Unidad III

18
Realizado: Octubre 2010 (Rev: Abril 2013) Elaborado por: Prof. Cristhian Ronceros M.

CAPTULO 4

MTODO ALGEBRAICO

19


Ejemplo 3.1:

Max Z = 10X
1
+ 12X
2

SA
3X
1
+ 6X
2

60
2X
1
+ X
2

16
X
1
, X
2
0

Se procede a estandarizar la funcin

Max Z = 10X
1
+ 12X
2
+ 0X
3
+ 0X
4

SA
3X
1
+ 6X
2
+ X
3
+ 0X
4

60
2X
1
+ X
2
+0X
3
+ X
4

16
X
1
, X
2
X
3
, X
4
0

Z = C X

Sujeto a

0
AX P
X
=
r r
r

1 2 3 4
( , , , ) C C C C C =
r
(10,12, 0, 0) C =
r

1
2
3
4
X
X
X
X
X
| |
|
|
=
|
|
|
\
r

1 2 3 4
( , , , ) A a a a a =
r r r r

1
3
2
a
| |
=
|
\
r

2
6
1
a
| |
=
|
\
r

3
1
0
a
| |
=
|
\
r

4
0
1
a
| |
=
|
\
r

60
16
P
| |
=
|
\
r

Max
20


, .
B
B NB
NB
X
Z C C
X
(
(
=
(

(

r
r r
r

Sujeto a:

[ ] , .
B
NB
X
B N P
X
(
=
(
(

r
r
r
, 0
B NB
X X
r r

Max

. .
B B NB NB
Z C X C X = +
r r r r

Sujeto a

B NB
BX NX P + =
r r r

, 0
B NB
X X
r r

B NB
BX NX P + =
r r r

B NB
BX P NX =
r r r

1 1
B NB
X B P B NX

=
r r r

1
B
X B P
=
r r

3 4
.. 1 0
( , )
0..1
B a a
| |
= =
|
\
r r

1
..
.
1 0
0 1 .
B
| |
=
|
\

..
..
1 0 60
.
0 1 16
B
X
| | | |
=
| |
\ \
r

60
16
B
X
| |
=
|
\
r

3
4
B
X
X
X
| |
=
|
\
r

( )
60
. 0, 0 .
16
B B
Z C X
| |
= =
|
\
r r
0 Z =

Anlisis por inspeccin

X
2
tiene que ser + para que Z incremente
21


Condicin de optimidad

Seleccionar la variable no bsica con mejor potencialidad de mejorar el valor objetivo.

Si el problema es de maximizar escoger la variable no bsica X
j
con factor (Z
j
-C
j
) < 0. (si existe ms
de una seleccione la ms negativa)

Si el problema es de minimizar escoger la variable no bsica X
j
con factor (Z
j
-C
j
) > 0. (si existe ms de
una seleccione la ms positiva)

Variables no bsicas: X
1
y X
2

.
j B j
Z C Y =
r

1
.
j j
Y B a
=
r

Para J=1

1 1
? Z C =

1 1
.
B
Z C Y =
r

1
1 1
1 0 ..
..
3 3
.
0 1 2 2
Y B a
| || | | |
= = =
| | |
\ \ \
r

( )
1
3
0, 0
2
Z
| |
=
|
\

1
0 Z =
1 1
0 10 10 Z C = =

Para J=2

2 2
? Z C =

2 2
.
B
Z C Y =
r

1
2 2
1 0 ..
..
6 6
.
0 1 1 1
Y B a
| || | | |
= = =
| | |
\ \ \
r

( )
2
6
0, 0
1
Z
| |
=
|
\

2
0 Z =

2 2
0 12 12 Z C = =

Como
2 2
Z C es la ms negativa entonces X
2
es la variable que entra a X
B

22


La variable saliente se determina por la condicin de factibilidad la cual selecciona una variable
bsica de tal modo que la nueva solucin satisfaga todas las restricciones.

Condicin de factibilidad
Criterio: Seleccionar la variable bsica X
Bi
que posea el mnimo valor asociado en el cociente
Bi
ik
X
Y

donde 0
ik
Y > y K es el subndice de la variable que entra.

Variables bsicas: X
3
y X
4

3 1
2 4
60
16
B
B
B
X X
X
X X
| | | | | |
= = =
| | |
\ \ \
r

1
2
k
k
k
Y
Y
Y
| |
=
|
\
r

k=2
1
2 2
..
.
1 0 6
. .
0 1 . 1
Y B a
| | | |
= =
| |
\ \
r
r

2
6
1
Y
| |
=
|
\
r

i=1

1
12
60
10
6
B
X
Y
= =

i=2

2
22
16
16
1
B
X
Y
= =

Sale el mnimo valor asociado que es X
3

2
4
B
X
X
X
| |
=
|
\
r

1
B
X B P
=
r r

2 4
.. 6 0
( , )
1..1
B a a
| |
= =
|
\
r r

1
.. .... .. ....
....
1 0
.
1/ 6 0
1
1 6 1/ 6 1 6 ...
B
| | | |
= =
| |

\ \

23


1
1/ 6 0
1/
.
6
. ....
....1
B
| |
=
|
\

.. ....
....
1/ 6 0 60 10
.
1/ 6 1 16 6
B
X
| | | | | |
= =
| | |
\ \ \
r

2
4
10
6
B
X
X
X
| | | |
= =
| |
\ \
r

( )
10
. 12, 0 120
6
B B
Z C X
| |
= = =
|
\
r r

120 Z = Solucin de la primera iteracin.

Condicin de optimidad

1
y X
3

1 1
? Z C =
3 3
? Z C =

Para J=1

1 1
.
B
Z C Y =
r

1
1 1
1/ 6 0 3 1/ 2
.
1/ 6 1 2
.. ...
.. 3/ . 2
Y B a
| || | | |
= = =
| | |
\ \ \
r

( )
1
1/ 2
12, 0
3/ 2
Z
| |
=
|
\

1
6 Z =
1 1
6 10 4 Z C = =

Para J=3

3 3
? Z C =

3 3
.
B
Z C Y =
r

24


1
3 3
.. ... ..
..
1/ 6 0 1 1/ 6
.
1/ 6 0 6 .1 1/
Y B a
| || | | |
= = =
| | |

\ \ \
r

3
1/ 6
1/ 6
..
Y
| |
=
|
\

( )
3
1/ 6
12, 0
1/ 6
..
Z
| |
=
|
\

3
2 Z =

3 3
2 0 2 Z C = =

Como
1 1
Z C es la ms negativa entonces X
1
es la variable que entra a X
B

10
6
B
X
| |
=
|
\
r

1
1/ 2
3/ 2
Y
| |
=
|
\
r

i=1

1
12
10
20
1/ 2
B
X
Y
= =

i=2

2
22
6
4
3/ 2
B
X
Y
= =

Sale el mnimo valor asociado que es X
3

2
1
B
X
X
X
| |
=
|
\
r

1
B
X B P
=
r r

2 1
.. 6 3
( , )
1..2
B a a
| |
= =
|
\
r r

1
.. .. .. .. .. ...
.... ...
2
..
1 2 3 2 / 9 1/ 3
1 1
3 6 1 6 1/ 9 2 / 3 9 ...... 9
T
B
| | | | | |
= = =
| | |

\ \ \

2 / 9 1/ 3 60 8
.
1/ 9 2 /
.. ...
...... 3 16 4
B
X
| | | | | |
= =
| | |
\ \ \
r

25


2
1
8
4
B
X
X
X
| | | |
= =
| |
\ \
r

( )
8
. 12,10 136
4
B B
Z C X
| |
= = =
|
\
r r

136 Z = Solucin de la segunda iteracin.

Nota: Calculo de Base inversa para matriz 2 x 2

11 12
21 22
22 12 22 12 1
21 11 21 11 22 11 21 12
...
...
... ... ... ...
....... ...
1 1
det ....
a a
A
a a
a a a a
A
a a a a A a a a a
(
=
(

( (
= = = =
( (

26


CAPTULO 5

MTODO SIMPLEX TABLOIDE

27


Ejemplo 5.1:

Max Z = 10X
1
+ 12X
2

SA
3X
1
+ 6X
2

60
2X
1
+ X
2

16
X
1
, X
2
0

Se procede a estandarizar la funcin agregndole variable de holgura

Max Z = 10X
1
+ 12X
2
+ 0X
3
+ 0X
4

SA
3X
1
+ 6X
2
+ X
3
+ 0X
4
= 60
2X
1
+ X
2
+0X
3
+ X
4
=

16
X
1
, X
2
X
3
, X
4
0

Luego se procede a vaciar la forma estndar del modelo a la siguiente tabla, conocindose esta
primera tabla como la solucin bsica inicial o iteracin uno (1) de la solucin.

Z X
1
X
2
X
3
X
4
Solucin
Iteracin
1
1 -10 -12 0 0 0
X
3
3 6 1 0 60
X
4
2 1 0 1 16

Esta tabla se lee de la siguiente manera: Las variables no bsicas (X
1 y
X
2
)

tiene un valor inicial de
cero (0) y las variables bsicas (X
3
y

X
4
) tienen un valor de 60 y 16 respectivamente. Si estos valores
los sustituimos en la funcin Z = 10X
1
+ 12X
2
se obtiene un valor de Z=0 tal como puede observarse
en la siguiente tabla, es decir, la solucin bsica inicial del problema es cero (0), a partir de la cual
mediante unas iteraciones se busca mejorar la solucin inicial.

Z X
1
X
2
X
3
X
4
Solucin
Iteracin
1
1 -10 -12 0 0 0
X
3
3 6 1 0 60
X
4
2 1 0 1 16
Solucin bsica inicial
Valor de la variable X3
Valor de la variable X4

Al igual que en el mtodo algebraico se resuelve realizando unas iteraciones para buscar la solucin
ms ptima a travs de las condiciones de optimidad y de factibilidad

Para aplicar la condicin de optimidad se selecciona la columna de la variable no bsica con mejor
potencialidad de mejorar el valor objetivo. Esta columna se conoce como columna entrante. Si el
problema es de maximizar se debe seleccionar la variable no bsica ms negativa y si el problema es
de minimizar se selecciona la variable no bsica ms positiva

1
(-10) y X
2
(-12), la variable que tiene mejor potencialidad es la variable X
2
quedando la tabla de la siguiente manera:

28


Z X
1
X
2
X
3
X
4
Solucin
Iteracin
1
1 -10 -12 0 0 0
X
3
3 6 1 0 60
X
4
2 1 0 1 16
Columna entrante

Para hallar la fila saliente se utiliza el criterio de factibilidad, donde se selecciona la variable bsica
(en este caso X
3
o X
4
) que posea el mnimo valor asociado en el cociente entre el valor de la solucin
relacionada con la variable bsica entre el valor del elemento de la columna entrante
correspondiente donde el valor del elemento de la columna entrante debe ser mayor a cero para
poder tomarse en cuenta dicha fila como candidata a salir. Ver tabla siguiente:

Z X
1
X
2
X
3
X
4
Solucin
Iteracin
1
1 -10 -12 0 0 0
X
3
3 6 1 0 60
X
4
2 1 0 1 16
Columna entrante
60/6 = 10
16/1 = 16

Puede observarse en la tabla anterior que la variable bsica con el menor cociente es X
3
por lo cual
es la candidata a salir. Esta fila es conocida como ecuacin pivote y la intercepcin entre la columna
entrante y la ecuacin pivote se conoce como elemento pivote. Ver tabla siguiente:

Z X
1
X
2
X
3
X
4
Solucin
Iteracin
1
1 -10 -12 0 0 0
X
3
3 6 1 0 60
X
4
2 1 0 1 16
Columna entrante
Ecuacin
pivote
Elemento
pivote

Posteriormente se realicen los clculos de las nuevas filas utilizando las siguientes formulas:

Nueva Ecuacin Pivote = Ecuacin pivote anterior / elemento pivote

Nueva Ecuacin = Ecuacin anterior (elemento de la columna entrante x nueva ecuacin pivote)

29


Se procede a realizar los clculos correspondientes a la iteracin 2:

Ec. Pivote anterior (X3) 3 6 1 0 60
/ elemento pivote 6
Ec. Pivote Nueva (X2) 1/2 1 1/6 0 10

X
4 anterior
2 1 0 1 16
-(1)*Nva Ec. Pivote -1/2 -1 -1/6 0 -10
X
4 Nueva
3/2 0 -1/6 1 6

Z
anterior
-10 -12 0 0 0
-(-10)*Nva Ec. Pivote 6 12 2 0 120
Z
Nueva
-4 0 2 0 120

Obtenindose la siguiente tabla

Z X
1
X
2
X
3
X
4
Solucin
Iteracin
1
1 -10 -12 0 0 0
X
3
3 6 1 0 60
X
4
2 1 0 1 16
Iteracin
2
1 -4 0 2 0 120
X
2
1/2 1 1/6 0 10
X
4
3/2 0 -1/6 1 6

En la tabla anterior puede observarse que la solucin mejoro considerablemente, pasando de un valor
de cero (0) a ciento veinte (120). Aplicando el criterio de optimidad. A continuacin se presenta los
clculos correspondientes a la tercera iteracin:

Ec. Pivote anterior (X4) 3/2 0 -1/6 1 6
/ elemento pivote 3/2
Ec. Pivote Nueva (X1) 1 0 -1/9 2/3 4

X
2 anterior
1/2 1 1/6 0 10
-(1/2)*Nva Ec. Pivote -1/2 0 1/8 -1/3 -2
X
1 Nueva
0 1 3 -1/3 8

30


Z
anterior
-4 0 2 0 120
-(-4)*Nva Ec. Pivote 4 0 -4/9 8/3 16
Z
Nueva
0 0 14/9 8/3 136

Obtenindose la siguiente tabla

Z X
1
X
2
X
3
X
4
Solucin
Iteracin
1
1 -10 -12 0 0 0
X
3
3 6 1 0 60
X
4
2 1 0 1 16
Iteracin
2
1 -4 0 2 0 120
X
2
1/2 1 1/6 0 10
X
4
3/2 0 -1/6 1 6
Iteracin
3
1 0 0 14/9 8/3 136
X
2
0 1 3 -1/3 8
X
1
1 0 -1/9 2/3 4

Puede observarse que en la tercera iteracin se obtiene la solucin optima con un valor de X
2
=8 y
X
1
=4, dando esto como resultado Z=136 unidades monetarias. Aplicando el criterio de optimidad se
puede observar que todos los valores de la fila correspondiente a Z son positivos, por lo cual no
puede seguir iterndose.

31


CAPTULO 6

MTODO PENALIZACIN

32


Ejemplo 6.1:

Min Z = 4X
1
+ X
2

SA
3X
1
+ X
2
= 3
4X
1
+ 3X
2

6
X
1
+ 2X
2

4
X
1
, X
2
0

Se procede a estandarizar la funcin siguiendo los siguientes criterios:

1. Si la restriccin es se procede a sumarle una variable de holgura (Xi)
2. Si la restriccin es = se procede a sumarle una variable artificial (Ri).
3. Si la restriccin es se procede a restarle una variable de holgura y sumarle una artificial.
4. En la funcin objetivo:
a. al igual que en el mtodo simplex, por cada variable de holgura que se agregue en las
restricciones se le suma en la funcin objetivo ese variable pero con coeficiente igual a
cero (0).
b. Si la funcin objetivo es maximizar se le va a penalizar con la resta de MRi por cada
variable artificial que existe en las restricciones.
c. Si la funcin objetivo es minimizar se le va a penalizar con la suma de MRi por cada
variable artificial que existe en las restricciones.

Max Z = 4X
1
+ X
2
+ 0X
3
+ 0X
4
+

MR
1
+

MR
2

SA
3X
1
+ X
2
+

R
1
=

3
4X
1
+ 3X
2
- X
3
+ R
2
=

6
X
1
+ 2X
2
+ X
4

=

4
X
1
, X
2
, X
3
, X
4
, R
1
, R
2
0

Luego se procede a vaciar la forma estndar del modelo a la siguiente tabla,

Z X
1
X
2
X
3
X
4
Solucin
Iteracin
1
1 -10 -12 0 0 0
X
3
3 6 1 0 60
X
4
2 1 0 1 16

33


Z X
1
X
2
X
3
X
4
R
1
R
2
Sol
1 -4+7M -1+4M -M 0 0 0 9M
Iteracin R
1
3 1 0 0 1 0 3
1 R
2
4 3 -1 0 0 1 6
X
4
1 2 0 1 0 0 3
Z 0 1/3+5/3M -M 0 4/3-7/3M 0 4+2M
Iteracin X
1
1 1/3 0 0 1/3 0 1
2 R
2
0 5/3 -1 0 -4/3 1 2
X
4
0 5/3 0 1 -1/3 0 3
Z 0 0 1/5 0 8/5-M -1/5-M 18/5
Iteracin X
1
1 0 1/5 0 3/5 -1/5 3/5
3 X
2
0 1 -3/5 0 -4/5 3/5 6/5
X
4
0 0 1 1 1 -1 1
Z 0 0 0 -1/5 7/5-M -M 17/5
Iteracin X
1
1 0 0 -1/5 2/5 0 2/5
4 X
2
0 1 0 3/5 -1/5 0 9/5
X
3
0 0 1 1 1 -1 1

Clculos correspondientes a la iteracin 2: (Entra X
1
y sale R
1
)

Ec. Pivote anterior (R1) 3 1 0 0 1 0 3
/ elemento pivote 3
Ec. Pivote Nueva (X1) 1 1/3 0 0 1/3 0 1

R
2 anterior
4 3 -1 0 0 1 6
-(4)*Nva Ec. Pivote -4 -4/3 0 0 -4/3 0 -4
R
2 Nueva
0 5/3 -1 0 -4/3 1 2

X
4 anterior
1 2 0 1 0 0 4
-(1)*Nva Ec. Pivote -1 -1/3 0 0 -1/3 0 -1
X
4 Nueva
0 5/3 0 1 -1/3 0 3

Z
anterior
-4+7M -1+4M -M 0 0 0 9M
-(4-7M)*Nva Ec.
Pivote
4-7M 4/3-7/3M 0 0 4/3-7/3M 0 4-7M
Z
Nueva
0 1/3+5/3M -M 0 4/3-7/3M 0 4+2M

2
y sale R
2
)
34


Ec. Pivote anterior (R2) 0 5/3 -1 0 -4/3 1 2
/ elemento pivote 5/3
Ec. Pivote Nueva (X2) 0 1 -3/5 0 -4/5 3/5 6/5

X
1 anterior
1 1/3 0 0 1/3 0 1
-(1/3)*Nva Ec. Pivote 0 -1/3 1/5 0 4/15 -1/5 -2/5
X
1 Nueva
1 0 1/5 0 8/5 -1/5 3/5

X
4 anterior
0 5/3 0 1 -1/3 0 3
-(5/3)*Nva Ec. Pivote 0 -5/3 1 0 4/3 -1 -2
X
4 Nueva
0 0 1 1 1 -1 1

Z
anterior
0 1/3+5/3M -M 0 4/3-7/3M 0 4+2M
-(1/3-5/3M)*Nva
Ec. Pivote
0 -1/3-5/3M 1/5+M 0 4/15+4/3M -1/5-M -2/5-2M
Z
Nueva
0 0 1/5 0 8/5-M -1/5-M 18/5

3
y sale X
4
)

Ec. Pivote anterior (X4) 0 0 1 1 1 -1 1
/ elemento pivote 1
Ec. Pivote Nueva (X3) 0 0 1 1 1 -1 1

X
1 anterior
1 0 1/5 0 8/5 -1/5 3/5
-(1/5)*Nva Ec. Pivote 0 0 -1/5 -1/5 -1/5 1/5 -1/5
X
1 Nueva
1 0 0 -1/5 2/5 0 2/5

X
2 anterior
0 1 -3/5 0 -4/5 3/5 6/5
-(3/5)*Nva Ec. Pivote 0 0 3/5 3/5 3/5 -3/5 3/5
X
2 Nueva
0 1 0 3/5 -1/5 0 9/5

Z
anterior
0 0 1/5 0 8/5-M -1/5-M 18/5
35


-(1/5)*Nva Ec. Pivote 0 0 -1/5 -1/5 -1/5 1/5 -1/5
Z
Nueva
0 0 0 -1/5 7/5-M -M 17/5

Como todos los elementos de la fila Z son ceros y positivos la solucin ptima ha sido hallada y es la
siguiente:

X
1
= 2/5
X
2
= 9/5
Z = 17/5

Interpretacin de resultado del mtodo las M

El mtodo M resuelve el PA del original, por lo que a partir de la solucin del primero se debe
deducir la del segundo.
Se puede obtener una solucin optima o bien una solucin ilimitada.
Si se ha encontrado una solucin optima al PA, deben contemplarse tres alternativas:

1. Cuando no hay variables artificiales en la base ptima: en esta situacin la solucin ptima
del PA tambin lo es para el PO.

2. Cuando hay VA en la BO con valor cero: dado que el escalar asociado al vector artificial es
cero, tal vector puede intercambiarse por cualquier vector real no bsico sin alterar la solucin
ptima. La solucin ptima de PA tambin lo es para PO.

Sin embargo la presencia de una VA a nivel cero en donde la base optima pudiera indicar la
presencia de una restriccin redundante analticamente para dilucidar esta posibilidad, deben
intercambiarse todas las VA bsicas por VR no bsicas con la nica reserva de que el coeficiente
de reemplazo sea diferente de cero.

Si todas las VA bsicas se logran reemplazar por VR, entonces, ninguna restriccin es
redundante y se ha obtenido una solucin optima degenerada para el PO. En caso contrario las
VA bsicas no desalojadas son redundante analticamente por lo que deben cancelarse de la
tabla optima.

3. Cuando hay VA en la BO con valor positivo: las VA no pudieron sacarse de la base en el PA
como se deseaba y como estas no tienen ningn significado en el PO, se deduce que el PO
posee solucin inconsistente. En tal caso hay que aclarar si la solucin del PO es infactible o
inexistente.

Si todas las VA bsicas se expulsan de la base optima, entonces la solucin del PO es infactible,
en caso contrario la solucin del PO es inexistente.

36


Ejemplo 6.2: Solucin ptima degenerada.

Min Z: 2X
1
+X
2

S.A
X
1
+2X
2
2
X
2
2
3X
1
+X
2
6
X
1
, X
2
0

Planteando el PA se obtiene:

Min Z = 2X
1
+ X
2
+ MR
1

S.A
X
1
+2X
2
+X
3
= 2
X
2
+X
4
= 2
3X
1
+X
2
-X
5
+R
1
= 6
X
1
, X
2
, X
3
, X
4
, X
5
, R
1
0

Se procede a resolver, obtenindose las siguientes tablas:

Z X
1
X
2
X
3
X
4
X
5
R
1
Sol
1 -2+3M -1+M 0 0 -M 0 6M
Iteracin X
3
1 2 1 0 0 0 2
X X
4
0 1 0 1 0 0 2
R
1
3 1 0 0 -1 1 6
Z 0 3-5M 2-3M 0 -M 0 4
Iteracin X
1
1 2 1 0 0 0 2
X+1 R
2
0 1 0 1 0 0 2
X
4
0 -5 -3 0 -1 1 0

Se ha encontrado solucin optima al PA y aunque hay una VA en la tabla se encuentra en nivel
cero, por lo que tambin se ha encontrado la solucin optima del PO. La tercera restriccin no es
redundante analticamente puesto que R
1
puede intercambiarse por las VR X
2
o X
3
.
Reemplazando R
1
por X
2
se obtiene:

37


Z X
1
X
2
X
3
X
4
X
5
R
1
Sol
1 0 0 1/5 0 -3/5 3/5-M 4
Iteracin X
1
1 0 -1/5 0 -2/5 2/5 2
X X
4
0 0 -3/5 1 -1/5 1/5 2
X
2
0 1 3/5 0 1/5 -1/5 0
Z 0 -1 0 0 -2/3 8/15-M 4
Iteracin X
1
1 1/3 0 0 -1/3 1/3 2
X+1 R
2
0 1 0 1 0 0 2
X
4
0 5/3 1 0 1/3 -1/3 0

La solucin es degenerada.

Ejemplo 6.3: Redundancia analtica:

Max Z = 2X
1
+ X
2

SA
X
1
+ 2X
2
= 2
2X
1
- X
2
= 4
3X
1
+ X
2
= 6
X
2
2
X
1
, X
2
0

Partiendo del PA se obtiene:

Max Z = 2X
1
+ X
2
+ 0X
3
- MR
1
- MR
2
- MR
3

SA

X
1
+ 2X
2
+R
1
= 2
2X
1
- X
2
+R
2
= 4
3X
1
+ X
2
+R
3
= 6
X
2
+X
3
= 2
X
1
, X
2
, X
3
, R
1
, R
2
, R
3
0

38


Z X
1
X
2
X
3
X
4
X
5
R
1
Sol
1 -2-6M -1-2M 0 0 0 0 -12M
Iteracin R
1
1 2 0 1 0 0 2
1 R
2
2 -1 0 0 1 0 4
R
3
3 1 0 0 0 1 6
X
3
0 1 1 0 0 0 2
Z 0 3+10M 0 2+6M 0 0 4
Iteracin X
1
1 2 0 1 0 0 2
2 R
2
0 -5 0 -2 1 0 0
R
3
0 -5 0 -3 0 1 0
X
3
0 1 1 0 0 0 2

La solucin es ptima para el PA. As mismo todas las VA valen cero, entonces la solucin
optima del PA es tambin la solucin optima del PO.
Sin embargo las presencias de las VA R
2
y R
3
en la base a nivel cero indica la posibilidad de que
sean restricciones redundantes. Por tal motivo se intentara reemplazar por VR.
Primero intercambiaremos R
2
, las variables no bsicas de sustitucin diferente de cero en el
rengln de R
2
son X
2
y R
1
. Pero como R
1
es VA, entonces la opcin sera X
2

Z X
1
X
2
X
3
X
4
X
5
R
1
Sol
1 0 0 0 4/5+2M 3/5+2M 0 4
Iteracin X
1
1 0 0 1/5 2/5 0 2
3 X
2
0 1 0 2/5 -1/5 0 0
R
3
0 0 0 -1 -1 1 0
X
3
0 0 1 -2/5 1/5 0 2

En donde los nicos candidatos para sustituir R
3
son R
1
y R
2
, las cuales tambin son VA. La ecuacin
implicada por el rengln 3 es:

0X
1
+ 0X
2
+ 0X
3
- X
4
- X
5
+ X
6
= 0

Es decir

X
6
= 0 + X
4
+ X
5

Diciendo as que en la base optima siempre se tendr una VA a nivel cero por lo cual la tercera
restriccin es redundante analticamente.

Si eliminamos la restriccin 3 de la tabla queda de la siguiente manera:

39


Z X
1
X
2
X
3
X
4
X
5
R
1
Sol
1 0 0 0 4/5+2M 3/5+2M 0 4
Iteracin X
1
1 0 0 1/5 2/5 0 2
3 X
2
0 1 0 2/5 -1/5 0 0
X
3
0 0 1 -2/5 1/5 0 2

Donde la solucin para el PO es:

Z=4

Ejemplo 6.4: Solucin Infactible:

Min Z = 2X
1
- 3X
2

SA
X
1
+ X
2
2
2X
1
+ 4X
2
12
X
1
, X
2
0

Planteando el PA se obtiene:

Min Z = 2X
1
- 3X
2
+ 0X
3
+ 0X
4
+ MR
1

SA
X
1
+ X
2
+ X
3
= 2
2X
1
+4X
2
- X
4
+R1 = 12

X
1
, X
2
, X
3
, X
4
, R
1
0

Z X
1
X
2
X
3
X
4
R
1
Sol
1 2+2M 3+4M 0 -M 0 12M
Iteracin X
3
1 1 1 0 0 2
1 R
1
2 4 0 -1 1 12
Z -1-2M 0 -3-4M -M 0 -6+4M
Iteracin X
2
1 1 1 0 0 2
2 R
1
-2 0 -4 -1 1 4

X
1
=2
X
2
=0
X
3
=2
40


La actual es la solucin optima para el PA y dado R
1
es una VA con valor positivo, el PO tiene
solucin inconsistente.
La VA R
1
puede intercambiarse por las VR X
1
, X
3
o X
4
para as arribar a una solucin infactible
del PO.

Si introducimos X
1
la base se genera la siguiente tabla:

Z X
1
X
2
X
3
X
4
R
1
Sol
1 0 0 -1 1/2 -1/2-M -8
Iteracin
X
2
0 1 -1 -1/2 1/2 4
3
X
1
1 0 2 1/2 -1/2 -2

Es una solucin infactible. Si hubisemos intercambiado R
1
por X
3
o X
4
hubiramos obtenido igual
una solucin infactible.

41


CAPTULO 7

MTODO DOS FASES

42


La idea general del mtodo de dos fases es muy simple y consiste en que el problema de PL
se resuelve en dos partes o fases. Primero, en el PA se trata de que todas las VA lleguen a nivel
cero, con lo cual seguramente se arribar a una SBFI del PO. Y segundo, a partir de la SBFI del PO,
si es que se obtuvo, se trata de encontrar la solucin ptima del PO. A la primera parte se le llama
Fase I y a la segunda Fase II.

FASE I: En esta primera fase se trata exclusivamente de expulsar a las VA fuera de la base del PA, lo
cual equivale a buscar una SBFI para el PO; en realidad, se est llevando a cabo formalmente el
paso 1 del mtodo simplex original. Para obligar a que las VA tomen valor cero, no se recurre, como
el mtodo M, a una penalizacin en el objetivo, sino al planteamiento de un nuevo objetivo Z
0
el cual
consiste en la minimizacin de la suma de las variables artificiales.

FASE II: La segunda fase es la resolucin del PO a partir de la SBFI encontrada en la fase I, si es
que se encontr una. Esta fase equivale a los pasos 2 y 3 del mtodo simplex original. La funcin
objetivo al ser optimizada, es ahora X
0
, por lo que la ltima tabla de la fase I es idntica a la primera
de la fase II, lo nico que debemos hacer es renovar el valor de Z. Dado que la fase II comienza con
una SBFI del PO, los resultados que se pueden obtener al final de la misma, son una solucin ptima
o ilimitada para el PO.

Interpretacin de resultados del mtodo de las dos fases:

1. Si Z=0 y no hay VA en la base: en este caso se ha encontrado una SBFI para el PO y debe
procederse a la fase dos.

2. Z=0 y hay VA en la base: el VA de la base debe ser cero antes de proceder a la fase dos
esas VA deben intercambiarse por VR no bsicas. Tomndose en cuanta que el coeficiente de
remplazo entre la VA de salida y la VR de entrada sea diferente de cero:

Si el intercambio es total, se ha generado una SBFI degenerada para el PO.
Si el intercambio es parcial, es decir, la restriccin asociada al VA es redundante
analticamente, estas deben eliminarse antes de pasar a la fase dos.

3. Z= +. Solucin inconsistente

Ejemplo:

Max Z = 3X
1
+ 5X
2

SA
4X
1
+ X
2
4
-X
1
+ 2X
2
2
X
2
3
X
1
, X
2
0

43


44


CAPTULO 8

ANLISIS DE SENSIBILIDAD

45


En este captulo se analiza como variaciones en las constantes o datos originales de un
modelo de programacin lineal, afectan los resultados obtenidos en la soluci ptima. Esta tcnica
analiza la sensibilidad de la solucin ptima de un modelo a la incertidumbre de los datos, y se
conoce como analisis de sensibilidad. Su importancia radica en la posibilidad de generar nuevas
soluciones directamente de la solucin original con un numero limitado de simples operaciones, sin
necesidad de resolver el modelo de nuevo.

El anlisis de sensibilidad es una forma eficiente de tratar las modificaciones que, depus de
haber resuelto el modelo, surgen como consecuencia de errores o modificaciones en los datos
originales o por su informacin adicional disponible. Por otra parte, los datos del problema pueden ser
valores estimados de cantidades, precios, costos, etc., e interesa determinar las variaciones en la
solucin ptima resultantes de cambios en dichas estimaciones, as como dentro de que intervalos
pueden variar los parmetros sin afectar la solucin ptima del modelo.

Evidentemente que una tcnica para tratar las variaciones en los datos originales sera
recalcular el problema para cada posible combinacin de datos, pero este mtodo sera costo,
consumira demasiado tiempo, y en la mayora de los casos sera impracticable, debido al gran
nmero de posibles variaciones. El analisis de sensibilidad evita esas dificultades y sus clculos son
suficientemente simples como para hacerlos manualmente, sin necesidad de resolver el modelo cada
vez que existe un cambio en los parmetros.

1.- Cambios en los coeficientes de la funcin objetivo

Es evidente que cualquier cambio en un c
j
no afecta la solucin ptima en cuanto a su
posibilidad. Como las restricciones no han sido modificadas, la solucin ptima original sigue siendo
posible, lo que hay que determinar es si la solucin sigue siendo ptima.

Supongamos que el nuevo coeficiente de x
j
en la funcin objetivo es c
j
=c
j
+ (igual al coeficiente
original c
j
ms una cantidad que puede ser positiva o negativa).

Cambios en los coeficientes de la funcin objetivo

46


47


CAPTULO 9

EL PROBLEMA DUAL

48


Los modelos de programacin lineal tienen una importante caracterstica que se conoce como
dualidad. Cada modelo de programacin lineal se puede convertir, mediante transformaciones
apropiadas, en un modelo, que a pesar de ser estructuralmente diferente del primero, est
ntimamente relacionado con l, tanto en su forma como en su solucin. Este modelo obtenido a
travs de los cambios que veremos ms adelante, se conoce con el nombre de modelo o problema
dual. El modelo a partir del cual se obtiene el dual se conoce, por contraposicin, como modelo o
problema primal o primario.

Primeramente veremos la obtencin del dual a partir de un modelo primal en forma cannica:

Max Z= c
1
x
1
+ c
2
x
2
+ . + c
n
x
n

Sujeto a:

a
11
x
1
+ a
12
x
2
+ . + a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+ . + a
2n
x
n
b
2

..
..
a
m1
x
1
+ a
m2
x
2
+ . + a
mn
x
n
b
m

x
1 ,
x
2
. , x
n
0

El modelo dual correspondiente al anterior modelo es el siguiente:

Min V= b
1
y
1
+ b
2
y
2
+ . + b
n
y
n

Sujeto a:

a
11
y
1
+ a
12
y
2
+ . + a
1n
y
n
c
1

a
21
y
1
+ a
22
y
2
+ . + a
2n
y
n
c
2

..
..
a
m1
y
1
+ a
m2
y
2
+ . + a
mn
y
n
c
m

y
1 ,
y
2
. , y
n
0

Este modelo de programacin lineal se ha obtenido a partir del anterior con una serie de
transformaciones que citaremos a continuacin:

1. Se definen m nuevas variables y
i
, una para cada restriccin del primal (excluyendo las
restricciones de no-negatividad de las variables).
2. Se minimiza la funcin objetivo en lugar de maximizarla.
3. Se cambia el sentido de las desigualdades en las restricciones.
4. los lados derechos de las restricciones del primal (las b
i
) pasan a ser los coeficientes de la
funcin objetivo del dual.
5. Los coeficientes de la funcin objetivo del primal (las c
j
) pasan a ser los lados derechos de las
restricciones del dual
49


6. Se trasponen las filas y columnas de la matriz de coeficientes (las a
ij
) de las restricciones del
primal

Resumiendo el dual tendr tantas variables como restricciones tiene el primal (m), y tantas
restricciones como variables tiene el primal (n). los coeficientes de la variable x
j
en el primal pasan a
ser coeficientes de la restriccin j del dual; y los coeficientes de la restriccin i del primal pasan a ser
coeficientes de la variable y
i
en el dual. El coeficiente de la variable x
j
en la funcin objetivo del primal
pasa a ser el lado derecho de la restriccin j del dual, y el lado derecho de la restriccin i del primal
pasa a ser el coeficiente de la variable y
i
en la funcin objetivo del dual.
En el cuadro siguiente se especifican las caractersticas del modelo dual en relacin con las del
primal cualquiera que sea la forma de ste.

Primal Dual

1 Max. ()
Funcin Objetivo
Min. ()
Min. ()

Max. ()
2 Trminos constantes (b
i
) Coeficientes funcin objetivo
3 Coeficientes funcin obetivo (c
j
)

Trminos constantes

4

Matriz de coeficientes a
11
a
12
a
1n

a
21
a
22
a
2n

.
.
a
m1
a
m2
a
mn

a
11
a
21
a
m1

a
12
a
22
a
m2

.
.
a
1n
a
2n
a
mn

5 n variables n restricciones
6 m restricciones m variables
7 Restriccin i desigualdad Y
i
0
8 Restriccin i igualdad Y
i
irrestricta en signo
9 Variable Xj 0 Restriccin j desigualdad
10 Variable Xj no restringida en el signo Restriccin j igualdad

Ejemplo 1: Plantear el problema dual del siguiente modelo de programacin lineal.

Primal:

Max Z: 300X
1
+230X
2

S.A
10X
1
+ 60X
2
280
80X
1
+ 70X
2
200
90X
1
+ 200X
2
4000
X
1
, X
2
0

50


Dual:

Min V: 280y
1
+200y
2
+ 4000y
3

S.A
10y
1
+ 80y
2
+ 90y
3
300
60y
1
+ 70y
2
+ 200y
3
230
y
1
, y
2
, y
3
0

Ejemplo 2: Plantear el problema dual de la forma simtrica, del siguiente modelo de programacin
lineal.

Min Z: 20X
1
8 X
2
+ 12X
3

S.A
4X
1
X
2
+ 2X
3
6
-X
1
+ 3X
2
- X
3
8
X
1 +
5X
3
= 5
3X
1
X
2
+ X
3
4
X
1
, X
3
0
X
2
no restringida

La funcin objetivo debe minimizarse, todas las variables son no negativas y las restricciones
desigualdades . Como X
2
es no restringida, hacemos la transformacin lineal:

X
2
= X
2
X
2
con X
2
, X
2
0

Multiplicamos la segunda restriccin por -1 y la tercera la descomponemos en dos desigualdades .
Tenemos entonces el siguiente problema lineal:

Min Z: 20X
1
8 X
2
+ 8 X
2
+ 12X
3

S.A
4X
1
X
2
+ X
2
+ 2X
3
6
X
1
- 3X
2
+ 3 X
2
+ X
3
-8
X
1
+ 5X
3
5
- X
1
- 5X
3
-5
3X
1
X
2
+ X
2
+ X
3
4
X
1
, X
2
, X
2
,

X
3
0

En formato simtrico de minimizacin. Para pasar de las relaciones estructurales al problema dual en
forma simtrica, se deduce que ste tendr cinco variables de decisin (y
1
, y
2
, y
3
, y
4
, y
5
) y cuatro
restricciones, por tener el problema primal cinco restricciones y cuatro variables de decisin (X
1
, X
2
,
X
2
, X
3
), respectivamente. El problema dual, en formato simtrico de maximizacin es:

Max w = 6y
1
8y
2
+ 5y
3
5y
4
+ 4y
5

s. a
4y
1
+ y
2
+ y
3
y
4
+ 3y
5
20
-y
1
3y
2
y
5
-8
y
1
+ 3y
2
+ y
5
8
51


2y
1
+ y
2
+ 5y
3
5y
4
+ y
5
12
y
1
,y
2
,y
3
,y
4
,y
5
0

Ejemplo 3: Plantear el problema dual de la forma general, del siguiente modelo de programacin
lineal.

Min Z: 20X
1
8 X
2
+ 12X
3

S.A
4X
1
X
2
+ 2X
3
6
-X
1
+ 3X
2
- X
3
8
X
1 +
5X
3
= 5
3X
1
X
2
+ X
3
4
X
1
, X
3
0
X
2
no restringida

El problema dual que est en formato general de maximizacin es:

Max w = 6y
1
8y
2
+ 5y
3
+ 4y
4

s. a
4y
1
+ y
2
+ y
3
+ 3y
4
20
-y
1
3y
2
y
4
= -8
2y
1
+ y
2
+ 5y
3
+ y
4
12
y
1
,y
2
,y
4
0
y
3
no restringida

Unidad III

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Unidad III

Uploaded by

Copyright:

Available Formats

18

You might also like