/3I <= 2/3 C7 <= 0 + I -5/6I = 5/6 b) Dado C3 = 5 = 15/3 satisface el lmite mximo de 19/3, por lo tanto, el incremento no modifica la solucin ptima actual. C) Ya C4 = 8 sobrepasa el lmite de incremento en C4, la solucin ptima actual cambiar. El nuevo f4 es f4 = C4 - Z4 = 8 -7 = 1

51

y al ser positivo, X4 debe entrar a la base.

Base Xo X1 X2 X3 X4 Sol. Xo 1 0 0 7/3 -1 3,333.33 X2 0 0 1 -13/15 -12/15 -1/6 400/3 -----X6 0 0 0 -1/3 -3/2 -5/6 500/3 -----X1 0 1 0 29/15 19/10 1/3 400/3 4000/57

S1 2/3 1/15 -1/6 -1/30

S2 0 0 1 0

S3 5/6

http://www.itson.mx/dii/elagarda/apagina2001/PM/dualidad.html

3.9.

ADICION DE UNA NUEVA VARIABLE

AGREGACION DE NUEVAS VARIABLES A~nadimos una nueva variable xn+1 0 con costo cn+1 y columna an+1. A.1.- Calculamos zn+1 cn+1. A.2.- Si zn+1 cn+1 0, tomamos la solucion que tenamos junto xn+1 = 0. A.3.- Si zn+1 cn+1 > 0, se a~nade la columna de xn+1: B1an+1. Se aplica el metodo simplex hasta llegar a la solucion.

52

3.10.

ADICION DE UNA NUEVA VARIABLE

El ltimo caso es aquel en el que debe introducirse al modelo una nueva restriccin despus de que ya se ha resuelto. Este caso puede ocurrir porque se pas por alto la restriccin en un principio o porque surgieron nuevas consideraciones despus de la formulacin original. Otra posibilidad es que a 53

propsito se haya eliminado la restriccin para disminuir el esfuerzo computacional por parecer menos restrictiva que otras ya planteadas en el modelo, pero ahora es necesario verificar esta impresin con la solucin ptima que se obtuvo. Para ver si la nueva restriccin afecta a la solucin ptima actual, todo lo que tiene que hacerse es verificar directamente si esa solucin ptima satisface la restriccin. Si es as, todava sera la mejor solucin bsica factible (es decir, sera la solucin ptima), aun cuando se agregara la restriccin al modelo. La razn es que una nueva restriccin slo puede eliminar algunas de las soluciones factibles anteriores sin agregar ninguna. Si la nueva restriccin elimina la solucin ptima actual, y si se quiere encontrar la nueva solucin, se introduce esta restriccin a la tabla simplex final (como un rengln adicional) como si fuera la tabla inicial, en la que se designa la variable usual (de holgura o artificial) como la variable bsica que corresponde a este nuevo rengln. Como ste tal vez tenga coeficientes distintos de cero para algunas otras variables bsicas, se debe aplicar la conversin a la forma apropiada de eliminacin de Gauss y despus cl resto del procedimiento general. Igual que para algunos de los casos anteriores, este procedimiento para el caso de una adicin de una nueva restriccin es una versin simplificada del procedimiento general resumido anteriormente. La nica pregunta que hay que hacerse en este caso es si la solucin ptima anterior es todava factible as que la prueba de optimalidad se ha eliminado. La prueba de factibilidad se ha reemplazado por una prueba de factibilidad mucho ms rpida (la solucin ptima anterior satisface la nueva restriccin?) que debe realizarse justo despus de la revisin del modelo. Slo cuando la respuesta a esta prueba es negativa y se quiere reoptimizar, se usan los siguientes pasos; revisin de la tabla simplex final, conversin a la forma apropiada de eliminacin de Gauss, y reoptimizacin. EJEMPLO. Como ejemplo de este caso, supngase que se introduce la nueva restriccin, 21 + 32 24, Al modelo dado en la tabla 20. El efecto grfico se muestra en la figura 5. La solucin ptima anterior (0, 9) viola la nueva restriccin, por lo que la solucin ptima cambia a (0, 8). Para analizar este ejemplo algebraicamente, obsrvese que (0, 9) lleva a que 21 + 32 = 27 > 24, entonces esta solucin ptima anterior ya no es factible. Para encontrar la nueva solucin ptima, se agrega esta restriccin a la tabla simplex final actual, tal como se describi, con la variable de holgura x6 como su variable bsica inicial. Esto lleva a la primera tabla que se muestra en la tabla 23. El paso de conversin a la forma

54

apropiada de eliminacin de Gauss requiere restar el rengln 2 multiplicado por 3 del nuevo rengln, con lo que se identifica la solucin bsica actual: x3 = 4, x2 = 9, x4 = 6, x6 = 3 (xl = 0, x5 = 0), como se muestra en la segunda tabla. Cuando se aplica el mtodo dual simplex se obtiene en una sola iteracin (algunas veces se necesitan ms) la nueva solucin ptima en la tabla final de la tabla |23.

IV TRANSPORTE Y ASIGNACION 4.1 DEFINICION DEL PROBLEMA DE TRANSPORTE

Problema del transporte


Una empresa dedicada a la fabricacin de componentes de ordenador tiene dos fbricas que producen, respectivamente, 800 y 1500 piezas mensuales. Estas piezas han de ser transportadas a tres tiendas que necesitan 1000, 700 y 600 piezas, respectivamente. Los costes de transporte, en pesetas por pieza son los que aparecen en la tabla adjunta. Cmo debe organizarse el transporte para que el coste sea mnimo? Tienda A Fbrica I Fbrica II 3 2 Tienda B 7 2 Tienda C 1 6

Un problema particular que se resuelve con los procedimientos de la programacin lineal es la situacin conocida como problema del transporte o problema de la distribucin de mercancas. Se trata de encontrar los caminos para trasladar mercanca, desde varias plantas (orgenes) a diferentes centros de almacenamiento (destinos), de manera que se minimice el costo del transporte. Para que un problema pueda ser resuelto por el mtodo del transporte debe cumplir: 1) La funcin objetivo y las restricciones deben ser lineales. 2) El total de unidades que salen en origen debe ser igual al total de unidades que entran en destino. En este tipo de problemas se exige que toda la produccin sea distribuida a los centros de ventas en las cantidades que precisa cada uno; por tanto, no pueden generarse inventario del producto ni en las fbricas ni en los centros de ventas. En consecuencia, los 800 artculos producidos en la fbrica I deben distribuirse en las cantidades x, y, z a A, B y C, de manera que x + y + z = 800. Pero, adems, si desde I se envan x unidades a A, el resto, hasta las 1000 necesarias en A, deben ser enviadas desde la fbrica II; esto es, 1000 - x unidades sern enviadas desde II a A. 55

Del mismo modo, si desde I a B se envan y, el resto necesario, 700 - y, deben enviarse desde II. Y lo mismo para C, que recibir z desde I y 600 - z desde II. En la siguiente tabla de distribucin se resume lo dicho: Envos Desde la fbrica I ( 800) Desde la fbrica II (1500) a la tienda A (1000) x 1000 - x a la tienda B (700) y 700 - y a la tienda C (600) 800 - x - y x + y - 200

La ltima columna la hemos obtenido de la siguiente forma: Como x + y + z = 800 , se tiene que z = 800 - x - y, de donde, 600 - z = 600 (800 - x - y) = x + y - 200. Ahora bien, todas las cantidades anteriores deben ser mayores o iguales que cero. Por tanto, se obtienen las siguientes desigualdades: x 0 ; 1000 - x 0;y 0; 700 - y 0 ; 800 - x - y 0 ; x + y - 200 0

Simplificando las desigualdades anteriores, se obtienen las siguientes inecuaciones: 1000 x 0 ; 700 y 0 ; 800 x+y 0

Recordemos que nuestro objetivo es abaratar al mximo los costes de transporte. Estos costes se hallan multiplicando las cantidades enviadas a desde cada fbrica a cada tienda por los respectivos costes de transporte unitario. Se obtiene: Z = f(x,y) = 3x + 2(1000 - x) + 7y + 2(700 - y) + (800 - x - y) + 6(x + y - 200) = 6x + 10y + 3000 En definitiva, el programa lineal a resolver es : Minimizar: Z = 6x + 10y + 3000 sujeto a: 1000 x 0 700 y 0 800 x + y 0 La regin factible se da en la imagen del margen. Sus vrtices son A(200,0) ; B(800,0) ; C(100,700) ; D(0,700) y E(0,200).

56

El coste, el valor de Z en cada uno de esos puntos, es:


en A, 4200 en B, 7800 en C, 10600 en D, 10000 en E, 5000

El mnimo se da en A , cuando x = 200 e y = 0. Luego, las cantidades a distribuir son:

Envos Desde la fbrica I ( 800) Desde la fbrica II (1500)

a la tienda A (1000) 200 800

a la tienda B (700) 0 700

a la tienda C (600) 600 0

http://www.itson.mx/dii/elagarda/apagina2001/PM/dualidad.html#inicio

4.2

EL METODO DE APROXIMACION DE VOGEL.

Mtodo de aproximacin de Vogel. Mtodo de Aproximacin de Vogel: para cada rengln y columna que queda bajo consideracin, se calcula su diferencia, que se define como la diferencia aritmtica entre el costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese rengln o columna. (Si se tiene un empate para el costo ms pequeo de los restantes de un rengln o columna, entonces la diferencia es 0). En el rengln o columna que tiene la mayor diferencia se elige la variable que tiene el menor costo unitario que queda. (Los empates para la mayor de estas diferencias se pueden romper de manera arbitraria). Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando el mtodo de aproximacin de Vogel para resolver el ejemplo presentado anteriormente y que fue resuelto por la regla de la esquina noroeste: Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna. De las diferencias que obtuvimos nos fijamos en la mayor (Por qu?), que resulta ser para la tercera columna. En esa columna encontramos el costo unitario (cij) menor y en esa celda realizamos la primera asignacin:

57

Recursos 3 2 4 Demanda DIF. 3 1


4 1

DIF.
1 0 1

7 4 3
2 0 3 1 2

6 3 8
1 2

45 22 0 53
10 10

Nota: Marcaremos a la mayor de las diferencias seleccionada encerrndola en un crculo y escribindole como superndice el nmero que le corresponda en la secuencia de seleccin.

Observemos en la figura anterior que nicamente eliminamos el segundo rengln ya que la tercera columna nos servir despus para hacer la asignacin de una variable bsica degenerada. Continuando con la aplicacin del mtodo, tenemos que calcular nuevamente las diferencias de las columnas ya que hemos eliminado un rengln y sto puede ocasionar que las diferencias aritmticas entre el costo unitario ms pequeo y el que le sigue ya no sean las mismas:

Recursos 3 2 4 Demanda DIF. 3 1 1


4 1 1 4
2

DIF.
1 0 1

7 4
3 2

6 3 8
2 0 3 1 2 1 2 1

45 22 0 53 0
10 10

Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya que solamente queda un rengln dentro de las posibilidades (sto no significa que solamente un rengln quede bajo consideracin ya que podemos observar que ninguna de las cuatro columnas (destinos) ha sido eliminada y todas quedan todava bajo consideracin), no es posible encontrar la diferencia aritmtica entre el costo menor y el que le sigue, por lo tanto vamos tomando una a una las celdas que quedan comenzando con la de menor costo unitario hasta que todas hayan sido asignadas.

58

Recursos DIF.
3

7 4

0
2

6 3 8

45 2 1 0 22 0 53 0
10

1 0 1

2 4 Demanda DIF. 3 0 1 1
3 4 1 0 1 4
2

3
2 0 3 1 2

1 0 2 1

10

La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica degenerada), x14=1, x23=2 y x32=3 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es de:
x
11

11

12

12

13

13

14

14

23

23

32

32

Costo = 3 (3) +

1 (7) +

0 (6) +

1 (4) +

2 (3) +

3 (3) = 35 unidades

Es necesario aclarar que sta puede o no ser la solucin final del problema, es necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor poltica de transporte que minimice todava ms el costo total.

4.3

METODO MODI

Este mtodo reproduce exactamente las mismas iteraciones del mtodo de banquillo. La principal diferencia ocurre en la forma en que las variables no bsicas se evalan en cada iteracin. Asociados a cada rengln i de la tabla existen multiplicadores Ui similarmente se asocia un multiplicador Vj a cada columna de la tabla j. Para cada variable bsica Xij de la solucin actual, se escribe la ecuacin Ui +Vj = Cij. Esas ecuaciones proporcionan m+n-1 relaciones con m+n incgnitas. Los valores de los multiplicadores pueden ser determinados a partir de las ecuaciones suponiendo un valor arbitrario para cualquiera de los multiplicadores (usualmente se establece U1=0) y resolviendo el sistema de ecuaciones para encontrar los multiplicadores desconocidos. Una vez que se hace esto, la evaluacin de cada variable no bsica X pq est dada como:

El criterio que se utiliza para seleccionar la variable que entra es el mismo que el mtodo de banquillo (la mayor negativa).

59

Ejemplo: Una compaa est considerando una demanda de 5 clientes utilizando artculos que tienen disponibles en 2 almacenes. Los almacenes cuentan con 800 y 1000 unidades respectivamente. Los clientes necesitan 200, 150, 200, 180 y 500 unidades respectivamente. Los costos de embarque por artculo de los almacenes de los clientes son:

Resuelva el modelo de transporte empleando. a) Una solucin inicial por el mtodo de aproximacin de vogel. b) La solucin ptima por el mtodo de multiplicadores.

DESTINO FICTICIO = 570 ARTCULOS

60

Para encontrar el valor de los multiplicadores

Se acostumbra:

Para encontrar costos:

61

Encuentre la solucin ptima por el mtodo de multiplicadores a partir de la siguiente tabla inicial.

62

4.4

PROCEDIMIENTO DE OPTIMIZACION.

Mtodo para la obtencin de la solucin ptima (multiplicadores). El mtodo de multiplicadores es un procedimiento secuencial que empieza con una solucin inicial factible del problema de transporte, para encontrar la solucin ptima. En cada paso se intenta en este procedimiento enviar artculos por las rutas que no se hayan usado en la solucin factible en curso, en tanto que se elimina una de las rutas que est siendo usada actualmente. Este cambio de ruta se hace de modo que: la solucin se conserve factible, mejore el valor de la funcin objetivo. Pasos: 1. Use la solucin actual para crear una trayectoria nica del paso secuencial. Use estas trayectorias para calcular el costo marginal de introducir a la solucin cada ruta no usada. 2. Si todos los costos marginales son iguales o mayores que cero, detngase; se tendr la solucin ptima. Si no, elija la celdilla que tenga el costo marginal ms negativo. (Los epates se resolvern arbitrariamente) 3. Usando la trayectoria del paso secuencial, determine el mximo nmero de artculos que se pueden asignar a la ruta elegida en el paso 2 y ajuste la distribucin adecuadamente. 4. Regrese al paso 1. tomando cmo base el ejemplo siguiente se consideran los pasos para desarrollar el mtodo ( 19 ). Casos especiales Solucines degeneradas. 63

1. Supngase que en el problema general hay m origenes y n destinos. En el ejemplo actual m = 3 , n = 4. Si una solucin factible usa menos de m + n - 1 rutas el problema se llama degenerado. Se tiene que hacer ajustes para usar el metodo de multiplicadores. Callejones sin salida La determinacin de la trayectoria apropiada es ms complicada que el mero hecho de saltar de una celdilla a otra ya usando en el mismo rengln o la misma columna. Pueden encontrarse callejones sin salida, en cuyo caso se deben hacer otro intento distinto. Nmero de celdillas en una trayectoria La trayectoria de pasos secuenciales obtenida en los pasos 1 - 5 contiene cuatro celdas. El hecho de que cualquier rengln o columna que tenga un signo + debe tener tambien un signo - obliga a ello. Aunque siempre debe haber por lo menos cuatro celdillas, la trayectoria podra necesitar ms de cuatro. Condiciones de detencin para una trayectoria del paso secuencial. El proceso contina alternando los signos + y - tanto en los renglones como en las columnas hasta que se obtenga una sucesin de celdillas que satisfagan dos condiciones. 1. Hay un signo + en la celdilla desocupada original de inters. 2. Cualquier rengln o columna que tenga un signo + debe tener tambin un signo - y viceversa. La sucesin de pasos que tenga esta propiedades se llama trayectoria.

4.5

Un problema de asignacin es un problema de transporte balanceado, en el

DEFINICION DEL PROBLEMA DE ASIGANCION

cual todas las ofertas y todas las demandas son iguales a uno. Se puede resolver eficientemente un problema de asignacin m x m mediante el mtodo Hngaro:

Paso 1.- Empiece por encontrar el elemento mas pequeo en cada rengln de la matriz de costos. Construya una nueva matriz, al restar de cada costo, el costo mnimo de su rengln. Encuentre, para esta nueva matriz el costo mnimo en cada columna. Construya una nueva matriz ( la matriz de costos reducidos ) al restar de cada costo el costo mnimo de su columna.

Paso 2.- Dibuje el mnimo numero de lneas (horizontales o verticales ) que se necesitan para cubrir todos los ceros en la matriz de costos

64

reducidos. Si se requieren m lneas para cubrir todos los ceros, siga con el paso 3.

Paso 3.- Encuentre el menor elemento no cero (llame su valor k en la matriz de costos reducidos, que no esta cubiertos por las lneas dibujadas en el paso 2. Ahora reste k de cada elemento no cubierto de la matriz de costos reducidos y sume k a cada elemento de la matriz de costos reducidos cubierto por dos lneas. Regrese al paso 2.

Un problema de asignacin es un problema de transporte balanceado en el que todas las ofertas y demandas son iguales a 1; as se caracteriza por el conocimiento del costo de asignacin de cada punto de oferta a cada punto de demanda. matriz de costos del problema de asignacin se llama: matriz de costos. La

Como todas las ofertas y demandas para el problema de asignacin son nmeros enteros, todas las variables en la solucin ptima deben ser valores enteros.

EJEMPLOS DE PROBLEMAS DE ASIGNACION

1.

Una empresa ha contratado a 4 individuos para 4 trabajos, los 4 individuos y 4 trabajos pueden mostrarse en una tabla que indique las clasificaciones obtenidas, analizando al individuo para cada trabajo. Los renglones se refieren a los hombres, mientras que las columnas se refieren a los trabajos; el problema consiste en maximizar las calificaciones para asignar los 4 trabajos. Se supone que las calificaciones de un individuo es directamente proporcional a la ganancia que obtendra la compaa si ese individuo se encargara del trabajo.

65

2.

Otro problema que utiliza la misma estructura del modelo de transporte, es la asignacin de camiones para reducir al mnimo los costos de un problema de asignacin.

3.

Una empresa cubre el territorio nacional con dos camiones especialmente equipados para funcionar en condiciones climatolgicas especficas. La empresa ha dividido en cinco regiones geogrficas. Se compra el camin A y se modifica para que funcione eficientemente en las regiones uno y dos, y para que funcione bastante bien en las regiones tres y cuatro. El mismo camin no

funciona bien en la regin cinco. Los gastos de gasolina, mantenimiento y otros costos directos de operacin, seran mnimos en las regiones uno y dos, promedio en las regiones tres y cuatro, y altos en la regin cinco. Se tiene esa misma informacin con respecto a los dems camiones de la compaa, o sea, los tipos B, C y D.

4.6

EL MTODO HUNGARO.

EL METODO HUNGARO Este algoritmo se usa para resolver problemas de minimizacin, ya que es ms eficaz que el empleado para resolver el problema del transporte por el alto grado de degeneracin que pueden presentar los problemas de asignacin. Las fases para la aplicacin del mtodo Hngaro son: Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz de costos m*m; se debe construir una nueva matriz al restar de cada costo el costo mnimo de cada fila; encontrar para esta nueva matriz, el costo mnimo en cada columna. A continuacin se debe construir una nueva matriz (denominada matriz de costos reducidos) al restar de cada costo el costo mnimo de su columna.

66

Paso 2: (En algunos pocos textos este paso se atribuye a Flood). Consiste en trazar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente de esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene una solucin ptima entre los ceros cubiertos de la matriz. Si se requieren menos de m lneas para cubrir todos los ceros, se debe continuar con el paso 3. El nmero de lneas para cubrir los ceros es igual a la cantidad de asignaciones que hasta ese momento se pueden realizar. Paso 3: Encontrar el menor elemento diferente de cero (llamado k) en la matriz de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2; a continuacin se debe restar k de cada elemento no cubierto de la matriz de costos reducidos y sumar k a cada elemento de la matriz de costos reducidos cubierto por dos lneas (intersecciones). Por ltimo se debe regresar al paso 2. Notas: 1. Para resolver un problema de asignacin en el cual la meta es maximizar la funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (1) y resolver el problema como uno de minimizacin. 2. Si el nmero de filas y de columnas en la matriz de costos son diferentes, el problema de asignacin est desbalanceado. El mtodo Hngaro puede proporcionar una solucin incorrecta si el problema no est balanceado; debido a lo anterior, se debe balancear primero cualquier problema de asignacin (aadiendo filas o columnas ficticias) antes de resolverlo mediante el mtodo Hngaro. 3. En un problema grande, puede resultar difcil obtener el mnimo nmero de filas necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede demostrar que si se necesitan j lneas para cubrir todos los ceros, entonces se pueden asignar solamente j trabajos a un costo cero en la matriz actual; esto explica porqu termina cuando se necesitan m lneas.

67

PROGRAMACION ENTERA

http://www-2.dc.uba.ar/materias/ocom/

5.1

INTRODUCIION Y CASOS DE APLICACIN

68

5.2

DEFINICION Y MODELOS DE PROGRAMACION ENTERA

69

70

71

72

73

5.3

METODO DE RAMIFICACION Y ACOTAR

Optimizacin combinatorial Solucion ingenua: hacer una lista completa de todas las soluciones factibles y evaluar la funcin objetivo para cada una, eligiendo al final la solucin cual dio el mejor valor. La complejidad de ese tipo de solucin es por lo menos (|F|) donde F es el conjunto de soluciones factibles. El nmero de soluciones factibles suele ser algo como (2n), por lo cual el algoritmo ingenuo tiene complejidad asinttica exponencial.
Ramificar-acotar p. 3/20
ALGORITMO ADITIVO DE BALAS Ejemplo de Algoritmo Aditivo: Resolver el siguiente problema 0-1: Max w=3y1+2y2-5y3-2y4+3y5 Sujeta a: y1 + y2 + y3 + 2y4 - y5 " 4 7y1 +3y3 - 4y4 - 3y5 " 8 11y1 -6y2 +3y4 - 3y5 " 5 y1,y2,y3,y4,y5 = (0_1) El problema se puede poner en la forma inicial requerida por el algoritmo aditivo, utilizando las siguientes operaciones:

74

Multiplique la funcin objetivo por -1. Multiplique la tercera restriccin por -2. Aada las variables s1,s2 y s3 para convertir las tres restricciones en ecuaciones. Sustituya y1=1-x1 , y2=1-x2 , y5=1-x5 , y3=x3 , y y4=x4 para producir todos los coeficientes objetivo positivos. La conversin da por resultado la siguiente funcin objetivo: Min z'=3x1+2x2+5y3-2x4+3x5-8 Para mayor facilidad, ignoremos la constante -8 y reemplazaremos z' +8 con z, de manera que el problema convertido resultante se lee como: Min z=3x1+2x2+5y3-2x4+3x5 Sujeta a: x1 - x2 + x3 + 2x4 - x5 -s1 = 1 -7x1 +3x3 - 4x4 - 3x5 -s2 = -2 11x1 -6x2 -3x4 - 3x5 -s3 = 5 x1,x2,x3,x4,x5 = (0_1) Debido a que el problema modificado busca la minimizacin de una funcin objetivo con todos los coeficientes positivos, una solucin inicial lgica debe consistir en variables binarias todas cero. En este caso, las holguras actuarn como variables bsicas y sus valores los dan los lados derechos de la ecuacin. La solucin se resume en la siguiente tabla: Solucin bsica factible

X1

X2

X3

X4 2 S1

X5 -1 -7 11 3

S1 1 0 -6 2

S2 0 3 0 5

S3 0 -4 -3 2

Solucin 1 -3 -3 3 0 0 1 0 0 1 -2 -1

S1

-1

-1

S1 Coeficientes objetivo

Dada una solucin binaria inicial toda cero, la solucin de holgura asociada es: (s2 ,s2 ,s3 ) = (1,-2,-1) , z=0 Si todas las variables fueran no negativas, concluiramos que la solucin binaria toda cero es ptima. Sin embargo, debido a que algunas de las variables son no factibles (negativas), necesitamos elevar una o ms variables binarias al nivel 1 para lograr la factibilidad (o concluimos que el problema no tiene una solucin factible). La elevacin de una (o de algunas) de las variables binarias cero al nivel 1 ocurre en el algoritmo aditivo una a la vez. La variable elegida se llama variable de ramificacin y su seleccin se basa en el empleo de pruebas especiales. La variable de ramificacin debe tener el potencial de reducir la no factibilidad de las holguras. Si venos la tabla anterior x3 no se puede seleccionar como una variable de ramificacin, debido a que sus coeficientes de restriccin en la segunda y tercera restricciones son no negativos. Por tanto, la determinacin de x3=1 solo puede empeorar la no factibilidad de s2 y s3. A la inversa, cada una de las variables restantes tiene por lo menos un coeficiente de restriccin negativo en las restricciones 2 y 3, de all que una combinacin de estas variables puede producir holguras factibles. Por consiguiente, podemos excluir a x3 ya a considerar x2, x3, x4 y x5 como las nicas candidatas posibles para la variable de ramificacin. La seleccin de la variable de ramificacin entre las candidatas x2, x3, x4 y x5 se basa en el empleo de la medida de no factibilidad de holgura. Esta medida, que se basa en la suposicin de que una variable cero xj se elevar al nivel 1, se define como

75

Ij = " min {0,si-aij} Donde s1 es el valor actual de la variable i y aij es el coeficiente de restriccin de la variable x1 en la restriccin i. De hecho, Ij no es ms que la suma de las variables negativas resultantes de elevar xj al nivel 1. La frmula, aparentemente complicada, se puede simplificar a: Ij = " (negativos sj valor dado xj=1) Por ejemplo, cuando determinamos x1=1, obtenemos s1=1-(-1)=2, s2= -2-(-7)=5 y s3= -1-11= -12. As I1= -12. De manera similar I2=-2, I4=-1 y I5=0 (recordando que x3 se excluy como no prometedora). Debido a que I5 produce la medida ms pequea de no factibilidad, se selecciona x5 como la variable de ramificacin. Fa figura 9-10 muestra las dos variables asociadas con x5=1 y x5=0 y la creacin de nodos 1 y 2. el nodo 1 produce los valores de holguras factibles (s1 ,s2 ,s3 )= (2,1,2) y z=3. por tanto, se sondea el nodo 1 y z=3 se define como la cota superior actual sobre el ptimo valor objetivo.

Despus de sondear el nodo 1, avanzamos al nodo, para lo cual x5=0. Aqu tenemos: (s1 ,s2 ,s3 )= (-1,2,-1), z=2 Que no es factible. Las variables x1,x2,x3 y x4 son las candidatas para la variable de ramificacin. (Observe que aun cuando las soluciones en el nodo 0 u el nodo 2 son idnticas, el nodo 2 difiere en que x5 ya no es candidata para la ramificacin. Para las variables restantes, x2 y x4, calculamos las medidas de factibilidad como: I2 = -2 , I4 = -1 Por consiguiente, x4 es la variable de ramificacin en el nodo 2. La figura 9-11 muestra las ramificaciones x4 = 1 y x4 = 0, que conducen a los nodos 3 y 4. en el nodo 3 (definido al determinar x5 = 0 y x4 = 1), obtendremos: (s1 ,s2 ,s3 )= (-1,2,2), z=2

sta solucin an no es an factible. Las candidatas para la ramificacin son x1,x2 y x3. Sin embargo la elevacin cualquiera de stas variables al nivel 1 empeorar el valor de z en relacin a la cota superior actual z=3. Por consiguiente, todas las variables candidato se excluyen y el nodo 3 se sondea. Despus, en el nodo restante 4, definido por x5 = x4 = 0 tenemos: (s1 ,s2 ,s3 )= (1,-2,-1), z=0

76

Las variables x5 y x3, se excluyen por medio de la prueba de la cota superior. (Observe que tambin se puede excluir debido a que no reduce la factibilidad de la holgura). La variable faltante x2 no puede ser excluida por la cota superior o por la promesa de factibilidad. Por tanto x2 es la variable de ramificacin. La figura 9-12 muestra la adicin de los nodos 5 y 6 que emanan el nodo 4. en el nodo 5 tenemos: (s1 ,s2 ,s3 )= (2,-2,5), z=2 Y x1 y x3 como las candidatas a la ramificacin. La variable x1 se excluye por medio de la prueba de la cota superior y x3 se excluye por medio de las pruebas tanto de la factibilidad de la holgura como de la cota superior. Esto significa que el nodo 5 se sondea. El nodo 6 tambin es sondeado debido a que ni x1 ni x3 pueden producir una mejor solucin factible.

Ahora que se han sondeado todos los pendientes en la anterior figura y termina el algoritmo de R y A la solucin ptima est asociada con el nodo 1, es decir, x5 = 1, z = 3 y todas las dems variables son cero. En trminos de las variables originales, la solucin es y1= y2=1 y y3= y4= y5= 0 con w=5.
La figura anterior muestra que, mientras ms pequeo es el nmero de ramificaciones conducentes a un nodo sondeado, ms eficiente es el algoritmo. Por ejemplo, el nodo 1 se define fijando una ramificacin (x5=1) y su sondeo implica automticamente de 25-1 = 16 soluciones binarias (todas aquellas que tienen x5=1). A la inversa, el nodo 3 se define fijando dos variables binarias y su sondeo implcitamente implica de 25-1=8 soluciones binarias nicamente

5.4

METODO DE PLANOS CORTANTES

77

78

79

80

5.5

ALGORITMO ADITIVO DE BALAS

81

82

Algoritmo de Balas

83

http://www.investigacion-operaciones.com/Curso_Inv_Oper.htm

84

Potrebbero piacerti anche