132 Capitulo 4 Analisis de dualidad y sensibilidad
4) Maximizar2 = 3x; + 25
sujetaa
2a + 33
3x +4 = 12
n= 0
2. Enel problema 1a) sean y,€ yas variables duales. Determine si los siguientes pares de solucio-
nes primal-dual son 6ptimos:
®) (y= 35
b) a4
9 G=3m=0 mn
4 y2=1)
1, 2 = 0)
5, y2 = 0)
4.3. INTERPRETACION ECONOMICA DE LA DUALIDAD
El problema de programacién lineal se puede considera como modelo de asignacién de recursos,
cen el que el objetivo es maximizar Ios ingresos 0 las utilidades, sujetos a recursos limitados. Si se
aprecia el problema desde este punto de vista, el problema dual asociado ofrece interpretaciones
‘econémicas interesantes del modelo de programacién lineal de asignacién de recursos,
ara formalizar la descripcién se consideraré la siguiente representacién de los proble-
‘mas generales primal y dual, en donde el primal asume el papel de un modelo de asignacién
de recursos:
Primal Dual
Maximizarz = Sox; Minimizar w = boy
a et
sujua sajene
vm Sage eni=t,
WE OIm
Desde el punto de vista de modelo de asignacién de recursos, el problema primal tiene
n actividades econdmicas y m recursos, El coeficiente c, del primal representa la utilidad por
unidad de actividad j. El recurso i, cuya disponibilidad maxima es b,, se consume con la tasa
de a, unidades por unidad de actividad j.
4.3.1 Interpretacion econémica de variables duales
En la seccién 4.2.5 se indicé que para dos soluciones factibles primal y dual cualquiera, los va-
lores de las funciones objetivo, cuando son finitos, deben satisfacer la siguiente desigualdad:
a= So= 0
pitt et
La igualdad estricta, z = w, es vilida cuando las soluciones primal y dual son 6ptimas ambas.
Examinemos primero la condicién 6ptima z = w. Como el problema primal representa
tun modelo de asignacién de recursos, se puede imaginar que z representa la utilidad moneta- 4.3 Interpretacién econémica de la dualidad 133,
ria, Como b; representa la cantidad disponible de unidades del recurso i, la ecuacién z = w se
puede expresar en forma dimensional como sigue:
= > (unidades del recurso i) x ($ por unidad del recurso i)
Eso quiere decir que las variables duales y, representan el valor por unidad del recurso i. (En
la seccién 2.3.3 se obtuvo esta misma interpretacién, por via gréfica, sin usar la dualidad.) En las,
‘Publicaciones, las variables , se conocen con el nombre abstracto de precios duales. Otros nom-
‘bres (que de igual manera no sugieren nada) son precios sombra y multiplicadores simplex.
Con la misma l6gica, la desigualdad z < w asociada con dos soluciones asociadas, primal
¥¥ dual, se interpreta como sigue:
(Utilidad) < (Valor de los recursos)
Segiin esta relacién, siempre que los ingresos totales por todas las actividades sean menores
que el valor de los recursos, las soluciones primal y dual correspondientes no son éptimas. La
optimalidad (retorno maximo) s6lo se aleanza cuando se han explotado los recursos por com-
pleto, lo que s6lo puede suceder cuando los datos (valor de los recursos) son iguales a los re-
‘sultados ($ de utilidad). En términos econdémicos se dice que el sistema permanece inestable
(0 6ptimo) cuando los datos (valor de los recursos) son mayores que el resultado (retorno 0
ingreso). La estabilidad s6lo se obtiene cuando las dos cantidades son iguales.
Fjemplo 4.3-1
El modelo de Reddy Mikks (ejemplo 2.1-1) y su dual son los siguientes:
Primal de Reidy Mikks Dual de Reddy
Maximizarz = 5x, + 4ry Minimizar w = 24y, + Oy, + ys + 2yu
sujetaa sujetaa
Gx, + dy; = 24 (eeurso 1, M1) Sit yy BS
a) + 26; 56 (curso 2, M2) tM tyr med
Hx, + y= 1 (euro 3) Yin Joe =O
%=2 (ecuso 4)
n=O
Solucion dpm: Solucion 6ptima
x30 7 15,2> 21 a
En resumen, el modelo de Reddy Mikks maneja la producci6n de dos clases de pintura
(para exteriores y para interiores) usando dos materias primas, M1 y M2 (recursos 1 y 2) y suje-
{aa las condiciones del mercado representadas por las restriceiones tercera y cuarta. El modelo
busca determinar las toneladas de pinturas para exteriores y para interiores que maximicen la
Utilidad (expresada en miles de délares).
La solucién dual éptima indica que el valor por unidad de la materia prima M1 (recurso
_~ I)¢s y, = 0.75 (@ sea, $750 por tonelada), y por unidad de materia prima M2 (recurso 2) es
ys = 0.5 (es decir, $500 por tonelada). En ia seccién 2.3.3 mostramos en forma gréfica que
_ -€60 mismos resultados swat vilidos para los intervalos (20, 36) y (4, 6.67), para los recursos 1
__¥ 2; respectivamente (esos intervalos también se deducirén en forma algebraica en la seccién
45.1). Asf, la materia prima M1 se puede aumentar desde su consumo actual de 24 toneladas,
hasta un méximo de 36 toneladas, con un aumento correspondiente en la utilidad de 12 x $750 134 Capitulo —_Andlisis de dualidad y sensibilidad
= $9000. De igual forma, el Iimite para la materia prima M2 puede aumentarse desde 6 toneladas
hasta un méximo de 6.67 toneladas, con un aumento correspondiente en Ia utilidad de 0.67
$500 = $335. Se pueden mostrar interpretaciones parecidas si bajan las cantidades de materia
prima respecto a los niveles actuales, pero dentro de los intervalos de aplicabilidad indicados. La
explicacién no quiere decir que los recursos mencionados no se puedan cambiar a valores fuera
de los intervalos citados. Sélo indica que la utilidad por unidad, para cada recurso, s6lo se
aplica dentro de los mérgenes especificados.
Para los recursos 3 y 4, que representan los requerimientos del mercado, los precios
duales (valores duales éptimos) ambos son de cero, lo que indica que sus recursos asociados
son abundantes. De agu{ que su valor por unidad es cero.
CONJUNTO DE PROBLEMAS 4.3A
1. Enel ejemplo 4.3-1 calcule el cambio de la utilidad éptima en cada uno de los casos siguientes: \
a) La restriccién para la materia prima MI (recurso 1) ¢s 6x, + 4x2 = 22,
b) La restricci6n para la materia prima M2 (recurso 2) ¢s.x; + 2x» = 4.5.
©) Las condiciones del mercado representadas por el recurso 4 son x = 10.
2. NWAC Electronics fabrica cuatro clases de cables sencillos para un contratista gubemnamental
Cada cable debe pasar por cuatro operaciones consecutivas: corte, estafiado, encamisado e ins-
peccién. La tabla siguiente muestra los datos pertinentes del caso. \
‘Minutos por unidad
_ —_—aass ——— __ilided
Cable Corte Extahado Encamisado Inspeceién por nidad $)
sc320 105 204 32 50 9.40
$0325 93 246 25 50 10.80
sc340 16 17 36 50 875
¢370 82 265 5s 50 7.80
CCapacidad diaria (minutos) 4800.0 9600.0. 47000 45000
El contratista garantiza una produccién minima de 100 unidades de cada uno de los cuatro cables.
a) Formule el problema como modelo de programacién lineal y use TORA para determina el
‘programa Sptimo de produccién.
) Con base en los precios duales generados por TORA, recomicnda usted aumentar la produe-
‘in diaria de alguna de las cuatro operaciones? Explique por qué.
©) Los requisitos de produccién minima de los cuatro cables, ;representan una ventaja o una
desventaja para NWAC Electronics? Describa una explicacién con base en los precios duales
que proporciona TORA.
4) Lacontribucién unitaria actual ala utilidad, especificada por el precio dual, :puede garanti-
‘arse si se aumenta la capacidad del estaftado en 10 por ciento?
3, BagCo produce sacos y bolsas de piel. Para un saco se requiere 8 m? de piel, y en una bolsa s6lo
se usan 2 m?. Las necesidades de mano de obra para los dos productos son 12 y 5 horas, respecti-
‘vamente. Los suministros semanales actuales de piel y de mano de obra se limitan a 1200 m* y a
1850 horas, respectivamente. La empresa vende los sacos y las bolsas @ $350 y a $120, respecti-
‘vamente. El objetivo es determinar el programa de producci6n que maximice los ingresos netos.
‘BagCo planea un aumento de produccién. ;Cudl es el precio minimo de compra que deberia pagar
la empresa por piel adicional? :Por mano de obra adicional? 4.3. Interpretacién econémica dela dualidad 135
Interpretacion econémica de restricciones duales
Se pueden interpretar las restricciones duales, usando la formula 2 de la seccién 4.2.4, que in-
dca que en cualquier iteracién primal
(Coeficiente objetivo dex) = Sajy, ~ ¢
a
De nuevo se aplicaré el andlisis dimensional para interpretar esta ecuacién. La utilidad o, por
Unidad de actividad j esta en $ por unidad. En consecuencia, para tener consistencia, la canti-
dad 2/2,a,y, también debe estar en $ por unidad. Ademés, como c, representa una utilidad, la
‘cantidad 3/2,a,y,, que aparece en la ecuacién con signo contrario, debe representar un costo.
Al mismo tiempo, como a, es la cantidad del recurso i que usa la actividad j, las variables
duales y; deben representar al costo imputado por unidad de recurso i y se puede considerar
gue la cantidad 2" ,a,y; es el costo imputado de todos los recursos necesarios para producir
una unidad de actividad j.
‘mento en la cantidad de una actividad j no usada (no bésica) puede mejorar la ut
€280 de que su coeficiente objetivo (27 ayy, — ¢) sea negativo. En funcién de la interpreta-
ign anterior, esta condicién establece que
Costo imputado de om
recursos por unidad | < Haste} )
de actividad j &
Ast, la condiciGn de optimalidad de maximizacién indica que es econémicamente bueno au-
‘mentar una actividad a un valor positivo si su utilidad unitaria es mayor que su costo imputado
unitario,
Para que el lector se familiarice con la notacién normal que se usa en las publicaciones
resentaremos la definicién
694
ue tepresenta el costo imputado de los recursos usados, por unidad de actividad j. La nota-
cién ( ~ G) es el coeficiente objetivo de x; en la tabla simplex y se llama con frecuencia cos-
to reducido de la actividad j. En realidad, en algunos libros se usa z,~ c, para calcular en
forma directa el coeficiente de la ecuacién objetivo (en lugar de usar operaciones de renglén
de Gauss-Jordan). El uso de z, ~ ¢, en los célculos simplex es, en realidad, una parte del méto-
do simplex revisado que describiremos en el capitulo 7.
Fjemplo 4.3-2
TOYCO arma tres juguetes: trenes, camiones y coches, con tres operaciones. Los Ifmites dia-
ios de tiempo disponible para las tres operaciones son 430, 460 y 420 minutos, respectivamen-
te, y las utilidades por tren, camién y coche de juguete son $3, $2 y $5, respectivamente. Los
tiempos de armado por tren, en las tres operaciones son 1, 3 y 1 minutos, respectivamente.
Los tiempos respectivos por camién y por coche son (2, 0, 4) y (1, 2, 0) minutos (un tiempo
de cero indica que no se usa la operacién). shes limiinuppanscen na serene hs Beet
ego, 0) poo umar eG, =O os moar
twig gr compen cig NEOs pc ams oe ea
‘Simca = Sromnoy i rete en nes ee oat
ed
on benatae Staite See ‘pgm crea mee ec
(HOS ALCORTIHDSSMUMLEX PABA PROGEAMACON NEAL
Sam ini cy mira nmin
(Nyc barge as Eee estas
mdse ei
vectra is i iim oy ein pane
2 eee prearelleeriafeloperyerpr let Inf
(jemand fi ns en
{Tihs pm ema pin gn can ma
tly enw age Nes espe cen ene
ethno a nat a ee en os ieee
‘Si i anata) wh
pain deiatnaeal be anastetesetiess
Med a ipl
Secs each enact a Condicsie dual de optimalidad, La variable deere ne determina creas variables 20
“ete np ep es
“Pent remind pnt ee
stain Ae coi pi mt ig
Prey
2 Innes en =)
see meiner mince sh man
‘oem dene org
et nl cn eam i ei
sais ens tee demon cen re
Stir pe ne a sn nice
SiGe apart ane spi peg ae
serpy
Tensia7
sso min po i ee pectin CaPiTuLo 5
Modelo de transporte
‘on dmagn on oil pps nd gi
fara sams tes adi re ok
‘Beets popn ie bn emia ne
op ing eer mea emo
ene prs cee we apne tt
pe jc res bom sre een
tere recente canes pee
“a ore srr neo tm primi ie me
saan pe pore ar sp ope el
eee pe arp nae Ea pa
Frcs comet come
‘ura on wooeto oe reANSFORTE
io se ys)
CS eset oases
‘Mo ae pas Ag, ety New Ons cee cee
thane nyt awa te pa es SEE i itn ate yx cnc
eeepc mga aan
Siem ctl Siae pec cence seis
Mamie +284 1035+ 10 iy +g
me sm Lo Ange
sea F190 Deve
‘5g 2120 Rev Ora
fy tay Hg 2200 Dee j ‘Stay ipso on =
eacevefetlisinestinins peimesvetemn amtsatectel
wef
asinine TORN ene a 2. a
‘hehe eves Sn lenin dear 0
lpm ae vangore ey ps ge mac aad
een aaa andar san
Coa
(Ecip sb Soe Ss emul =
‘cube queer qersoseutchapne cence Mu Came manda gue fra aps ame la itn wn
ge Se ears
Rt mb hom on te i
simtegeal rae ee Dy cere ape
Soo
sca aaa enero hom itn
Sateen apt ine ie
wane gem et
ieee ae eeneedeitne ince
pam errer
SEE aa te on,
eed arent etapa cape ‘Sieeeeieeaentanieenangamnnarenntaeey
‘career
Se
a
(TiaTan by once mptonse Coarse eater
cmd Zydeco Sy See See somata emi
1 hom laser MA 1 MCL De
eect sa cpr cn
pecan mene ope
ieee
Baer ES i te ‘robs vena anc ee
Feng s1 Contd proaacionsveraan
‘Sieve ha oy ay
Sry mc pa cnn po in
‘este Seu spe fsa Su.)
SEs Reena Oe eset pa npr nade
‘SGAE SES a ans acre naerue dor a
1 tape et
E ann ee eres ee
1 etc oame crm pre
crcl tea aS rcp Sire ee be
‘Shareaain sn sp cn’ por me Boih Sy Sere
Fiplgente peammcente de
ent cn sept cedar ete YS 8 ps Me Senge yes
re eee estat
eterminain dea sole dino
‘Sinus yer Sep) S
‘SShlaactenp tnces nStre~mt en
JactiattaTicn aedaratoe Dietomieraament
1, Mo eign renee ns.
1 Ma epi
Stace ae emote
Pet, Asin mee teint te
SSIS Satanic a [Bint gen er ar sus scl s
Sienna mfp os
eens crm aoa sen eg ete
Po (neoatsinutesininicnsaneioeore
‘Soest mpn Spurn
Tee
‘Aaporpmeincan aman east a i iin
‘aif Satin manele gs tepid ap
| ob
ES
iran it mss Sc mgs ope
‘min one les ema Ai
‘Siena ost) ly oad
‘rms Swe coms sot ny sae
‘ps ta enn aloe se arse, Ace
‘tut thse ates a Yop pea
Sqeqotsartcarecctene miecumstm ie cipos Meal wanouey mats
ees
Store ini com ine ol el 531d gone mer
1 Lica ln ini in ida (= 2 Lami ee
ee re Dig econ percent
creer a3 noms wre)
12 La eels isan
‘SS btima per siomnny t edema
ALS Saat teat oihSu sees ap uae Gwen
in® Sans
‘Dalian rnc mm
“ecm sme p.m aa ee eA eam
anc oot wep et)
Me espa eps er en etd lt ie
‘ihren poses cine Bc Pt min po inn erin
‘ita ina fn pi ama
Penh ne mgs oms a etsn apetonpr,
ca ener crtome
Sheree ceptor cena
cpa
Sec
pee enmercer
RRR ct cests ce
Sea cn gmt. Br te 9a picts
ic
co eer gran cen
eee roe ncacne at
eres ceca snes im 7 ae
eee
teenie a
ee ‘esc ei ter tt
Aegis wm a an
Ssctep cs tin eben eaten tog
ene nap os min
ONUUNTO DE RORLENAS 534
"Some sn gi act es
522, Gales mates dare de tansorte
ee ern i in pm mn ei 53.)
Se Seemespan pn dra ice
ee Use coin eta teeta ee ial di a
‘valent slg png Se ie
‘Soph ere wer aren po
eet Dei ar role,
Lac dca ign a pci ais de gh ue
sree te eaten mss 53 Sagotenede mapa 88
sss
aol mb Sevan de op 53cm ina ssn dane
Sade eee
i. Te ie
agian apie
Ste Pamper cams concen unc ct
{form amines Oy scanner) ser oases ese
SI a gee es sandeep
Seem weak comcak
aos Dees asi
mpegs ng gangempeceat
Seale eee enereeteaceeicces
tna hres oleae
Lae Rina 1 ins Malo vomger stats
aaa eae
i sec (= 5n aledeapey cano are ai ee
ete moet
(Siena Encomecnn cero S88 © HS
eres dn mines cam
SSIES SOLE Rvoomtnen ata hea SS gee dca th. fn ep
Setar sa
| i anor soma pi? eps
‘pmo tp seco hb cer)
‘ate nomi
2 Pa nl tr compen de es i i cra ed tn
see See Sie anatch Sw as me
gach apenas
{apm sire eco TOA. in mi
sim a
Sn Sed Lapa nde new ed
| Wass toute Sseeatn caplet ansehen CAPITULO .6
Modelos de redes
Hay una multitud de situaciones, en investigacién de operaciones, que se pueden modelar y
resolver como redes (nodos conectados por ramas). Algunas encuestas recientes informan que
hasta el 70% de los problemas de programacién matemética en el mundo real se pueden re~
Presentar como modelos relacionados con redes. La lista siguiente ilustra algunas aplicacio-
nes posibles de las redes.
1, Disefio de una red de gasoductos marinos para conectar bocas de pozos en el Golfo de
México con un punto de entrega en tierra. El objetivo del modelo es minimizar el costo
de construccién del gasoducto.
2. Determinacién de la ruta més corta entre dos ciudades, en una red de carreteras.
3. Determinacién de la capacidad maxima (en toneladas anuales) de una red de tuberfa pa-
ra lodo de carbén que une las minas en Wyoming con las centtales eléctricas en Hous-
ton, (Las tuberias de lodo de carbén transportan el carbén suspendido en agua a través
de tubos de disefio especial.)
4. Determinacién del programa de flujo con costo minimo desde los campos petroleros
hasta las refinerias a través de una red de oleoductos,
Determinacién del cronograma (fechas de inicio y terminaci6n) de las actividades en la
construccién de un proyecto.
5
La solucién de esas situaciones y otras parecidas se logra con una variedad de algorit-
mos de optimizacién de redes. Este capitulo presentard cinco de esos algoritmos:
1, Arbol de expansién minima (situacién 1).
2. Algoritmo de la ruta més corta (situacién 2),
3. Algoritmo del flujo maximo (situacién 3).
4. Algoritmo de red capacitada con costo minimo (situacién 4).
5. Algoritmo de la ruta critica (situaci6n 5). 214 Capitulo6 — Modelos de redes
61
Las situaciones en las que se pueden aplicar estos algoritmos también se pueden formu-
lar y resolver en forma de programas lineales explicitos. Sin embargo, los algoritmos pro
puestos, basados en redes, son més eficientes que el método simplex.
DEFINICIONES PARA REDES
‘Una red consiste en una serie de nodos enlazados con areos (o ramas). La notacién para des-
cribir una red es (N, A), donde Nes el conjunto de nodos y A es el conjunto de arcos. Por
ejemplo, la red de la figura 6.1 se describe como sigue:
N = {1,2,3,4,5}
A = {0.2,0.3}29.2,9),8.485442)45)
pauien
opmaaagl Cae
Con cada red se asocia algtin tipo de flujo (por ejemplo, flujo de productos petroleros
cen un oleoducto y flujos de trfico de automéviles en carreteras), En general, el flujo en una
red est limitado por la capacidad de sus arcos, que pueden ser finitos 0 infinitos.
Se dice que un arco es dirigido u orientado si permite un flujo positivo en una direccion,
¥ flujo cero en la direccién opuesta. Una red dirigida tiene todos sus arcos dirigidos.
‘Una ruta es una sucesin de arcos distntos que unen dos nodos pasando por otros nodos,
independientemente de la direccién de flujo en eada arco. Una ruta forma un ciclo si conects is
node consigo mismo, pasando por otros nods. Por ejemplo, en la figura 6.1, los arcos (2.3),
(35) (62) forman un bucle ocireuito cerrado. Un ciclo es dirigido si consisteen una ruta dri
‘gida, por ejemplo (2,3), (3,4) y (4,2) en la figura 6.1.
‘Una red conectada es aquella en que cada dos nodos distintos estén enlazados al menos
poruna ruta, La ed dela figura 6.1 es un ejemplo de este tipo, Un drboles una red conectada
gue puede consist slo en un subconjunto de todos los nodos en ella, donde no se permiten ci
rnsién es un érbol que enlaza todos los nodos de la red, también sin
clos, y un érbol de expar
permitr ciclos. En la figura 6.2se ven ejemplos de un érbol y de un rol de expansion para la
red de la figura 6.1.
FIGURA 62 @ @ ©
Ejemplos de un drbol y de un arbol de
expansién, para la ed de la figura 6.1
@ @
Axbol ‘Arbol de expansion 62
62 Algoritmo de drbol de expansién minima 215
CONJUNTO DE PROBLEMAS 6.1A
1, Para cada red de Ia figura 6.3 determine a) una ruta, b) un ciclo, c) un ciclo dirigido, d) un érbol
ye) un érbol de expansién.
FIGURA 6.3
Redes para el problema 1,
conjunto 6.1a
2. Determine los conjuntos Ny A en las redes de la figura 6.3,
3. Trace la red definida por
N= (1,2,3,4,5,6)
| A = {1.2,0,5,2,3),24),8,5).8,4(4.3),4.6405.2)(5,0)}
4, Hay ocho cuadrados iguales ordenados en tes renglones, cada uno con dos cuadrados en el pri-
mer rengl6n, cuatro en el segundo y dos en el tercero. Los cuadrados de cada fila estin arreglados
‘en forma simétrica respecto al eje vertical. Se desea poner nuimeros distintos en los cuadrados, en
tre los limites de 1, 2,.., 8, de modo que no haya dos cuadrados adyacentes vertical, horizontal o
diagonalmente que tengan niimeros consecutivos. Use la representacidn en red como vehiculo ha-
cia la solucién de una forma sistemtica,
‘Se deben transportar en un bote tres reclusos escoltados por tres guardias, de San Francisco a la
penitenciarfa dela isla de Alcatraz, para que purguen sus sentencias. El bote no puede transpor-
tar més de dos personas en cualquier direcci6n. Los reclusos les ganan con seguridad a los euar-
dias si su némiero es mayor en cualquier momento. Formule un modelo de red para disefiar los
Viajes del bote de modo que se asegure la transferencia segura de los reclusos. Suponga que no
se fugan si tienen oportunidad.
5,
ALGORITMO DE ARBOL DE EXPANSION MINIMA
El algoritmo de érbol de expansién minima enlaza los nodos de una red, en forma directa 0
indirecta, con fa mfnima longitud de las ramas enlazantes. Una aplicacién caracteristica es en
Ta construccién de carreteras pavimentadas que unen varias poblaciones. El camino entre dos
poblaciones puede pasar por uno 0 mas poblaciones adicionales. El diseiio mas econémico
del sistema de caminos indica que se minimice la distancia total de caminos pavimentados,
resultado que se obtiene implementando el algoritmo de érbol de expansién minima,
Los pasos del procedimiento son los siguientes. Sea N = (1, 2, ... 2} el conjunto de no-
dos de la red, y se definen
C, = Conjunto de nodos que se han conectado en forma permanente en la iteraci6n k
CG, = Conjunto de nodos que todavia se deben conectar en forma permanente Ne
216 Capitulo — Modelos de redes
Paso 0. El conjunto Cy = By Cy
Paso 1. Comenzar con cualquier nodo en el conjunto Cy no conectado (o “inconexo”), ©
igualar C, = {i}, con lo que C, = N ~ {i} Igualar k= 2. |
aso general k. Seleccionar un nodo j’ en el conjunto no conectado Cy, que produzca el |
‘arco més corto a un nodo, en el conjunto conectado C,... Bnlazar aj’ en forma |
permanente con C,_ y sacarlo de C,1, esto es
C= Cr URC = Ge — |
Siel conjunto Cy, de nodos no conectados es vacio, detenerse. En cualquier otro ca-
so, igualar k = k + 1 y repetirel paso.
Ejemplo 6.21
Midwest TV Cable Company esté en el proceso de proporcionar servicio de cable a cinco nue-
‘vas dreas habitacionales. La figura 6.4 representa los enlaces posibles de TV entre las cinco
reas, Las millas de cable se muestran en cada arco. Determine la red de cable més econdmica
El algoritmo comienza en el nodo 1 (cualquier otro nodo podria ser), con lo que se obtiene
C= C= 2,3,4,5,6}
Las iteraciones del algoritino se resumen en la figura 6.5. Los arcos con linea delgada son to-
dos los enlaces posibles entre C y C. Las ramas gruesas representan los enlaces permanentes
fentre los nodos del conjunto conectado (0 “‘conexo”) C, y la rama con linea interrumpida re-
presenta el nuevo enlace (permanente) que se agrega en cada iteracion, Por ejemplo, en [ate
rreion 1, la rama (1.2) es la mds corta (= 1 milla) entre todas las ramas posibles del nodo 1 a
fos nodos 2. 3,4 $ del conjunto no conectado C,. Por consiguiente, el enlace (1,2) se vuelve
permanente y j" = 2, con lo que se obtiene
C= (1,2, = B,4,5,6}
La soluci6n se expresa con el &rbol de expansién mfnima que se ve en la iteracién 6, de la
figura 6.5. La cantidad minima de mills necesarias para proporcionar el servicio de cable que
se desea resulta ser 1 +3 +4 +3 +5 = 16 millas.
FIGURA 6.4
Conexiones de cable para la Midwest TV
Cable Company 6.2 Algoritmo de érbol de expansién minima 217
FIGURA 6.5
eraciones de la
solucién para,
‘én Iteracién 6 la Midwest TV
eae (érbol de expansi6n minimo) Cable Company
Se puede usar TORA para generar las iteraciones del érbol de expansién minima. En el
ment aihghii (menti principal) seleccione, NetiGEE ROAEIA => (modclos de red/érbol de
cexpansién minima). A continuacién en el ment SoEWB/NODIY (resolver/modificar), seleccione
Solve pzobles > Go\ E6/Sitputlsexeen (resolver el problema/ir a la pantalla de resulta-
dos). En la pantalla de resultados seleccione un seating age (nodo de inicio) y a continua-
cin use wext: aeration (iteracién siguiente) 0 ALA, atexations (todas las iteraciones) para
general las iteraciones sucesivas. Puede usted recomencar las iteraciones seleccionando un
Nuevo Startinginede (nodo de inicio). La figura 6.6 muestra los resultados de TORA para el
ejemplo 6.2-1 (archivo ch6ToraMinSpanExp6-2-1 txt). 218 Capitulo — Modelos de redes
FIGURA 6.6
Resultados del arbol de expansion minima del ejemplo 6.2-1
CONJUNTO DE PROBLEMAS 6.24,
1. Resuelya el ejemplo 6.2-1 comenzando en el nodo 5 (en lugar del nodo 1) y demuestre que con
el algoritmo se obtiene la misma soluci6n,
2. Determine el drbol de expansién minima de la red del ejemplo 6.
‘guientes condiciones por separado:
8) Los nodos 5 y 6 estin unidos por un cable de 2 milla.
b) Los nodos 2 5 no se pueden enlazar.
©) Los nodos 2 6 estén unidos por un cable de 4 mills.
4) El cable entre los nodos 1 y 2 tiene 8 millas de Tongitud,
©) Los nodos 3 y 5 estén unidos por un cable de 2 milla.
f) El nodo 2 no se puede enlazar en forma directa con los nodos 3 y 5.
3, En el transporte intermodal, los camiones remolque cargados se mueven entre las terminales de
ferrocartl colocando la caja en carros especiales (“camas bajas”). La figura 6,7 muestra la ubi
cacién de las principales terminales de ferrocartil en Estados Unidos, y las vias actuales de FC.
El objetivo es decidir cules vias se deben “revitalizar” para manejar el trfico intermodal. En
especial, se debe unir la terminal de Los Angeles (LA) en forma directa con la de Chicago (CH)
ppara dar eabida al intenso trfico esperado. Por otra part, todas las terminales restantes se pue
‘den enlazar, en forma directa o indirecta, de tal modo que se minimice Ia longitud total (en mi-
lias) de las vias seleccionadas. Determine los segmentos de vias de ferrocaril que se deben
incluir en el programa de revitalizacién.
1 bajo cada una de las si- 6.2 Algoritmo de arbol de expansién minima 219
FIGURA 6.7
Red para el problema 3,
‘conjunto 6.2
4. En la figura 6.8 se ven las distancias, en millas, de las conexiones factibles que unen nueve po-
7s marinos de gas natural con un punto de entrega en tierra. Como la ubicaciGn del pozo 1 es la
‘és cercana a la costa, tiene capacidad de bombeo y de almacenamiento suficiente para bom-
a produccién de los ocho poz0s restantes hasta el punto de entrega. Determine Ia red mini-
made tuberia que una las bocas de pozo con el punto de entrega.
Punto de entrega FIGURA 6.8
Red para el problema 4,
cconjunto 6.2a
5. En a figura 6.8 del problema 4, suponga que los poz0s se pueden dividir en dos grupos, depen-
diendo de la presién del gas: un grupo de alta presién, que comprende los pozos 2, 3, 4 y 6, y un
_Brupo de baja presién, que comprende los poz0s 5, 7, 8 y 9. Debido a la diferencia de presiones,
no se pueden enlazar pozos de grupo diferente. AI mismo tiempo, ambos grupos se deben conec-
tar con el punto de entrega pasando por el pozo 1, Determine la red minima de tuberia para este
caso.
Electro produce 15 partes electrénicas en 10 méquinas. La empresa desea agrupar las méquinas
en celdas, disefiadas para minimizar las “desigualdades” entre las partes procesadas en cada cel- Nene
220
63
63.1
Capitulo 6
Modelos de redes
da, Una medida de la “desigoaldad” d, entre las partes procesadas en las méquinas iy j se puede
expresar como sigue:
aais 7
ng my
siendo n, la cantida de partes compartdas entre las méquinas fy jy my es In cantidad de pares
aque solo se usan ya sea en la maquina i oen laj.
‘La tabla siguiente asigna las partes a Jas méquinas:
aS
Méquina artes asignadas
| Min SEI a
a) Exprese el problema como modelo de red.
by Demuestre que la determinacin de las celdas e puede basaren la solucin del bol de ex-
pansién minima,
«© Para los datos de la tabla anterior, construya las soluciones con dos y tres celdas
PROBLEMA DE LA RUTA MAS CORTA
En el problema de la ruta més corta se determina ésta, entre una fuente y un destino; en una
red de transporte, Hay otras soluciones que se pueden representar con el mismo modelo, co-
mo se ve en los ejemplos siguientes.
Ejemplos de aplicaciones de ruta mas corta
Ejemplo 63-1 (Reemplazo de equipo)
RentCar esté desarrollando un plan de reposicién de su flotilla de autom6viles para un horizon:
ie de planeation de 4 aos, que comienza el 1 de enero de 2001 y termina el 31 de diciembre de
Soot AT inicar cada ao se toma la decisin de si un auto se debe mantener en operacin o se
“Iebe sustituir, Un automévil debe estar en servicio durante 1 afio como minimo, y 5 afios corte
teary erable siguiente muestia el costo de reposicién en funcién del fio de adquisicion det
vyehiculo y los afios que tiene en funcionamiento.
tease + pease ee
CCosto de reposicin (S) para los afios en operacién
init one
Equipo
adguirido al comencar 1 2 3
2001 4000 5400 ‘9800
2002 4300 200 8700
20083 4300 7100 -
2004 4900 ee -
nes PD de wba een gibt apelin SES 224 Capitulo6 — Modelos de redes
FIGURA 6.13
Red para el problema 2, conjunto 6:32
ci6n, tostado, volteo y retirado) necesaria para tostar tres rebanadas de pan en el minimo tiempo
posible. Formule el problema como modelo de ruta ms corta con los siguientes tiempos ele-
‘mentales para las diversas operaciones:
Operacion ‘Tiempo (segundos)
Poner una rebanada en cualquier lado
‘Tostar una cara
\Voltear Ia rebanada que ya estéen el tostador
(Quitar la rebanada de cualquier cara
we8u
‘4. Planeacién de produccién. DirectCo vende un articulo cuya demanda en los 4 meses venideros
serd 100, 140, 210 y 180 unidades, respectivamente. La empresa puede almacenat s6lo la cantidad
justa para abastecer Ia demanda de cada mes, o puede almacenar més y cumplir con Ta demanda de
dos o mas meses consecutivos. En el segundo caso se carga un costo de retencién de $1.20 por
‘unidad en exceso por mes. DirectCo estima que los precios unitarios de compra durante los 4 me-
ses siguientes serdn de $15, $12, $10,y $14, respectivamente. Se incurre en un costo de prepars-
‘cién de $200 cada vez que se coloca un pedido. La empresa desea desarrollar un plan de compras
{que minimice los costs totale de pedido, compra y retenci6n del artculo en el almacén, Formule
el problema con modelo de ruta més corta y use TORA para determinar Ia solucién 6ptima.
5. Problema de la mochila. Un excursionista tiene una mockila de 5 pies etbicos de capacidad, y
desea saber cules son los aticulos mas valiosos que va a llevar a una excursién. Hay tres aticu-
Jos de donde escoger. Sus voliimenes son de 2, 3 y 4 pies cibicos, y el excursionista estima que
sus valores correspondientes, en una escala de 0 a 100, son 30, 50 y 70, respectivamente. Expre-
sc el problema como una red de ruta més larga y determine la solucién 6ptima. (Sugerencia: se
puede definir un nodo en la red come [iv], donde ies el mero del aticulo para empacar y ves
‘el volumen que queda inmediatamente antes de decidirse por i.)
6.3.2 Algoritmos de ruta mas corta
En esta secci6n se presentan dos algoritmos para resolver redes tanto cfclicas (es decir, que
contienen bucles lazos) como acfclicas:
1. El algoritmo de Dijkstra.
2. EL algoritmo de Floyd. 6.3 Problema de larutamascorta 225
El algoritmo de Dijkstra tiene por objeto determinar las rutas més cortas entre el nodo
fuente y todos los demés nodos de la red. El algoritmo de Floyd es general, porque permite
determinar la ruta més corta entre dos nodos cualquiera en la red.
Algoritmo de Dijkstra. Sea u,la distancia més corta del nodo fuente 1 hasta el nodo i, y se
define d (= 0) como la longitud del arco (i, /). Entonces el algoritmo define la etiqueta de un
nodo inmediato posterior j como
[upd] = [ui + dip], dy = 0
La etiqueta del nodo de inicio es (0, —}, que indica que el nodo no tiene predecesor.
Las etiquetas de nodos en el algoritmo de Dijkstra son de dos clases: temporales y per-
‘manentes. Una etiqueta temporal se modifica si se puede encontrar una ruta mds corta @ un
nodo, Cuando se ve que no se pueden encontrar rutas mejores, cambia el estado de la etiqueta
_temporal a permanente.
Paso 0, Etiquetar el nodo fuente (nodo 1) con la etiqueta permanente (0,—]. Igualar i = 1.
Pasoi. a) Calcular las etiquetas temporales (u, + d, i) para cada nodo j al que pueda llegarse
desde el nodo i, siempre y cuando j no tenga etiqueta permanente. Si el nodo j ya esti
etiquetado con [u, k] por otro nodo k,y si, + dy < uy sustituir [up K] por (u, + djy i.
b) Si todos los nodos tienen etiquetas permanentes, detenerse. En caso contrario,
seleccionar la etiqueta (u,, s} que tenga la distancia mAs corta (=u,) entre todas las
‘etiquetas temporales (los empates se rompen en forma arbitraria). Hacer que i = r
+ repetir el paso i.
Fjemplo 6.3-4
Lared de la figura 6.14 muestra las rutas con sus longitudes, en millas, entre la ciudad 1 (no-
do 1) y otras cuatro ciudades (nodos 2 a 5). Determinar las rutas més cortas entre la ciudad 1 y
cada una de las cuatro ciudades restantes.
Iteracién 0. _Asignar la etiqueta permanente [0,—] al nodo 1
Tteracién 1, Se puede legar a los nodos 2 y 3 desde el nodo 1 (sltimo que se etiquet6 en
forma permanente). Asi la lista de los nodos etiquetados (temporales y per-
‘manentes) es la siguiente:
Nodo Etiqueta Estado
1-7 Permaneate
2 (0+ 100, 1] = [100, 1} Temporal
3 [0+30,1]= [30,1] Temporal
FIGURA 6.14
Ejemplo de red para el algoritmo de
ruta més corta de Dijkstra 226 Capitulo 6
Iteraci6n 2.
Iteraci6n 3.
Iteraci6n 4.
Modelos de redes
Para las dos etiquetas temporales (100, 1] y (30, 1], el nodo 3 produce la
menor distancia (w = 30). Entonces, se cambia el estado del nodo 3 a per-
manente.
Del nodo 3 se puede ir a los nodos 4 y 5, y la lista de nodos etiquetados es
Nodo Bigueta Estado
1 4d Permanente
2 (100, 1) ‘Temporal
3 B01) Permanente
4 {30 + 10, 3] = [40,3] Temporal
5 [30 + 60, 3] = (90, 3] Temporal
Elestado de Ia etiqueta temporal [40, 3] en el nodo 4 se cambia a permanente
(uy = 40).
Del nodo 4 se puede ir a los nodos 2 y 5. Entonces la lista actualizada de los
nodos etiquetados es
eu bse dobecen ang Sool acs ahem
Nodo « Bligueta Estado
1 GT Permanente
2 (40+ 15,4) = [55,4] ‘Temporal
3 301) Permanente
4 (40,3) Permanente
5 {90,3}0 [40 + 50, 4} = {90, 4] Temporal
La etiqueta temporal del nodo 2, 100, 1}, en la iteracién 2 se cambia a (55, 4]
en laiteracién 3, para indicar que se ha encontrado una ruta mds corta que
pasa por el nodo 4. También, en la iteracién 3, el nodo 5 tiene dos etiquetas
alternativas con la misma distancia u, = 90.
‘La lista para la iteraci6n 3 indica que la etiqueta para el nodo 2 ya es per-
manente.
Del nodo 2 s6lo se puede ir al nodo 3. Sin embargo, el nodo 3 tiene una eti-
ueta permanente y ya no se puede volver a etiquetar. La nueva lista de etique-
ths queda igual que en la iteracién 3, salvo que la etiqueta en el nodo 2 ya es
permanente. Esto deja al nodo 5 como la tnica etiqueta temporal. Como el
odo 5 no conduce a otros nodos, su estado se vuelve permanente y el proce-
so termina.
Los ediculos del algoritmo se pueden hacer con més facilidad en la red, como se ve en la
figura 6.15.
La ruta més corta entre el nodo 1 y cualquier otro nodo de Ia red se determina comenzan-
do en el nodo destino o final, y retrocediendo por los nodos con la informacién que dan las
etiquetas permanentes. Por ejemplo, la secuencia siguiente determina la ruta més corta del no-
do 1 al nodo 2:
(2) [55,4] > 4) > [40,3] +3) > [30,1] >)
Por lo anterior, Ia ruta buscada es 1 + 3—> 4—> 2, con una longitud total de 55 millas. q SO
63. Problema delarutamascorta 227
H08HT
[55.4]
iz (20310)
(O.-la) Qt [904})
Y FIGURA 6.15
oo Procedimiento de etiquetado
de Dijkstra
Se puede usar TORA para generar iteraciones de Dijkstra. Partiendo del menii SoLvi/
wODIFY (resolver/modificar), seleccione S61¥e BEObIGH —> THEraicns —> BLkseEATs
algorithiti (resolver problema/iteraciones/algoritmo de Dijkstra). En la figura 6.16 se ve
el resultado de las iteraciones con TORA, para el ejemplo 6.3-4 (archivo ch6ToraDijks-
traEx6-3-4.1x1)
meee)
a
Eb
FIGURA 6.16
Hteraciones de Dijkstra para el ejemplo 63-4,con TORA Pecan mira
“pt ni en cn stan nn re
‘loo Spel any ees ace ere
‘Sinaia esac Ene cee pal
‘apnea
aaat
Spistenent a een peemaratits 6 Meade joing 241
cairn tate pens
Settee fey im ened pr mec omes D
‘Scions ences ae
cove oc rostenAs 644
1 ie i ni tei
Agere ej mins
‘evosoa bts oes Sasa Cah eae Pos sls ope
‘Sra sano ee
Soe enc eld (234m gu po
‘ena ts ten reais Cade teat of paaes eerie
a omen ene
‘ete ue ya ine eigen ct
ictal) a meee he
eestp ads, Chinas ye cigars om oT
Sm Iyer pn
Ph Gen tel oem er tonridspas aren Open
Peed tree
= gt
ata, tate Sb md mene
Males ceases etc pet ere
‘mete yp nc
eet om tn i pa mc
aa (del cefat Senapcrnn iur = rome pe
I mit he
cpt ia a a sain eters ie
‘ijn ns rename Fexmutcn del probes so msm con programa ns
Seine enact rsa a
‘etm itm lye S's head
Taree pier cnr Dae dca a,
‘ities einem sto ne ee
Diets uth dace
eee
a a ie lin eg 628 2,-1.9 La
Bo an ns peg he a oe i
‘Sige perce ata al Rleae (ssa
Uti ns a cal
in nui esa
ota ini, i na i
Solus polo eo maine on hoje cle xe
‘Sein Sh moan oma nts Ea
‘Salma rtm cn me oe Lape
‘spans gaapo oe enisaeeenon th tamu pn
Toate nes ieee tcp eae
{Scone pci nies Unc eaten
‘Seas secur ereom meret aes 2 enc fe
‘eer scp aden ca re
‘io eet era il pa cere as ae og
Saas ave oan be eke el pegs nuit ek "yn epi ie a io el ple inal pn
‘Ginger ensuite oes ees
‘SSietentenchrtiaairesdenjtaamee Acie scat peice slat
‘seep ar pa cl NB ppc cia
{Gipsy pce deo abs COCO
ates co pope mi nen mre a
rar tes appt a pm ow nose
ome aS Aiea F429 ie CE ne
‘Stneluiouentdsimesane an 12 apmloe Moston rte,
on nn nor i pi Se Sater a el de
‘cose comoa
ae gil i mi cen pc ka Ma
(pe ean des pennant
isc ati gn esr edi 1.82 = 2, 4199 =.
se tasene an NERS NRE =H) cmun rsa
eotectectt errata!
165 pmoHLeua DEL R10 APRITADO CON COs AIM
pl paso cn i ees ses gies
1 Actos ec no de apr oth
1 Cama en tre pono
4 Tender peo mooie
‘mo i er lic enor i
see den ey co ey Sn
{Li Ni agence imal car n'a ima
‘Si neste eH msg es Sr en
‘Sipe ical pecan te sn man a
‘Sica atc aroun elspa nc
65 Represent eno
Seti maton ~ Adon elt ene or
aa eee mato)
4) = ai i a
=m de pane an aed
> Mpc
aie sms tice i aac mp a
settee yam emi he sa ae 2 Speman se
MeroD0s ra vex
on da PM in ei 6 ai th it oh
ees a oui em
oaths eyes atone aterm
‘Soc ane pp ian i 0seeunspu
EN ne del pyc ie pres ‘Meme epnmt poco eee wot
mods pm deb ca sch Ee ce as
‘Sarl ep pee ie rns
‘einen nein gmpem rte cme een
cocncciie tor tects teens ve oe geen
‘Sean tice pincer yop
apertnon ond
Pn ieee ome
ae Cle das pn a
Ne Ct ei
sciatetcnn Ay Por desea fa a
‘ran oe cr meron cen ean sc
{stn fn me ms sneer Smee
‘lene ety hy una pecs a os
‘panna
et maa ii pn cms ete
1 foun de cal hae seid ed?
© Siete ane nro o (662 cles pra cP)
‘al CPM coi contri og ie pute
garam econ serene sana cer
eae enn acme
1 Gimeno eyo ncn
ceeemisemsemeeanemtn tn
Ey mutt cnr ntnscpese same me oe
‘Simi, Snecma
recrcreneee
Sa aces
einer
Scheu
cote %
chert eee
Poh dan en emi eee np mi ro
SS Sac eeeente Pe te ~ pm ar el ree sien eco
‘emma ein acon ola)
Terns deamayi )Y gus temps ee
‘Science pg yeh ast
‘cst aes mas npe oa bey come
= mE Op + Py 2 Dad
"peo ein cui calae e e
‘Streets sn an
bac tn mp nd tdi crc pr mae de cure
ESSee Steels eer pos
Lancer
Samescoenn
memanie Sere ge een aoe
Serene peau canictents
Sale ben)
arg
haca
Ag-aeg-a-0,
Larson inc sen ng ec
SSS gy Sede sccm mere
‘seyetiried dselio hai nna umn
Henna sez
ae. Heroine 0
MOE Goasbscors=s 16 cnet
Nido Sm + Dy.) + Dal ming nS 2818
Niet S-mtda-Sat=
NBoh amin Das Del = dats $2.30 60)
‘aioe = min + Di + De. Oh = a)
Sen uit ae
Lona ian que ope pe rien 2h
anes
Dag 8s > Dah =iint3 — 418 = 3) 3
Die &2 Dal smth =a 5)
‘imc ern so iy = 0
“aden nso yan cen nS Lat
peenmee nace caentieeeteeciraieetcssers
‘Some aban 1. Lace ecm ol es ro
‘Se ea een pe muse pense sn
2. Lar oct gosta e eoepin) ca ra
{een aco are ae nl rm em
Tietermemeseee
open dprnaeet
eebzit pectin oem leo soci ee
Sakari vee am ae ae ‘Siegen Fr aremacme
Sofosetaal ante tr sFP-= Bn gin Gi
“TRA pot ei es pee i
tec apa Por mut ewe = =
(eu pseae oper rt ena rs oe
‘Seman cos fopcgonunp ns etc ay
sSechormetun dss acn ere ope
sep eects ai Secor ume gi as
Se omer e eyelash
"rte Ge cn gn TRA tne ERE
‘apes gape Hops asec omen
eee Sai aur me pipe rental de
‘Steen nunpeis tte cm cru irre um tsps poe
Soke tmnt pnin Hp
SERS Ste cee Tm a tye car and ‘Soret emcee 20.2 Problemascon restricciones 719
of
o
hVaE hn Fy
Entonces,
af—dag=0
Esta ecuacién satisface las condiciones necesarias para puntos estacionarios, porque #4 se calcu-
lade tal modo que V,f = 0. Una forma més cOmoda de presentar estas ecuaciones es sacar sus
derivadas parciales con respecto a todas las x,, Con eso se obtiene
a ae ‘
ax, F— 8) = 0. FLA
Las ecuaciones obtenidas, junto con las ecuaciones de restriccién g(X) = 0, dan como resul-
tado los valores factibles de X y A que satisfacen las condiciones necesarias para puntos esta-
cionarios.
Este procedimiento define al método lagrangiano, o de Lagrange, para identificar los
puntos estacionarios de problemas de optimizacién con restricciones de igualdad. El procedi-
miento se puede desarrollar formalmente como sigue. Sea
L(X, A) = f(X) — Ag(X)
Ala funcién L se le llama funcién de Lagrange, y a los pardmetros se les llama multipli-
cadores de Lagrange. Por definicién, esos multiplicadores tienen la misma interpretacién
que los coeficientes de sensibilidad del método jacobiano.
Las ecuaciones
aL
an
ab _
ax
cexpresan las condiciones necesarias para determinar los puntos estacionarios de f(X) sujetos a
a(X) = 0, Las condiciones de suficiencia para el método de Lagrange se enunciarén sin de-
mostracién, Se define
o\P
w-(et8)
PPL Qinsnyxim+n)
» = Pee
ax,0x,
0, 0
en donde
Yes)
V8m (X) mon
La matriz Hes la matriz hessiana de frontera 0 acotada.
Dado el punto estacionario (X,, Xo) de la funcién lagrangiana L(X, d) y la matriz. hes-
siana de frontera H® evaluada en (Xp, Ag), entonces Xp es
. para todaiyj
1. Unpunto maximo si, comenzando con el determinante principal mayor de orden (2m + 1),
los diltimos (n — m) determinantes menores de H® forman una pauta de signos alternativos
con (-1)""1,
2. Un punto minimo si, comenzando con el determinante menor principal de orden (2m + 1),
os diltimos (n —m) determinantes menores principales de H” tienen el signo (-1)". 720 Capitulo 20 Teoria clésica de la optimizacion
Estas condiciones son suficientes, pero no necesarias, para identificar un punto extre-
mo, Esto quiere decir que un punto estacionario puede ser un punto extremo sin satisfacer
esas condiciones.
Existen otras condiciones que son necesarias y suficientes al mismo tiempo, para iden-
tificar puntos extremos. Sin embargo, el procedimiento puede ser computacionalmente inma-
nejable. Se define la siguiente matriz en el punto estacionario (Xo, Ag):
s-(rtota)
donde 1 es un parémetro desconocido. Se considera el determinante |A|; entonces, cada una
de las (n—m) rafces reales p. del polinomio
[a] =0
debe ser
1, Negativa si Xo es un punto maximo.
2. Positiva si X, es un punto mfnimo,
Ejemplo 20.2-4
ara el problema del ejemplo 20.2-2, la funcién de Lagrange es
L(X, d) = x4 + x3 + 29 — AQ + xp + 3x5 — 2) — Aru, + 2x + x3 — 5)
Esto produce las siguientes condiciones necesarias:
aL
ax,
aL
ax,
aL
ax
ok
a
aL
ay
= 2x, = A, — 2k = 0
2x; — 3h — = 0
(+) + 3x3 -2)=0
0
=x, + 2x + 33 - 5)
La solucién de esas ecuaciones simulténeas es
Xp = (1s Xa, 23) = (0.8043, 0.3478, 0.2826)
2 = Qs As) = (0.0870, 0.3043)
En esta solucién se combinan los resultados de los ejemplos 20.2-2 y 20.2-3. Los valores de
Jos multiplicadores de Lagrange \ son iguales a los coeficientes de sensibilidad obtenidos
el ejemplo 20.2-3 (salvo errores de redondeo). El resultado demuestra que esos coeficientes
son independientes de la elecciGn de Y, el vector dependiente en el método jacobiano. 20.2 Problemas con restricciones 721
Para demostrar que este punto es un minimo, considérese
Como n = 3 y m = 2,n—m = 1y se debe comprobar sélo el determinante de H®, que debe
tener el signo de (~1)" para que el punto estacionario X, sea un minimo. Como H’ = 460 > 0,
X? es un punto minimo.
Ejemplo 20.2-5
Se tiene el problema
Minimizar z = xf + x3 + x3
| sujeta a
4x, + x9 + 2x, - 14
La funcién de Lagrange es
UK )= 4 +d + B-day tht 2y- 14)
Las condiciones necesarias correspondientes son
aL
get =O
GE = dey — 2d =
ea 2xy — 2
od (ax, +3 + 2x - 14) = 0
Estas ecuaciones tienen una infinidad de soluciones porque 3: = 0 es independiente de.x,..A
manera de ejemplo se examinardn las tres soluciones siguientes:
(Kos Ao = @, 2, 1, 1)
(Xo Moh = 2, -2, 1, 1)
(Ko, dos = 28, 0, 14, 1.4)
Con las condiciones de suficiencia se obtiene
ines tg™> cep aio Ty
4s opie Qa ig
H’= lon 0 2-2. 0
Dns Opolisa etoe 722 Capitulo 20 Teoria clasica de la optimizacion
Como m = 1 yn = 3, para que un punto estacionario sea minimo, el signo de los iiltimos
(3 1) = 2. determinantes menores principales debe ser igual al de (-1)" = -1. Entonces, pa- |
1a(Xp Ao = 2,2, 1, Ds
page F200 |
4 2 0] =-32<0, = -64 <0
40 0 agri eae
2 Ouse 2
Para (Ko, hg)> = (2-2, 1, 1), |
04-4 ag a
42 0) =-32<0, = -64<0 |
ee -40 0 0
200.2]
Por ultimo, para (Xo, Xo); = (2.8, 0, 1.4, 1.4)
poncrgieyen ltt: Tf
4 2 0] =128>0, =32>0
Raion 0 0-08 0
a 20 0 2
Esto demuestra que (Xq); y (Xo), Son puntos minimos y que (Xq); no satisface las condiciones
de suficiencia para ser méximo 0 mfnimo. Esto no quiere decir que no sea un punto extremo,
porque estas condiciones s6lo son suficientes.
Para ilustrar el uso de la otra condicién de suficiencia que emplea las raices de un polino-
mio, se tiene
gate a 2x 2
a-[4 278 0 0
2x, 0 2-2 0
220 0 2-w
Ahora, para (Xo, Ap), = (2,2, 1,1),
|A| = 9n? — 26p, + 16 = 0
Esto resulta en 2. = 2.05. Como toda p. > 0, (Xo) = (2, 2, 1) €s un punto mfnimo. Para (Xo,
Aol = 2,-2, 1, Ds
|A| = 9p? — 26 + 16 = 0
igual que en el caso anterior. Por consiguiente, (Xq) = (2,~2, 1) es un punto minimo. Por tl-
timo, para (Xp, No)s = (2.8, 0, 1.4, 1.4),
jA| = Sp? — 6p-8 = 0
ae caso, p. = 2 y -0.8, que quiere decir que no se conoce la identidad de (Xq); = (2.8,
CONJUNTO DE PROBLEMAS 20.2C
1. Resuelvael siguiente problema de programaciGn lineal con los métodos jacobiano y de Lagrange: 214
214.4
CAPiTULO 21
Algoritmos de programaci6n
no lineal
Los métodos de solucién de la programacién no lineal se pueden clasificar, de manera general,
en algoritmos directos o indirectos. Como ejemplo de los métodos directos estén los algorit-
mos de gradiente, donde se busca ¢l maximo (el minimo) de un problema siguiendo la mayor
tasa de aumento (disminucién) de la funcién objetivo. En los métodos indirectos, el problema
original se sustituye por otro del cual se determina el dptimo. Como ejemplos de estos casos
estén la programacién cuadrética, la programacién separable y la programacién estocéstica
ALGORITMOS SIN RESTRICCION
En esta seccidn se presentardn dos algoritmos para el problema no restringido: el algoritmo de
biisqueda directa y el algoritmo de gradiente.
Método de busqueda directa
‘Los métodos de btisqueda directa se aplican principalmente a funciones estrictamente unimo-
dales de una variable. Aunque puede parecer trivial el caso, la seccién 21.1.2 muestra que la
optimizacién de funciones de una variable juega un papel clave en el desarrollo de los algorit-
‘mos de varias variables, més generales.
La idea de los métodos de busqueda directa es identificar el intervalo de incertidum-
bre que comprenda al punto de solucién 6ptima. El procedimiento localiza el 6ptimo estre-
chando en forma progresiva el intervalo de incertidumbre hasta cualquier grado de exactitud
que se dese,
En esta secci6n se presentan dos algoritmos estrechamente relacionados: los métodos de
biisqueda dictomo y de seccién dorada (0 durea). Ambos buscan la maximizacién de una fun-
ci6n unimodal f(x) en el intervalo a < x = b, que se sabe que incluye el punto éptimo x". Los
dos métodos comienzan con /y = (a, b) que representa el intervalo inicial de incertidumbre.
731 732 Capitulo 21 Algoritmos de programacién no lineal
Paso general i, Sea J,_, = (21, X,) el intervalo actual de incertidumbre (en la iteracién 0,
). A continuacién se definen x, y x, tales que
= ay R=
XL Sm S02 fle), entonces x, < x < x2, Se definen xg = x2 € 1; = (tz, 42) (véase la
figura 21.2[a)).
2 Si fly) < fr) entonces x, < x" < xp. Se definen x, = x € f; = (%1 ¥9) (véase la
figura 21.1[b]).
3. Si fly) = flx,) entonees x, < x" < xp, Sedefinen x; = x, Xe = 20K, = (ty 4)
La manera en que se determinan x, y x, garantiza que J; <,_,, como se demostraré en
breve. El algoritmo termina en la iteracién k si J, = A, donde A es un grado de exactitud defi-
nido por el usuaric »
La diferencia entre los métodos dieétomo y de seccién dorada estriba en Ia forma en
‘que se calculan x, y.x,. La tabla siguiente presenta las férmulas.
Método dicotomo Método de la seccién dorada
e+ t.- A) mate Yer ~ £1)
ie tanta) mast CON)
FIGURA 21.1
Iustracion del paso
general de los
métodos de bisqueda
dicétomo y de la
secei6n dorada
@ (b) —— ET
21.1 Algoritmos sin restriccion 733
En el método dicétomo los valores x, y x, se encuentran simétricos respecto del punto
medio del actual intervalo de incertidumbre. Esto significa que
4, = 05-1 + A)
La aplicaci6n repetida del algoritmo garantiza que la longitud del intervalo de incertidumbre
se acercard al nivel de exactitud deseado, A.
En el método de la seccién dorada la idea es de mayor involucramiento. Se puede apre-
ciar que cada iteracién del método dicétomo requiere calcular los dos valores f(x,) y flr). pe-
ro termina por descartar alguno de ellos. Lo que propone el método de la seccién dorada es
ahorrar célculos mediante el reuso del valor descartado en Ia iteracién inmediata siguiente.
Para definir 0 fr) => x1 = 145, 1, = (145, 3) flax) > fu;
Ieracion 2 Ieracion2
3) rasa) T= (1-146, 3) = (x1, x8)
G+ 145 ~ O11) = 2.175, flu) = 5.942 xy = xrenllaiteracién 0 = 1.854, fly) = 5.562
5Q + 145 +01) = 2275, fix:)= 5908 xy = 1.146 + O618G ~ 1.146) = 2.292, flea) = 5.908
Fle) x4 = 2.275, fy = (LAS, 2.275) fle) > fly), = 1.854, 1 = (1854, 3)
Al-continuar de 1a misma forma, el intervalo de incertidumbre terminard por estrecharse hasta
latolerancia A deseada.
La plantilla ch21DichotomousGoldenSection.xls de Excel esté disefiada para manejar
cualquiera de estos dos métodos en forma automitica. Los datos son f(x), a, b y A. La funcién
_flx) se eaptura en la celda E3 como sigue:
SIF (C3<42, 3*C3, (=C3420) /3)
Obsérvese que C3 hace el papel de x en ftx). Los limites a y b se escriben en las celdas BA y
D4, que representan el intervalo admisible de busqueda de /(x). También, el limite de toleran-
cia A se escribe en la celda B3. El método de busqueda se selecciona ingresando x en D5 (di-
cétoma) o en FS (seccién dorada).
En la figura 21.2 se comparan los dos métodos. La seccién dorada no sélo requiere 40%
‘menos iteraciones, sino que también implica menos célculos por iteraci6n, como se explicd
antes.
CONJUNTO DE PROBLEMAS 21.18
1. Use la plantlla ch21DichotomousGoldenSection.xls de Excel para resolver el ejemplo 21.1-1
suponiendo que A = 0.01. Compare la cantidad de célculos y la exactitud de los resultados con
fos de ta figura 21.2
2. Determine el maximo de as siguientes funciones pr bisqueda dcstoma. Suponga que A = 0.0.
Df= Gay tss4
») fi) Osxst
9 f) 15sx525
@ fax) 2sxs4
_ [4 osrs2
9 f-{F, Qexs4
3. Deduzca una ecuacién para determina la cantidad maxima de teaciones necesarias para termi-
nar el método de bisqueda dicétoma para determinado valor de A y un intervaloiniial de incer-
tidumbre = ba 21.1. Algoritmos sin restriccion 735
FIGURA 21.2
Resultados del ejemplo 21.1-1 obtenidos
con los métodos dicétomo y de la seccién
dorada,en Excel
21.1.2, Método del gradiente
En esta secci6n se presenta un método para optimizar funciones que son doble continuamente
diferenciables. La idea es generar puntos sucesivos en la direccién del gradiente de la funcic:
El método de Newton-Raphson presentado en la seccién 20.1.2 es un método de gra-
diente para resolver ecuaciones simulténeas. En esta seccién se presenta otra técnica, llamada
método de ascenso (0 descenso) més pronunciado o de la pendiente més inclinada.
El final del método del gradiente se encuentra en el punto donde el vector gradiente se
anula, Esta s6lo es una condicién necesaria para la optimalidad. La optimalidad no se puede
comprobar a menos que a priori se conozca que f(X) es c6ncava o convexa,
Supongamos que se busca el maximo de f(X). Sea X° el punto inicial donde se inicia el
procedimiento, y se define a Vf(X*) como el gradiente de fen el punto X*. Se trata de determi-
har una trayectoria particular p a lo largo de la cual $5 se maximice en un punto dado. Esto se
Jogra si se seleccionan los puntos sucesivos X* y X**! de tal modo que
XM = XE + VAX!
donde r* es el tamaiio de paso éptimo en X*. 736 Capitulo 21 Algoritmos de programacién no lineal
El tamajio de paso se determina de tal modo que el siguiente punto, Xx" conduzca al
mayor mejoramiento de f. Esto equivale a determinar r= r* que maximice la funcién
We) = ft + rVACX]
Como h(r) es funcién de una variable, con el método de biisqueda de la secci6n 21.1.1 se pue-
de determinar el punto dptimo, siempre que h(r) sea estrictamente unimodal.
El procedimiento propuesto termina cuando dos puntos sucesivos de prueba, X" y X"*',
son aproximadamente iguales. Esto equivale a que
AVACK) ~ 0
‘Ya que r* # 0, la condicién necesaria Vf(X*) = 0 se satisface en
Ejemplo 21.1-2
Se tiene el siguiente problema:
Maximizar f(x), 2) = 4x, + 6x2 — 2x} — 2xyx, — 283
El 6ptimo exacto estd en (xy', x7) = G, 3)
Para resolver el problema con el método de la pendiente més inclinada, se determina el
gradiente:
VAX) = (4 — 4x — 2x, 6 — 2x, — 44)
La naturaleza cuadritica de la funcién hace que los gradientes en dos puntos sucesivos cua
Tesquiera sean ortogonales (perpendiculares entre sf). Si el punto inicial es X° = (I, 1), lafi-
‘gura 21.3 muestra los puntos solucién sucesivos.
FIGURA 21.3 $5
Maximizacin de flr, 2) = 44 +
2 ~ 2 — 2eyay ~ 2x3 con el método
de la pendiente mas pronunciada
SUR) = 4, + 6xq ~ 20 ~ Depey — 283 21.1 Algoritmos sin restriccion 737
Tteracién 1.
WAX”) = (-2, 0)
EI siguiente punto X' se obtiene con la ecuacién
X = (1,1) + r(-2, 0) = (1 - 2, 1)
Ast,
A(r) = fl = 2r, 1) = -2(1 = 2rP + 21 = 27) + 4
El tamaiio dptimo del paso se obtiene usando las condiciones necesarias clésicas del capitulo
20 (también se podrian usar los algoritmos de biisqueda de la secci6n 21.1.1 para determinar
el Gptimo). El valor maximo de h(r) es r! = 3, que da como resultado el siguiente punto de
solucién, X' = G, 1).
Ite eB
VAX!) = ©, 1)
x Y+rO,)=G1+7
Wr) = -AL + 7h +S + +3
y® = 6,9.
Se obtiene asf 7
Iteraci6n 3.
hy) = 1 - FP +3 + 8
Por consiguiente, P = jy X*
Iteracién 4,
VAX) = (0)
UG) Ro +n+8
Por consiguiente, r! = jy X*
Iteracién 5.
VAX!) = (0)
X=@ i) + 7(-% 0)
7 ie)
NO) = ~a@ —1F + AB — 7) + ie
Por consiguiente, ’ = ty X* = (U, 2)
Tteracién 6.
VAX!) = 0.79
‘Como Vf(X°) ~ 0, se puede terminar el proceso en este punto, El punto maximo aproxi-
mado es X* = (0.3438, 1.3125). El 6ptimo exacto es X" = (0.3333, 1.3333). 738 Capitulo21__Algoritmos de programacién no lineal
21.2
CONJUNTO DE PROBLEMAS 21.18
1, Demuestre que, en general, el método de Newton-Raphson (Seccién 20.1.2), al aplicarse a una
funcién cuadrética estrictamente céncava converge exactamente én un paso. Aplique el método
para maximizar
f(%) = 4x, + 6xy = 2a} = Quy — 24
2. Haga cuando mucho cinco iteraciones para cada uno de los siguientes problemas, usando el mé-
todo de pendiente més inclinada. Suponga que en cada caso X° = 0.
a) Minimizar f(X) = (x, - x7) +(1-x,)
b) Maximizar f(X) = eX + XTAX
en donde
ALGORITMOS CON RESTRICCION
El problema general de programacién no lineal con restricciones se define como sigue:
Maximizar (0 minimizar) z = f(X)
sujetaa
ax) <0
Las condiciones X = 0 de no negatividad forman parte de las restricciones. También, al me-
‘nos una de las funciones /(X) y g(X) es no lineal, y todas las funciones son continuamente di-
ferenciables.
No existe algoritmo general para manejar modelos no lineales, por el comportamiento
erratico de las funciones no lineales. Quiz4 el resultado mas general aplicable al problema es
el de las condiciones KKT (Seccién 20.2.2). La tabla 20.2 muestra que a menos que f(X) y
‘2(X) tengan buen comportamiento (condiciones de convexidad y concavidad), las condicio-
nes KKT sélo son necesarias para alcanzar la optimalidad.
En esta secciGn se presentan varios algoritmos que se pueden clasificar en general co-
‘mo métodos indirectos y directos. Con los métodos indirectos se resuelve el problema no li-
‘neal manejando uno o més programas lineales derivados del programa original. Los métodos
directos manejan el problema en su forma original.
Los métodos indirectos que se presentan en esta secci6n incluyen la programacién st
parable, cuadrética, geométrica y estocdstica. Entre los métodos directos esté el de combinacio
nes lineales, y presentaremos una breve descripcién de la técnica de maximizacién secuencia,
sin restricciones. Se pueden encontrar otras técnicas no lineales importantes en las referencia
seleccionadas al final del capftulo. 21.2. Algoritmos con restriccion 739
21.2.1 Programacién separable
Una funcisn f(x, 13... ,) €s separable si se puede expresar como la suma de n funciones de
una variable, f(), fl) + f(,), €st0 €s
L015 Fi Xn) = file) + fie) +. + Ln)
Por ejemplo, la funci6n lineal
ey Nay Hn) = XL + ky + 2 + Uy,
es separable (los parémetros a, i= 1, 2, ...m, son constantes). Al revés, la funcién
AK, x2, X) = x} + xy sen(x, + x4) + xe"
no es separable.
Algunas funciones no lineales no son directamente separables, pero se pueden transfor-
mar con las sustituciones adecuadas. Por ejemplo, el caso de maximizar z = x,%. Siy = x;x3.
entonces In y = In x, + In x,, y el problema se transforma en
Maximizar z = y
sujetaa
Iny = Inx, + Inxy
que ya es separable. En la sustitucién se supone que x, y x, son variables positivas; en caso
conttario, la funcién logarftmica no esté definida.
El caso en el que x, y x, asumen valor cero (es decir, x,, x» = 0) se puede manejar en la
siguiente forma. Sean 8, y 6, constantes positivas, y se definen
wy =x +8)
Wy =x) + &
Las nuevas variables w, y w, son estrictamente positivas. Ahora
Hpk = yw, — Baw — BW. + ByBy
Siy = w,W,,el problema se plantea como sigue:
ae
Maximizar z = 1W2 + BB,
sujeta a
Iny = Inw, + Inw,
y= 0, 9) = 8, w2 = &
Este nuevo problema es separable.
Entre los ejemplos de ouas funciones que se pueden hacer separables mediante sustitu-
ciones estén e*** y xf, Se puede aplicar una variante del procedimiento que acabamos de
presentar en esos casos, para llegar a la separabilidad.
La programacién separable maneja problemas no lineales en los que la funci6n objetivo
y las restricciones son separables. Esta secci6n indica c6mo se puede obtener una solucién de
— 740
Capitulo 21 Algoritmos de programacién no lineal
cualquier problema separable, mediante aproximaci6n lineal y el método simplex de la pro-
‘gramacién lineal
La funcién f(x) de una sola variable se puede aproximar mediante una funcién lineal en
intervalos, con programacién entera mixta (Capitulo 9). Supongamos que se debe aproximar
Aflx) en un intervalo [a, b]. Se define a,, k = 1, 2,.... K como el k-ésimo punto de quiebre (0 de
discontinuidad) en el eje x tal que a, f(x)
sujeta a
Dalle) Py >*** > Pxyp lo que quiere decir que cuando p
a 1 1 2 20 ty
-1 d, 1 8 6 om
-1 3 1 18 Woy
-1 4 1 322 te
Entonces, el problema completo viene a ser
Maximizarz © x, + xq + xy — 2 — Xn — tw — Xo
sujetaa
Bry, + 45x + 1953 + rt Int mt x = 243
Xt xy + Xy + 2xj2 + Oxy + 10x, + 14xy = 32
yt yt xy 221
tnt mt tat xg 235
OSmq51, k= 123
O 0 cuando x,
no esté en su cota superior.
8. Resuelva el siguiente problema de programacién como separable convexo.
f+ Oey +3}
Minimizar z
sujeta a
x]tmtxisa
jx +] 50
15 = 0
x, de signo no restringido
9. Resuelva el siguiente problema de programacién convexa separable convexo.
Minimizar z = (%, — 2° + 4x) ~ 6)
sujeta a
6x, + Hy + 1)? = 12
xi 20
21.2.2. Programacién cuadratica
Un modelo de programacién cuadrética se define como sigue:
Maximizar z = CX + X"DX
sujetaa
AX=b,X=0
en donde
XK Op ae a)”
C= Crs C5--- Cn)
Bb =p, Baye Brn)”
Mn
A= 3
Bn
dy,
D= "
GRO tan
La funci6n X"DX define una forma cuadratica (Seccién A.3). Se supone que la matriz.
Des simétrica y negativa definida. Eso quiere decir que z es estrictamente c6ncava, Las res-
tricciones son lineales, lo que garantiza que el espacio de soluciones es convexo.
La soluci6n de este problema se basa en las condiciones KKT necesarias. Como z es
estrictamente c6ncava y el espacio de soluciones es convexo, esas condiciones también son
suficientes para tener un éptimo global, como se ve en la tabla 20.2, seccién 20.2.2 748 Capitulo 21 __Algoritmos de programacién no lineal
Se describiré el problema de programacién cuadritica para el caso de la maximizaci6n.
Es trivial cambiar la formulacién para el caso de la minimizacién. El problema se puede plan-
tear como sigue:
Maximizar z = CX + X’DX
co(*)e-(@)=#
R= Qa Ravers Red”
U = (ay Bases Be)”
los multiplicadores de Lagrange correspondientes a los dos conjuntos de restricciones AX ~ b
<0y-X <0, respectivamente, Al aplicar las condiciones KKT se obtiene
d=0,U=0
Vz — (a1, UWVG(X) = 0
sujeta a
Sean
a(o - a) =O Pele 2 ox
a
0, FA Qern
AX sb
-X=0
BX)
Ahora
vz =C + 2x'D
Sean $ = b— AX = O las variables de holgura de las restricciones. Las condiciones se reducen a
-2X"D +X7A-— UT =C
AX+S=b
= 5; para toda iy j
A, U,X,S20
BX}
Como D’ = D, la transpuesta del primer conjunto de ecuaciones se puede escribir en la forma
—2DX + ATA — U = CT
Por consiguiente, se pueden combinar las condiciones necesarias como sigue:
x
2D A’ -1 0\/a]_ (c™
A 0 0 Iu)” \b
s 21.2. Algoritmos con restricci6n 749
byx) = 0 = AS, paratodaiyj
AU,X,S=0
Excepto por las condiciones 1.x, = 0 = 2,S;, las ecuaciones restantes son funciones lineales en
X, A, Uy S. Entonces, el problema equivale a resolver un sistema de ecuaciones lineales con
las condiciones adicionales wx, = 0 = 2,5, Como z es estrictamente céncava y el espacio de
soluciones es convexo, la solucién factible que satisfaga todas esas condiciones debe ser tinica
y Optima.
La solucién del sistema se obtiene usando la fase I del método de dos fases (Seccién
3.4.2). La tinica restriccin es satisfacer las condiciones XS, a. Esto quiere decir que
A, y S;mo pueden ser positivas al mismo tiempo. De igual modo, 1, yx, no pueden ser positi-
vvas al mismo tiempo. Es la misma idea que la de la base restringida que se us6 en la seccién
21.2.1.
En la fase I se igualardn a cero todas las variables artificiales s6lo si el problema tiene
un espacio factible.
Ejemplo 21.2-3
Se tiene el problema
Maximizar z = 4x, + 6x2 — 2x} — 2xpx, — 233
sujeta a
nt+2n 52
X20
Este problema se puede llevar a la forma matricial como sigue:
Maximizar z = (4, 4(%) + (ty a3 =e)
sujeta a
Xm = 0
Las condiciones de Kuhn-Tucker son
4
A_2—f—1- _0__o\ 52 4
24572250 —-1 Of] | =16
> s2:or wai postr Miiy Rien 2 750 Capitulo 21 __Algoritmos de programacién no lineal
La tabla inicial para la fase I se obtiene introduciendo las variables artificiales R, y R,. En-
tonces,
Bésica oy RRs Solucién
Goin O zslarQhinibeG 10
Ro 4 2 Hoe St Grn 4
R22 4 ee 6
5 tab 1: o 0 1 2
Iteracién 1. Ya que p = 0, la variable de entrada mas prometedora x, se puede hacer bési-
acon R, como variable saliente. As{ se obtiene la siguiente tabla:
Bisica “ ys Solucién
Ty : en eee
af el od + oo al
mR 0 3 : ee eee
s 0 7 i ee!
teracién 2, La variable més prometedora es x, y se puede hacer bésica porque 4; = 0.
Entonces,
Baia on he RR Solin
a ee ao ee
m1 OO Coe GS oF
R00 0) Bal ole xg’stt spoug wegunoideng
0 4 bo Oh 3
Iteracién 3. Como s, = 0, se puede introducir A, en la soluci6n. Se obtiene entonces lo si-
guiente:
in yy RR 4 Soleion
78 0 0 0 0 - °°
an 1 0 0 4 ooo 8
Ay 0 0 1 0 0 } -1 1
icing. \0 papa psodkir A spear cond sipiesg
La tltima tabla contiene a solucién éptima para la fase I. Como r= 0, la
solucién x; .€s factible. El valor Gptimo de z se calcula a partir
del problema original yes igual a4.16. 21.2. Algoritmos con restriccién 751
ert FIGURA 21.5
Solucién del problema de
programacién cuadritiea,
‘ejemplo 21.2-3, con Excel
Para resolver el problema de programacién cuadritica se puede usar Excel Solver. La
figura 21.5 muestra la solucién del ejemplo 21.2-3 (véase el archivo ch21SolverQuadratic-
Programming.xls). Los datos se ingresan en forma parecida a la que se usa en la programa-
cin lineal (véase la secci6n 2.4.2). La diferencia principal esté en la forma en que se escribe
Ja funcién no lineal. En forma especifica, en el ejemplo 21.2-3, la funcién objetivo no lineal
2 4x, + 6x = 2x} = Qnyay — 2G
se ingresa en la celda objetivo DS como sigue:
=A*BLo+e+ci0-2+B10°2-2*BL0+cL0—24c10"2
En consecuencia, las celdas cambiantes B10 y C10 representan a x; y x5. Observe que las cel-
ddas BS:CS no se usan en este modelo. Para facilidad de lectura se ingres6 el simbolo NL (no
lineal) para indicar que la restricci6n asociada es no lineal. También, el lector puede especifi-
car la no negatividad de las variables ya sea en el cuadro de didlogo Opciones 0 affadiendo
restricciones explicitas de no negatividad.
CONJUNTO DE PROBLEMAS 21.2B
1. Setiene el problema
Maximizar z = 6x; + 3x, — 4xyv2 — 2x} ~ 3x3 752 Capitulo 21 _Algoritmos de programacién no lineal
sujetaa
ut msl
2x +354
tym 20
Demuesire que z es estrictamente céncava, y a continuacién resuelva el problema usando e! al-
goritmo de programacién cuadratica
2. Se tiene el problema
Minimizar z = 2x} + 2x} + 3x3 + Qeyry + eos + x1 — 3% — Sts
sujetaa
at atyel
3x + 2 + 25 56
My Fa XO
Demuesire que z es estrictamente convexa y a continuacién resuélvala con el algoritmo de pro-
gramacién cuadrética,
21.2.3: Programacién geométrica
La programaci6n geométrica tiene que ver con problemas en los que las funciones objetivo y
de restriccién son del siguiente tipo:
en donde
Se supone que toda c, > 0 y que Nes finita. Los exponentes ay tienen signo no restringido, La
funcidn f(X) toma la forma de un polinomio, excepto que los exponentes a, pueden ser nega
tivos, Por esta raz6n, y como toda c, > 0, f(X) se llama posinomio.
En esta seeci6n se describird el caso de programacién geométrica sin restricciones. El
tratamiento del problema con restricciones sale del alcance de este capitulo. Beightler y aso-
ciados (1979, capitulo 6) presentan una deseripci6n detallada del tema.
‘Veamos la minimizacién de la funcién posinomial f(X). A este problema se le llamaré
primal. Se supone que las variables x, son estrictamente positivas, por lo que la regién x, = 0
€s no factible, Mas adelante se demostrard que el requisito x, > 0 juega una parte esencial en
la deduccién de los resultados.
La primera derivada parcial de z debe anularse en un punto minimo. Entonces,
4 21.2. Algoritmos con restriccién 753
Sea z’ el valor minimo de z, Entonces, z’ > 0, porque z es posinomial y cada x, > 0. Definire-
mos a
Asi,y, > Oy Ziv;
de la funcidn objetivo 2". De este modo, las condici
sigue:
_EL valor de y representa la contribuci6n relativa de U, al valor 6ptimo
es necesarias se pueden escribir como
x
Dow; =0 k= Q..0
A
Estas son las Ilamadas condiciones de ortogonalidad y de normalidad, y produciran una so-
lucién Gnica para y; sin + 1 = Ny todas las ecuaciones son independientes. El problema se
complica més cuando N > n + 1, porque ya los valores de y, no son tinicos. Después se de-
‘mostraré que ain en este caso, la y, Gptima es nica,
Dada y,’, se pueden determinar los valores de 2" y x," como sigue:
z=@y
, o
Este paso se justifica porque 2j=1ayy) = 0. El valor de 2" se conoce una vez que todas las y;
se hayan determinado, Entonces, dada y," y z", se puede determinar U;" = y,*z. Al resolver en-
tonces las siguientes ecuaciones se obtiene 2;"-
G= olan, J#1,2
El procedimiento indica que la solucién del posinomio original z se puede transformar en la
solucién de un conjunto de ecuaciones lineales en y,, Esas ecuaciones son las condiciones ne-
cesarias para un minimo. Se puede demostrar que esas ecuaciones también son suficientes. La
‘demostracidn se puede ver en Beightler y asociados (1979, pg. 333).
a ee
N 754 Capitulo21 _Algoritmos de programacion no lineal
En realidad, las variables y, definen las variables duales correspondientes al problema z
primal. Para ver esta relacién, considérese el problema primal en la forma
= 33)
Ahora se define la funci6n dual
Como E jy, = Ly y; > 0, entonces
wsz
Este resultado se basa en la desigualdad aritmético-geométrica de Cauchy, que establece que
Una consecuencia inmediata de la desigualdad w = zes la siguiente ecuaci6n:
w= max w = min z= 2"
Ejemplo 21.2-4
En este ejemplo se examina un problema en el que N = n + 1, de modo que la solucién de las
condiciones de ortogonalidad y de normalidad es tnica. Después sigue un ejemplo que ilustra
elcasoenel queN > n+ 1.
Se tiene el problema
Minimizar z = Txyx3! + 3xpx5? + 5xj
Este problema se puede escribir en la siguiente forma:
aks + XX
Minimizar z = Tr}xj!x$ + 3xdehx5? + Sxptehe} + xpche}
Entonces,
(ey €3 64) = (7, 3, 5, 1)
a a2 a3 Oy shail sae ac
@ a ay ay}=|-1 1 1 1
ay dy Ay Oy, oF Ts
Asf, las condiciones de ortogonalidad y de normalidad se expresan como sigue:
1 0 -3 1\fy\ fo’
-1 1 1 1/fy}_fo
0 -2 1 1ffys]> Jo
Leentagns ial Wepron\e 21.2 Algoritmos con restriccion 755
Con ellas se llega a la solucién tnica
VTRMR=HH
(D0)
Za()G
2 6
En consecuencia, de la ecuacién U;" = yz",
Txyxq! = U, = X15.23) = 7.615
Bxyxy? = Uy = (15.23) = 2.538
Asi,
Sxj3xpx3 = Us = 915.23) = 3.173
2xyxes = Uy = 15.23) = 1.904
La solucién de estas ecuaciones es
Xj = 1.316, x3 = 1.21, x3 = 12
que es la solucién éptima del problema,
Ejemplo 21.2-5
El problema es
Minimizar z = Sxyx;! + 2xj!x, + Sxy +34!
Las condiciones de ortogonalidad y normalidad se expresan con
1-11. olf) [o'
-1. 1 0 -1/7?/=/0
1c AP dame |
4
Como W > n + 1, esas ecuaciones no conducen a y,en forma directa. Al despejar y,,.y2¥.y3 en
funcién de y, se obtiene
1 -1 1\[y 0
-1 1 Offyl=| ¥
1 1 flys) (ty
osea
31 = 0.51 — 3y,)
Ya = OSL — ys)
Ys = Ya
El problema dual asociado es
veiniore-(ogriay) Casta) Gy) 756 Capitulo 21 —_Algoritmos de programacién no lineal
Maximizar w equivale a minimizar In w. Sin embargo, esto tiltimo es més facil de manipular.
Asi,
Inw = O.5(1 ~ 3y,jin10 ~ In(1 — 3y9} + O.5(1 — yond ~ In(l ~ yo} + yan ~ 2Inyd)
El valor de y, que maximiza a In w debe ser tinico (porque el problema primal tiene un mini-
‘mo tinico). Entonces,
alnw
aye
Esto, después de simplificar, se transforma en
-in(? pe 10) + w(¢ = 3y0'l = 2)
= (Hin 10 - Hind + InS) + (1 — 3y,) + Hn(1 — ys) — 2Inys =
is yi
osea
(1 — 3y,.P(1 —
VE=HF0= 9) _ 196
yh
que da como resultado y," ~ 0.16. En consecuencia, y;" = 0.16, y," = 0.42 yy," = 0.26.
El valor de z’ se obti
59252, p2GEP6 = 9,661
Por consiguiente
Us = 0.16(9.661) = 1.546 = 5x,
U, = 0.169.661) = 0.1546 =
La solucién de estas ecuaciones es x," = 0.0309 y x," = 0.647.
CONJUNTO DE PROBLEMAS 21.2C
1. Resuelva el siguiente problema con programacién geométrica.
Minimizar z = 2xj'x} + xfs? + dx}
xy > 0
2. Resuelva el siguiente problema con programacién geométrica.
Minimizar 2 = Sxjx3'x4 + xi2xj + 10x} + 2x45?
Xn ty > 0
3. Resuelva el siguiente problema con programacién geométrica.
Minimizar z = 2x}x3° + 8xj°x) + Bayan
xh >O
4. Resuelva el siguiente problema con programacién geométrica.
Minimizar 2 = 2x} + 4x2 + xp
my >0
a 21.2 Algoritmos con restricci6n 757
21.2.4 Programacién estocastica
La programacién estocdstica tiene que ver con situaciones en las que algunos o todos los pa-
rrimetros del problema son variables aleatorias. Esos casos son tipicos en los problemas de la
vida real, donde puede ser dificil determinar con certidumbre los valores de los pardmetros.
La idea de la programacién estocéstica es convertr el problema probabilistico en un caso
deterministico equivalente. En esta secciGn se explicard la programacién restringida por el
azar, que se define como
Maximizar z = >) ¢)x)
A
sujeta a
*
El nombre “restringido por el azar” se debe a que cada restriccién ocurre con una probabili-
dad minima de 1 —0,, 0
iy SO
Que se puede escribir como sigue:
Sayx)— 6 50
ft
Como todas las a, y 6, tienen distribucién normal, 5}-,4x; — 6, también es normal.
Esto demuestra que la restriccién por azar se reduce al caso 1, y se maneja en forma similar.
Ejemplo 21.2-6
Se tiene el problema restringido por el azar
Maximizar z = Sx; + 6x2 + 3x5
sujeta a
Payx; + ay, + airy = 8} = 0.95
P(Sx; + x2 + 6x3 = by} = 0.10
My 5 = 0
Se supone que todas las a, son variables aleatorias independientes y normalmente distribui-
das, con las siguientes medias y varianzas:
Efay} = 1, Elan}
var{ay} = 25, var{a;.}
9
, Elars}
16, var{a,s)
El pardmetro d, tiene distribucién normal con media 7 y varianza 9.
De acuerdo con las tablas de la distribucién normal estindar del apéndice D,
K, = Kons © 1.645, Ko, = Koyo © 1.285 760 Capitulo 21 Algoritmos de programacién no lineal
Las dos restricciones se convierten en forma deterministica a
X, + 3x, + 9x3 + 1.645 25xq + 16x} + 4x5 = 8
Sky + x, + 6x = 7 + 1.285(3) = 10.855
Si se hace que
y? = 25x] + 16x3 + 4x3
el problema se transforma en
Maximizar z = Sx, + 6x, + 3x3
sujetaa
x, + 3x + 9x + 1.645y = 8
25x} + 16x + 4g — Pr = 0
Say + ay + Oxy = 10.855
2X Xp XY 20
que se puede resolver con programacién separable.
La solucién dptima de este problema no lineal, con Excel, se ve en la figura 21.6 (archivo
ch21SolverStochasticProgramming.xls). S6lo el lado izquierdo de la restriccién 2 es no li-
neal, y se escribe como sigue en la celda F7:
=254B12°2+164c12°2+4*D12°2—-B12°2
FISUEA ELS. =BOIZDABCIZIMDIDZEIPE
Solueién del problema
de programacién
estocdstica, ejemplo
21.2-6,con Excel ‘Stochastic Programming Model
TAS 12523451 <=
= 21.2 Algoritmos con restriccién 761
CONJUNTO DE PROBLEMAS 21.2D
1. Convierta el siguiente problema estocéstico en un modelo determinfstico equivalent.
Maximizar z = x, + 2 + Say
sujeta a
Playx, + 3x + ayxs = 10} = 09
P(x, + Sty + xy = by) = 01
Jy tty 20
Suponga que a, y a, son variables aleatorias independientes y normalmente distribuidas,
con promedios E(a,) = 2y E{as} = 5, y varianzas var(a,} = 9 y var(a,)= 16. También su-
onga que b, esté normalmente distribuida con media 15 y varianza 25,
2. Se tiene el siguiente modelo de programacién estocéstica:
Maximizar z = 2) + x7 + a5
sujeta a
Pot + ax3 + asVxy 5 10} = 0.9
Xt 20
Los parimetros a, y a; son variables aleatorias independientes y normalmente distribuidas,
‘con medias 5 y 2, y varianzas 16 y 25, respectivamente. Convierta el problema en la forma (de-
terministica) de programacién separable.
21.2.5 Método de combinaciones lineales
Este método tiene que ver con el siguiente problema, en el que todas las restricciones son li-
neales:
Maximizar z = f(X)
sujeta a
AX =b,X=0
El procedimiento se basa en el método de la pendiente més inclinada (del gradiente) (Seccién
21.1.2). Sin embargo, la direcci6n especificada por el vector gradiente podré no resultar en
una soluci6n factible para el problema con restricciones. También, el vector gradiente no ne-
cesariamente sera nulo en el punto 6ptimo (restringido). El método de pendiente més inclina-
da se puede modificar entonces para manejar el caso con restricciones.
‘Sea X* el punto factible de intento en la iteracién k. La funcién objetivo f(X) se puede
desarrollar en la proximidad de X* con la serie de Taylor. Asi se llega a
FOR) = OR) + VAIKK = 4) = (70K) — WACK + WAKOX
En este procedimiento se necesita determinar un punto factible X = X" tal que f(X) se maxi-
mice sujeta a las restricciones (Lineales) del problema. Como f(X*) — Vf(X*)X*es una cons-
tante, el problema de determinar X” se reduce a resolver el siguiente programa lineal:
Maximizar w(X) = V/(K5X
sujeto a
AX =b,.X20 762
Capitulo 21 Algoritmos de programacién no lineal
Dado que w, se construye partiendo del gradiente de f(X) en X*, se puede asegurar una
solucién mejorada si, y s6lo si w,(X") > w,(X*). Del desarrollo de Taylor, la condicién no
garantiza que f(X") > f(X!) a menos que X° esté en la proximidad de X*. Sin embargo, co-
mo w(X’) > w,(X4, debe existir un punto X**! en el segmento de recta Xt, X") tal que
f(X**1) > f(X4. El objetivo es determinar X'*!. Se define a
Xt = (1 — xt +X = KF 4 (KT XY, O
Potrebbero piacerti anche
- Identifica elementos proyecto informático INEGI 2003Documento6 pagineIdentifica elementos proyecto informático INEGI 2003Daniel ObregonNessuna valutazione finora
- Unidad 1 Introduccion A La Interconectividad de RedesDocumento28 pagineUnidad 1 Introduccion A La Interconectividad de RedesDaniel ObregonNessuna valutazione finora
- Sop U2 A1 DaohDocumento5 pagineSop U2 A1 DaohDaniel ObregonNessuna valutazione finora
- Apartesdealgoritmos 090803213620 Phpapp01Documento60 pagineApartesdealgoritmos 090803213620 Phpapp01Cchemoo CrazyiNessuna valutazione finora
- Guia de Uso WikiDocumento17 pagineGuia de Uso WikiCampos E IsraelNessuna valutazione finora
- La Educacion Prohibida para ESTUDIANTES Del SIGLO XXIDocumento18 pagineLa Educacion Prohibida para ESTUDIANTES Del SIGLO XXIDiego TellezNessuna valutazione finora
