Professional Documents
Culture Documents
Programacin Lineal
La Programacin Lineal es un procedimiento o algoritmo matemtico mediante el cual
se resuelve un problema indeterminado, formulado a travs de ecuaciones lineales,
optimizando la funcin objetivo, tambin lineal.
La programacin lineal es actualmente la tcnica matemtica utilizada mas
actualmente gracias a que el algoritmo simplex es muy eficiente y al desarrollo de la
computacin.
Lo que se busca con la aplicacin de la programacin lineal es resolver
problemas comunes y a la vez muy variados de la empresa en donde en general se
tienen necesidades por satisfacer con cierto nmero de recursos limitados o escasos y
con el objetivo de lograrlo en forma ptima. Esto significa la bsqueda de un valor
mximo cuando se trata de beneficios; o bien la bsqueda de un mnimo cuando se trata
de esfuerzos a desarrollar.
Un modelo de programacin lineal es un conjunto de expresiones matemticas
las cuales deben cumplir la caracterstica de linealidad que puede cumplirse siempre y
cuando las variables utilizadas sean de primer grado. Adems un modelo de P.L debe
tener las propiedades de:
Proporcionalidad
Aditividad (adicin)
Divisibilidad
Certidumbre(certeza)
Mquina
Horas Maq.
Disponibles
1
por semana
Fresadora
500
Torno
350
Rectificadora
150
Utilidad
$/ pieza
50
20
25
Mnimo
15
Mnimo
20
[ (Dls/Unidad) (Unidad/Sem)] =
[Dls/Sem.]
sujeta a restricciones de horas mquina disponibles por semana
Fresadora :
Torno:
Rectificadora:
rectificadora
= 30 piezas
= 15 piezas
X3 = 20 piezas
X2
Ejemplo de inversin:
Se desean invertir 2 millones de dlares en 6 tipos de inversin cuyas
caractersticas son las siguientes:
Tipo de
Inversin
Inters
Anual(%)
1
2
3
4
5
8.5
9
8.5
14.3
6.7
6
13
Factor de
Riesgo
0.02
0.01
0.38
0.45
0.07
0.35
Plazo promedio
de inversin
8
2
5
6
2
4
El factor de riesgo significa la probabilidad de que el rendimiento real sea inferior al esperado.
Se considera ventajoso un perodo promedio ponderado de inversin de ciando menos 5 aos; pero el
factor promedio ponderado de riesgo no debe ser superior a 0.20. La ley prohibe que la suma de las
inversiones de los tipos 4 y 6 sea mayor al 25% del total de la inversin. Con P.L formule un modelo de
P.L para decidir cmo invertir para maximizar el rendimiento de los 2 millones de dlares.
(SOL. A)
Definicin de variables
Sea: Xj = cantidad de dlares a invertir en el tipo j(j=1,2,3,4,5,6) para
maximizar el rendimiento.
Funcin objetivo
MAX Z= 0.085X1 + 0.09X2 + 0.85X3 + 0.143X4 + 0.067X5 +0.13X6
sujeta a restricciones:
1) X1 + X2 + X3 +X4 + X5 + X6 = 2,000.000 dls.
2) 0.02X1 + 0.01X2 + 0.38X3 + 0.45X4 + 0.07X5 + 0.35X6
(2,000.000) = 400,000 dls.
= 0.2
Funcin objetivo:
Max. z = 8.5 x1 + 9 x2 + 8.5x3 + 14.3x4 + 6.7x5 + 13x6
Sujeto a restricciones:
x1 + x2 + x3 + x4 + x5 + x6 = 1
(Factor de riesgo)
problema]
Problema de establecimiento de horario.
En un sector de la ciudad se tiene el siguiente requerimiento de policas:
PERIODO DEL DIA
HORA DEL DIA.
POLICIAS REQUERIDOS
()
1
06-10
300
2
10-14
350
3
14-18
425
4
18-22
450
5
22-02
250
6
02-06
200
06-10
X1
X6
300
10-14
X1
X2
350
14-18
X2
X3
425
18-22
X3
X4
450
22-02
X4
X5
250
02-06
X5
X6
200
Definicin de variables:
Sea xj = Nmero de policas que inician el periodo j (j = 1,2,3,...,6)
Funcin objetivo:
Min. z = x1 + x2 + x3 + x4 + x5 + x6
Sujeto a restricciones:
x1 +
x1 + x2
x2 + x3
x3 + x4
1
+ x6 300
350
425
450
Requerido significa tambin necesidad, que es lo mismo a cubrir, por lo tanto debe ser
x4 + x5 250
x5 + x6 200
.... toda xj 0
Ejemplo:
Problema de aprovechamiento de recursos.
Una empresa papelera recibe un pedido de rollos de papel de la misma calidad y
espesor para los siguientes anchos:
500 rollos de 30 in, 450 rollos de 45 in y 150 rollos de 56 in.
En las bodegas de la empresa solo se tiene existencia en esta calidad de papel en
ancho de 108 in, por lo que se piensa deben someterse a un proceso de corte
longitudinal si se desea cumplir la demanda de este pedido. Formular un modelo de
programacin lineal correspondiente a este problema.
108 cm
CORTE
Definicin de variables2:
Sea xj = # de cortes del tipo j (j = 1,2,....,5) necesarios para cumplir el pedido con
mnimo desperdicio de papel.
Funcin objetivo (o econmica):
Min. z = 18x1 + 3x2 + 22x3 + 18x4 + 7x5
Sujeto a restricciones:
3x1 + 2x2 + x3
500 rollos de 30
x2+
x4 + x5
450 rollos de 45
x3 + x5
150 rollos de 56
2
...las unidades:
No olvidar que la definicin de variables siempre se debe hacer de manera cuantitativa (en #).
Rollos
Corte
in
corte
Corte
Rollos
...para restricciones.
corte
in
...para
objetivo.
funcin
Toda xj 0
CAPACIDAD
TONELADAS
3000
2000
1500
PROA (1)
CENTRO (2)
POPA (3)
PRODUCTOS
A
B
C
TNS
A
TRANSPORTAR
3500
2500
2000
CAPACIDAD
m3
130000
10000
30000
m3/Ton
UTILIDAD (MILES
DLS/TN)
8
7
6
60
50
25
Definicin de variables:
Sea: xij = toneladas del producto j (j = A,B,C) a cargar en la bodega i (i = 1,2,3)
para maximizar la utilidad en el viaje.
Funcin objetivo:
Max z = 8(x1A + x2A + x3a) + 7(x1B + x2B + x3B) + 6(x1C + x2C + x3C)
unidades
Miles de dls.
Ton
Ton
miles de dlares
Sujeto a restricciones:
x1A + x1B + x1C 3000 Ton.
...con
Capacidad en Ton
Capacidad en Ton
Capacidad en Ton
3000
2000
1500
j = 1, 2, 3....n
Funcin objetivo:
Trminos del primer grado que se sumen.
Max. o Min. z = C1x1 + C2x2 + ... + Cjxj + ... + Cnxn
...donde
n = # total de valores
j = ocurrencia.
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11x1 + a12x2 + ... + a1jxj + ... + a1nxn
a21x1 + a22x2 + ... + a2jxj + ... + a2nxn
= b1
= b2
= bi
= bm
Sumatorias.
Definicin de variables:
Funcin objetivo:
sea xj = # ; j = 1, 2, 3, ... , n
(Max./Min.) z = cjxj
... sujeta a:
aijxj = bi
i = 1, 2, 3, ... , m
Ax
x
=
0
x = progreso de la actividad
A (0 ,6 )
... sujeto a:
4 .......... (1)
12 .......... (2)
18 .......... (3)
x1 ; x2 0
R ( 4 ,6 )
H ( 4 ,3 )
J (6 ,0 )
F ( 4 ,0 )
O (0 ,0 )
(1)
x1 4
(4,0) F
(2)
2 x2 12
x2 6
(0.6) A
(3)
3 x1 + 2 x2 18
x1
x2
0
6
9
0
(0,9) B
(6,0) J
Las desigualdades son fronteras o divisin del espacio plano. Si la recta no pasa
por el origen, se toman en cuenta las coordenadas de O.
Espacio solucin: Satisface al sistema (factible) posible. Conjunto de soluciones
factibles.
Si se satisface la restriccin, el origen pertenece al semiplano que satisface la
restriccin.
A
3 x1 + 2 x2 = 18
2 x = 12
3 x1 = 6
x = 2
6 + 2 x2 = 18
2 x = 12
x2 = 6
C (2 ,6 )
(1) (3)
x1= 4
3x1 + 2x2 = 18
2x2 = 6 ; x2 = 3
3x1 = 12
x1 = 4
H = (4,3)
(5,0)
(0,3)
Max z = 36
Los vrtices son capaces de generar lo OPTIMO.
CONVEXIDAD: Si dados dos puntos cualesquiera contenidos en el conjunto y se unen
mediante el segmento y si se cumple para todo par de puntos, es convexo.
Para resolver mediante el algortmo SIMPLEX, el conjunto debe ser
CONVEXO.
CONJUNTO CONVEXO: un conjunto es convexo si dados dos puntos A y B
cualesquiera, contenidos en el mismo, el segmento de recta que los une queda
contenido en dicho conjunto totalmente.
DEFINICION MATEMATICA: Un conjunto convexo se forma por combinacin
convexa lineal entre dos puntos A y B como sigue:
P = A + B(1 - )
para
01
...donde A y B son vectores y es un escalar.
Ejemplo: Obtener un punto p que sea CCL entre dos vrtices A y F con = .
P = ((0,6) ) + (4,0) (1 - )
P = (0,3) + (2,0)
P = (2,3)
OJO: NO SE PUEDEN GENERAR LOS VERTICES.
METODO GRAFICO.
Ejemplo:
M ax z = 36
(x ,x )
B (0 ,9 )
A (0 ,6 )
x1 ; x2 0
C (2 ,6 )
R ( 4 ,6 )
H ( 4 ,3 )
C O N JU N TO C O N V E X O
D E S O L U C IO N E S
F A C T IB L E S .
E S P A C IO S O L U C IO N .
J (6 ,0 )
O ( 0 ,0 )
F (4 ,0 )
M in z o
= (0 ,0 )
S O L U C IO N T R IV IA L .
para
01
Ejemplo: Obtener un punto P que sea CCL entre los vrtices A y F con =
P = (0,6) + (4,0) (1 - 9 = (0,3) + (2,0)
P = (2,3)
18
3X1 + 2X2
3 (2 ) + 2 (6 )
x1
2x2
3x1 + 2x2
+ x3
+ x4
+ x5
= 4 ... (1)
= 12 ... (2)
= 18 ... (3)
x1 ... x5 0
x3 , x4 , x5
HOLGURA.
VERTICE
O
A
C
F
H
B
J
R
X1
0
0
2
4
4
0
6
4
X2
0
6
6
0
3
9
0
6
X3
4
4
2
0
0
4
-2
0
X4
12
0
0
12
6
-6
12
0
X5
18
6
0
6
0
0
0
-6
OBNES.
FACTIBLE
FACTIBLE
FACTIBLE
FACTIBLE
FACTIBLE
Tomando
X3, X4, X5,
de sustituir
o
despejarlos
de 1, 2 y 3
y tomando
X1 y X2
... en las observaciones se sealan los puntos como factibles porque cumplen con la no
negatividad, pero los puntos B, J y R no cumplen con la condicin de no negatividad, lo
cual nos indica que no son factibles.
Retomando el sistema anterior, solo cambiaremos el signo de desigualdad de (3)
que ser .
3x1 + 2x2
18 ... (3)
B (0 ,9 )
3 (0 ) + 2 (0 ) n o e s
A (0 ,6 )
18
...e l o r ig e n n o c u m p le .
R (4 ,6 )
C O N JU N TO C O N V E X O
D E S O L U C IO N E S F A C T IB L E S .
H ( 4 ,3 )
J (6 ,0 )
F ( 4 ,0 )
O ( 0 ,0 )
18 ... (4)
(x1 , x2 )
(0 , 12 )
y si ...
B (0 ,9 )
(8 ,
0)
REDU ND AN TE.
A (0 ,6 )
R ( 4 ,6 )
4
2
H ( 4 ,3 )
J (6 ,0 )
F ( 4 ,0 )
O ( 0 ,0 )
E s u n a r e s tric c i n r e d u n d a n te p o r q u e
n o a lt e r a e n n a d a a l c o n j u n t o s o lu c i n a n t e r io r
y la s q u e h u b ie r a m a s a la d e r e c h a c o n = m
s e r a n r e d u n d a n te s .
W (8 ,0 )
3 x 1+ 2 x 2
s u p e r flu a
x3
.
. . x1 +
2x2
3x1
3x1
x3 = 4
+ x4 = 12
+ 2x2 - x3 = 18
+ 2x3 + x6 = 24
(1 )
(2 )
(3 )
(4 )
18
VERTICE
O
A
C
F
H
B
J
R
X1
0
0
2
4
4
0
6
4
X2
0
6
6
0
3
9
0
6
X3
4
4
2
0
0
4
-2
0
X4
12
0
0
12
6
-6
12
0
X5
-18
-6
0
-6
0
0
0
6
X6
24
12
6
12
6
6
6
0
OBSERVACIONES
NO FACTIBLE
NO FACTIBLE
FACTIBLE
NO FACTIBLE
FACTIBLE
NO FACTIBLE
NO FACTIBLE
FACTIBLE
En el punto R intersectan:
R
1 2
1 4
2 4
O
A
C
F
H
B
J
R
es
es
es
es
es
es
es
es
NO FACTIBLE y UNICO.
NO FACTIBLE y UNICO.
FACTIBLE y UNICO.
NO FACTIBLE y UNICO.
FACTIBLE y UNICO.
NO FACTIBLE y UNICO.
NO FACTIBLE y UNICO.
FACTIBLE, UNICO y DEGENERADO.
...y por lo tanto, del grfico anterior decimos entonces que C y H son no degeneradas.
DEFINICIONES:
SOLUCION: Es un conjunto de valores para las variables o bien un vector X = (x 1 , x2 ,
... , xj , xj+1 , ... , xn , xn+1 , ... , xn+m ) que satisface al conjunto de restricciones
j = n + m
j = 1
a ij x ij = b
a ij x ij = b
j = 1
Z =
cjxj
j = 1
A (0 ,6 )
R (4 ,6 )
A (0 ,6 )
H (4 ,3 )
R (4 ,6 )
H (4 ,3 )
J (6 ,0 )
O (0 ,0 )
F ( 4 ,0 )
J (6 ,0 )
O (0 ,0 )
F ( 4 ,0 )
x1 , x2
(0 , 6) B
(6 , 0) A
x1 ; x2 0
2x1 = x2
2(0) = 1(0) : (0,0) O
2(1) = 1(2) : (1,2)
2(2) = 1(4) : (2,4) C
x1 , x2
(2 , 0) F
3
2
B (0 ,6 )
C ( 2 ,4 )
C o n ju n t o c o n v e x o d e
s o lu c i o n e s f a c t ib le s .
E n 2 c o m o e s c e ro n o h a y
d is ta n c ia a l o r ig e n y p o r lo ta n to
e s u n o d e lo s p u n to s .
O ( 0 ,0 )
F ( 2 ,0 )
A (6 ,0 )
S u s t it u i m o s a l g n v a lo r d e l s e m ip la n o e n l a s
r e s t r ic c io n e s p a r a c o o c e r e l la d o q u e c o r r e s p o n d e
a s ta .
4(6) + 3(0) = 24
Resolviendo analticamente:
3
x1 +
2x1 x1
x2 - x3 6
x2 - x4 0
- x5 2
x1, x2 , x3 , x4 , x5 0
B
F
O
C
A
X1
X2
X3
X4
X5
CARACTERISTICAS
-6
-2
N.FACTIBLES, UNICA
2
0
2
6
0
0
4
0
-4
-6
0
0
4
0
0
12
0
-2
0
4
N.FACTIBLES, UNICA
N.FACTIBLES, NO UNICA
N.FACTIBLES, NO UNICA, DEGE.
N.FACTIBLES, UNICA
m+n
m
m+n
n
m+n!
m! n!
m = # de restricciones.
n
= # de variables de
decisin.
#=
3+2
3
3+2
2
5
3
5
2
5!
3! 2!
= 10
3
1
S e t ie n e n e n t o t a l 9 s o l u c io n e s ; la 1 0 n o s e d a p o r q u e
la r e c t a 3 y x 2 n o s e c r u z a n y p o r l o t a n t o h a y u n a
S O L U C I N IN E X IS T E N T E .
3
1
1
1
1
1
S .I.
S .I.
S .I.
4 + 2
4
4 + 2
2
6!
4! 2!
1
1
N =
1
S .I.
S .I.
FORMA CANONICA: Esta es til para el manejo del tema que se refiere al problema
dual de cualquier problema de programacin lineal. La forma cannica aceptable y
reconocida en la mayora de los textos debe cumplir con lo s siguientes requisitos:
1. Funcin objetivo maximizar.
2. Restricciones del tipo .
3. Condiciones de negatividad para variables.
Otra forma legtima para considerar como cannica es cumpliendo con los siguientes requisitos:
FORMAS CANONICAS.
Maximizar.
Minimizar.
z = Cx
z = Cx
sujeto a:
sujeto a:
Ax b
Ax b
x0
x0
Max z = 3x1 + 5x2
(-1)
Suj. a:
4
2x2 12
3x1 + 2x2 18
-x1
-4
- 2x2 -12
-3x1 - 2x2 -18
x1
x1 ; x2 0
FORMA ESTANDAR: El modelo de programacin lineal para resolverse, necesita
arreglarse para igualdades, lo cual se consigue utilizando tanto variables de holgura
como variables superfluas. Lo anterior da lugar a la presentacin del modelo
cumpliendo con l os siguientes requisitos:
15
1.
2.
3.
4.
LIBRE
... (1)
... (2)
... (3)
x1 ; x2 0 ;
x3
Min z = Cx
sujeto a:
Ax 0
x0
.....en el caso anterior conviene usar Max para no invertir la funcin objetivo.
Forma cannica.
Algo que incomoda es x1 0 y entonces se hace un acuerdo matemtico para
crear otra variable x1 como se hace a continuacin:
x1 0
-x1 = x1 0
x1 = -x1 0
...ahora para x3 :
x3 = (x3+ - x3-)
x3+ ; x3- 0
si...
x3 > 0
x3 < 0
x3 = 0
iniciando...
4
Multiplicamos
por los
arreglos a los
coeficientes.
...sujeta a:
x1 +
2x2
4x3+ - 4x3-
12
... (1)
Para la restriccin original (2) no tengo un proceso especfico, pero se ponen en sustitucin de
esta restriccin de igualadad a 2 restricciones de desigualdad con signos opuestos (mismo trminos).
x2 + x3+ - x3- 5 ........ (2+)
x2 + x3+ - x3- 5 ........ (2-)
...pero como no tenemos que tener aqu , entonces multiplicamos a 2- por (-1) y queda de la
siguiente forma:
-x2 - x3+ + x3- -5 ........ (2-)
Pasando a la restriccin (3), hay que multiplicarla por (-1) sin dejar de tomar el signo para x1.
2x1 + x2 - 5x3+ + 5x3- -6
x1 = -x1 0 ; x2 , x3+ ; x3- 0
Agrupando todo lo anterior resulta la forma cannica.
Forma estndar.
Max/Min z = Cx
Sujeta a:
Ax=b
x 0
Max z = 5x1 - x2 + 3x3 3x3
Sujeta a: (tomando las originales y tomando los arreglos para variables)5
- x1 + 2x2 + 4x3+ - 4x3- + x4 = 12
x2 + x3+ - x3= 5
- 2x1 - x2 + 5x3+ - 5x3- - x5 = 6
..... (1)
..... (2)
..... (3)
SUPERFLUA
x1 ; x2 ; x3+ ; x3- ; x4 y x5 0
Para hacer = una o se resta una variable superflua o sumamos una de holgura respectivamente.
.....
.....
.....
(1)
(2)
(3)
x1 LIBRE ; x2 0 ; x3 0
Forma cannica.
-x2 = x2 0
x2 = -x2 0
x1 = (x1+ - x1-)
x1+ 0 ; x1- 0
..... (2)
- 3x2 + 2x3 4
.....(3)
..... (1+)
..... (1-)
..... (2)
Forma estndar.
-x2 = x2 0
x2 = -x2 0
x1 = (x1+ - x1-)
x1+ 0 ; x1- 0
MTODO SIMPLEX.
..... (3)
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 algortmo 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.
Las definiciones siguientes fundamentadas en 3 importantes teoremas, ayudan a entender la
filosofa de este eficiente algortmo.
Teoremas de la Programacin Lineal.
1.
2.
La solucin ptima del problema de programacin lineal , si existe, es un punto extremo (vrtice) del
conjunto de soluciones factibles. Si dicha solucin ptima se tiene para ms de un punto extremo,
entonces tambin optimiza en cualquier punto que sea combinacin convexa lineal entre los dos
vrtices que optimiza.
z C= 3 6 m a x
A (0 ,6 )
zA = 24
R ( 4 ,6 )
C (2 ,6 )
M a x z = 3x1 + 5 x2
2
x1
2x2
3x1 + 2 x2
X 1, x 2
Z H= 3 6 m a x
H (4 ,3 )
4
12
18
0
(1 )
(2 )
(3 )
3 (2 ) + 5 (6 ) = 3 6
J (6 ,0 )
F ( 4 ,0 )
O ( 0 ,0 )
El nmero mximo de puntos extremos (vrtices) por revisar en la bsqueda de la solucin ptima
del problema es finito y coincide con el nmero mximo de soluciones bsicas nicas que se pueden
determinar mediante el binomio...
m+n
m
m+n
n
(m+n) !
m! n!
1
Sumar variables de holgura
(forma estndar)
2
Determinar una primera
solucin bsica factible.
3
Existe una
solucin
bsica factible
NO
SI
4
Calcular para la nueva
solucin bsica factible
; solo a i k > 0
a ik
...sujeta a:
4
12
18
x1
2x2
3x1 + 2x2
(1)
(2)
(3)
x1 ; x2 0
sujeta a:
...
+ x3 4
2x2 +
3x1 + 2x2 +
x5
x1
Bloque #1
(1)
x4
18
12
(3)
(2)
x1 ; x2 ; x3 ; x4 , x5 0
holguras
FORMA MATRICIAL.
BASE
z
x3
x4
x5
1 solucin
bsica y
factible.
Z
1
0
0
0
x1
-3
1
0
3
VE x2
x3
0
1
0
0
-5
0
(p) 2
2
x4
0
0
1
0
DECISIN
x5
0
0
0
1
SOLUCION
0
4
12 RS 12/2=6
18
18/2=9
HOLGURA
Es 0 porque no hay z en 1, 2 y 3
Para nuestra primera solucin bsica y factible se deben de tener ceros en los coeficientes de
nuestras variables bsicas (x3, x4 y x5) y se debe de tener a la matrz identidad (aunque estn desordenadas
las columnas).
Aplicamos ahora los criterios 1 y 2 (en ese orden).
Por criterio de optimalidad declaro a x2 como variable entrante (VE).
Ahora por el criterio de factibilidad determino la VS; como en el 1er rengln el valor no es > 0,
no se hace, pero en el resto s.
12/2 = 6
y 18/2 = 9
Pasar ahora a la tabla y observar el ltimo rengln que ahora se agrega en la siguiente tabla:
BASE
RE(5) +Rz
7
RE = RS/P
RE(2) + Rx5
z
x3
x2
x5
z
1
0
0
0
VE x1
-3
1
0
(p) 3
x2
0
0
1
0
x3
0
1
0
0
x4
5/2
0
-1
x5
0
0
0
1
VERTICE
6
7
SOLUCION
30
4
4/1=4
6
6 VS 6/3=2
NOTA8
S O L U C I N B S IC A F A C T IB L E P A R A
U N V R T IC E A D E L S IS T E M A A M P L IA D O
A 5 D IM E N S IO N E S .
B (0 ,9 )
1
A (0 ,6 )
X 1,x 4 = 0
x3 = 4
x2 = 6
x5 = 6
R ( 4 ,6 )
C ( 2 ,6 )
H ( 4 ,3 )
S O L U C I N B S IC A F A C T IB L E
E N V R T I C E O D E L S I S T E M A
A M P L IA D O A 5 D IM E N S IO N E S .
J (6 ,0 )
x 1,x 2 = 0
x3 = 4
x4 = 12
x5= 18
F ( 4 ,0 )
O ( 0 ,0 )
Mientras haya coeficientes negativos en z todava no se llega a la solucin ptima (para todas
las variables del rengln z)
Como es la nueva var. Se deben hacer ceros a los dems.
BASE
RE(3) +z
RE(-1) + Rx3 =
RE= RS/P
z
x3
x2
x1
z
1
0
0
0
x1
0
0
0
1
x2
0
0
1
0
x3
0
1
0
0
x4
3/2
1/3
-1/3
x5
0
-1/3
0
1/3
SOLUCION
36
2
6
2
VERTICE C
Ejemplo:
..... (1)
..... (2)
..... (3)
x1 ; x2 0
forma estndar:
Max z = 6x1 + 10x2
Sujeta a:
x1 + x2 + x3 = 5
..... (1)
x1 + 2x2 + x4 = 4
..... (2)
x1
x5 = 3
..... (3)
x1 ; x2 ; x3 ; x4 ; x5 0
...por arreglo:
z - 6x1 + 10x2 = 0
FORMA MATRICIAL:
BASE
Z
1
0
0
0
1
z
x3
x4
x5
RE(10) + z
z
RE(-1)+x3
x3
RE=RS/P
x2
X5
RE(1)+z
z
RE(- )+x3
x3
RE(- )+x2
x2
RE=RS/P
x1
x1
-6
1
1
1
VE
-1
RE x2
-10
P 1
2
0
0
x3
0
1
0
0
0
x4
0
0
1
0
5
x5
0
0
0
1
0
0
5
4
3
20
3/1/2=6
2/1/2=4
P 1
3
RS
3/1=3
23
3/2
x1 x2
(0 , 5) B
(5 , 0) R
X
x4 = x5 = 0
9
x1 x2
(0 , 2) A
(4 , 0) H
(3 , 0) F
1
B (0 ,5 )
z (0 )
zA =
zF =
zC =
0 0
6 (0 ) + 1 0 (2 ) = 2 0
6 (3 ) + 1 0 (0 ) = 1 8
6 ( 3 ) 6 1 0 (1 /2 ) = 2 3 M A X .
2
A (0 ,2 )
9
LO S PUNTO S < 0
N O S O N F A C T IB L E S .
F ( 3 ,0 )
H
(4 ,0 )
RS 5/1
4/2
Atencion en multiplicar
por el inverso aditivo
z = 23
x3 = 3/2
x2 =
x3 = 3
SOLUCION
VARIABLES ARTIFICIALES.
El modelo de programacin lineal se presenta generalmente en forma irregular; es decir, que se
pueden incluir restricciones de cualquier tipo. Cuando las restricciones son del tipo , la variable de
holgura que se suma para conseguir que la restriccin sea de igualdad proporciona el coeficiente +1 que
es til para la formacin de la matriz initaria de base en el algortmo smplex. En contraste, una
restriccin del tipo requiere que se le reste una variable superflua para conseguir igualdad en la
misma, lo cual no proporciona el coeficiente +1 para la base como primera solucin en el algortmo
smplex. Tambin ocurre que las restricciones del tipo = no requieren arreglo con holguras o superfluas
y por lo tanto tampoco se tiene al coeficiente +1 para la primera base del simplex.
Por tal motivo se necesita de un arreglo artificial para el caso de que el modelo
de programacin lineal que se pretende resolver con el algortmo smplex utilizando las
llamadas variables artificiales; de esta manera debe sumarse un variable artificial ( )10
por cada restriccin del tipo y por cada una del tipo = presentes en el problema.
Cuando el problema que se pretende resolver necesita de variables artificiales,
entonces el algortmo smplex que se aplica es con variantes, las cuales se vern para
pequeos ejemplos.
Las variables artificiales no tienen significado fsico y solo deben comprenderse
como artificios matemticos para la matriz de base.
METODO SIMPLEX PENAL
O DE LA M GRANDE.
Como su nombre lo indica, consiste en 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.
La primera solucin bsica del smplex en tal caso, debe de incluir a todas las
variables artificiales que fueron necesarias en el arreglo del modelo de programacin
lineal por resolver esto ltimo porque las variables artificiales se utilizan precisamente
para tomar la primera solucin bsica. A medida que se cumplen las etapas de clculo en
el smplex, las variables artificiales debern de ir saliendo de la misma, en consecuencia
del coeficiente M muy grande.
Si se presenta el caso de que las variables artificiales no se logren sacar de la
base y por lo tanto se anulen, ello significar que tal problema no tiene solucin factible.
Ejemplo:
Max z = 4x1 + 3x2
Sujeta a:
x1 + x2 6
2x1 - x2 0
x1
= 2
10
..... (1)
..... (2)
..... (3)
x2 0
Forma estndar.
Max z = 4x1 + 3x2
Sujeta a:
x1 + x2 - x3
2x1 - x2 - x4
x1
6
0
= 2
..... (1)
..... (2)
..... (3)
x2 , x3 , x4 0
...consiguiendo una base artificial....
x1 + x2 2x1 - x2 x1
x3 +
x4 +
+
5
6
7
6
0
= 2
..... (1)
..... (2)
..... (3)
VAR. ARTIFICIALES
x2 , x3 , x4 ,
+M
+M
z - 4x1 - 3x2 - M
-M
-M