Sei sulla pagina 1di 9

MTODO SIMPLEX

El algoritmo simplex fue creado por el matemtico norteamericano George Bernard Dantzig en 1947, es una tcnica para dar soluciones numricas a problema de programacin lineal. 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 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. Cmo el nmero de vrtices es finito, siempre se podr encontrar la solucin. El mtodo grafico indica que la solucin optima de un programa lineal siempre est asociada con un punto esquina del espacio de soluciones. Este resultado es la clave del mtodo simplex algebraico y general para resolver cualquier modelo de programacin lineal. La transicin de la solucin del punto esquina geomtrico hasta el mtodo simplex implica un procedimiento de calculo que determina en forma algebraica los puntos esquina. Esto se logra convirtiendo primero a todas las restricciones de desigualdad en ecuaciones, para despus manipular esas ecuaciones en una forma sistemtica. Una propiedad general del mtodo simplex es que resuelve la programacin lineal en iteraciones. Cada iteracin desplaza la solucin a un nuevo punto esquina que tiene potencial de mejorar el valor de la funcin objetivo. El proceso termina cuando ya no se pueden obtener mejoras. Preparando El Modelo Para Adaptarlo Al Mtodo Simplex

Para ello se deben cumplir las siguientes condiciones: 1. La funcin 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.

Hemos observado que el modelo matemtico de un problema puede presentar algunas restricciones de la forma , otra de la forma = y otras de la forma . Un modelo escrito as, se dice que est en formato general. Pero sabemos que es ms fcil hacer operaciones con igualdades que con desigualdades, por lo cual es deseable transformar todas las restricciones que tengan desigualdades a restricciones en forma de igualdades. Lo anterior da lugar a un formato especial de presentacin del modelo de Programacin Lineal, que se conoce como formato estndar; el cual puede definirse exactamente como aquel en el cual, ya sea para un objetivo de maximizacin o de minimizacin, todas las restricciones estn expresadas como igualdades y adems todas variables son mayores o iguales a cero. Este formato es el adecuado para obtener la solucin analtica del modelo, pero hay otra manera de presentarlo que se conoce como formato cannico, y es til para interpretarlo y realizar anlisis de la solucin obtenida. Un modelo esta expresado en formato cannico cuando, adems de que todas las variables son no negativas, se requiere para un objetivo de maximizacin, todas las restricciones son del tipo menor o igual (), o para un objetivo de minimizacin, todas las restricciones son del tipo mayor o igual (). Como transformar el Modelo General Para convertir un modelo de un formato de presentacin a otro, es necesario efectuar algunas transformaciones ya sea en la funcin objetivo, en las restricciones o en las variables de decisin. El modelo que resulta ser equivalente al original, pero ms fcil de comprender, solucionar o analizar. Las transformaciones de mayor utilidad que podemos llevar a cabo son:

Espacio De Soluciones En Forma De Ecuacin Para estandarizar, la representacin algebraica del espacio de soluciones de programacin lineal se forma bajo dos condiciones: Todas las restricciones (excepto las de no negatividad) son ecuaciones con lado derecho no negativo. Todas las variables son no negativas.

1. Convertir en igualdad una desigualdad de tipo "<=" La igualdad se obtiene al adicionar (+) en el lado izquierdo de la desigualdad una variable no negativa, que representa el valor que le hace falta al lado izquierdo para ser igual al lado derecho. Esta se conoce como variable de holgura, y en el caso particular en el que las restricciones de tipo se refieren al consumo mximo de un recurso, la variable

adicionada cuantifica la cantidad sobrante de recurso (cantidad no utilizada) al poner en ejecucin la solucin ptima. As, cuando la restriccin 1 de un modelo es 5X1 + 4X2 + 9X3 15. Puede convertirse en la ecuacin 5X1 + 4X2 + 9X3 + s1 = 15, donde s1 es la variable que indica la holgura de la restriccin 1.
Si por ejemplo X1 = 1, X2 = 2, X3 = 0 obtendramos que 5(1) + 5(2) + 9(0) + s1 = 15

de donde 13 + s1 = 15 por lo cual s1 = 2. En las restricciones (<=), el lado derecho se puede imaginar cmo representando el lmite de disponibilidad de un recurso, y en ese caso el lado izquierdo representara el uso de ese recurso limitado por parte de las actividades (variables) del modelo. La diferencia entre el lado derecho y el lado izquierdo de la restriccin (<=) representa, por consiguiente, la cantidad no usada u holgura del recurso. Para convertir una desigualdad (<=) en ecuacin, se agrega una variable de holgura al lado izquierdo de la restriccin. Por ejemplo, en el modelo de Reddy Mikks la restriccin asociada con el uso de la materia prima M1 est dada como: 6x1 + 4x2 <= 24 Si se define s1 como la holgura, o cantidad no usada, de M1, la restriccin se puede convertir en la siguiente ecuacin:

6x1 + 4x2 + s1 = 24 Donde s1 >=0

2. Convertir en igualdad una desigualdad del tipo "" Se realiza al restar (-) en el lado izquierdo de la desigualdad, una variable no negativa, que representa el valor en el cual el valor del lado izquierdo excede al derecho. A esta variable la llamaremos variable de exceso o supervit y en el caso particular en el que las restricciones de tipo se refieran al contenido mnimo de un ingrediente en una mezcla, la variable adicionada indica cunto ingrediente en exceso sobre el mnimo exigido contendr la mezcla. Si la restriccin 2 de un modelo es 5X1 + 7X2 + 14X3 200, puede transformarse a la igualdad 5X1 + 7X2 + 14X3 - s2 = 200, en donde s2 es una variable que indica el exceso de la restriccin numero 2.

Es necesario indicar en este punto que cuando se agrega una variable de holgura o de exceso en una restriccin, se debe agregar tambin la misma variable en la funcin objetivo. Usualmente se pone un cero como coeficiente, salvo en casos especiales. Esto lo analizaremos con ms detalle al interpretar la solucin de los modelos. Una restriccin (>=) establece, normalmente, un lmite inferior para las actividades del modelo de programacin lineal. Como tal, la cantidad por la que el lado izquierdo es mayor que el lmite mnimo (lado derecho) representa un excedente. La conversin de (>=) a (=) se logra restando una variable de excedencia (supervit), del lado izquierdo de la desigualdad. Por ejemplo, en el modelo de la dieta, la restriccin que representa los requisitos mnimos de alimento est dada como: x1 + x2 >=800 Si se define a s1, como una variable de excedencia (supervit) se puede convertir la restriccin en la ecuacin siguiente: x1 + x2 - s1 = 800 Donde s1 >= 0 Es importante observar que las variables de holgura y de excedencia (supervit), s1 y S1 siempre son no negativas. El nico requisito que queda es que el lado derecho de la ecuacin que resulte sea no negativo. Esta condicin se puede satisfacer siempre, si es necesario multiplicando ambos lados de la ecuacin resultante por -1. Por ejemplo, la restriccin -x1+x2 <=-3 equivale directamente a la ecuacin: -x1 + x2 + s1 = -3 Donde s1>= 0 Ahora se multiplican ambos lados por -1, y se obtiene un lado derecho no negativo, que es lo que se busca; esto es, x1 - x2 - s1 = 3 3. Manejo de variables no restringidas En todos los modelos de programacin lineal presentados hasta el momento solo manejamos variables no negativas. Sin embargo, hay casos en los que una variable puede asumir cualquier valor real (positivo, cero o negativo). En el siguiente ejemplo se presenta una aplicacin de esa ndole.

Ejercicio de McBurger McBurger es un restaurante de comida rpida que vende hamburguesas extra y de queso. En una extra se usa un cuarto de libra de carne, y en una de queso solo se usa 0.2 lb. El restaurante comienza el da con 200 lb de carne, pero puede pedir ms, con un costo adicional de 25 centavos por libra para cubrir el costo de la entrega. Toda carne que sobre al final del da se dona a instituciones caritativas. Las utilidades de McBurger son 20 centavos por una extra y 15 centavos por una de queso. En total, McBurger no espera vender ms de 900 hamburguesas en cualquier da. Cuntas hamburguesas de cada tipo deben planear McBurger para el da? Primero examinemos las restricciones. x1 representan la cantidad diaria de hamburguesas extra hechas x2 representan la cantidad diaria de hamburguesas queso hechas La cantidad diaria de carne depender de si McBurger se queda con el lmite inicial de 200 lb, o si pide carne adicional. En el primer caso, la restriccin es 0.25x1+0.2x2 <= 200, y en el segundo es 0.25x1+0.2x2 >= 200. La seleccin especfica de cualquiera de las constantes depende de cual produce una solucin mejor. En otras palabras, no se conoce con anticipacin si la restriccin trabajara con una holgura (primer caso) o con un excedente (supervit) (segundo caso). Una forma lgica para tener en cuenta la situacin es reemplazar las dos restricciones con 0.25x1 + 0.2x2 + x3 = 200; x3 no restringida (sin restricciones) Ahora la variable x3 juega los papeles de holgura o de excedencia, segn se desee. A continuacin veamos la funcin objetivo. McBurger trata de maximizar las utilidades totales, descontando cualquier costo adicional por pedir ms libras de carne. En el costo adicional solo se incurre si x3 juega el papel de un excedente, esto es, si x3 < 0. Mas que manejar la variable x3 no restringida en forma directa, usaremos una sustitucin normal que exprese la variable no restringida como una funcin de dos variables no negativas; es decir,

Si En caso contrario, excedente.

representa una holgura. entonces x3 representa un

La teora de la programacin lineal indica que la solucin de un programa lineal nunca puede producir valores positivos para y para al mismo tiempo. Eso quiere decir que la restriccin se puede escribir como as:

En este caso, la funcin objetivo se expresa as: Maximizar Z = 0.20x1 + 0.15x2 0.25x3

4. Invertir el sentido de una desigualdad: Multiplicar ambos lados de una desigualdad por (-1), o lo que es lo mismo cambiarle el signo a todos los trminos de la inecuacin, produce que esta cambie de sentido. Por ejemplo, la desigualdad 3X1 9X2 + 2X3 -8 Se invierte de sentido al cambiarle el signo a todos los trminos, por lo cual quedar escrita como: -3X1 + 9 X2 2X3 8, que lgicamente equivale a la primera.

5. Reemplazar una igualdad por dos desigualdades : Si una expresin es igual a un valor, esta igualdad tambin puede indicarse escribiendo para la misma expresin dos desigualdades de sentido opuesto. Por ejemplo la ecuacin: 4X1+ 6X2 10X3 = 20, se puede reemplazar por las dos desigualdades: 4X1+ 6X2 10X3 20 y 4X1+ 6X2 10X3 20 Es lgico que la nica forma en que ambas desigualdades se cumplan simultneamente sea cuando el valor del trmino del lado izquierdo es igual al valor del lado derecho.

6. Cambiar el objetivo de un modelo.

Muchas veces resulta ventajoso cambiar el objetivo de optimizacin de un problema. Lo anterior puede efectuarse aprovechando la propiedad matemtica de que la minimizacin de una funcin Z=f(x) es equivalente a la maximizacin del negativo de tal funcin, que se expresa como -Z= -f(x) Z= f (-x). Tambin maximizar Z= g (x) es igual a minimizar Z=g(x) Z= g (-x). Por ejemplo: Maximizar: Z = f (X1, X2, X3) = 5X1 + 9X2 3X3 Es matemticamente igual a: Minimizar:- Z = -f (X1, X2, X3) = -5X1 - 9X2 + 3X3 Debe aclararse que al efectuar la transformacin el valor de la funcin no cambia de valor absoluto, sino de signo, de tal forma que si por ejemplo en un problema de maximizacin la funcin objetivo da 20, en minimizacin dara -Z = -20. De la misma manera, si el objetivo de un modelo es minimizar y su valor es 40, cuando lo pasamos a maximizar dara Z = -40, pero la< solucin del modelo o sea el valor ptimo de las variables ser el mismo en ambos casos
Ejercicios

1. Convertir los siguientes modelos a formato estndar: Dado el siguiente modelo de un problema: Maximizar: Z = 4X1 + 6X2 Sujeto a: 7X1 + 5X2 100 -6X1 +9X2 80 3X1 7X2 = 30

con X1, X2

Maximizar: Z = 3X1 + 2X2 + Os1 - Os2 Sujeto a: 7X1 + 5X2 + s1 = 100

-6X1 +9X2 3X1 7X2

s2

= 80 = 30

con : X1, X2 0; s1, S2 0

Maximizar z = 60x1 +30x2 +20x3 Sujeto a 8x1 +6x2 +x3 <= 48 4x1 +2x2 +1,5x3 <= 20 2x1 +1, 5x2 +0,5x3 <=8 x2 <= 5 x1, x2, x3 >= 0 Solucin Maximizar z = 60x1 +30x2 +20x3+0s1+0s2+0s3+0s4 8x1 +6x2 +x3 4x1 +2x2 +1, 5x3 2x1 +1, 5x2 +0, 5x3 x2 +s1 +s2 = 48 = 20 +s3 =8 +s4 = 5

Con: x1, x2, x3 0; s1, s2, s3, s4 0

2. En el modelo de Reddy Mikks, considere la solucin factible x1=3 toneladas y x2=1 tonelada. Determine valor de holgura asociada para materia prima M1 y M2. Solucin El modelo de Reddy Mikks completo es: Maximizar z = 5x1 + 4x2 Sujeto a 6x1 + 4x2 < 24 x1 + 2x2 < 6 x2 -x1<1 x2 < 2 x1>0

x2>0 6x1 + 4x2 < 24 (Materia prima M1) x1 + 2x2 < 6 (Materia prima M2) 6x1 + 4x2+s1 =24 s1=2 x1 + 2x2 +s2=6 s2=1 3. Convertir el siguiente modelo a formato canonico:

Funcin objetivo Maximizar Z=0.1x1+0.08x2 Restricciones X1+x2 21000 x1 130000 x2 60000 x1 2x2 x1 0,x2 0 solucion: formato canonico X1+x2 21000 x1 130000 -x2 -60000 x1 2x2 x1 0, x2 0

Potrebbero piacerti anche