Beruflich Dokumente
Kultur Dokumente
Tipo de optimizacin.
Como se ha comentado, el objetivo del mtodo consistir en optimizar el valor de
la funcin objetivo. Sin embargo se presentan dos opciones: obtener el valor ptimo
mayor (maximizar) u obtener el valor ptimo menor (minimizar).
Adems existen diferencias en el algoritmo entre el objetivo de maximizacin y el
de minimizacin en cuanto al criterio de condicin de parada para finalizar las
iteraciones y a las condiciones de entrada y salida de la base. As:
Objetivo de maximizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor negativo.
Condicin de entrada a la base: el menor valor negativo en la fila Z (o el de
mayor valor absoluto entre los negativos) indica la variable P j que entra a la
base.
Condicin de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P 0/Pj de los
estrictamente positivos.
Objetivo de minimizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor positivo.
Condicin de entrada a la base: el mayor valor positivo en la fila Z indica la
variable Pj que entra a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P 0/Pj de los
estrictamente negativos.
En el ltimo caso se hace patente que las variables artificiales suponen una
violacin de las leyes del lgebra, por lo que ser necesario asegurar que dichas
variables artificiales tengan un valor 0 en la solucin final. De esto se encarga
el mtodo de las Dos Fases y por ello siempre que aparezcan este tipo de variables
habr que realizarlo.
En la siguiente tabla se resume segn la desigualdad el tipo de variable que
aparece en la ecuacin normalizada, as como su signo:
Tipo de
desigualdad
- exceso + artificial
+ artificial
+ holgura
Una vez estandarizado el modelo puede ocurrir que sea necesario aplicar el
mtodo Simplex o el mtodo de las Dos Fases. Vase en la figura la forma de
actuacin para llegar a la solucin del problema modelado.
Mtodo Simplex
C2
...
Cn
Base
Cb
P0
P1
P2
...
Pn
P1
Cb1
b1
a11
a12
...
a1n
P2
Cb2
b2
a21
a22
...
a2n
...
...
...
...
...
...
...
Pm
Cbm
bm
am1
am2
...
amn
Z0
Z1-C1
Z2-C2
...
Zn-Cn
Todos los valores incluidos en la tabla vendrn dados por el modelo del
problema salvo los valores de la fila Z (o fila indicadora). Estos se obtienen de
la siguiente forma: Zj = (CbiPj) para i = 1..m, donde si j = 0, P 0 = bi y C0 = 0, y
en caso contrario Pj = aij.
Condicin de parada:
Se cumple la condicin de parada cuando la fila indicadora no contiene ningn
valor negativo entre los costes reducidos (cuando el objetivo es la
maximizacin), esto es, no existe posibilidad de mejora.
Si no se cumple la condicin de parada es necesario realizar una iteracin
ms del algoritmo, esto es, determinar la variable que se vuelve bsica y la que
deja de serlo, encontrar el elemento pivote, actualizar los valores de la tabla y
comprobar si se cumple nuevamente la condicin de parada.
Es tambin posible determinar que el problema no se encuentra acotado y
su solucin siempre resultar mejorable. En tal caso no es necesario continuar
iterando indefinidamente y se puede finalizar el algoritmo. Esta situacin ocurre
cuando en la columna de la variable entrante a la base todos los valores son
negativos o nulos.
Elemento pivote:
El elemento pivote de la tabla queda marcado por la interseccin entre la
columna de la variable entrante y la fila de la variable saliente.
Actualizacin de la tabla:
FASE 1
Esta primera fase es muy similar al mtodo Simplex, con la excepcin de la
construccin de la primera tabla, adems de la necesidad de estudiar el resultado
obtenido para determinar si se desarrolla la segunda fase.
En tal caso, la ltima tabla de esta fase ser, con algunas modificaciones, la
utilizada como tabla inicial para la segunda fase.
C1
C2
...
Cn-k
...
Cn
Base
Cb
P0
P1
P2
...
Pn-k
...
Pn
P1
Cb1
b1
a11
a12
...
a1n-k
...
a1n
P2
Cb2
b2
a21
a22
...
a2n-k
...
a2n
...
...
...
...
...
...
...
...
...
Pm
Cbm
bm
am1
am2
...
amn-k
...
amn
Z0
Z1
Z2
...
Zn-k
...
Zn
FASE 2
La segunda fase del mtodo de las Dos Fases se desarrolla exactamente igual
que el mtodo Simplex, con la salvedad de que antes de iniciar las iteraciones hay
que eliminar las columnas correspondientes a las variables artificiales, y reconstruir la
tabla inicial.
A partir de este punto, todas las iteraciones hasta llegar a la solucin ptima del
problema no presentan ninguna diferencia con el mtodo Simplex.
Mtodo de la M o de Penalizacin.
Hasta este momento se han presentado los detalles del mtodo smplex con la
suposicin de que el problema se encuentra en nuestra forma estndar (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 seccin se
establecer cmo hacer los ajustes requeridos a otras formas legtimas de modelos de
Programacin Lineal. Se ver que todos estos ajustes se pueden hacer en el paso inicial, de
manera que el resto del mtodo smplex se aplica justo como se aprendi.
El nico problema serio que introducen las otras formas de restricciones funcionales
(= ) es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se
encontraba en forma muy conveniente al hacer que las variables de holgura fueran las
variables bsicas iniciales, donde cada una era igual a la constante no negativa del lado
derecho de la ecuacin correspondiente. Ahora debe hacerse algo ms. El enfoque estndar
que se utiliza es estos casos es la tcnica de variables artificiales. sta construye
un problema artificial ms conveniente introduciendo una variable ficticia
(llamada variable artificial) en cada restriccin que lo requiera. Esta nueva variable se
introduce slo con el fin de que sea la variable bsica inicial para esa ecuacin. Las
restricciones usuales de no negatividad tambin se aplican sobre estas variables y la funcin
objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que
adquieran valores mayores que cero. Las iteraciones del mtodo smplex automticamente
fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que
todas quedan fuera de la solucin; despus de esto se resuelve el problema real.
Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en
que la nica forma no estndar en el problema es la presencia de una o ms restricciones en
forma de igualdad.
Restricciones en forma de igualdad.
En realidad, cualquier restriccin en forma de igualdad:
ai1x1 +ai2x2 + . . . + ainxn = bi
es equivalente a dos restricciones de desigualdad:
ai1x1 + ai2x2 + . . . + ainxn bi,
ai1x1 + ai2x2 + . . . + ainxn bi
Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de
restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se
modifica el problema de ejemplo presentado y resuelto en la seccin anterior. El nico
cambio que sufre el modelo de programacin lineal es que la tercera restriccin, 3x 1 +
2x2 18, se convierte en una restriccin de igualdad:
3x1 + 2x2 = 18
Aplicando la tcnica de las variables artificiales se introduce una variable
artificial no negativa (denotada por x5) en la ltima ecuacin, como si fuera una variable
de holgura:
3x1 + 2x2 + x5 =18
En resumen si tenemos una restriccin funcional en forma de igualdad y
deseamos pasarla a su forma de igualdad, nicamente debemos sumar una variable
artificial.
0.4x1
0.3x1
0.5x1
0.6x1
x1 0,
+
+
+
+
0.5x2
0.1x2
0.5x2 =
0.4x2
x2 0
2.7
6
6
Notemos que la tercera restriccin es del tipo , por lo que para cambiarla a su
forma de igualdad tendramos que restar una variable de supervit (o de excedente),
quedando de la siguiente manera:
0.6x1 + 0.4x2 x5 = 6
Se ha restado la variable de excedente x5 (se utiliz x5 porque en la primera
restriccin agregamos una variable de holgura que sera x 3 y en la segunda restriccin
agregamos tambin una variable artificial que sera x 4; todo esto con el fin de convertir las
desigualdades a su forma de igualdades) para que consuma el exceso de 0.6x1 + 0.4x2, o
sea, lo que se pasa de 6. No obstante en este caso debe agregarse otra variable. Esta variable
extra, llamada variable artificial se aumenta como sigue:
0.6x1 + 0.4x2 x5 + x6 = 6
La razn de esto es que, si no se agrega la variable artificial, no se estaran
cumpliendo las restricciones de no negatividad. Para comprenderlo, se dejar sin aumentar.
El mtodo smplex comienza por hacer todas las variables reales (originales) iguales a cero.
Entonces:
0.6x1 + 0.4x2 x5 = 6
Sea x1 = 0 y x2 = 0, entonces:
x5 = 6
de no negatividad)
La variable artificial opera para mantener todas las variables no negativas cuando
0.6x1 + 0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y
0.6x1 + 0.4x2 x5 + x6 = 6
x6 = 6
En resumen, una restriccin de la forma se convierte a su forma de igualdad
restando una variable de excedente y sumando una variable artificial.
Consideremos el siguiente problema:
Maximizar
sujeta a
3x1
x1
5x2
2x2
+
=
3x1
2x2
x1 0,
x2 0
4
12
18
3x1
x1
5x2
+
2x2
x3
+ Mx5 =
=
0
4