Sei sulla pagina 1di 83

ANLISIS DE SISTEMAS MINEROS, MI-547

PROF.: Edmundo Campos Arzapalo


edmcam@hotmail.com
Marzo de 2015

ANLISIS DE SISTEMAS MINEROS MI-547


Programa del Curso
DESCRIPCION
El curso trata principalmente sobre la aplicacin de los modelos usuales de Investigacin de
Operaciones en la solucin de problemas reales, tales como modelos de Programacin Lineal,
Problemas de Transporte y Asignacin, Simulacin y Teora de Inventarios.
OBJETIVOS

Aplicar modelos cuantitativos en la resolucin de problemas de ingeniera.


Optimizar soluciones usando la Investigacin de Operaciones.
Conocer el potencial que presenta la simulacin en el diseo de procesos.
Conocer los sistemas de manejo de redes, transporte y colas basados en procesos conocidos.

METODOLOGA
Clases expositivas para conceptos tericos con discusiones sobre cada tema.
Practicas en gabinete , donde se conocern diversos software de apoyo a la I.O.

ANLISIS DE SISTEMAS MINEROS MI-547


Programa del Curso
CONTENIDOS
.Introduccin a la Investigacin de Operaciones
Definicin de I.O.
Historia de la I.O.
Campos de aplicacin.

Softwares de Simulacin
5.Teora de Inventarios
Modelos con demanda real conocida:
Modelo General.
Sistema de revisin continua.
Sistemas de revisin peridica.

2.Formulacin matemtica
Metodologa para la generacin de modelos.
Formulaciones matemticas tpicas presentes en la P.L. Nota Final = 0.25*P1+25*P2+0.2T+0.30*PG
P1 / P2: Notas pruebas parciales
3.Programacin Lineal
T: Promedio trabajos practicos.
Definicin de P.L.
PG: Prueba global
Mtodos de Resolucin:
Mtodo grfico
FECHAS
Mtodo algebraico (simplex)
Prueba 1: 02 de Mayo del 2015
Anlisis de sensibilidad.
Prueba 2: 17 de Julio del 2015
Problemas especiales de P.L:
P. Global: 21 de Julio del 2015
Problemas de transporte
BIBLIOGRAFIA
Problemas de Pert-CPM,y colas
4. Introduccin a la Simulacin
Definicin de la simulacin
Gua para proyectos de simulacn.
Simulacn de Monte Carlo
Modelos con incrementos de tiempo discretos
Modelos con incrementos de tiempo variable.

Titulo: Investigacin de Operaciones


Autor: Hamdy Taha
Editorial: Prentice Hall / sexta edicin.
Ao: 1998
Titulo: Administracin de Operaciones
Autor: Roger Schroeder
Editorial: Mc Graw Hill. / 3 edicin / Ao: 1999

INVESTIGACION DE OPERACIONES

Definicin:
Conjunto de tcnicas matemticas y estadsticas aplicable a diversos
sistemas con el fin de mejorarlos, buscando las mejores alternativas de
accin; esto mediante el modelamiento matemtico de los problemas en
estudio.

Sistemas v/s
Procesos
Proceso: Conjunto de Actividades que crean una Salida o
Resultado a partir de una o ms Entradas o Insumos.

Sistema: Un Conjunto de Elementos interconectados


utilizados para realizar el Proceso. Incluye subprocesos
pero tambin incluye los Recursos y Controles para llevar
a cabo estos procesos.
En el diseo de Procesos nos enfocamos en QU se
ejecuta.
En el diseo del Sistemas el nfasis est en los detalles de
CMO, DNDE Y CUNDO.

Sistemas v/s
Procesos
Reglas
de
Operacin
(Controles)

Sistema

Entidades
que Entran

Actividades

Recursos

Entidades
que Salen

Modelos
Con el propsito de estudiar cientficamente un sistema
del mundo real debemos hacer un conjunto de
supuestos de cmo trabaja.

Estos supuestos, que por lo general toman la forma de


relaciones matemticas o relaciones lgicas, constituye
un Modelo que es usado para tratar de ganar cierta
comprensin de cmo el sistema se comporta.

INVESTIGACION DE OPERACIONES

INVESTIGACION DE OPERACIONES
Clasificacin de los modelos
Existen mltiples tipos de modelos para representar la realidad. Algunos son:

Dinmicos: Utilizados para representar sistemas cuyo estado vara con el tiempo.
Estticos: Utilizados para representar sistemas cuyo estado es invariable a travs del tiempo.

Matemticos: Representan la realidad en forma abstracta de muy diversas maneras.


Fsicos: Son aquellos en que la realidad es representada por algo tangible, construido en escala o que por lo menos se comporta en forma anloga a esa realidad (maquetas, prototipos, modelos analgicos, etc.).

Analticos: La realidad se representa por frmulas matemticas. Estudiar el sistema consiste en operar con esas frmulas matemticas (resolucin de ecuaciones).
Numricos: Se tiene el comportamiento numrico de las variables intervinientes. No se obtiene ninguna solucin analtica.

INVESTIGACION DE OPERACIONES
Clasificacin de los modelos
Continuos: Representan sistemas cuyos cambios de estado son graduales. Las
variables intervinientes son continuas.
Discretos: Representan sistemas cuyos cambios de estado son de a saltos. Las
variables varan en forma discontinua.
Determinsticos: Son modelos cuya solucin para determinadas condiciones es
nica y siempre la misma.
Estocsticos: Representan sistemas donde los hechos suceden al azar, lo cual
no es repetitivo. No se puede asegurar cules acciones ocurren en un
determinado instante. Se conoce la probabilidad de ocurrencia y su distribucin
probabilstica. (Por ejemplo, llega una persona cada 20 10 segundos, con una
distribucin equiprobable dentro del intervalo).

INVESTIGACION DE OPERACIONES
Clasificacin de los modelos
Es interesante destacar que algunas veces los modelos y los sistemas no
pertenecen al mismo tipo.
Por ejemplo:
El estudio del movimiento del fluido por una caera (Fluidodinmica) corresponde a sistemas continuos. Sin embargo si el fluido se lo discretiza dividindolo en gotas y se construye un modelo discreto por el cual circulan gotas de agua
(una, dos, diez, cien, mil) se est representando un sistema continuo por un modelo discreto.

Gotas

INVESTIGACION DE OPERACIONES
Clasificacin de los modelos
La obtencin del rea bajo la curva representada por f(x,y)=0 para el rango 0 <=
x <= 1 con 0 <= y <= 1 en todo el intervalo, es un problema determinstico. Sin
embargo, para un nmero N, suficientemente grande de puntos, de coordenadas
x,y generadas al azar (0 <= x <= 1; 0 <= y <= 1) el rea de la curva, aplicando el
mtodo de Monte Carlo, es igual a:

En este caso, mediante un modelo estocstico se resuelve un sistema


determinstico.

INVESTIGACION DE OPERACIONES
Clasificacin de los modelos
El azar en computadora es pseudo azar:
Mediante un algoritmo matemtico se generan nmeros al azar con una
distribucin aleatoria similar a la real. Se los puede utilizar en los modelos
estocsticos obteniendo similares resultados a los que se obtienen en el sistema
real. Sin embargo, este azar es repetitivo (cualquiera que conoce el algoritmo
puede predecirlo) lo cual contradice a lo que sucede en un proceso aleatorio.
En este caso, un sistema estocstico es representado por un modelo
pseudoazar (determinstico).

INVESTIGACION DE OPERACIONES
Clasificacin de los modelos segn la I.O.
Modelo Matemtico
Es aquel modelo que describe el comportamiento de un sistema a travs de
relaciones matemticas y supone que todas las variables relevantes son
cuantificables. Por ende tiene una solucin optima.
Modelo de Simulacin
Es un modelo que imita el comportamiento de un sistema sobre un periodo de
tiempo dado, esta basado en observaciones estadsticas. Este tipo de modelo
entrega soluciones aproximadas.

Modelo Heurstico
Es una regla intuitiva que nos permite la determinacin de una solucin mejorada,
dada una solucin actual del modelo, generalmente son procedimientos de
bsqueda. Este tipo de modelo tambin entrega soluciones aproximadas.

INVESTIGACION DE OPERACIONES
Tpicos relacionados
Anlisis Estadstico
Simulacin
Programacin Lineal
Sistema de Redes
Lneas de Espera
Problemas de Inventario
Programacin No - Lineal
Programacin Dinmica
Programacin Entera
Teora de Decisiones
Teora de Juegos

INVESTIGACION DE OPERACIONES
El Arte del Modelado

La I.O debe ser considerada como una ciencia y la vez como un arte.
Una ciencia por el uso de tcnicas matemticas para la resolucin de los
problemas.
Un arte ya que la formulacin del modelo depende en gran parte de la
creatividad y la experiencia delas operaciones del equipo investigador.

INVESTIGACION DE OPERACIONES
Etapas para puesta en prctica
1. Definicin del problema:
Alternativas de decisin (vars. de decisin).
El objetivo de estudio (Funcin Objetivo).
Identificacin de las restricciones del sistema que se modela.
2. Construccin del modelo:
Traducir el problema a relaciones matemticas que incluyan las vars. decisin,
la Funcin Objetivo y las restricciones.
3. Solucin del modelo:
Uso de algoritmos de optimizacin.
Se encuentran los valores de las vars. decisin.
4. Validacin del modelo:
El modelo entrega una prediccin razonable del comportamiento del sistema
estudiado?
5. Puesta en prctica:
Traducir los resultados del modelo en instrucciones de operacin.

PROGRAMACIN LINEAL

P R O G R A M A C IO N L IN E A L
F O R M U L A C I O N M A T E M A T IC A
PROBLEM A GENERAL
M E T O D O G R A F IC O

M E T O D O A L G E B R A IC O
( S IM P L E X )

P R O B L E M A S E S P E C IA L E S
PRO B LEM AS DE TRANSPO RTE

P R O B L E M A S D E A S IG N A C I N

PROGRAMACIN LINEAL
Es un mtodo matemtico que se emplea para resolver problemas de
optimizacin. En palabras simples la P.L. busca asignar recursos limitados, entre
actividades que compiten, de la forma mas optima posible.

Supuestos de la P.L.
Proporcionalidad
Aditividad
Divisibilidad
Certidumbre
Objetivo nico
No negatividad

PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE LA MEZCLA DE PRODUCTOS
Una compaa fabrica dos tipos de componentes electrnicos: transistores y
bobinas.
Cada transistor requiere un minuto de tiempo en el departamento de ensamble,
dos minutos de tiempo en el departamento de Control de Calidad y un minuto de
tiempo en empaque.
Cada bobina requiere dos minutos de tiempo en ensamble, un minuto de tiempo
en Control de Calidad y dos minutos en empaque.
Existe un total de 300 minutos en Ensamble, 400 minutos en C. Calidad y 400
minutos en Empaque disponibles cada da.
Tanto los transistores como las bobinas contribuyen en un dlar a la utilidad.
La compaa desea determinar la mezcla de productos optima que maximice la
utilidad total.

PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Maximizar las utilidades de la compaa (U).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.Cantidad de transistores a fabricar por da {unds./da}
Y.Cantidad de bobinas a fabricar por da {unds./da}
Paso 3: Identificar las restricciones del modelo
R1) Tiempo disponible en el depto. de Ensamble por da 300 min.
R2) Tiempo disponible en el depto. de C. Calidad por da de 400 min.
R3) Tiempo disponible en el depto. de Empaque por da de 400 min.
R4) No Negatividad.

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4: Construccin del modelo matemtico

F.Objetivo
MAX { U = X + Y }
Sujeto a :
R1) X + 2Y 300
R2) 2X + Y 400
R3) X + 2Y 400
R4) X , Y 0

PROGRAMACIN LINEAL
Construccin de modelos
EJERCICIO PROPUESTO
El departamento de rayos X de un hospital tiene dos mquinas, A y B, que
pueden utilizarse para revelar radiografas. La capacidad de procesamiento diaria
de estas mquinas es A=80 y B=100 radiografas. El departamento debe planear
procesar al menos 150 radiografas por da. Los costos de operacin por
radiografa son $4 para la mquina A y $3 para la mquina B. Cuntas
radiografas por da debe procesar cada mquina para minimizar costos?
Se pide:
Formular como un problema de P.L. identificando claramente la funcin objetivo y las variables de decisin.

PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar los costos de procesamiento (C).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.Cantidad de radiografas a procesar en mquina A al da {rad./da}
Y. Cantidad de radiografas a procesar en mquina B al da {rad./da}
Paso 3: Identificar las restricciones del modelo
R1) Capacidad de procesamiento de rad. en la maquina A de 80.
R2) Capacidad de procesamiento de rad. en la maquina B de 100.
R3) Capacidad mnima del departamento de 150 rad. por da.
R4) No Negatividad.

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4: Construccin del modelo matemtico

F.Objetivo
M IN { C = 4X + 3Y }
Sujeto a :

80

R1) X
R2)

Y 100

R3) X + Y

150

R4) X , Y 0

PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE LA DIETA
La compaa OF utiliza diariamente por lo menos 800 libras de alimento especial.
El alimento especial es una mezcla de maz y semilla de soya, con las siguientes
composiciones.
libra componente por libra de alimento ganado
A. ganado

Proteinas

Fibra

Maz
Similla Soya

0.09
0.60

0.02
0.06

Costo
US$/lb

0.30
0.90

PROGRAMACIN LINEAL
Construccin de modelos

Los requerimientos dietticos diarios de alimento especial estipulan por lo menos


un 30% de protenas y cuando mucho un 5% de fibra. OF desea determinar el
costo mnimo diario de la mezcla de alimento.

.?

PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo diario total de la mezcla de alimento(C).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.libras de maiz en la mezcla diaria {lb./da}
Y. Libras de semilla de soya en la mezcla diaria {lb./da}
Paso 3: Identificar las restricciones del modelo
R1) Requerimientos de alimentos de por lo menos 800 lbs.al da
R2) Requerimiento de protenas de por lo menos un 30%
R3) Requerimientos de fibra de cuando mucho un 5%.
R4) No Negatividad.

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4: Construccin del modelo matemtico

F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y

800

R2) 0.09X + 0.6Y

0.3(X + Y)

R3)0.02 X + 0.06Y 0.05(X + Y)


R4) X , Y

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4.1: Construccin del modelo matemtico (ORDENADO)

F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y

800

R2) 0.21X - 0.30Y 0


R3)0.03 X - 0.01Y 0
R4) X , Y

PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE TRANSPORTE
Considere el problema que enfrenta el departamento de planificacin de la
compaa DALLAS S.A. ,que tiene tres plantas y cuatro almacenes regionales.
Cada mes se requiere de una lista de requerimientos de cada almacn y se
conocen, tambien las capacidacdes de produccin de las plantas. Ademas se
conoce el costo de transporte de cada planta a cada almacn. El problema es
determinar qu plantas deben abastecer a que almacenes de manera que
minimicen los costos totales de transporte. Consideremos que los costos de
transporte entre dos ciudades cualquiera, son proporcionales a las cantidades
embarcadas. Supongase que las capacidades mensuales de cada planta son 70,
90 y 180 respectivamente. Los requerimientos de cada almacn para el mes de
Marzo son: 50, 80, 70 y 140. Los costos unitarios de transporte son los que se
muestran en la tabla siguiente:

PROGRAMACIN LINEAL
Construccin de modelos
Planta
1
2
3

1
19
70
40

Se pide:
Formular como un PPL.

Almacn
2
30
30
8

3
50
40
70

4
10
60
20

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4.1: Construccin del modelo matemtico
F.Objetivo

Min{C=19X11+70X21+40X31+30X12+30X22+8X32+50X13+40X23+70X33+10X14+60X24+20X34}
Sujeto a :
R1) X11+X12+X13+X14

70

R2) X21+X22+X23+X24

90

R3) X31+X32+X33+X34

180

R4) X11+X21+X31

50

R5) X12+X22+X32

80

R6) X13+X23+X33

70

R7) X14+X24+X34

140

R8) Xij

0 i,j

Modelo General de PL
Definicin de variables:
Sea xj = #.... ; j = 1, 2, 3....n
Funcin objetivo:
Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11X1 + a12X2 + ... + a1jXj + ... + a1nXn
= b1
a21X1 + a22X2 + ... + a2jXj + ... + a2nXn
= b2

.
ai1X1 + ai2X2 + ... + aijXj + ... + ainXn
= bi

.
am1X1 + am2X2 + ... + amjXj + ... + amnXn = bm
Condiciones de signo para variables:
toda xj 0
m = # total de restricciones,
n = # de variables de decisin (originales)
Cj, aij y bi son constantes (o parmetros) dados.
8

Mtodos de Resolucin
Mtodo Grfico
Empleado principalmente para PPL con dos variables de decisin. Este mtodo
se basa en la idea de obtener regiones de soluciones factibles (RSF), en las
cuales se encontrara la combinacin de variables de decisin que optimizan el
modelo.
Mtodo Algebraico (SIMPLEX)
Empleado principalmente para PPL con ms de dos variables de decisin. Este
mtodo se desarrollo con base en el mtodo grfico y corresponde a un sistema
heurstico, por lo cual requiere de una solucin inicial factible para empezar a
funcionar.

Mtodos de Resolucin
GRAFICO
Maximize

400X1

800

X2

Where
Z
X1
X2

the

monthly

profit

from

Max

and

Multimax

=
the number of Max produced each month
=
the number of Multimax produced each month

Sujeto a:

R2)

3X1 + 5X 2 5,000 Fab


X1 + 4X 2 3,000 Assy

R3)

X1 ,X 2

R1)

Nonnegativity

Mtodo de Resolucin: Paso 1


Grficar las restricciones

X2

3,000

2,000

1,000
A

0,0

Fab
R1
X1
0
1,666.7

X2
1,000
0

Assy
R2
X1
0
3,000

X2
750
0

1,000

C
2,000

3,000

X1

10

PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo total de transporte (C).{u.m/mes}
Paso 2: Identificar las variables de decisin que deseamos determinar
Xij.Cantidad a enviar de la planta i al almacn j mensualmente {uds/mes}
i = 1,2,3 / j = 1,2,3,4
Paso 3: Identificar las restricciones del modelo
R1) Capacidad mensual de produccin planta 1 de 70
R2) Capacidad mensual de produccin planta 2 de 90
R3) Capacidad mensual de produccin planta 3 de 180
R4) Requerimientos del almacn 1 para Marzo de 50
R5) Requerimientos del almacn 2 para Marzo de 80
R6) Requerimientos del almacn 3 para Marzo de 70
R7) Requerimientos del almacn 4 para Marzo de 140
R8) No Negatividad.

Mtodo de Resolucin: Paso 1


Grficar las restricciones
X2

3,000

2,000

1,000
A

0,0

Fab
R1
X1
0
1,666.7

X2
1,000
0

Assy
R2
X1
0
3,000

X2
750
0

1,000

C
2,000

3,000

X1

11

Mtodo de Resolucin: Paso 2


Obtener la RSF
X2

3,000

2,000

1,000
A

Fab
R1
X1
0
1,666.7

X2
1,000
0

Assy
R2
X1
0
3,000

X2
750
0

B
RSF

0,0

1,000

C
2,000

3,000

X1

11

Mtodo de Resolucin:
X2

3,000
Premisa: el punto
optimo siempre se
encuentra en uno de
los vrtices de la
RSF.

2,000

1,000
A

B
RSF

0,0

1,000

C
2,000

3,000

X1

11

Mtodo de Resolucin: Paso3


Encontrar el Punto Optimo: Alternativas
Alternativa 1
Encontrar todas las combinaciones de X1 y X2 que determinan los vrtices de la
RSF, luego se evalan en la funcin objetivo y se elige la combinacin que
maximice (o minimice) dicha funcin.

Alternativa 2
Grficar la F.O. dandose en valor arbitrario de Z (depende de la escala del
grfico), luego la recta se desplaza en forma paralela en el sentido estricto de la
optimizacin. El ultimo punto que tope la F.O al salir de la RSF corresponder a
la solucin optima.

13

Mtodo de Resolucin: Paso3


Encontrar el Punto Optimo(1)
X2

3,000

2,000

1,000
A
Z=320.000

0,0

1,000

C
2,000

3,000

X1

13

Mtodo de Resolucin: Paso 3


Encontrar el Punto Optimo (2)
X2

3,000

2,000
Optimal
Optimal Point
Point
1,000
A

0,0

1,000

C
2,000

3,000

X1

14

Mtodo de Resolucin: Paso 3


Encontrar el Punto Optimo (3)
X2

3,000

El punto optimo (B) se encuentra


en la interseccin de las dos rectas

2,000

1,000
A

0,0

3X1 + 5X 2 5,000 Fab


X1 + 4X 2 3,000 Assy

1,000

C
2,000

3,000

X1

3X1 + 12X 2 9,000


3X1 + 5X 2 5,000

Assy
Fab

7X 2 4,000
X 2 = 571.43, or 571 Multimax
X1 =

5000 - 5(571)
715 Max
3
15

RESULTADOS
Max Z = 400X1 + 800 X 2
Z = 400(715) + 800 (571)
Z = $286,000 + $456,800 = $742,800

X1=715
X1=715
X2=571
X2=571
ZZ =742,800.
=742,800.
16

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
El mtodo smplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el
desarrollo de la computadora hizo posible la solucin de problemas grandes planteados con la
tcnica matemtica de programacin lineal.
El algoritmo denominado smplex es la parte medular de este mtodo; el cual se basa en la
solucin de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss-Jordan y
apoyado con criterios para el cambio de la solucin bsica que se resuelve en forma iterativa
hasta que la solucin obtenida converge a lo que se conoce como ptimo..
El conjunto de soluciones factibles para un problema de P.L. es un conjunto convexo.
La solucin ptima del problema de programacin lineal , si existe, es un punto extremo
(vrtice) del conjunto de soluciones factibles.
El nmero mximo de puntos extremos (vrtices) por revisar en la bsqueda de la solucin
ptima del problema es finito.

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Estndar de un PPL
La forma estndar pasa por realizar los siguientes cambios:
1 Conversin de desigualdades en igualdades (ecuaciones)
a.- Restriccin menor o igual ()
Para transformar este tipo de restriccin a una ecuacin de tipo igualdad se debe aumentar
su lado izquierdo con una variable de holgura. Esta representa la cantidad disponible del
recurso que excede al empleo que le dan las actividades.
Ej.
6X1 + 4X2 24
F.e
6X1 + 4X2 + h1 = 24

(h1 cantidad no utilizada de recurso)

h1 0

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
b.- Restriccin mayor o igual ()
Las restricciones de este tipo comnmente determinan requerimientos mnimos de
especificaciones. En este caso se debe incorporar una variable de supervit que representa
el requerimiento mnimo del lado izquierdo, sobre el requerimiento mnimo del derecho
( cuanto falta para cumplir con lo pedido).
Ej.
X1 + X2 800
X1 + X2 - r1 = 800
r1 0
Sin embargo la F.E pasa por hacer un ajuste ms:
F.E
X1 + X2 - r1 + t1 = 800
r1, t1 0
t1 = variable artificial (se necesita para generar la solucin inicial del simplex)

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
d.- Restriccin de igualdad (=)
Aqu la estandarizacin pasa slo por incorporar una variable artificial.
Ej.
X1 + X2 = 800
X1 + X2 + t1 = 800
t1 0
Como las variables artificiales no tienen sentido, es importante que el simplex las deje fuera
al comienzo del procedimiento y esto se logra al penalizar la inclusin de las variables
artificiales en la funcin objetivo con un coeficiente M muy grande que para el caso de
maximizar es M y para el caso de minimizar es + M.

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
2 Cambios de variables
a.- Variables no restringidas
Algunas veces las variables de decisin pueden tomar cualquier valor real.
Xi s.r.s
Cambio de variable
Xi = Ui Vi
Ui . Parte positiva de Xi
Vi . Parte negativa de Xi
Ej.
X1 + X2 24
X1 0, X2 s.r.s
Luego X2 = U2 V2
F.E.
X1 + U2 V2 + h1 = 24

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
b.- Variables negativas
Algunas veces las variables de decisin pueden tomar negativos.
Xi 0
Cambio de variable
Yi = Xi

Donde Yi 0

Ej.
X1 + X2 40
X1 0, X2 0
Luego Y2 = X2, o bien X2 = - Y2
F.E.
X1 - Y2 + h1 = 40

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
3 Cambio en criterio de optimizacin
Muchas veces el objetivo no es maximizar.
MIN (Z)
Cambio de variable: Z* = -Z
MIN Z = MAX ( Z*)
Ej.
MIN [ Z = X1 + X2 ]
Z* = -Z
F.E
MAX [ Z* = -X1 X2]

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
EJEMPLO
MIN (Z = 15X1 + 10X2 20X3)
S/A
R1) X1+2X2+4X3

30

R2) 5X1+5X2+3X3 = 40
R3) X1 + X2 + X3

70

R4) X1 s.r.s; X20; X30


Cambios de variable:
Z* = -Z

X1=U1-V1

X2=-Y2

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Estndar

Z*

15

U1

U1

U1

U1

15

V1

10

Y2

20

X3

V1

Y2

X3

V1

25

Y2

X3

V1

Y2

X3

+ M t1
-

r1

M t2

t1

= 30
+

t2
+

= 40
h1

= 70

Forma Tabular

Mtodos de Resolucin
ALGEBRAICO SIMPLEX

BASE

U1

V1

Y2

X3

r1

t1

t2

h1

15

-15

-10

-20

t1

-1

-2

-1

30

t2

-5

-25

40

h1

-1

-1

70

SOLUCION

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE

U1

V1

Y2

X3

r1

t1

t2

h1

15

-15

-10

-20

t1

-1

-2

-1

30

t2

-5

-25

40

h1

-1

-1

70

SOLUCION

Mtodos de Resolucin
ALGEBRAICO
Se una vez obtenida la F.E se esta en condiciones de iniciar el Simplex que nos permitir
encontrar la (s) solucin (es) del PPL.
Como el algoritmo se mueve de punto en punto extremo requiere que variables basicas
entren y salgan. Las reglas para seleccionar las variables de entrada y salida se conocen
como condiciones de optimalidad y factibilidad. Resumiendo:
C. Optimalidad: la variable de entrada en un problema de maximizacin es la variable no
bsica que tiene el coeficiente mas negativo en el reglon de la F.O. los empates se rompen
arbritariamente. Se llega al optimo en la iteracin donde todos coeficientes del reglon de la
F.O. de las variables bsicas son positivos.
C. Factibilidad: tanto para los problemas de maximizacin como minimizacin, la variable
de salida es la variable bsica asociada con la razn no negativa ms pequea entre los
lados derecho y los coeficientes de la columna entrante.

Mtodos de Resolucin
ALGEBRAICO
Pasos del Simplex:

Paso 0

: determinar la solucin factible inicial.

Paso 1

: seleccione la variable de entrada empleando la condicin de optimalidad.

Detngase si no hay variable de entrada.


Paso 2

: seleccione una variable de salida utilizando la condicin de factibilidad.

Paso 3

: determine las nuevas soluciones bsicas empleando los calculos apropiados de

Gauss Jordan, luego vuelva al paso 1.

Mtodos de Resolucin
ALGEBRAICO
EJEMPLO
Max Z = 7x1 + 4x2 + 5x3

S/A
2x1 + x2

30

3x1 + 2x2 + x3
x2 + 2x3

25
20

x1 , x2 , x3 0

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE

X1

X2

X3

h1

h2

h3

-7

-4

-5

h1

30

h2

25

h3

20

SOLUCION

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE

X1

X2

X3

h1

h2

h3

-7

-4

-5

h1

30

h2

25

h3

20

SOLUCION

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE

X1

X2

X3

h1

h2

h3

-7

-4

-5

Razn

h1

30

30 / 2

h2

25

25 / 3

h3

20

___

SOLUCION

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE

X1

X2

X3

h1

h2

h3

-7

-4

-5

Razn

h1

30

30 / 2

h2

25

25 / 3

h3

20

___

SOLUCION

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE

X1

X2

X3

h1

h2

h3

-7

-4

-5

Razn

h1

30

30 / 2

h2

25

25 / 3

h3

20

___

SOLUCION

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE

X1

X2

X3

h1

h2

h3

-7

-4

-5

Razn

h1

30

30 / 2

h2

25

25 / 3

h3

20

___

SOLUCION

PIVOTE
8

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Gauss Jordan

BASE

X1

X2

X3

h1

h2

h3

7/3

4/3

85

h1

-2/3

1/3

20

X1

1/2

1/3

-1/6

h3

1/2

1/2

10

SOLUCION

Optimo!

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
SOLUCIN
z

85

X1

X2

X3

h1

20

h2

h3

10

Mtodos de Resolucin
DUAL SIMPLEX
Se basa en la idea que todo PPL tiene un problema espejo, llamado DUAL. Esto
provoca que se genere un segundo algoritmo de resolucion conocido como
Metodo Dual Simplex, el cual funciona de la siguiente manera:
Condicion de Factibilidad:
La variable que sale es la variable basica que tiene el valor mas negativo, si
todas las variables basicas son no negativas el proceso termina y se alcanza
la

solucion factible - optima.

Condicion de Optimalidad:
La variable entrante se escoge de la manera siguiente:
Calcule la razon entre los coeficientes del reglon cero y los coeficientes de
la

fila asociada a la variable que sale, ignore coeficientes positivos o ceros. La

variable que entra es la que posee la razon mas pequea si el problema es de


minimizacion. Si todos los denominadores son cero o positivos el problema no
tiene solucion factible.

Mtodos de Resolucin
DUAL SIMPLEX
EJEMPLO
MIN (Z = 2X1 + X2)
S/A
R1) 3X1+X2

R2) 4X1+3X2 6
R3) X1 + 2X2 3
R4) X1 0 ; X2 0
Forma Estndar:

Mtodos de Resolucin
DUAL SIMPLEX
Forma Estndar

-2

X1

X2

-3

X1

X2

-4

X1

X2

X1

X2

=
+

r1

= -3
+

r2

= -6
+

h1

Mtodos de Resolucin
DUAL SIMPLEX
Forma Tabular Especial

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Sale mas
negativa

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/4

1/3

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
Entra razon mas pequea

RAZON

2/4

1/3

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
Entra razon mas pequea

RAZON

2/4

1/3

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
Gauss Jordan

BASE

X1

X2

r1

r2

h1

-2/3

-1/3

r1

-5/3

-1/3

-1

X2

4/3

-1/3

h1

-5/3

2/3

-1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
BASE

X1

X2

r1

r2

h1

-2/3

-1/3

r1

-5/3

-1/3

-1

X2

4/3

-1/3

h1

-5/3

2/3

-1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/5

BASE

X1

X2

r1

r2

h1

-2/3

-1/3

r1

-5/3

-1/3

-1

X2

4/3

-1/3

h1

-5/3

2/3

-1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/5

BASE

X1

X2

r1

r2

h1

-2/3

-1/3

r1

-5/3

-1/3

-1

X2

4/3

-1/3

h1

-5/3

2/3

-1

SOLUCION

Pivote

Mtodos de Resolucin
DUAL SIMPLEX
Gauss Jordan

BASE

X1

X2

R1

r2

h1

-2/5

-1/5

12/5

X1

-3/5

1/5

3/5

X2

4/5

-3/5

6/5

h1

-1

SOLUCION

Optimo Factible!!!

Mtodos de Resolucin
DUAL SIMPLEX
Solucin:
BASE

SOLUCION

12/5

X1

3/5

X2

6/5

r1

r2

h1

Mtodos de Resolucin
DUAL SIMPLEX
Ejercicio Propuesto
MIN (Z = 5X1 + 4X2 + 8X3)
S/A
R1) X1+2X2+X3

15

R2) 2X1+X2+X3

10

R3) X1 + X2 +X3

20

R4) X1 0 ; X2 0; X3 0

Potrebbero piacerti anche