Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Por
JENNY KATERINE POLANA
LEONARDO FABIO LORA RESTREPO
REINALDO GABRIEL PEA POLO
WILKE MARQUEZ
Presentado a:
Profesor: EDGAR ROJAS
Funcin objetivo
En esencia la programacin
f(x,y) = ax + by.
Restricciones
La funcin objetivo est sujeta a (s.a.) una serie de restricciones, expresadas por inecuaciones
lineales:
a1x + b1y c1
a2x + b2y c2
...
...
...
anx + bny cn
Tipos de Soluciones
Solucin factible
El conjunto interseccin, de todos los semiplanos formados por las restricciones, determina un
recinto, acotado o no, que recibe el nombre de regin de validez o zona de soluciones
factibles.
Solucin ptima
El conjunto de los vrtices del recinto se denomina conjunto de soluciones factibles bsicas y
el vrtice donde se presenta la solucin ptima se llama solucin mxima (o mnima segn el
caso).
El valor que toma la funcin objetivo en el vrtice de solucin ptima se llama valor del
programa lineal.
Calcular el valor de la funcin objetivo en cada uno de los vrtices para ver en cul de ellos
presenta el valor mximo o mnimo segn nos pida el problema (hay que tener en cuenta aqu
la posible no existencia de solucin si el recinto no est acotado).
Ejemplo:
x = nmero de pantalones
y = nmero de chaquetas
Funcin objetivo
Restricciones
Pantalones
Chaquetas
Disponible
Algodn
1,5
750
Polister
1000
x + 1.5y 750
2x+3y 1500
2x + y 1000
Como el nmero de pantalones y chaquetas son nmeros naturales, se tienen dos restricciones
ms:
x0
y0
Resolucin Grfica
El anlisis grfico es una alternativa eficiente para enfrentar la resolucin de modelos de
Programacin Lineal en 2 variables, donde el dominio de puntos factibles (en caso de existir)
se encontrar en el primer cuadrante, como producto de la interseccin de las distintas
restricciones del problema lineal.
Una de las propiedades bsicas de un modelo de Programacin Lineal que admite solucin, es
que sta se encontrar en el vrtice o frontera (tramo) del dominio de puntos factibles. Es
decir, si luego de grficar el dominio y evaluar los distintos vrtices de modo de elegir "el
mejor" candidato segn sea el caso (el valor de la funcin objetivo ser la que permitir
discriminar cual es el mejor candidato dependiendo si se est maximizando o minimizando).
A continuacin se representan las rectas, a partir de sus puntos de corte con los ejes.
Resolver grficamente la inecuacin: x + 1.5y 750, para ello se toma un punto del plano,
por ejemplo el (0,0).
0 + 1.5 0 750
2 0 + 0 1 000
Calcular las coordenadas de los vrtices del recinto de las soluciones factibles.
La solucin ptima, si es nica, se encuentra en un vrtice del recinto. Estas son las
soluciones a los sistemas:
2x + y = 1000; y = 0 (500, 0)
Mximo
La solucin ptima es fabricar 375 pantalones y 250 chaquetas para obtener un beneficio de
28750 .
La solucin no siempre es nica, tambin se puede encontrar con una solucin mltiple.
Mximo
Mximo
En este caso todos los pares, con soluciones enteras, del segmento trazado de 0,500 a
375,250 seran mximos.
10
Mximo
MIN 8X + 6Y
Sujeto a:
2X + Y >= 10
...... .2X + 2Y >= 16
..... ..X>= 0, Y>= 0
Para resolver el problema se grafica el dominio de puntos factibles y las curvas de nivel
asociadas a la funcin objetivo:
11
encerradas
en
crculos.
El
vrtice
El
vrtice
(X,Y)=(2,6) con V(P)=52 y El vrtice (X,Y)=(8,0) con V(P)=64. El mnimo valor para la
funcin objetivo se alcanza en (X,Y)=(2,6) con V(P)=52, el cual resulta ser la Solucin
ptima del ejercicio anteriormente propuesto. Sin embargo, una forma ms eficiente para
obtener el ptimo que no implique evaluar cada vrtice en la funcin objetivo, es desplazando
las curvas de nivel de la funcin objetivo en la direccin del mximo decrecimiento (en el
caso de un problema de minimizacin). Para un problema de minimizacin, el mayor
decrecimiento se alcanza en la direccin del vector " - Gradiente F(X,Y)", en ste caso el
vector con direccin (-8,-6) (direccin representada por la flecha sin crculo). Luego, el
ptimo se alcanza en el ltimo punto donde las curvas de nivel intersectan al dominio de
puntos factibles en la direccin del mximo decrecimiento, cuya solucin obviamente
corresponde a (X,Y)=(2,6) con V(P)=52.
Anlisis de sensibilidad grfico para 2 restricciones
Una vez resuelto un modelo de Programacin Lineal resulta til hacer un anlisis de
sensibilidad que permita identificar cmo afecta en los resultados del problema variaciones en
los parmetros de ste, sin que esto pase por resolver el problema nuevamente. Nuestro sitio
considera una seccin aparte llamada "Sensibilidad".
1. Variacin en los Coeficientes de la Funcin Objetivo: La pregunta a responder es cul es el
intervalo de variacin para los coeficientes de la funcin objetivo (cada coeficiente se analiza
por separado) que mantiene la actual Solucin ptima.
Inicialmente se consideran las pendientes de las restricciones activas en el ptimo, es decir,
aquellas restricciones que se cumplen en igualdad (en nuestro caso restriccin 1 y 2). La
restriccin 1 (2X + Y >=10) tiene pendiente -2. La restriccin 2 (2X + 2Y >=16) tiene
pendiente -1. Por otra parte la pendiente de la funcin objetivo dado C1=8 y C2=6 es -4/3.
12
Un Precio Sombra igual a 2 indica por ejemplo que si el lado derecho aumenta en 1 unidad, el
beneficio adicional (incremento en el Valor ptimo) es de 2 unidades. Adicionalmente, una
pregunta frecuente resulta en identificar el intervalo de variacin donde el precio sombra
calculado es vlido. El mximo valor al que puede adoptar el lado derecho de R1 es b1*, de
modo que la nueva solucin se siga encontrando con R1 y R2 activas. El valor de b1* se
obtiene al evaluar (X,Y)=(8,0) en la Restriccin 1: 2*(8) + 1*(0)=16. Siguiendo similar
razonamiento el mnimo valor que puede alcanzar el lado derecho de R1 es b1, que evaluado
en (X,Y)=(0,8) en R1 se obtiene: 2*(0) + 1*(8)=8.
Se recomienda al usuario hacer el clculo del Precio Sombra para la Restriccin 2, el cual
corresponde a 2. Si desea consultar un nuevo ejemplo ingrese a Resolucin Grfica en
Programacin Lineal.
14
P) MAX 4X + 3Y
15
16
Siguiendo un procedimiento similar se pueden obtener los precios sombras asociadas a las
restantes restricciones.
Mtodo Simplex
Llevar un problema de Programacin Lineal a su forma estndar no siempre es inmediato. Un
error frecuente es tratar de resolver por el Mtodo Simplex un modelo que no cumple con el
diseo que exige el mtodo. A continuacin algunos ejemplos y casos especiales a tener en
cuenta:
Cambio de variables
Para resolver el siguiente problema de Programacin Lineal utilizando el Mtodo Simplex.
Max 2X1 + 2X2 + 4X3
S.A.
X2 + 2X3 <= 240 (R1)
X1 + X2 + X3 <= 400 (R2)
2X1 + X2 + X3 <= 360 (R3)
X1>=100 (R4) X2>=60 (R5) X3>=60 (R6)
Si se quisiera resolver directamente este problema utilizando Simplex, se debe agregar
variables de exceso para R4, R5 y R6 y luego variables artificiales para disponer de una
solucin bsica factible de modo de utilizar el Mtodo Simplex de 2 Fases. Claramente esto es
un trabajo tedioso por el gran tamao de la tabla resultante.
En consecuencia, lo ms eficiente es hacer un cambio de variables de modo que todas las
restricciones queden del tipo "<=" y de esta forma se dispone de una solucin bsica factible
inicial. Sea Y1=X1-100>=0; Y2=X2-60>=0; Y3=X3-60>=0. Reemplazamos en el modelo
anterior, el cual queda de la siguiente forma:
17
60
180
40
-2
-2 -4 0
2x1 + x2 <= 2
3x1 + 4x2 >= 12
x1,x2 >= 0
x5
s.a:
2x1 + x2 + x3 = 2
3x1 + 4x2 -x4 + x5= 12
x1,x2,x3,x4,x5 >= 0
18
-1
12
-5
-4
-1
-4
x1 - x2 <= 10
2x1 <= 40
x1,x2 >= 0
Donde la tabla inicial del mtodo simplex luego de agregar X3 y X4 como variables de
holgura para las restricciones 1 y 2 respectivamente es:
X1
X2
X3
X4
-1
10
40
-2
-1
19
Cabe destacar que en esta instancia ya se puede constatar que el problema es no acotado. X2
siendo variable no bsica los elementos de la respectiva columna son negativos o cero. Sin
embargo, si el usuario no se percata inmediatamente de esto, de todos modos llegar a la
misma conclusin en la iteracin posterior, luego de hacer entrar X1 a la base como aquella
variable no bsica con costo reducido ms negativo.
X2 X3
X4
1/2
-1/2
10
-3/4
5/4
45
120
Ntese que se ha encontrado una de las infinitas soluciones ptimas para el problema
(X1=10,X2=45, V(P)=120). Esto debido a que la variable no bsica X3 tiene costo reducido
igual a cero en el ptimo. Cmo se puede obtener otro vrtice con similar valor ptimo?.
Se debe forzar la entrada entonces de X3 a la base y sacar de la base una de las variables
20
bsicas actuales (si sigue el clculo notar que esta corresponde a X1). Finalmente, el nuevo
vrtice ptimo es X1=0, X2=60, V(P)=120. El resto de las infinitas soluciones ptimas esta
contenida en tramo que une los 2 vrtices tal como se muestra en la figura:
21
Luego por cada variable en el problema primal vamos a tener la misma cantidad de
restricciones en el problema dual. En este caso las variables X1, X2 y X3 definirn la
estructura de las restricciones 1, 2 y 3 en nuestro problema dual. Por ejemplo la primera
restriccin del problema dual (asociada a la variable primal X1) sera2Y1+2Y2<=160. Notar
22
que los coeficientes que ponderan a las variables duales son los parmetros asociados a la
variable X1 en el primal en la primera y segunda restriccin, respectivamente. La restriccin
en el dual es del tipo <= debido a que la variable X1 en el problema primal de
minimizacin tiene la condicin de no negatividad (>=0). Por ltimo el lado derecho de la
restriccin es el coeficiente que tiene la variable X1 en la funcin objetivo del problema
primal. Siguiendo el procedimiento las restricciones del problema dual seran:
Finalmente como las 2 primeras restricciones del problema primal son del tipo>= en el
problema primal de minimizacin, las respectivas variables duales asociadas en el problema
de maximizacin sern no negativas. De esta forma el problema dual es:
BIBLIOGRAFIA:
http://www.vitutor.com/algebra/pl/programacion_lineal.html
http://www.programacionlineal.net/
http://www.gestiondeoperaciones.net/programacion_lineal/relaciones-de-dualidad-enprogramacion-lineal-como-pasar-de-primal-a-dual/
23