INDICE Introduccin UNIDAD 3 Teora de la dualidad y anlisis de sensibilidad . ... 3 3.1 Formulacin del problema dual. ...... 4 3.

2 Relacin primal dual. ..... 6 3.3 Interpretacin econmica del dual. . 8 3.4 Condiciones khun-tucker. .. .11 3.5 Dual simplex. .... 14 3.6 Cambios en el vector costos. 19 3.7 Cambios en los bi de las restricciones. 19 3.8 Cambios en los coeficientes. . 20 3.9 Adicin de una nueva variable. ..... 22 3.10 Adicin de una nueva variable. ..... 24 Conclusiones Bibliografa

DUALIDAD Y ANLISIS DE SENSIBILIDAD

INVESTIGACIN DE OPERACIONES Guillermo Garca Gonzlez Ingeniera Industrial (Sistema Abierto) 2 INSTITUTO TECNOLGICO DE CERRO AZUL

INTRODUCCIN

Encontrar el ptimo de un problema de optimizacin en Programacin Lineal, es solo una parte del proceso de solucin de dicho problema. Muchas veces nos interesar saber cmo vara la solucin si vara alguno de los parmetros del problema que frecuentemente se toman como determinantes, cuando en realidad son ms bien de carcter aleatorio. Ms especcamente nos interesar saber para qu rango de los parmetros que determinan el problema sigue siendo vlida la solucin encontrada. Otro aspecto interesante es el tema de dualidad. Dualidad resulta de buscar relaciones que permitan obtener informacin adicional de un problema de optimizacin general. Esto, nos conduce a relaciones primal-dual. Adems veremos algunos teoremas tiles de dualidad y el concepto de precio sombra.

UNIDAD 3

TEORIA DE LA DUALIDAD Y ANALISIS DE SENSIBILIDAD.

El dual es un problema de Programacin Lineal (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 procedimientos 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. 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. 2. 3. 4. 5. 6. Si el primal es un problema de maximizacin su dual ser un problema de minimizacin y viceversa. Los coeficientes de la funcin objetivo del problema primal se convierten en los coeficientes del vector de la disponibilidad en el problema dual. 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. Los coeficientes de las restricciones en el problema primal, ser la matriz de los coeficientes tecnolgicos en el dual. Los signos de desigualdad del problema dual son contrarios a los del primal. 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 PROBLEMA CANONICA: CANONICA: MAX Z= CX Sujeto a: AX b X0 Ejemplo. Si el problema primal es: MAX Z= 45X1 + 17X2 + 55X3 Sujeto a: X1 + X2 + X3 200 MIN Z= BY Sujeto a: AY C Y0 DUAL EN FORMA

9X1 + 8X2 + 10X3 5000 10X1+ 7X2 + 21 X3 4000 Xj 0 El problema dual ser: MIN Z= 200Y1 + 5000Y2 + 4000Y3 5

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 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

Sujeto a: Y14Y2 + 6Y36Y3 -2 2Y1 + 2Y2 1Y3 + 1Y3 3 Y1, 2, 3, 3 0 Y3 y Y3 ambas se refieren a la tercera restriccin del problema primal.

3.2 RELACION PRIMAL DUAL

3.3 INTERPRETACION ECONOMICA DEL 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. Sujeto a: unidades del m Valor unitario recurso i-simo

10

Ganancia asignada j = 1,, n Suma utilizados 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 5X1 + 4X1 + X1, X2, X3, X4 >= 0 + + 5X2 2X2 2X3 + + + 5X3 6X3 3X4 + + <= 4X4 6X4 4,000 <= 1500 <= 800

Solucin ptima del problema

Base Xo X1 X7 Xo 1 0 5/6 X2 0 0 -1/6 X6 0 0 -5/6 X1 0 1 1/3 400/3

X2 0 1 0 0

X4 Sol. 7/3 5 3,333.33 -13/5 -12/15 400/3 -1/3 -3/2 500/3 29/15 19/10

X3

X5 2/3 1/15 -1/6 -1/30

X6 0 0 1 0

11

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 nobsica 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 ocasiones 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 < f j = Cj - Zj <= 0 Cj (maximizacin) en la solucin ==> f j = Cj - Zj < 0 ptima actual

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 o alternativamente, cuando <= 0 Cj <= Cj + I fj I ==> Cj <= Cj -fj

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) C3 Cj <= 4 <=Cj + + I I -7/3I fi <= j I 19/3 12

C4 <=2 C5 <= 0 C7 <= 0 + I -5/6I = 5/6

+ +

I I

-5I -2/3I

<= <=

7 2/3

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 S1 S2 Xo 1 0 0 7/3 -1 2/3 3,333.33 X2 0 0 1 -13/15 -12/15 1/15 400/3 -----X6 0 0 0 -1/3 -3/2 -1/6 500/3 -----X1 0 1 0 29/15 19/10 -1/30 400/3 4000/57 S3 0 0 1 0 Sol. 5/6 -1/6 -5/6 1/3

3.4 CONDICIONES KHUN-TUCKER. Condiciones de Karush Kuhn Tucker Proposicin: Supngase que f(x), gj(x) con j = 1, ...,m, son funciones diferenciables que satisfacen ciertas condiciones de regularidad. Entonces, x puede ser una solucin ptima para el problema de programacin no-lineal, solo si existen m nmeros 1, ..., m que satisfagan todas las condiciones necesarias siguientes:

13

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 Supngase que f(x) es una funcin convexa y diferenciable, y que g1(x), g2(x), ..., gm (x) tambin lo son en donde todas estas funciones satisfacen las condiciones de regularidad. Entonces x = (x1, ..., xn) es una solucin optima si y solo si se satisfacen todas las condiciones del teorema. El mtodo identifica puntos ptimos 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: Proposicin 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. Proposicin 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 restriccin no lineal, y gj(x) $ 0 para toda restriccin 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.

14

15

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 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. 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

16

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 correspondiente 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. 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 Sujeto a : Z= -2X1 -2X2 -3X3 2X1 +4X2 +2X3 > 10 3X1 -3X2 +9X3 = 12 con X1, X2, X3 > 0 Expresemos el modelo en formato estndar Maximizar Sujeto a : Z= -2X1 -2X2 -3X3 2X1 +4X2 +2X3 -IE1 3X1 -3X2 +9X3 = 10 -IE2 = 12

multipliquemos por (-1) en ambos lados de las ecuaciones, para formar los vectores unitarios, requeridos para contar con una base inicial unitaria.

17

Maximizar Sujeto a :

Z=

-2X1 -2X2 -3X3 -2X1 -4X2 -2X3 +IE1 -3X1 +3X2 -9X3 = -10 +IE2 = -12

Paso 1 Tomando las variables bsicas iniciales hacemos lo siguiente: Cj CB 0 0 Zj Ej Paso 2 Sale E2 = (XB)2 o sea s = 2 Paso 3 a. Calculando los cocientes para todo (Sj)2 < 0 obtenemos: -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 0 Z

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 X3 0 1 -3 0

0 E1 1 0 0 0

0 E2

XB Solucin Bsicas E1 X3 Z

-2/9 -22/3 -1/9 4/3 1/3 -1/3 -4

c.

Repitiendo el algoritmo desde el paso 1, obtenemos:

18

sale E1 = (XB)1 y entra X2 por lo cual obtenemos la siguiente tabla

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

Como se observa, ahora estamos en el ptimo. En definitiva: X2* X3* Z* = - 61/7 Otro ejemplo: Resolver el siguiente modelo usando el mtodo Dual-Simplex Minimizar Sujeto a : Z= 2X1 + 2X2 3X1 +X2 4X1 +3X2 X1 +2X > 10 > 12 < = = 11/7 13/7

con X1, X2 > 0 Expresando el modelo en formato estndar y ajustndolo para que las variables bsicas sean las variables de holgura tenemos: Z= + 2X2 +IE1 +IE2 = = -3 -6

Minimizar Sujeto a :

2X1

-3X1 -X2 -4X1 -3X2

19

X1

+2X

+IE3

Usando el mtodo Dual Simplex obtenemos, sucesivamente: Tabla 0 Basicas E1 E2 H3 Ej Sale E2 Entonces los cocientes son X1 -3 -4 1 2 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 Sale Los cocientes son: X1 X2 E1 1 0 0 0 E2 -1/3 -1/3 2/3 1/3 H3 0 0 1 0 Solucin -1 2 -1 2 H1

-5/3 0 4/3 1

-5/3 0 2 0

20

Tabla 2 (ptima) Basicas E1 E2 H3 Ej X1 1 0 0 0 X2 0 1 0 0 E1 E2 H3 0 0 1 0 Solucin 3/5 6/5 0 12/5

-3/5 1/5 4/5 -1 2/5 -3/5 1 1/5

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. 3.6 CAMBIOS EN EL VECTOR COSTOS

21

3.7 CAMBIOS EN LOS Bi DE LAS RESTRICCIONES 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 (Model-Driven 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

22

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. Analizaremos 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 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.

23

(1) cuando en la f j = Cj - Zj <= 0

Cj solucin ==>

<

Cj ptima f j = Cj - Zj < 0

(maximizacin) actual

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 o alternativamente, cuando Zj <= 0 Cj <= Cj + I fj I ==> Cj <= Cj -fj

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 C3 <= 4 + C4 <=2 + C5 <= 0 + C7 <= 0 + I -5/6I = 5/6 + I I I I -7/3I -5I -2/3I fi <= <= <= j I 19/3 7 2/3

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.

24

Base Xo X1 Sol. Xo 1 0 3,333.33 X2 0 0 400/3 X6 0 0 500/3 X1 0 1 400/3 4000/57

X2 0 1 0 0

X3 7/3

X4 -1

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

S2 0 0 1 0

S3 5/6 -1/6 -5/6 1/3

-13/15 -12/15 ------1/3 -3/2 -----29/15 19/10

3.9 ADICION DE UNA NUEVA VARIABLE Agregacin de nuevas variables Aadimos 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 solucin que tenamos junto xn+1 = 0. A.3.- Si zn+1 cn+1 > 0, se aade la columna de xn+1: B1an+1. Se aplica el mtodo simplex hasta llegar a la solucin.

25

26

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 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

27

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 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.

28

CONCLUSIONES

Hemos podido comprobar que todo problema de optimizacin (primal), tiene un problema asociado (dual) con numerosas propiedades que los relacionan y nos permiten hacer un mejor anlisis de los problemas.. El anlisis de sensibilidad para programas lineales implica el clculo de intervalos para los coeficientes de la funcin objetivo y para los valores de los lados derechos, as como tambin de los precios sombra y/o duales.

29

BIBLIOGRAFIA

Dualidad y Anlisis de Sensibilidad Marcel Goic F Universidad de Chile - Facultad de Ciencias Fsicas y Matemticas Departamento de Ingeniera Industrial http://docencia.udea.edu.co/ingenieria/plineal/dualidad10.htm http://www.itson.mx/dii/elagarda/apagina2001/PM/dualidad.html

30