historia de la investigación de operaciones (2)
TRANSCRIPT
INDICE
1. HISTORIA DE LA INVESTIGACION DE
OPERACIONES
2. CARACTERISTICAS DE LA INVESTIGACION
DE OPERACIONES
3. EJEMPLO DE FORMULACION
4. PROGRAMACION NO LINEAL
5. OPTIMIZACION NO LINEAL
MULTIVARIABLE
6. VARIABLES
7. RESTRICCIONES
8. MÉTODO GRAFICO
9. SOLUCION GRAFICA
10. MÉTODO SIMPLEX
11. MÉTODO DE LA “M”
12. MÉTODO DE LAS DOS FASES
13. MÉTODO DUAL
14. MODELO DE TRANSPORTE
15. METODOLOGIA GENERAL
1FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
Historia de la Investigación de Operaciones.
La primera actividad de Investigación de Operaciones se dio durante la Segunda
Guerra Mundial en Gran Bretaña, donde la Administración Militar llamó a un grupo de
científicos de distintas áreas del saber para que estudiaran los problemas tácticos y
estratégicos asociados a la defensa del país.
El nombre de Investigación de Operaciones fue dado aparentemente porque el equipo
estaba llevando a cabo la actividad de investigar operaciones (militares).
Motivados por los resultados alentadores obtenidos por los equipos británicos, los
administradores militares de Estados Unidos comenzaron a realizar investigaciones
similares. Para eso reunieron a un grupo selecto de especialistas, los cuales empezaron a
tener buenos resultados y en sus estudios incluyeron problemas logísticos complejos, la
planeación de minas en el mar y la utilización efectiva del equipo electrónico.
Al término de la guerra y atraídos por los buenos resultados obtenidos por los estrategas
militares, los administradores industriales empezaron a aplicar las herramientas de la
Investigación de Operaciones a la resolución de sus problemas que empezaron a originarse
debido al crecimiento del tamaño y la complejidad de las industrias.
Aunque se ha acreditado a Gran Bretaña la iniciación de la Investigación de Operaciones
como una nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo
rápidamente creciente. La primera técnica matemática ampliamente aceptada en el medio
de Investigación de Operaciones fue el Método Símplex de Programación Lineal,
desarrollado en 1947 por el matemático norteamericano George B. Dantzig. Desde
entonces las nuevas técnicas se han desarrollado gracias al esfuerzo y cooperación de las
personas interesadas tanto en el área académica como en el área industrial.
Un segundo factor en el progreso impresionante de la Investigación de Operaciones fue el
desarrollo de la computadora digital, que con sus tremendas capacidades de velocidad de
cómputo y de almacenamiento y recuperación de información, permitieron al tomador de
decisiones rapidez y precisión.
Si no hubiera sido por la computadora digital, la Investigación de Operaciones con sus
grandes problemas de computación no hubiera crecido al nivel de hoy en día.
Actualmente la Investigación de Operaciones se está aplicando en muchas actividades.
Estas actividades han ido más allá de las aplicaciones militares e industriales, para incluir
2FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
hospitales, instituciones financieras, bibliotecas, planeación urbana, sistemas de transporte
y sistemas de comercialización.
Características de la Investigación de Operaciones.
Es muy notable el rápido crecimiento del tamaño y la complejidad de las organizaciones
(empresas) humanas que se ha dado en estos últimos tiempos. Tal tamaño y complejidad
nos hace pensar que una sola decisión equivocada puede repercutir grandemente en los
intereses y objetivos de la organización y en ocasiones pueden pasar años para rectificar tal
error. También el ritmo de la empresa de hoy implica que las DECISIONES se tomen más
rápidamente que nunca, pues el hecho de posponer la acción puede dar una decisiva ventaja
al contrario en este mundo de la competencia.
La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la
búsqueda de una herramienta o método que le permita tomar las mejores decisiones de
acuerdo a los recursos disponibles y a los objetivos que persigue. Tal herramienta recibió el
nombre de Investigación de Operaciones.
De la definición de Investigación de Operaciones, como veremos en el siguiente apartado,
podemos resaltar los siguientes términos: organización, sistema, grupos interdisciplinarios,
objetivo y metodología científica.
Ejemplo de formulación
Un fabricante de dos productos A y B dispone de 6 unidades de material y 28 Horas para su ensamblaje, el modelo A requiere 2 unidades de de material y 7 horas de ensamblaje, el modelo B requiere una unidad de material y 8 horas de ensamblaje, los precios de los productos son $120 y $80 respectivamente. ¿Cuantos productos de cada modelo debe fabricar para maximizar su ingreso?
Sea x1 y x2 la cantidad de productos a producir de A y B
El objetivo se Expresa Como:
Maximizar z = 120x1 + 80x2
El fabricante está sujeto a dos restricciones:
3FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
De Material : 2x1 + x2 6
De Horas : 7x1 + 8x2 28
De no negatividad x1 0 y x2 0
Además no se venden productos no terminados por lo tanto las variables x1 y x2 deben ser enteras.
Programación no lineal
En este caso se destaca el estudio de optimización en una variable sin restricciones de la forma:
Optimizar z = f(x)
donde f es función no lineal de x y la optimización se realiza en (-, ). Si la busqueda se cisrcunscribe a un sub intervalo finito [a,b] el problema es de optimizacion no lineal restringida y se transforma a
Optimizar z = f(x)
con la condición a x b.
Optimización no lineal multivariable
Es el caso análogo al anterior, pero en el caso en que la función f es de más de una variable, es decir:
Optimizar z = f(X) donde X = [x1, x2, ..., xn]T
Si existen las restricciones
Gi(X) = 0
Es un problema no lineal multivariable restringido.
Variables
Una variable es un símbolo que representa un elemento no especificado de un conjunto dado. Dicho conjunto es llamado conjunto universal de la variable, universo o variar de la variable, y cada elemento del conjunto es un valor de la variable. Sea x una variable cuyo universo es el conjunto {1,3,5,7,9,11,13}; entonces x puede tener cualquiera de esos valores: 1,2,3,5,7,9,11,13. En otras palabras x puede reemplazarse por cualquier entero positivo impar menor que 14. Por esta razón, a menudo se dice que una variable es un reemplazo de cualquier elemento de su universo y sistema solar.
4FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
Una variable es un elemento de una fórmula, proposición o algoritmo que puede adquirir o ser sustituido por un valor cualquiera (siempre dentro de su universo). Los valores que una variable es capaz de recibir, pueden estar definidos dentro de un rango, y/o estar limitados por razones o condiciones de pertenencia, al universo que les corresponde (en estos casos, el universo de la variable pasa a ser un subconjunto de un universo mayor, el que tendría sin las restricciones).
Restricciones
Una restricción es una condición que debe cumplir la solución de un problema de optimización
C = 3x1 + 5x2 (Costo total de Producción)
Sujeto a:
8x1 + 7x2 500
x1 0 y x2 0.
METODO GRAFICO
Muchos problemas de administración y economía están relacionados con la optimización (maximización o minimización) de una función sujeta a un sistema de igualdades o desigualdades. La función por optimizar es la función objetivo. Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que está sujeta la función objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la solución (o soluciones) del problema. Los problemas de esta naturaleza se llaman problemas de programación matemática. En particular, aquellas donde la función objetivo y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programación lineal.
Un problema de programación lineal
Un problema de programación lineal consta de una funci´n objetivo lineal por maximizar o minimizar, sujeta a ciertas restricciones en la forma de igualdades o desigualdades lineales.
Como ejemplo de un problema de programación lineal en que la función objetivo debe maximizarse, considerese el siguiente problema de producción con dos variables
El granjero Lopez tiene 480 hectáreas en la que se puede sembrar ya sea trigo o maíz. El calcula que tiene 800 horas de trabajo disponible durante la estación crucial del verano. Dados márgenes de utilidad y los requerimientos laborales mostrados a la derecha, ¿Cuántas hectáreas de cada uno debe plantar para maximizar su utilidad?¿Cuál es ésta utilidad máxima?
Maiz: Utilidad: $40 por hrs. Trabajo: 2hs por hrs. Trigo: Utilidad: $30 por hrs. Trabajo: 1hs por hrs.
5FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
Solución: Como primer paso para la formulación matemática de este problema, se tabula la información dada (Tabla 1). Si llamamos x a las hectáreas de maíz e y a las hectáreas de trigo. Entonces la ganancia total P, en dólares, está dada por:
P=40x+30y
Que es la función objetivo por maximizar.
Maíz TrigoElementos disponibles
Horas 2 1
Hectáreas 1 1 800
Utilidad por unidad $40 $30 480
La cantidad total de tiempo par hectáreas para sembrar maíz y trigo está dada por 2x+y horas que no debe exceder las 800 horas disponibles para el trabajo. Así se tiene la desigualdad:
2x+y<800
En forma análoga, la cantidad de hectáreas disponibles está dada por x+y, y ésta no puede exceder las hectáreas disponibles para el trabajo, lo que conduce a la desigualdad. Por último, si no queremos tener pérdidas, x y y no pueden ser negativa, de modo que
x>0 y>0
En resumen, el problema en cuestión consiste en maximizar la función objetivo P=40x+30y sujeta a las desigualdades
2x+y<800 x+y<480
x>0 y>0
Solución Gráfica
Los problemas de programación lineal en dos variables tienen interpretaciones geométricas relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un problema de programación lineal bidimensional- si no es inconsistente- define una región plana cuya frontera está formada por segmentos de recta o semirrectas, por lo tanto es posible analizar tales problemas en forma gráfica.
Si consideremos el problema del granjero López, es decir, de maximizar P = 40x+ 30y sujeta a
6FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
2x+y<800 x+y<480
x>0, y>0 (7)
El sistema de desigualdades (7) define la región plana S que aparece en la figura 5. Cada punto de S es un candidato para resolver este problema y se conoce
EL METODO SIMPLEX PARA SOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL
Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso concluye cuando no es posible seguir mejorando más dicha solución.
Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en buscar sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través de los lados del polígono (o de las aristas del poliedro, si el número de variables es mayor). Cómo el número de vértices (y de aristas) es finito, siempre se podrá encontrar la solución.
El método del simplex se basa en la siguiente propiedad: si la función objetivo, f, no toma su valor máximo en el vértice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta.
El método del simplex fue creado en 1947 por el matemático George Dantzig .
El método del simplex se utiliza, sobre todo, para resolver problemas de
programación lineal en los que intervienen tres o más
variables.
El álgebra matricial y el proceso de eliminación de
Gauss-Jordan para resolver un sistema de ecuaciones lineales
constituyen la base del método simplex.
Con miras a conocer la metodología que se aplica en el Método SIMPLEX, vamos a resolver el siguiente problema:
Maximizar Z= f(x,y)= 3x + 2y
sujeto a: 2x + y 18
7FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
2x + 3y 42
3x + y 24
x 0 , y 0
Se consideran las siguientes fases:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18
2x + 3y + s = 42
3x +y + d = 24
2. Igualar la función objetivo a cero
- 3x - 2y + Z = 0
3. Escribir la tabla inicial simplex
En las columnas aparecerán todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restricción y la última fila con los coeficientes de la función objetivo:
Tabla I . Iteración nº 1
Base Variable de decisión Variable de holgura Valores solución
x y h s d
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 3 1 0 0 1 24
Z -3 -2 0 0 0 0
8FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
4. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la base
A. Para escoger la variable de decisión que entra en la base, nos fijamos en la última fila, la de los coeficientes de la función objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto).En nuestro caso, la variable x de coeficiente - 3.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior, entonces se elige uno cualquiera de ellos.
Si en la última fila no existiese ningún coeficiente negativo, significa que se ha alcanzado la solución óptima. Por tanto, lo que va a determinar el final del proceso de aplicación del método del simplex, es que en la última fila no haya elementos negativos.
La columna de la variable que entra en la base se llama columna pivote (En color azulado).
B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada término de la última columna (valores solución) por el término correspondiente de la columna pivote, siempre que estos últimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendríamos una solución no acotada y no se puede seguir.
El término de la columna pivote que en la división anterior dé lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color azulado).
Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base.
C. En la intersección de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3.
5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1.
9FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
A continuación mediante la reducción gaussiana hacemos ceros los restantes términos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la función objetivo Z.
También se puede hacer utilizando el siguiente esquema:
Fila del pivote:
Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote)
Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Vieja fila de s 2 3 0 1 0 42
- - - - - -
Coeficiente 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 1 1/3 0 0 1/3 8
= = = = = =
Nueva fila de s 0 7/3 0 1 -2/3 26
Tabla II . Iteración nº 2
Base Variable de decisión Variable de holgura Valores solución
x y h s d
h 0 1/3 1 0 -2/3 2
s 0 7/3 0 1 -2/3 26
x 1 1/3 0 0 1/3 8
Z 0 -1 0 0 1 24
10FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado todavía a la solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los términos de la última columna entre los
términos correspondientes de la nueva columna pivote:2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h.
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma análoga a la anterior obtenemos la tabla:
Tabla III . Iteración nº 3
Base Variable de decisión Variable de holgura Valores solución
x y h s d
y 0 1 3 0 -2 6
s 0 0 -7 0 4 12
x 1 0 -1 0 1 6
Z 0 0 3 0 -1 30
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado todavía a la solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los términos de la última columna entre los
términos correspondientes de la nueva columna pivote:6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s.
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Tabla IV . Final del proceso
Base Variable de decisión Variable de holgura Valores solución
x y h s d
y 0 1 -1/2 0 0 12
11FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
d 0 0 -7/4 0 1 3
x 1 0 -3/4 0 0 3
Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado a la solución óptima.
Los solución óptima viene dada por el valor de Z en la columna de los valores solución, en nuestro caso: 33. En la misma columna se puede observar el vértice donde se alcanza, observando las filas correspondientes a las variables de decisión que han entrado en la base: D(3,12)
Método de la “M” o de Penalización.
Hasta este momento se han presentado los detalles del método símplex con la
suposición de que el problema se encuentra en nuestra forma estándar (maximizar Z
sujeta a las restricciones funcionales de la forma y restricciones de no negatividad
sobre todas las variables) con bi 0 para toda i = 1, 2, ..., m. En esta sección se
establecerá cómo hacer los ajustes requeridos a otras formas legítimas de modelos de
Programación Lineal. Se verá que todos estos ajustes se pueden hacer en el paso inicial, de
manera que el resto del método símplex se aplica justo como se aprendió.
El único problema serio que introducen las otras formas de restricciones funcionales
(= ó ) es identificar una solución inicial básica factible. Antes, esta solución inicial se
encontraba en forma muy conveniente al hacer que las variables de holgura fueran las
variables básicas iniciales, donde cada una era igual a la constante no negativa del lado
derecho de la ecuación correspondiente. Ahora debe hacerse algo más. El enfoque estándar
que se utiliza es estos casos es la técnica de variables artificiales. Ésta construye un
problema artificial más conveniente introduciendo una variable ficticia (llamada variable
artificial) en cada restricción que lo requiera. Esta nueva variable se introduce sólo con el
fin de que sea la variable básica inicial para esa ecuación. Las restricciones usuales de no
negatividad también se aplican sobre estas variables y la función objetivo se modifica para
que imponga una penalización exorbitante en el caso de que adquieran valores mayores
que cero. Las iteraciones del método símplex automáticamente fuerzan a las variables 12
FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la
solución; después de esto se resuelve el problema real.
EJEMPLO DEL METODO DE LA M
Nota: Para el caso de minimización, penalizamos a la variable artificial, haciéndola aparecer en
la función objetivo con un coeficiente de +M.
Ahora se encuentra la solución óptima para el problema real aplicando el método símplex al problema artificial.
Como x5 juega el papel de la variable de holgura en la tercera restricción del problema
artificial, esta restricción es equivalente a 3x1 + 2x2 18.
En particular, el sistema de ecuaciones después de aumentar el problema artificial (en otras
palabras, pasarlo a su forma de igualdades) es:
Maximizar Z,
sujeta a
Z 3x1 5x2 + Mx5 = 0 x1 + x3 = 4 2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj 0 Para j = 1, 2, …, 5
En este momento estamos preparados para pasar los coeficientes a la tabla símplex:
Variable
Básica
Z
x1
x2
x3
x4
x5
Lado
derecho
Cociente
¿Es óptima?
Z 1 –3 –5 0 0 M 0 x3 0 1 0 1 0 0 4 x4 0 0 2 0 1 0 12 x5 0 3 2 0 0 1 18
13FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
Esta tabla todavía no está en la forma apropiada porque el coeficiente de x5 es diferente de
cero en la ecuación de Z (es M). Por lo tanto, antes de que el método símplex pueda aplicar la
prueba de optimalidad y encontrar la variable básica entrante, debe pasarse esta tabla a la forma
apropiada para que cumpla la condición símplex. Esta condición que debe cumplir toda tabla del
método símplex para que pueda reportarnos la siguiente solución básica factible dice que: “Toda
variable básica debe tener un 1 en la intersección de su renglón y columna correspondiente y cero
en los demás renglones incluido el renglón de Z”, en otras palabras, que toda variable que sea
básica solamente debe aparecer en el renglón de la restricción que representa. Para hacer cero el
coeficiente M, utilizamos el renglón de x5 como renglón pivote multiplicándolo por M y sumando
el resultado al renglón de Z. Realizando el procedimiento anterior, la tabla símplex queda de la
siguiente manera:
Variable
Básica
Z
x1
x2
x3
x4
x5
Lado
derecho
Cociente
¿Es óptima?
Z 1 -3M-3
-2M-5
0 0 0 18M Mx5 + Z
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)x4 0 0 2 0 1 0 12 Z = 18Mx5 0 3 2 0 0 1 18
Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y podemos
leer la solución básica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la prueba de
optimalidad vemos que no es óptima ya que todavía tenemos coeficientes negativos en el renglón de
Z (los correspondientes a x1 y x2). Aplicando el método símplex a la tabla anterior tenemos: el
coeficiente negativo con el mayor valor absoluto corresponde a x1 (3M3), recordemos que M es
un número muy grande positivo, por lo tanto, x1 se convierte en la variable básica entrante,
realizando los cocientes correspondientes, vemos que x3 se convierte en la variable básica saliente.
El procedimiento completo para resolver este ejemplo se muestra en el siguiente conjunto de tablas:
Variable
Básica
Z
x1
x2
x3
x4
x5
Lado
derecho
Cociente
¿Es óptima?
Z 1 -3M-3 -2M-5 0 0 0 18M x3 0 1 0 1 0 0 4 4/1 = 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z = 18M14
FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
x5 0 3 2 0 0 1 18 18/3 = 6
Z 1 0 -2M-5 3M+3 0 0 6M+12
x1 0 1 0 1 0 0 4 (4, 0, 0, 12, 6)
x4 0 0 2 0 1 0 12 12/2 = 6 Z = 6M+12
x5 0 0 2 3 0 1 6 6/2 = 3
Z 1 0 0 9/2 0 M+5/2 27
x1 0 1 0 1 0 0 4 4/1 = 4 (4, 3, 0, 6, 0)
x4 0 0 0 3 1 1 6 6/3 = 2 Z = 27
x2 0 0 1 3/2 0 1/2 3 Z 1 0 0 0 3/2 M+1 36 x1 0 1 0 0 1/3 1/3 2 (2, 6, 2, 0, 0)
x3 0 0 0 1 1/3 1/3 2 Z = 36
x2 0 0 1 0 1/2 0 6 Óptima
Método de las dos Fases.
En el ejemplo presentado en la sección “Restricciones funcionales de la forma “,
recordemos la función objetivo real:
Problema real: Minimizar Z = 0.4x1 + 0.5x2
Sin embargo, el método de la M utiliza la siguiente función objetivo a través de todo
el procedimiento:
Método de la M: Minimizar Z = 0.4x1 + 0.5x2 + Mx4 + Mx6
Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con
M, el método de dos fases puede eliminar la M usando las siguientes dos funciones objetivo
que definen Z de manera completamente diferente:
Método de las dos fases:
Fase 1: Minimizar Z = x4 + x6 (hasta que x4 = 0 y x6 = 0).
15FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
Fase 2: Minimizar Z = 0.4x1 + 0.5x2 (con x4 = 0 y x6 = 0).
La función objetivo de la fase 1 se obtiene dividiendo la función objetivo del
método de la M entre M eliminando los términos despreciables, en otras palabras, la fase 1
consiste en la minimización de la suma de todas las variables artificiales que se introduzcan
en el problema. Como la fase 1 concluye al obtener una solución básica factible para el
problema real (aquella en la que x4 = 0 y x6 = 0), esta solución se usa como la solución
básica factible inicial para aplicar el método símplex al problema real (con su función
objetivo) en la fase 2. Antes de resolver el ejemplo de esta manera se hará un resumen de
las características generales.
Resumen del método de dos fases.
Paso inicial: Se revisan las restricciones del problema original introduciendo variables
artificiales según se necesite para obtener una solución básica factible inicial obvia para el
problema artificial.
Fase 1: uso del método símplex para resolver el problema de programación lineal:
Minimizar Z = de todas las variables artificiales, sujeta a las restricciones
revisadas.
La solución óptima que se obtiene para este problema (con Z = 0) será una solución
básica factible para el problema real.
Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen
cero). Comenzando con la solución básica factible que se obtuvo al final de la fase 1, se usa
el método símplex para resolver el problema real.
Enseguida se resumen los problemas que deben resolverse por el método símplex en
las fases respectivas para el ejemplo.
Problema para la fase 1:
Minimizar W = x4 + x6,
16FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
sujeta a
0.3x1 + 0.1x2 + x3 = 2.70.5x1 + 0.5x2 + x4 = 60.6x1 + 0.4x2 x5 + x6 = 6
y
x10 x20 x3 x40 x50 x60
Problema para la fase 2:
Minimizar Z = 0.4x1 + 0.5x2,
sujeta a
0.3x1 + 0.1x2 + x3 = 2.70.5x1 + 0.5x2 = 60.6x1 + 0.4x2 x5 = 6
y
x10 x20 x3 x50 Las únicas diferencias entre estos dos problemas se encuentran en la función
objetivo y en la inclusión (fase 1) o exclusión (fase 2) de las variables artificiales x4 y x6.
Sin las variables artificiales, el problema para la fase 2 no tiene una solución básica factible
inicial obvia. El único propósito de resolver el problema para la fase 1 es obtener una
solución básica factible con x4 = 0 y x6 = 0 que se pueda usar como la solución básica
factible inicial para la fase 2.
Las siguientes tablas muestran el resultado de aplicar el método símplex a este
problema para la fase 1:
Variable
Básica
W
x1
x2
x3
x4
x5
x6
Lado
derecho
Cociente
¿Es óptima?
W 1 0 0 0 1 0 1 0 x3 0 0.3 0.1 1 0 0 0 2.7
x4 0 0.5 0.5 0 1 0 0 6
x6 0 0.6 0.4 0 0 1 1 6
17FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
W 1 1.1 0.9 0 0 1 0 12 x3 0 0.3 0.1 1 0 0 0 2.7 2.7/0.3=9 (0,0,2.7,6,0,6)
x4 0 0.5 0.5 0 1 0 0 6 6/0.5=12 W = 12
x6 0 0.6 0.4 0 0 1 1 6 6/0.6=10
W 1 0 0.53 3.66 0 1 0 2.1 x1 0 1 0.33 3.33 0 0 0 9 9/0.33=27.2 (9,0,0,1.5,0,0.6)
x4 0 0 0.33 1.66 1 0 0 1.5 1.5/0.33=4.5 W = 2.1
x6 0 0 0.2 2 0 1 1 0.6 0.6/0.2=3
W 1 0 0 1.64 0 1.65 2.65 0.51 x1 0 1 0 6.63 0 1.65 1.65 8.01 8.01/1.65=4.8 (8.01,3,0,0.51,0,0)
x4 0 0 0 1.64 1 1.65 1.65 0.51 0.51/1.65=0.30 W = 0.51
x2 0 0 1 10 0 5 5 3
W 1 0 0 0 1 0 1 0 x1 0 1 0 5 1 0 0 7.5 (7.5,4.5,0,0,0.3,0)
x5 0 0 0 0.99 0.60 1 1 0.3 W = 0
x2 0 0 1 5.05 3 0 0 4.5 Óptima fase 1
Notemos que ya hemos obtenido una solución óptima para la fase 1 que consistió en
la minimización de la suma de todas las variables artificiales. Observemos también que la
función objetivo W terminó con un valor de cero en la última tabla, lo que indica que las
dos variables artificiales (x4 y x6) valen cero ó tienen valores recíprocos y se cancelan
mutuamente para dar cero. En nuestro caso, las dos variables artificiales valen cero ya que
no se encuentran en la columna de las variables básicas en la última tabla de la primera
fase. La segunda fase consiste en resolver el problema original utilizando como tabla inicial
de esta fase la última tabla de la primera fase pero sin considerar la columna de las
variables artificiales ya que éstas tomaron el valor de cero en la primera fase. El método
símplex aplicado a la segunda fase se muestra en el siguiente conjunto de tablas:
Variable
Básica
Z
x1
x2
x3
x4
x5
x6
Lado
derecho
Cociente
¿Es óptima?Z 1 0.4 0.5 0 0 0 0 0 x1 0 1 0 5 1 0 0 7.5 x5 0 0 0 0.99 0.60 1 1 0.3 x2 0 0 1 5.05 3 0 0 4.5 Z 1 0 0.5 2 0 3 x1 0 1 0 5 0 7.5 x5 0 0 0 0.99 1 0.3
18FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
x2 0 0 1 5.05 0 4.5 Z 1 0 0 0.52 0 5.25 x1 0 1 0 5 0 7.5 (7.5,4.5,0,0,0.3,0)x5 0 0 0 0.99 1 0.3 Z = 5.25x2 0 0 1 5.05 0 4.5 Óptima fase 2
DUALIDAD
El dual es un problema de PL que se obtiene matemáticamente de un modelo primal de PL dado. Los problemas dual y primal están relacionados a tal grado, que la solución símplex óptima de cualquiera de los dos problemas conduce en forma automática a la solución óptima del otro.
El método símplex además de resolver un problema de PL llegando a una solución óptima nos ofrece más y mejores elementos para la toma de decisiones. La dualidad y el análisis de sensibilidad son potencialidades de éste método.
¿Cómo convertir un problema primal a dual?
Un problema dual se formula de un problema primal de la siguiente forma:
1. Si el primal es un problema de maximización su dual será un problema de minimización y viceversa.
2. Los coeficientes de la función objetivo del problema primal se convierten en los coeficientes del vector de la disponibilidad en el problema dual.
3. Los coeficientes del vector de disponibilidad del problema original se convierten en los coeficientes de la función objetivo (vector de costo o precio) en el problema dual.
4. Los coeficientes de las restricciones en el problema primal, será la matriz de los coeficientes tecnológicos en el dual.
5. Los signos de desigualdad del problema dual son contrarios a los del primal. 6. Cada restricción en un problema corresponde a una variable en el otro problema. Si el
primal tiene m restricciones y n variables, el dual tendrá n restricciones y m variables. Así, las variables Xn del primal se convierte en nuevas variables Ym en el dual.
PROBLEMA PRIMAL EN FORMA CANONICA:
MAX Z= CX
PROBLEMA DUAL EN FORMA CANONICA:
MIN Z= BY
19FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
Sujeto a:
AX b
X 0
Sujeto a:
AY C
Y 0
Ejemplo.
Si el problema primal es: MAX Z= 45X1 + 17X2 + 55X3
Sujeto a:
X1 + X2 + X3 200
9X1 + 8X2 + 10X3 5000
10X1+ 7X2 + 21 X3 4000
Xj 0
El problema dual será:
MIN Z= 200Y1 + 5000Y2 + 4000Y3
Sujeto a:
Y1 + 9Y2 + 10Y3 45
Y1 + 8Y2 + 7Y3 17
Y1 + 10Y2 + 21Y3 55
Yj 0
FORMA DE PRESENTAR EL PROBLEMA DUAL
MIN = 2X1 - 3X2
Sujeto a:
1X1 + 2X2 12
4X1 - 2X2 3
20FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
6X1 - 1X2 = 10
X1,2 0
1. Llevar el problema a su equivalente de maximización, multiplicando la función objetivo por –1:
MAX -2X1 + 3X2
2. Convertir las restricciones en una restricción equivalente multiplicando por –1 ambos lados:
-4x1 + 2x2 -3
3. Para las restricciones de igualdad, obtener 2 restricciones de desigualdad, una de forma y la otra de forma ; después regresar al punto anterior y cambiar la restricción a la forma :
6X1 – 1X2 10
6X1 – 1X2 10
6X1 – 1X2 10
-6X1 + 1X2 -10
Así el problema primal se ha replanteado en la forma equivalente:
MAX Z= -2X1 + 3X2
Sujeto a:
1X1 + 2X2 12
-4X1 + 2X2 - 3
6X1 – 1X2 10
-6X1 + 1X2 -10
X1,2 0
4. Teniendo el problema primal convertido a la forma canónica de un problema de maximización, es fácil llevarlo al problema dual:
MIN 12Y1 – 3Y2 + 10Y3
21FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
Sujeto a:Y1–4Y2 + 6Y3’–6Y3’’ -2 Y’3 y Y’’3 ambas se refieren a la tercera restricción
2Y1 + 2Y2 – 1Y3’ + 1Y3’’ 3 del problema primal.
Y1, 2, 3’, 3’’ 0
Modelo General del Problema del Transporte Es un caso especial de problema de programación Lineal, en el que todos los coeficientes de las variables en las restricciones tienen coeficiente uno (1), esto es: ai,j = 1 ; para todo i , para todo j Gráficamente: Xi,j= Unidades a enviar desde la fuente i-ésima (i=1,...,m) al destino j-ésimo (j=1,...,n) Ci,j= Costo de enviar una unidad desde la fuente i-ésima (i=1,...,m) al destino j-ésimo (j=1,...,n) ai = Disponibilidad (oferta) en unidades, de la fuente i-ésima (i=1,...,m)
Requerimiento (demanda) en unidades, del destino j-ésimo (j=1,...,n) Lo disponible = Lo requerido
Oferta = Demanda
Metodología General
Mercado Perfecto
Modelo Imperfecto
Modelo
Perfecto
Método de
Solución
Soluci
ón
Interpretaci
ón
Generalmente es lo Igualamos la oferta Interpretar la
22FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL
que ocurre en la vida real.
a la demanda, mediante fuentes o destinos de holgura
• Hallar una solución básica y factible. • Hallar la solución óptima
solución teórica v.s. la realidad.
23FERNANDO RAMIREZ LOPEZ 4C ING INDUSTRIAL