Beruflich Dokumente
Kultur Dokumente
Optimizacin Lineal
Sitio Espejo para Amrica Latin
Esta es la versin en Espaol del sitio Web principal en Ingls, el cual se
encuentra disponible en:
Linear Programming
USA Site
Para buscar el sitio, proba en Edicion | Encotrar en la pgina [Ctrl + f]. Escribi una
palabra o frase en el espacio del dilogo. Por ejemplo "optimizacin" o
Introduccin y Resumen
Los problemas de toma de decisiones se pueden clasificar en dos categoras:
modelos de decisin determinsticos y modelos de decisin probabilsticos. En
los modelos deterministicos, las buenas decisiones se basan en sus buenos
resultados. Se consigue lo deseado de manera "deterministica", es decir, libre
de riesgo. Esto depende de la influencia que puedan tener los factores no
controlables, en la determinacin de los resultados de una decisin y tambin
en la cantidad de informacin que el tomador de decisin tiene para controlar
dichos factores.
Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan
al problema constante de mejorar (por ejemplo, optimizar) el rendimiento del
sistema. El problema puede ser reducir el costo de operacin y a la vez
mantener un nivel aceptable de servicio, utilidades de las operaciones
actuales, proporcionar un mayor nivel de servicio sin aumentar los costos,
mantener un funcionamiento rentable cumpliendo a la vez con las
reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la
calidad del producto sin reducir la calidad de otros aspectos. Para identificar la
mejora del funcionamiento del sistema, se debe construir una representacin
sinttica o modelo del sistema fsico, que puede utilizarse para describir el
efecto de una variedad de soluciones propuestas.
Un modelo puede considerarse como una entidad que captura la esencia de la
realidad sin la presencia de la misma. Una fotografa es un modelo de la
realidad ilustrada en la imagen. La presin arterial puede utilizarse como un
modelo de la salud de una persona. Una campaa piloto de ventas puede
utilizarse como un modelo de la respuesta de las personas a un nuevo
producto. Por ltimo, una ecuacin matemtica puede utilizarse como un
modelo de la energa contenida en un determinado material. En cada caso, el
modelo captura algn aspecto de la realidad que intenta representar.
Ya que un modelo slo captura determinados aspectos de la realidad, su uso
puede no ser apropiado en una aplicacin en particular porque no captura los
elementos correctos de la realidad. La temperatura es un modelo de las
condiciones climticas pero puede ser inapropiado si uno est interesado en la
presin baromtrica. Una foto de una persona es un modelo de la misma pero
brinda poca informacin acerca de sus logros acadmicos. Una ecuacin que
predice las ventas anuales de un producto en particular es un modelo de ese
producto pero tiene poca utilidad si lo que nos interesa es el costo de
produccin por unidad. Por lo tanto, la utilidad del modelo depende del
aspecto de la realidad que representa.
Un modelo puede ser inadecuado aun cuando intenta capturar los elementos
apropiados de la realidad si lo hace de una manera distorsionada o sesgada.
Una ecuacin que pronostica el volumen mensual de ventas puede ser
exactamente lo que el gerente de ventas quiere pero podra generar grandes
prdidas si arroja constantemente clculos de ventas altos. Un termmetro que
lee de ms (o de menos) tendra poca utilidad para realizar un diagnstico
mdico. En consecuencia, un modelo til es aquel que captura los elementos
adecuados de la realidad con un grado aceptable de precisin.
Un modelo matemtico es una ecuacin, desigualdad o sistema de ecuaciones
o desigualdades, que representa determinados aspectos del sistema fsico
representado en el modelo. Los modelos de este tipo se utilizan en gran
medida en las ciencias fsicas, en el campo de la ingeniera, los negocios y la
economa.
Un modelo ofrece al analista una herramienta que puede manipular en su
anlisis del sistema en estudio, sin afectar al sistema en s. Por ejemplo,
supngase que se ha desarrollado un modelo matemtico para predecir las
ventas anuales como una funcin del precio de venta unitario. Si se conoce el
costo de produccin por unidad, se pueden calcular con facilidad las utilidades
anuales totales para cualquier precio de venta. Para determinar el precio de
venta que arrojar las utilidades totales mximas, se pueden introducir en el
Optimizacin
La humanidad hace tiempo que busca, o profesa buscar, mejores maneras de
realizar las tareas cotidianas de la vida. A lo largo de la historia de la
humanidad, se puede observar la larga bsqueda de fuentes ms efectivas de
alimentos al comienzo y luego de materiales, energa y manejo del entorno
fsico. Sin embargo, relativamente tarde en la historia de la humanidad,
comenzaron a formularse ciertas clases de preguntas generales de manera
Un Problema de Mezcla
El taller de Joe se especializa en cambios de aceite del motor y regulacion del
sistema electrico. El beneficio por cambio del aceite es $7 y de $15 por
regulacion. Joe tiene un cliente fijo con cuya flota, le garantiza 30 cambios de
aceite por semana. Cada cambio de aceite requiere de 20 minutos de trabajo y
$8 de insumos. Una regulacion toma una hora de trabajo y gasta $15 en
insumos. Joe paga a los mecanicos $10 por hora de trabajo y emplea
actualmente a dos de ellos, cada uno de los cuales labora 40 horas por semana.
Las compras de insumos alcanzan un valor de $1.750 semanales. Joe desea
maximizar el beneficio total. Formule el problema.
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
and both X1, X2 are non-negative.
Nota: Existe una alternativa del abordaje de la funcin objetivo de igual valor
(funcin iso) con problemas que tienen pocas restricciones y una regin
factible acotada. Primero busque todas las esquinas, tambin llamadas puntos
extremos. Luego, evale la funcin objetivo en los puntos extremos para
llegar al valor ptimo y a la solucin ptima.
Por ejemplo, en el problema del carpintero, la regin factible convexa
proporciona los puntos extremos con las coordenadas que figuran en la
siguiente Tabla:
Valor de la Funcin Objetivo en cada Esquina o Punto Extremo
Elecciones del Decisor
Funcin de los
Ingresos Netos
X1, X2
5 X1 + 3 X2
0, 0
20, 0
100
0, 25
75
10, 20
110
X2
20
40
0
25
0
0
5X1 + 3X2
110*
No factible
100
75
No factible
0
D2
30
40
150
Oferta
200
100
300
X12
200
X21
150
X22
-50
0
50
150
-50
0
100
150
100
0
No factible
8500
6500*
Ahora poniendo cualquier y dos (o ms) las variables para poner cero
de a, es fcil de ver, inspeccionando las tres ecuaciones que todas las
otras soluciones son no factible.
Por lo tanto, la estrategia ptima es X11 = 50, X12 = 150, X21 = 100, y
X22 = 0, con un costo total de transporte mnimo de US$6.500.
Si lo desea, puede resolver este problema con Modul Net.Exe en el
paquete WinQSB para verificar estos resultados.
Para obtener una versin ms detallada del Mtodo Algebraico, visite el
sitio Toward the Simplex Method
Maximizar -X1
sujeta a:
X1 + X2 0,
X1 + 3X2 3.
El problema convertido es:
Maximizar -y + X1
sujeta a:
-X1 - X2 + 2y 0,
-X1 - 3X2 + 4y 3,
X1 0,
X2 0,
and y 0.
La solucin ptima para las variables originales es: X1 = 3/2 - 3 = -3/2,
X2 = 3/2 - 0 = 3/2, con valor ptimo de 3/2.
U1 0
U2 0
Aplicaciones: usted puede utilizar la dualidad en una amplia gama de
aplicaciones tales como:
- En algunos casos, puede ser ms eficiente resolver el problema dual
que el primario.
- La solucin dual proporciona una interpretacin econmica
importante tal como los precios sombra (es decir, los valores
marginales de los elementos RHS) que son los multiplicadores
Lagrangianos que demuestran una cota (estricta) del valor ptimo del
problema primario y viceversa. Histricamente, el precio sombra se
defini como la mejora en el valor de la funcin objetivo por aumento
unitario en el lado derecho, porque el problema generalmente adoptaba
la forma de una mejora de maximizacin de utilidades (es decir, un
aumento). El precio sombra puede no ser el precio de mercado. El
precio sombra es por ejemplo el valor del recurso bajo la "sombra" de
la actividad comercial. Se puede realizar un anlisis de sensibilidad,es
decir un anlisis del efecto de pequeas variaciones en los parmetros
del sistema sobre las medidas de produccin, calculando las derivadas
de las medidas de produccin con respecto al parmetro.
- Si una restriccin en un problema no es obligatoria (en otras palabras,
el valor LHS o valor del lado izquierdo) concuerda con el valor RHS),
la variable asociada en el problema es cero. De manera inversa, si una
variable de decisin en un problema no es cero, la restriccin asociada
en el otro problema es obligatoria. A estos resultados se los conoce
como Condiciones Complementarias de Holgura.
- Obtener el rango de sensibilidad del RHS de un problema partiendo
del rango de sensibilidad del coeficiente de costos del otro problema y
viceversa.
Para ms detalles y ejemplos numricos, lea los siguientes artculos:
A. Benjamin, Sensible Rules for Remembering Duals_ S-O-B
Method, SIAM Review, 37, 85-87, 1995.
H. Arsham, An Artificial-Free Simplex Algorithm for General LP
Models, Mathematical and Computer Modelling, 25, 107-123, 1997.
Sillas
Disponible
40
50
Y su formulacin de PL
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin de mano de obra
X1 + 2 X2 50 restriccin de materiales
tanto X1 como X2 son no negativas.
Donde X1 y X2 representan la cantidad de mesas y sillas a fabricar.
Supngase que el Carpintero desea contratar un seguro para sus
ingresos netos. Digamos que:
U1 = el monto en dlares pagadero al Carpintero por cada hora de
trabajo perdida (por enfermedad, por ejemplo),
U2 = el monto en dlares pagadero al Carpintero por cada unidad de
materia prima perdida (por incendio, por ejemplo).
Por supuesto que el corredor de seguros intenta minimizar el monto
total de US$(40U1 + 50U2) pagadero al Carpintero por la Compaa de
Seguros. Sin embargo, como es de esperar, el Carpintero fijar las
restricciones (es decir las condiciones) para que la compaa de seguros
cubra toda su prdida que equivale a sus ingresos netos debido a que no
puede fabricar los productos. En consecuencia, el problema de la
compaa de seguros es:
Minimizar 40 U1 + 50 U2
Sujeta a:
2U1 + 1U2 5 ingresos netos por una mesa
1U1 + 2U2 3 ingresos netos por una silla
U1, U2 son no negativas.
Si implementa este problema en un paquete de software, ver que la
solucin ptima es U1 = US$7/3 y U2 = US$1/3 con el valor ptimo de
US$110 (el monto que el Carpintero espera recibir). Esto asegura que el
Carpintero pueda manejar su vida sin inconvenientes. El nico costo es
la prima que le cobra la compaa de seguros.
Como puede ver, el problema de la compaa de seguros est
estrechamente relacionado con el problema original.
Segn la terminologa del proceso de diseo de modelos de IO/CA, el
problema original se denomina Problema Primario mientras que el
problema relacionado se denomina Problema Dual
Tal como vimos en el Problema del Carpintero y su Problema Dual, el
Valor Optimo es siempre el mismo para ambos problemas. Esto se
denomina Equilibrio Econmico entre el Problema Primario y el
Problema Dual.
Errores de Redondeo cometido por los Gerentes: tenga cuidado siempre
que redondee el valor de los precios sombra. Por ejemplo, el precio
sombra de la restriccin de recursos en el problema anterior es 8/3, por
ende, si usted desea comprar ms de este recurso, no debera pagar ms
de US$2.66. Sin embargo, siempre que usted quiera vender cualquier
unidad de este recurso, no debera hacerlo a un precio inferior a
US$2.67.
Podra darse un error similar si usted redondea en los lmites de los
rangos de sensibilidad. Como siempre, hay que prestar atencin porque
el lmite superior e inferior deben redondearse para abajo y para arriba,
respectivamente.
Ahora ya sabe que los precios sombra son la solucin del problema
dual. Aqu tenemos un ejemplo numrico.
Calcule el precio sombra para ambos recursos en el siguiente problema
de PL:
Max X2
sujeta a:
X1 + X2 3
2.5X1 + 4X2 10
donde ambas variables de decisin son no negativas.
El nuevo problema tiene la solucin ptima (0, 2.5) con un valor
ptimo de 2.5.
Entonces, pareciera "como si" el precio sombra de este recurso es 2.5 2 = 0.5. De hecho, el precio sombra de este recurso es 1, el cual se
puede verificar construyendo y resolviendo el problema dual.
El motivo de este error se torna obvio si observamos que el aumento
admisible para mantener la validez del precio sombra del primer
recurso es 0.5. El aumento en 1 excede el cambio admisible del primer
valor RHS.
Ahora supngase que cambiamos el mismo valor RHS en + 0.1 que es
admisible. Entonces el valor ptimo del nuevo problema es 2.1. Por
consiguiente, el precio sombra es (2.1 -2) / 0.1 = 1. Es necesario prestar
mucha atencin al calcular los precios sombra.
Si usted quiere calcular el precio sombra de un valor RHS sin tener su
rango de sensibilidad, puede obtener los valores ptimos de dos
perturbaciones como mnimo. Si el ndice de cambio en ambos casos
arroja los mismos valores, entonces este ndice es realmente el precio
sombra. A modo de ejemplo, supngase que perturbamos el RHS de la
primera restriccin en +0.02 y -0.01. Si resolvemos el problema
despus de estos cambios utilizando un software de PL, obtenemos los
valores ptimos de 2.02 y 1.09, respectivamente. Como el valor ptimo
para el problema nominal (sin ninguna perturbacin) es igual a 2, el
ndice de cambio para los dos casos es: (2.02 - 2)/0.02 = 1, y (1.09 - 2)/
(-0.01) = 1, respectivamente. Como estos dos ndices coinciden,
podemos concluir que el precio sombra del RHS de la primera
restriccin es de hecho igual a 1.
El Precio Sombra es Siempre No Negativo?
Supngase que tenemos una PL que tiene una nica solucin ptima.
Es posible tener ms de un conjunto de precios duales?
S, es posible. Considere el siguiente problema:
Min 16X1 + 24X2
sujeta a:
X1 + 3X2 6
2X1 + 2X2 4
todas las variables de decisin 0.
Su dual es:
Max 6U1 + 4U2
sujeta a:
U1 + 2U2 16
3U1 + 2U2 24
todas las variables de decisin 0,
Este problema dual tiene diversas soluciones alternativas, tales como,
(U1 = 8, U2 = 0) y (U1 = 4, U2 = 6). Todas las combinaciones
convexas de estos dos vrtices tambin son soluciones.
Existen casos generales para los cuales los precios sombra no son
nicos. Como en el ejemplo anterior, siempre que exista redundancia
entre las restricciones, o si la solucin ptima es "degenerada", puede
haber ms de un conjunto de precios duales. En general, las
restricciones lineales independientes son condicin suficiente para que
exista un nico precio sombra.
A continuacin, sigue una lista abreviada de las razones por las cuales
se debe tener en cuenta el anlisis de sensibilidad:
Toma de decisiones o desarrollo de recomendaciones para
decisores:
Para probar la solidez de una solucin ptima. Las sorpresas no
forman parte de las decisiones ptimas slidas.
Para identificar los valores crticos, umbrales, o valores de
equilibrio donde cambia la estrategia ptima.
Para identificar sensibilidad o variables importantes.
Para investigar soluciones sub-ptimas.
Para desarrollar recomendaciones flexibles que dependan de las
circunstancias.
Para comparar los valores de las estrategias de decisin simples
y complejas.
Para evaluar el riesgo de una estrategia o escenario.
Comunicacin:
Para formular recomendaciones ms crebles, comprensibles,
contundentes o persuasivas.
Para permitir a los decisores seleccionar hiptesis.
Para comunicar una falta de compromiso a una nica estrategia.
El decisor debe incorporar algunas otras perspectivas del
problema tal como perspectivas culturales, polticas,
psicolgicas, etc. en las recomendaciones del cientfico de
administracin.
Aumentar la comprensin o aptitud del sistema:
Para estimar la relacin entre las variables de entrada y las de
salida.
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
Clculo del incremento/disminucin permisibles de C1 = 5: Las
restricciones obligatorias son la primera y la segunda. Alterando este
coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3 se obtiene:
(5 + c1)/1 = 3/1, para la primera restriccin y (5 + c1)/1 = 3/(-1) para la
segunda restriccin. Resolviendo estas dos ecuaciones se obtiene: c1 =
-2 y c1 = -8. Por lo tanto, la disminucin permisible es 2, mientras que
el incremento permisible es ilimitado. Por lo tanto, mientras el primer
coeficiente de costo C1 permanezca dentro del intervalo [ 5 - 2, 5 + ]
= [3, ], contina la solucin ptima actual.
De modo similar, para el segundo coeficiente de costo C2 = 3 se
obtiene el rango de sensibilidad [3 - 8, 3 + 2] = [-5, 5].
Rango de sensibilidad del lado derecho para problemas de PL con
dos restricciones como mximo
En el Problema del Carpintero, cuando se efectan cambios menores en
cualquiera de los recursos, la estrategia ptima (es decir, hacer el
producto mixto) sigue siendo vlida. Cuando los cambios son mayores,
esta estrategia ptima cambia y el Carpintero debe, hacer todas las
mesas o las sillas que pueda. Este es un cambio drstico de estrategia;
por lo tanto, tenemos que revisar la formulacin y resolver un nuevo
problema.
Adems de la informacin necesaria que antes se mencion, tambin
nos interesa saber cunto puede vender (o comprar) el Carpintero de
cada recurso a un precio (o costo) "razonable". Es decir, hasta dnde
se puede incrementar o disminuir el RHS(i) con un valor i fijo, mientras
se mantiene la validez del precio sombra corriente del RHS(i)? Es
decir, hasta dnde se puede incrementar o disminuir el RHS(i) con un
valor i fijo mientras se mantiene la solucin ptima corriente para el
problema dual?
Histricamente, el precio sombra se defini como la mejora en el valor
de la funcin objetivo por incremento unitario en el lado derecho
porque con frecuencia el problema se pone en la forma de mejora de
maximizacin de utilidad (en el sentido de incremento).
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
Quizs recuerden que ya hemos calculado los rangos de sensibilidad
con un cambio por vez para este problema en la seccin Clculo de
Rangos de Sensibilidad. El rango de sensibilidad para el primer
coeficiente de costo es [ 5 - 2, 5 + ] = [3, ], mientras que para el
segundo coeficiente de costo es [3 - 8, 3 + 2] = [-5, 5]. Se debera poder
reproducir una figura similar a la anterior ilustrando todas las otras
posibilidades de incrementar/disminuir ambos valores de coeficientes
de costos como resultado de la aplicacin de la regla del 100%,
mientras al mismo tiempo se mantiene la solucin ptima corriente para
este problema.
Claramente, la aplicacin de la regla del 100%, en la forma en que aqu
se la presenta, es general y puede extenderse a cualquier problema de
PL de mayor magnitud. Sin embargo, a medida que aumenta la
magnitud del problema, este tipo de regin de sensibilidad se reduce y
por lo tanto, resulta menos til para la gestin. . Existen tcnicas ms
poderosas y tiles (que proporcionan condiciones necesarias y
suficientes a la vez) para manejar cambios simultneos dependientes (o
independientes) de los parmetros. Para realizar un estudio abarcador
de los distintos tipos de anlisis de sensibilidad en PL con ejemplos
numricos ilustrativos, consltese el siguiente artculo:
Arsham H., Perturbation analysis of general LP models: A unified
approach to sensitivity, parametric tolerance, and more-for-less
analysis, Mathematical and Computer Modelling, 12, 1437-1446, 1990.
Como los recursos son siempre escasos, a los gerentes les preocupa el
problema de la asignacin ptima de los recursos. Se recordar que en
el Problema del Carpintero se trataron ambos recursos como
parmetros, es decir, como valores numricos fijos:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40, restriccin de mano de obra
X1 + 2 X2 50, restriccin de material
y ambas X1, X2 son no negativas.
Recordarn asimismo que habitualmente las restricciones se clasifican
como restricciones del tipo de recurso o de produccin. Es un hecho
que en la mayora de los problemas de maximizacin, las restricciones
de recursos forman parte natural del problema, mientras que en el
problema de minimizacin, las restricciones de produccin son la parte
ms importante del problema.
Supongamos que desea hallar la mejor asignacin del recurso mano de
obra para el Carpintero. En otras palabras, cul es el mejor nmero de
horas que el Carpintero debera asignar a su negocio?
Tomemos como R el nmero de horas asignadas, el cual se usar para
determinar su valor ptimo. Por lo tanto, el modelo matemtico es
hallar R1, de modo tal que:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 R1 restriccin mano de obra
X1 + 2 X2 50 restriccin de material
y todas las variables X1, X2 y R1 son no negativas.
Obsrvese que ahora R1 se trata no como un parmetro sino como una
variable de decisin. Es decir, la maximizacin se realiza con las tres
variables, X1, X2 y R1:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 - R1 0 restriccin de mano de obra
X1 + 2 X2 50 restriccin de material
y todas las variables X1, X2 y R1 son no negativas.
Con software de PL, la solucin ptima es X1 = 50, X2 = 0, con una
asignacin ptima de la mano de obra de R1 = 100 horas. As, el valor
ptimo es $250.
Sujeta a:
2 X1 + X2 40 restriccin mano de obra
X1 + 2 X2 50 restriccin material.
Y todas las variables, X1, X2, c1, son no negativas.
Ahora, el problema dual del carpintero es:
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 c1 Utilidad neta de una mesa
1U1 + 2U2 3 Utilidad neta de una silla.
Y U1, U2, c1 son no negativas.
Se observa que ahora la utilidad neta c1 se trata como una variable de
decisin. La minimizacin se hace sobre las tres variables; X1, X2 y c1:
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 - c1 0
1U1 + 2U2 3
Y U1, U2, c1 son no negativas.
La implementacin de este problema en el paquete de computacin
muestra que la solucin ptima es U1 = $7/3, U2 = $1/3, y c1 = $1.5.
Se recordar que existen soluciones alternativas para este valor de
frontera del rango de sensibilidad para el coeficiente de costo. La
solucin correspondiente al lmite inferior se describe en el rango del
anlisis de sensibilidad del coeficiente de costo, calculado con
anterioridad en el Problema del Carpintero. Por lo tanto, la mnima
utilidad neta es siempre la misma que el lmite inferior del rango de
sensibilidad del coeficiente de costo generado por el software.
Indicadores de metas
Una solucin es X1 = 2, X2 = 3, S1 = 3, S2 = 0, y S3 = 0.
Para obtener detalles sobre los algoritmos de soluciones visite el sitio
Web Artificial-Free Solution Algorithms.
X1 8
X2 12
Introduciendo las variables d defecto y exceso, obtenemos:
X1 + X2 - S1 = 10
X1 + S2 = 8
X2 + S3 = 12
Para este problema E = 3, T = 5, R = 3, por lo tanto, existen como
mximo 3! / [2! . (3 - 2)! ] = 3 soluciones bsicas. Para encontrar las
soluciones bsicas, sabemos que existen 3 ecuaciones con 5 incgnitas,
dejando cualquier 2 = 5 - 3 variables de exceso o defecto a cero, y
luego resolviendo el sistema de ecuaciones resultante de 3 incgnitas,
obtenemos:
S1
0
10
0
S2
0
0
10
S3
10
0
0
X1
8
8
-2
X2
2
12
12
X1 + X2
10
20*
10
X2
2
X3
1
S1
0
3X1 + X2 -4X3
-2*
S2
0
-30
30
0
0
50
X1
10
0
20
0
50
0
X2
20
40
0
25
0
0
5X1 + 3X2
110*
no-factible
100
75
no-factible
0
X1 + X2 - S1 = 4
-X1 + X2 + S2 = 2
Aqu tenemos 2 ecuaciones con 4 incgnitas. Dado que solo X1 es
restringida, debemos hacer cero por lo menos dos de las variables S1,
S2, y X1. Resolviendo el sistema de seis ecuaciones resultante,
tenemos:
X1
0
0
1
X2
4
2
3
S1
0
-2
0
S2
-2
0
0
X1 + 2X2
no-factible
no-factible
7*
D2
30
40
150
Oferta
200
100
300
Dejemos que los Xij denoten la cantidad de transportacin que sale del
origen i al destino j. La formulacin de la PL del problema de
minimizacin del costo total de transporte es:
Min 20X11 + 30X12 + 10X21 + 40X22
sujeto a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
X12 + X22 = 150
todos los Xij 0
dado que este problema de transporte es balanceado (oferta total =
demanda total), todas las restricciones estn en forma de igualdad.
X12
200
X21
150
X22
-50
0
50
150
-50
0
100
150
100
0
no-factible
8500
6500*
Por lo tanto, la estrategia ptima es X11 = 50, X12 = 150, X21 = 100, y
X22 = 0, con por lo menos un coste total de transporte de $6,500.
Ejemplo 6: Un Problema con Muy Pocas Restricciones:
Asi como en nuestro ejemplo anterior, considere el problema siguiente:
Max X1 + X2
sujeto a:
X1 + X2 5
Introduciendo la variable de exceso tenemos:
X1 + X2 + S1 = 5
Los parmetros para este problema son: T = 3, R = 1, y E = 1. Esto
proporciona el nmero total de soluciones bsicas posibles 1! / [(1!).
(0!)] = 1. Haciendo la variable de exceso cero, tenemos esta ecuacin
simple X1 + X2 = 5 con dos variables a resolver. Por lo tanto, no
existen esquinas; adicionalmente, la regin de factibilidad no se
2X1 + X2 + X3 = 3
X1 + 3X3 = 1
2X1 + X2 = 2
El objetivo es convertir los coeficientes del sistema de ecuaciones en la
siguiente matriz identidad. Los resultados de los elementos del Lado de
la Mano Derecha (LMD) (?) proporcionan la solucin (si esta existe.)
1
0
0
0
1
0
0
0
1
?
?
?
Fila #
Operaciones
Resultados
LMD
[1]/2
1/2
1/2
3/2
-1{1}+[2]
-1/2
5/2
-1/2
-2{1}+[3]
-1
-1
(-1/2){2}+[1]
[2]/(-1/2)
-5
(0){2}+[3]
-1
-1
(-3){3} + [1]
-2
(5){3} + [2]
[3]/(-1)
El Mtodo Simplex
X1
[2]
1
5
X2
1
2
3
S1
1
0
0
S2
0
1
0
LMD
40
50
X1
1
0
0
X2
1/2
[3/2]
1/2
S1
1/2
-1/2
-5/2
S2
0
1
0
LMD
20
30
X1
1
0
0
X2
0
1
0
S1
2/3
-1/3
-7/3
S2
-1/3
2/3
-1/3
LMD
10
20
1)
VARIABLE
66.00000
VALOR
COSTO REDUCIDO
X1
6.000000
-11.000000
X2
0.000000
-10.000000
FILA
HOLGURA O EXCEDENTE
2)
0.000000
3)
5.000000
de todo o nada. Entre los ejemplos podemos incluir cosas tales como
asumir un costo fijo, construir una nueva planta o comprar un nivel
mnimo de algn recurso para recibir un descuento por cantidad.
Ejemplo: Considere el siguiente problema de la mochila
Maximice 11X1 + 9X2 + 8X3 + 15X4
Sujeta a:: 4X1 + 3X2 + 2X3 + 5X4 8, and Xi either 0 or 1.
Con LINDO, la sentencia del problema es:
Max 11X1 + 9X2 + 8X3 + 15X4
S.T. 4X1 + 3X2 + 2X3 + 5X4 8
END
INT X1
INT X2
INT X3
INT X4
24.00000
FILA
2)
VALOR
0.000000
1.000000
0.000000
1.000000
COSTO REDUCIDO
-11.000000
-9.000000
-8.000000
-15.000000
HOLGURA O EXCEDENTE
0.000000
Nro. DE ITERACIONES =
PRECIOS DUALES
0.000000
Hora del da
8:00 - 10:00
10:00 - 12:00
12:00 - 2:00
2:00 - 4:00
4:00 - 6:00
6:00 - 8:00
8:00 - 10:00
10:00 - 12:00
Programacin no lineal
Optimizacin combinatoria
Ilimitacin
Y1
0
1
0
Y2
-1
-1
1
T
1
0
LMD
1
2
Degeneracin
Un vrtice degenerado es uno a travs del cual pasan mas de n hiperplanos si estamos en el n-simo espacio Euclideano, digamos 3 lneas
en un espacio de 2 dimensiones. En dicho vrtice un mtodo como el
Simplex puede cambiar de una representacin (con n hiper-planos) a
otra, y podra terminar de forma cclica en el primero y luego repeir
este ciclo. Ahora, agregando pequeas cantidades para (digamos, el
LMD de las restricciones) mover ligeramente al hiper-plano
correspondiente y perturbar el vrtice. En vez, existirn muchos
vrtices cercanos donde solo hiper-planos se encuentran. Ahora, el
mtodo puede ir de uno a otro (mejorando cada vez la funcin objetivo)
y dejar esta rea de degeneracin. Luego, la perturbacin puede ser
apagada de nuevo en implementaciones computacionales modernas del
mtodo Simplex y sus muchas variaciones.
Un punto de esquina (vrtice) en un problema de variables de decisin
n- dimensional es llamado vrtice de degeneracin si ms de n
restricciones se hacen activas (relevantes a la solucin) en el punto de
esquina. Esto es siempre que un punto de esquina se oscula. Por
ejemplo, en un problema de 2 dimensiones, un punto de esquina es
degenerado si en el 3 o mas restricciones se convierten en igualdades.
Por ejemplo, considere el siguiente problema de dos dimensiones:
Max X1 + X2
sujeto a:
X1 1
X2 1
X1 + X2 2
todas las variables de decisin son 0.
La solucin ptima es X1 = 1, y X2 = 1, en el cual todas las tres
restricciones son activas.
Siempre que la solucin ptima sea degenerada, se obtendrn mltiples
precios sombra. Para el problema anterior, los dos grupos de precios
sombra son (1, 1, 0) y (0, 0, 1) como se podra verificar si se construye
y soluciona el problema dual
Identificacin: Si existen por lo menos dos ratios de columna mas
pequeos e iguales (bi/aij) mientras se aplica el mtodo Simplex, la
solucin es degenerada y arbitrariamente escoge una variable saliente.
En casos extraos, la degeneracin podra causar ciclismos, as como se
muestra en el problema siguiente::
Max 6X1 + 3X2
sujeto a:
X1 1
X2 1
X1 - X2 1
-X1 + X2 1
todas las variables de decisin son 0.
Ambos, el Lindo y el WinQSB toman 3 iteraciones para resolver este
problema simple de degeneracin.
Resolucin: agregue al valor de LMD un nmero pequeo, como
0,001. Esto debera resolver el problema.
Anlisis de Sensibilidad: El anlisis de sensibilidad podra ser INvalido y usted podra tener Precios Sombra Alternativos.
El problema siguiente y su dual son ambos degenerados:
Min X2
sujeto a:
X2 - 2X3 + X4 = 1
X1 + 2X2 - X3 = 0
X1 + X2 + 3X3 = 2
todas las variables de decisin son 0.
PL sin Vrtices
X1 X2 y
S1 X1+X2
__________________________
0
0
0
-5 no- factible
0
0
-5/2 0 no- factible
0
5
0
0 5
5
0
0
0 5
X1 = t,
X2 = 7 - t,
X3 = 3,
son ptimos, para todo t, inclusive cuado t es una M-grande.
Por lo tanto, este problema de PL no tiene vrtices, tiene multiples
soluciones limitadas, y soluciones ilimitadas.
Lindo: Para correr este problema en Lindo, primero se debe satisfacer
las condiciones de no-negatividad mediante la sustitucin de para cada
variable no-restringida Xi = xi - y. El resultado es:
min x1 + x2 + 2x3 - 5y
sujeto a:
x1 + x2 + x3 - 3y 10
x1 + x2 + 2x3 - 5y 13
Todas las variables son no-negativas.
Corriendo este problema en Lindo (o su WinQSB), se obtiene x1 = 13 y
todas las dems variables son iguales a cero. En trminos de las
variables originales, se obtiene: X1= 13, X2 = 0, y X3 = 0. Como se
puede observar, la solucin obtenido por Lindo no es obtenible por
WinQSB y viceversa. Obviamente, los resultados de sensibilidad para
este problema utilizando cualquiera de estos paquetes no son validos.
El conjunto de todas las soluciones ptimas es un medio plano, es
decir:
{Todos los puntos sobre el plano X1 + X2 + 2X3 = 13 tal que X1 + X2
+ X3 10}
Dado que el precio sombra del problema dual es una solucin al primal,
observemos mas detenidamente el problema dual, el cual es:
Max 10U1 + 13U2
Sujeto a:
U1 + U2=1
U1 + U2=1
U1+2U2=2
Todas las variables son no-negativas.
Corriendo el problema dual en Lindo (o en su WinQSB), obtenemos U1
= 0, U2 = 1, con precios sombra de (0, 13, 0) los cuales son la solucin
para el primal obtenidos previamente por el Lindo (o WinQSB). Sin
embargo, eliminando la primera restriccin redundante en el problema
dual, tenemos :
BVS
X1
X2
Cj
X1
1
0
0
X2
0
1
0
S1
1/3
1/3
8/3
S2
2/3
-1/3
1/3
LMD
10
20
Los precios sombra no son (8/3, 1/3). Como usted observa, despus de
construir el problema dual, el cual es:
Minimice 50Y1 + 10Y2
Sujeto a:
Y1 - Y2 3,
2Y1 + Y2 5,
Y1 0,
and Y2 0.
Obteniendo la formulacin del problema dual, ahora se pueden leer
correctamente los precios sombra. Por lo tanto, los precios sombra son
Y1 = 8/3, y Y2 = -1/3. De nuevo, cuando se construye el dual del
problema se observa que Y2 tiene que ser 0, en signo. Esta es la razn
por la cual se toma -1/3 en vez de 1/3 para Y2, de la tabla final del
simplex.
sujeto a:
X1 + X2 -2y + S1 = 5, y todas las variables estn restringidas en signo.
Las soluciones bsicas son:
X1 X2 y
S1 X1+X2
_________________________
0
0
0
5 0
0
0
-5/2 0 no-factible
0
5
0
0 5
5
0
0
0 5
para todo 0, 0, y 0.
El ltimo trmino necesario para todos los puntos por debajo de la
lnea. Esto se obtiene del hecho de que ambas variables son norestringidas en signo [en direcciones [(0, -1) y (-1, 0)].
La idea general para la representacin paramtrica es que comenzamos
en el vrtice. Nos movemos es la direccin de factibilidad de cada
borde al prximo punto factible. Si dicho punto existe (es decir, hemos
encontrado oto vrtice). Si no, el poliedro no es restringido en esa
direccin, lo que significa que dicha direccin es una raya extrema.
Note que, un poliedro sin vrtices siempre contiene una lnea (o hiperplano). Para dicho poliedro adicionamos una raya perpendicular a la
lnea (o hiper-plano) si la restriccin tiene la forma de inigualdad ( ,
o como en el ejemplo anterior.
Sujeto a:
X1 - 3X2 2
X1 + X2 2
Todas las variables son no-negativas,
Obteniendo una solucin ptima de (X1 = 2, X2 = 0), con un valor
ptimo de 2. por lo tanto, estos dos problemas No son equivalentes.
Sin embargo, usted se preguntar: Bajo que condiciones es seguro el
eliminar una restriccin de igualdad por sustitucin? La respuesta es, ya
sea bajo una variable no-restringida, como se mencion anteriormente,
o si todos los coeficientes de una restriccin de igualdad tiene el mismo
signo que LD, entonces sera seguro el eliminar cualquier variable por
sustitucin de forma tal de reducir el nmero de variables y
restricciones.
Suponga que tenemos una PL y esta tiene una solucin ptima nica.
Es posible encontrar mas de un conjunto de precios duales?
Si, es posible. Considere el problema siguiente:
Min 16X1 + 24X2
sujeto a:
X1 + 3X2 6
2X1 + 2X2 4
todas las variables de decisin son 0.
Su solucin dual es:
Max 6U1 + 4U2
sujeto a:
U1 + 2U2 16
3U1 + 2U2 24
todas las variables de decisin son 0,
Este problema dual tiene varias soluciones alternativas tales como, (U1
= 8, U2 = 0) y (U1 = 4, U2 = 6). Todas las combinaciones convexas de
estos dos vrtices son soluciones tambin.
Existen casos generales para los cuales los precios sombra no son
nicos. As como en el ejemplo anterior, siempre que exista
redundancia entre las restricciones, o si la solucin ptima es
degenerada, debera existir masa de un conjunto de precios duales.
En general, la interdependencia lineal de las restricciones son una
condicin suficiente para la unicidad de los precios sombra.
Considere el siguiente problema de PL con restricciones redundantes:
Max 10X1 + 13X2
Sujeto a:
X1 + X2 = 1
X1 + X2 = 1
X1+ 2X2 = 2
y todas las variables son no-negativas.
Haciendo la corrida del dual en Lindo (o su WinQSB ) se obtiene el
resultado en X1 = 0, X2 = 1, con los precios sombra de (0, 13, 0).
Usando el WinQSB para este problema, obtenemos X1 = 0, X2 = 1 con
diferentes precios sombra de (0, 7, 3).