Análisis matricial del método Simplex para la optimización de problemas de programación lineal

Pontificia Universidad Catlica
Escuela de Ingeniera
Departamento de Ingeniera Industrial y de Sistemas
Clase 21 Simplex Fase I y II
ICS 1102 Optimizacion
Profesor : Claudio Seebach
18 de octubre de 2006
Apuntes de Clases Optimizacion Claudio Seebach Programacion Lineal 77
Segunda Fase
El tableau inicial para la segunda fase que nos permite comenzar a iterar
de inmediato en b usqueda de la solucion optima al problema original:
Eliminando del ultimo tableau de la Fase I, la pen ultima la, asociada
a la funci on objetivo de la Fase I, y la columna de y
3
asociada a la
variable auxiliar, obtenemos el tableau inicial para la Fase II:
x
1
x
2
x
3
x
4
x
5
v.b.
0 0 1
20
14
250
3
250 x
3
0 1 0
1
7
10
3
40 x
2
1 0 0
1
7

20
3
10 x
1
0 0 0
200
7

10000
3
32000
La S.I.F.B.: es: x
1
= 10, x
2
= 40, x
3
= 250, x
4
= 0, x
5
= 0
Apuntes de Clases Optimizaci on Claudio Seebach Programacion Lineal 78
Segunda Fase
Se comienza desde un vertice del dominio del problema original:
T
i
p
o

2
Tipo 1
D
(0,45)
(10,40)
(0,0)
Fin Segunda Fase
Al hacer una iteraci on del algoritmo obtenemos el siguiente tableau:
x
1
x
2
x
3
x
4
x
5
v.b.
0 0
3
250
3
175
1 3 x
5
0 1
1
25
15
175
0 30 x
2
1 0
2
25
5
175
0 30 x
1
0 0 40
5000
175
0 42000
Este tableau corresponde al optimo del problema modicado, en cual
estamos forzados a usar al menos 15 litros de pintura.
El punto optimo es x
1
= 30, x
2
= 30, x
3
= 0, x
4
= 0, x
5
= 3
El valor optimo del problema de minimizacion es -42.000, o sea la uti-
lidad del problema equivalente de maximizacion es $42.000.
Gracamente Segunda Fase
El punto optimo es x
1
= 30, x
2
= 30, x
3
= 0, x
4
= 0, x
5
= 3
T
i
p
o

2
Tipo 1
D
(0,45)
(10,40)
(0,0)
(30,30)
Pontificia Universidad Catlica
Escuela de Ingeniera
Departamento de Ingeniera Industrial y de Sistemas
Clase 21 Analisis Matricial del Metodo Simplex
ICS 1102 Optimizacion
Profesor : Claudio Seebach
18 de octubre de 2006
Analisis Matricial del Metodo Simplex
La forma est andar, una vez agregadas las variables de holgura y de
exceso necesarias, es:
min c
x
s.a. Ax = b
x 0
Los componentes del vector b deben ser mayor o igual a cero.
En cada iteraci on los componentes del vector x se dividen en:
Las variables b asicas: x
B
Las variables no basicas: x
D
El problema se puede escribir entonces como:
min c
B
x
B
+ c
D
x
D
s.a. Bx
B
+ Dx
D
= b
x
B
, x
D
0
La matriz B es una matriz de mm que debe ser de rango maximo.
Si multiplicamos la restriccion en ambos lado por B
1
queda:
x
B
= B
1
b B
1
Dx
D
Reemplazando en la funcion objetivo queda:
v = c
B
B
1
b + (c
D
c
B
B
1
D)x
D
El siguiente problema es equivalente al original:
min c
B
B
1
b + (c
D
c
B
B
1
D)x
D
s.a. x
B
+B
1
Dx
D
= B
1
b
x
B
, x
D
0
Si todos los elementos de B
1
b son no negativos, la siguiente solucion
corresponde a una solucion basica factible del problema:
x
B
= B
1
b, x
D
= 0. El valor de la funcion objetivo es: v = c
B
B
1
b
Si el tableau inicial se expresa en forma gruesa del siguiente modo:
x
B
x
D
B D b
c
B
c
D
0
El tableau correspondiente a una solucion basica es:
x
B
x
D
I B
1
D B
1
b
0 c
D
c
B
B
1
D c
B
B
1
b
Si los elementos del vector de costos reducidos r
D
= c
D
c
B
B
1
D
son no negativos, la solucion basica factible es tambien optima.
Cada elemento de este vector pueden expresarse como c
j
c
B
B
1
D
j
c
j
y D
j
corresponden al coeciente asociado a la variable x
j
(no basica)
en la funcion objetivo original y la columna en A asociada a la variable
x
j
, respectivamente.
Ejemplo:
min x
1
2x
2
3x
3
3x
1
+ 2x
2
+ x
3
2
x
1
+ 2x
2
x
3
4
x
1
+ x
2
+ 4x
3
5
x
1
, x
2
, x
3
0
Para transformar el problema a formato est andar hay que agregar tres
variables de holgura, que forman ademas la base inicial.
min x
1
2x
2
3x
3
3x
1
+ 2x
2
+ x
3
+ x
4
= 2
x
1
+ 2x
2
x
3
+ x
5
= 4
x
1
+ x
2
+ 4x
3
+ x
6
= 5
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
x
B
= {x
4
, x
5
, x
6
} y x
D
= {x
1
, x
2
, x
3
}
Las matrices iniciales son:
B = B
1
=
_
_
1 0 0
0 1 0
0 0 1
_
_
, D =
_
_
3 2 1
1 2 1
1 1 4
_
_
b =
_
_
2
4
5
_
_
, c
B
=
_
_
0
0
0
_
_
, c
D
=
_
_
1
2
3
_
_
.
El tableau incial es el siguiente:
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
3 2 1 1 0 0 2 x
4
1 2 1 0 1 0 4 x
5
1 1 4 0 0 1 5 x
6
1 2 3 0 0 0 0
El vector c
B
es nulo, por lo tanto r
D
= c
D
,
Todas las variables no basicas tienen costo reducido negativo.
min{1, 2, 3} = 3; x
3
entra a la base
Para la variable saliente debemos realizar el cuociente entre los elemen-
tos de la columna de B
1
b y los elementos positivos de la columna de
D asociada a x
3
: min{
2
1
, ,
5
4
} =
5
4
. x
6
sale de la base.
El proximo tableau lo podemos obtener pivoteando (mediante opera-
ciones las) en la posicion de x
3
de la tercera la, o bien simple-
mente redeniendo las matrices del problema acorde a la nueva base
x
B
= {x
4
, x
5
, x
3
}.
Las variables no basicas son: x
D
= {x
1
, x
2
, x
6
}.
Las nuevas matrices asociadas a esta nueva base son:
B =
_
_
1 0 1
0 1 1
0 0 4
_
_
=B
1
=
_
_
1 0
1
4
0 1
1
4
0 0
1
4
_
_
, D =
_
_
3 2 0
1 2 0
1 1 1
_
_
,
b =
_
_
2
4
5
_
_
, c
B
=
_
_
0
0
3
_
_
, c
D
=
_
_
1
2
0
_
_
Es importante mantener muy claro el orden en que las variables forman
el conjunto x
B
y x
D
de modo de garantizar consistencia.
Las matrices del nuevo tableau son:
B
1
D =
_
_
13
4
7
4
1
4
3
4
9
4
1
4
1
4
1
4
1
4
_
_
, B
1
b =
_
_
3
4
21
4
5
4
_
_
,
r
D
= (c
D
c
B
B
1
D)
T
=
_
_
1
4
5
4
3
4
_
_
, c
B
B
1
b =
15
4
Esto equivale siguiente tableau:
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
13
4
7
4
0 1 0
1
4
3
4
x
4
3
4
9
4
0 0 1
1
4
21
4
x
5
1
4
1
4
1 0 0
1
4
5
4
x
3
1
4

5
4
0 0 0
3
4
15
4
Este mismo tableau se hubiera alcanzado si se hubiera realizado opera-
ciones la pivoteando en el casillero de la tercera la y tercera columna.
es esta solucion optima? No.
min{
1
4
,
5
4
} =
5
4
x
2
entra a la base.
min{
3
7
,
21
9
, 5} =
3
7
x
4
sale de la base
Pivoteando obtenemos:
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
13
7
1 0
4
7
0
1
7
3
7
x
2
24
7
0 0
9
7
1
4
7
30
7
x
5
5
7
0 1
1
7
0
2
7
8
7
x
3
18
7
0 0
5
7
0
4
7
30
7
x
B
= {x
5
, x
3
, x
2
} y x
D
= {x
1
, x
6
, x
4
}.
Estamos en el optimo? A un no.
18
7
x
1
entra a la base.
min{,
30
24
,
8
5
} =
5
4
x
5
sale de la base.
Pivoteando nuevamente:
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
0 1 0
1
8
13
24
1
6
11
4
x
2
1 0 0
3
8
7
24
1
6
5
4
x
1
0 0 1
1
8
5
24
1
6
1
4
x
3
0 0 0
1
4
3
4
1
15
2
Pivoteamos nuevamente:
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
0 1 1 0
1
3
1
3
3 x
2
1 0 3 0
1
3
2
3
2 x
1
0 0 8 1
5
3
4
3
2 x
4
0 0 2 0
1
3
4
3
8
Todos los costos reducidos son mayores o iguales a cero.
La solucion optima es:
x
1
= 2 x
4
= 2
x
2
= 3 x
5
= 0
x
3
= 0 x
6
= 0
El valor optimo es: v = 8.
Atencion: la variable x
4
estaba inicialmente en la base, luego salio de
esta, y en la ultima iteraci on volvio a entrar. que pas o ?
Solucion Degenerada
Que pasa si al buscar la variable que sale de la base me encuentro un
empate, es decir, hay dos cuocientes
b
j
a
ij
de identico valor?
Esto implica que la solucion sera degenerada, ya que alguna variable
b asica tomar a valor cero.
Supongamos que tenemos el siguiente tableau inicial del ejemplo ante-
rior:
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
3 2 1 1 0 0 2 x
4
1 2 1 0 1 0 4 x
5
1 1 4 0 0 1 8 x
6
1 2 3 0 0 0 0
Si x
3
entra a la base, la variable saliente se obtiene de: min{
2
1
, ,
8
4
} = 2.
Por lo tanto, tanto x
4
o x
6
podr an salir de la base.
Soluci on Degenerada
Pivoteando en x
4
, tenemos:
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
3 2 1 1 0 0 2 x
3
4 4 0 1 1 0 6 x
5
13 7 0 4 0 1 0 x
6
10 4 0 3 0 0 6
Si bien no estamos en el optimo, estamos ante una solucion factible
basica degenerada
x
B
= {x
3
, x
5
, x
6
}, con x
3
= 2, x
5
= 6, y x
6
= 0.
Solucion Degenerada
x
2
x
1
D
Dominio No Acotado
Que pasa si al buscar la variable que sale de la base, todos los a
ij
son
negativos?
En dicho caso la solucion es no acotada, es decir, el dominio es no
acotado.
Por ejemplo, si la ultima restricci on hubiese sido x
1
+ x
2
+ 4x
3
5:
min x
1
2x
2
3x
3
3x
1
+ 2x
2
+ x
3
2
x
1
+ 2x
2
x
3
4
x
1
+ x
2
+ 4x
3
5
x
1
, x
2
, x
3
0
Si se escoge a x
1
para que entre a la base, no existe valor alguno de x
1
que permita llevar a 0 algunas de las variables en la base.
Dominio No Acotado
Las restricciones, con las holguras respectivas, son:
3x
1
+ 2x
2
+ x
3
+ x
4
= 2
x
1
+ 2x
2
x
3
+ x
5
= 4
x
1
+ x
2
+ 4x
3
+ x
6
= 5
Para determinar que variable sale de la base tenemos que:
x
4
= 2 + 3x
1
x
5
= 4 + x
1
x
6
= 5 + x
1
Claramente ninguna de las tres variables se hace cero, con valores no
negativos de x
1
.
M ultiples Soluciones
Que pasa si al analizar la solucion nal observamos que hay un costo
reducido igual a cero asociado a una variable no basica?
Si esa variable se incorpora a la base, el valor de la funcion objetivo
no se ve alterado.
Dos vertices con identico valor objetivo y cualquier combinacion con-
vexa de ambos, sera optima tambien.
M ultiples Soluciones
x
2
x
1
Ejemplo M ultiples Soluciones
En el ejemplo de la clase pasada, utilicemos el an alisis matricial para
determinar cu anto debio haber sido c
3
para que hubiese sido atractivo
de incorporar x
3
a la base optima nal.
En el optimo habamos obtenido: x
D
= {x
3
, x
5
, x
6
}, x
B
= {x
1
, x
2
, x
4
}.
El costo reducido nal de las variables no basicas es: r
D
= c
D
c
B
B
1
D
c
D
= [3 0 0] (i.e. c
3
= 3)
c
B
= [1 2 0]
B =
_
_
3 2 1
1 2 0
1 1 0
_
_
D =
_
_
1 0 0
1 1 0
4 0 1
_
_
_
_
c
B
B
1
D = [5
1
3
4
3
]
c
D
c
B
B
1
D = [2
1
3
4
3
]
Para que x
3
sea atractiva de incorporarla a la base, c
3
(5) 0
c
3
5.
Supongamos que c
3
= 5, as la soluci on:
x
1
= 2 x
4
= 2
x
2
= 3 x
5
= 0
x
3
= 0 x
6
= 0
sigue siendo optima, ya que r
3
= 0, que sigue siendo no negativo.
Podramos incorporar x
3
a la base. Vemos que tendra que salir x
4
.
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
0 1 1 0
1
3
1
3
3 x
2
1 0 3 0
1
3
2
3
2 x
1
0 0 8 1
5
3
4
3
2 x
4
0 0 0 0
1
3
4
3
8
Pivoteando para que salga x
4
de la base:
x
1
x
2
x
3
x
4
x
5
x
6
v.b.
0 1 0
1
8
13
24
1
6
11
4
x
2
1 0 0
3
8
7
24
1
6
5
4
x
1
0 0 1
1
8
5
24
2
3
1
4
x
3
0 0 0 0
1
3
4
3
8
Otra soluci on de vertice es:
x
1
=
5
4
x
4
= 0
x
2
=
11
4
x
5
= 0
x
3
=
1
4
x
6
= 0
Esta nos da el mismo valor de la funcion objetivo v = 8 y tiene todos
los costos reducidos no negativos, por lo tanto, tambien es solucion
optima.
Cualquier combinaci on convexa tambien sera solucion optima, es decir,
todo x tal que
x =
_
_
5
4
11
4
1
4
0
0
0
_
_
+ (1 )
_
_
2
3
0
2
0
0
_
_
con 0 1.
Agregando una variable al tableau nal
Para incorporar una nueva variable que podra ser atractiva en la solucion
optima basta tomar el tableau nal y vemos cuales son las variables
b asicas y cuales las no basicas.
Si una nueva actividad x
7
aportara 6 por unidad a la funcion objetivo
y consumiera una unidad de cada recurso en las restricciones, el costo
reducido respectivo sera:
r
7
= 6 [1 2 0]
_
_
3 2 1
1 2 0
1 1 0
_
_
1
_
_
1
1
1
_
_
=
13
3
< 0
Por lo tanto, s nos interesara incorporar x
7
a la base y as mejorar la
solucion actual.
Agregando una variable al tableau nal
Los a
ij
asociados a x
7
en el tableau actual son:
B
1
D
7
=
_
_
3 2 1
1 2 0
1 1 0
_
_
1
_
_
1
1
1
_
_
=
_
_
2
3
1
3
2
3
_
_
El tableau sera por lo tanto:
x
1
x
2
x
3
x
4
x
5
x
6
x
7
v.b.
0 1 0
1
8
13
24
1
6
2
3
11
4
x
2
1 0 0
3
8
7
24
1
6
1
3
5
4
x
1
0 0 1
1
8
5
24
2
3
2
3
1
4
x
3
0 0 0 0
1
3
4
3
13
3
8

Análisis matricial del método Simplex para la optimización de problemas de programación lineal

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Análisis matricial del método Simplex para la optimización de problemas de programación lineal

Caricato da

Copyright:

Formati disponibili

Pontificia Universidad Catlica

Potrebbero piacerti anche