Unidad 1 Metodologa de la investigacin de operaciones (I.

O) y formulacin de modelos

1.1 Definicin Desarrollo y Modelos Investigacin de Operaciones

La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organizacin. El origen de esta materia se remonta a la segunda guerra mundial, cuando el coronel Sanders, junto con un dedicado grupo de cientficos, se propusieron encontrar la cuadratura del crculo, para de esta forma simplificar el horario militar y que le permitiese al Teniente G. Dann ganar la guerra en un rpido ataque en contra de los aliados. La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs de modelos matemticos, primero para representar al problema y luego para resolverlo La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. Modelos de la Investigacin de Operaciones. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin. Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los procedimientos de solucin pueden ser clasificados en tres tipos: a) analticos, que utilizan procesos de deduccin matemtica b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo.

1.2 Fases Estudio Investigacin de Operaciones

Nacida durante la Segunda Guerra Mundial, la investigacin de operaciones es una ciencia que modela problemas complejos haciendo uso de las matemticas y la lgica. La investigacin de operaciones permite el anlisis de la toma de decisiones teniendo en cuenta la escasez de recursos, para determinar cmo se pueden maximizar o minimizar los recursos. El mtodo ms

popular es el smplex (George Dantzing, 1947) dentro de la rama de programacin lineal. El algoritmo smplex ha sido elegido como uno de los diez de mayor influencia en el desarrollo y la prctica de la ciencia y la ingeniera en el siglo XX. Entre algunos de los mtodos utilizados tenemos el mtodo de la ruta crtica y a la tcnica de revisin y evaluacin de programas. En la ciencia de la administracin la cual tambin es conocida como investigacin de operaciones, los administradores utilizan las matemticas y las computadoras para tomar decisiones racionales en la resolucin de problemas. Aunque estos administradores pueden resolver algunos problemas con su experiencia pero en el complejo mundo en que vivimos muchos problemas no pueden ser resueltos basados en experiencia. Las tcnicas de la administracin se aplican a dos categoras bsicas de problemas, las cuales son las siguientes: Problemas Deterministicos: son en los que la informacin necesaria para obtener una solucin se conoce con certeza. Problemas Estocsticos: son los que parte de la informacin necesaria no se conoce con certeza como es el caso de los deterministicos, sino que ms bien se comporta de una manera probabilstica. La investigacin operacional (conocida tambin como teora de la toma de decisiones, o programacin matemtica. El objetivo y finalidad de la Investigacin operacional es la de encontrar la solucin ptima para un determinado problema (militar, econmico, de infraestructura, logstico, etc. Esta constituida por un acercamiento cientfico a la solucin de problemas complejos, tiene caractersticas intrnsecamente multidisciplinares y utiliza un conjunto diversificado de instrumentos, prevalentemente matemticos, para la modelizacin, la optimizacin y el control de sistemas estructurales. En el caso particular de problemas de carcter econmico, la funcin objetivo puede ser el mximo rendimiento o el menor costo. La investigacin operacional tiene un rol importante en los problemas de toma de decisiones porque permite tomar las mejores decisiones para alcanzar un determinado objetivo respetando los vnculos externos, no controlables por quien debe tomar la decisin. La elaboracin del problema esta subdividida en fases obligatorias, las principales son: -Examen de la situacin real y recoleccin de la informacin -Formulacin del problema, identificacin de las variables controlables y las externas (no controlables) y la eleccin de la funcin objetivo, a ser maximizada o minimizada -Construccin del modelo matemtico, destinado a dar una buena representacin del problema; debe ser fcil de usar; representar el problema, dando toda la informacin para poder tomar una decisin lo ms idnea posible, tal es el caso del modelo matemtico EUE -Resolucin del modelo (mediante diferentes modalidades), modalidad de abierto-cerrado -Anlisis y verificacin de las soluciones obtenidas: se controla si la funcin objetivo ofrece las ventajas esperadas; se verifica la representatibilidad del modelo y, se efectan anlisis de sensibilidad de la solucin obtenida.

1.3 Principales Aplicaciones Investigacin de Operaciones

La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Es difcil extraer una respuesta correcta a partir de un problema equivocado! Algunas personas se veran tentadas a aplicar mtodos matemticos a cuanto problema se presente, pero es que Acaso siempre es necesario llegar al ptimo? Podra ser ms caro el modelar y el llegar al ptimo que a la larga no nos d un margen de ganancias muy superior al que ya tenemos. Tmese el siguiente ejemplo: La empresa EMX aplica I.O. y gasta por el estudio y el desarrollo de la aplicacin $100 pero luego de aplicar el modelo observa que la mejora no es muy diferente a la que actualmente tenemos. Luego, podramos indicar que la investigacin de operaciones slo se aplicar en los problemas para los cuales el buen sentido se revela impotente: En el dominio combinatorio, muchas veces la enumeracin es imposible. Por ejemplo, si tenemos 200 trabajos por realizar, los que toman tiempos distintos y solo cuatro personas que pueden hacerlo, enumerar cada una de las combinaciones podra ser ineficiente (aparte de desanimante). Luego los mtodos de secuenciacin sern los ms apropiados para este tipo de problemas. De igual manera, la I.O. es til cuando en los fenmenos estudiados interviene el azar. La nocin de esperanza matemtica y la teora de procesos estocsticos suministran la herramienta necesaria para construir el cuadro en el cual se optimizar la funcin econmica. Dentro de este tipo de fenmenos se encuentran las lneas de espera, los inventarios con demanda probabilstica. Con mayor motivo, la investigacin de operaciones se muestra como un conjunto de instrumentos precioso cuando se presentas situaciones de concurrencia. La teora de juegos no permite siempre resolverlos formalmente, pero aporta un marco de reflexin que ayude a la toma de decisiones. Cuando observamos que los mtodos cientficos resultan engorrosos para nuestro conjunto de datos, tenemos una opcin adicional, simular tanto el comportamiento actual as como las propuestas y ver si hay mejoras sustanciales. Las simulaciones son experiencias artificiales.

Finalmente debe ponerse la mxima atencin en no considerar la investigacin de operaciones como una coleccin de recetas heterogneas y aplicables sistemticamente en unas situaciones determinadas. Si se cae en este error, ser muy difcil captar en condiciones reales los problemas que puedan deducirse de los mltiples aspectos de esta disciplina.

1.4 Formulacin Problemas Lineales La programacin lineal son modelos destinados a la asignacin eficiente de los recursos limitados en actividades conocidas con el objetivo de satisfacer las metas deseadas (maximizar beneficios o minimizar costos). La caracterstica distintiva de los modelos es que las funciones que representan el objetivo y las restricciones son lineales. (No se permite multiplicacin de variables ni variables elevadas a potencias). Algunas de las siguientes restricciones no se pueden emplear en un modelo de programacin lineal. Un modelo de programacin lineal se define usualmente como sigue: Maximizar o minimizar Sujeto a: EJEMPLO 1. Un fabricante de muebles tiene 6 unidades de maderas y 28 horas disponibles, durante las cuales fabricar biombos decorativos. Con anterioridad, se han vendido bien 2 modelos, de manera que se limitar a producir estos 2 tipos. Estima que el modelo uno requiere 2 unidades de madera y 7 horas de tiempo disponible, mientras que el modelo 2 requiere una unidad de madera y 8 horas. Los precios de los modelos son 120 dls. y 80 dls., respectivamente. Cuntos biombos de cada modelo debe fabricar si desea maximizar su ingreso en la venta? OBJETIVO : Maximizar el ingreso por ventas RESTRICCIONES : Unidades de madera Tiempo disponible VARIABLE DE DECISION: X1 = Cantidad de biombos tipo I a fabricar X2 = Cantidad de biombos tipo II a fabricar

1.5 Formulacin de problemas ms comunes Por ejemplo: Dieta, Inversin, Transporte, Mezcla, Recorte, Asignacin, Reemplazo, Ruta mas corta

PROBLEMA

Una firma de contadores pblicos especializados en preparar liquidaciones y pago de impuestos y tambin auditoras en empresas pequeas. El inters es saber cuantas auditoras y liquidaciones pueden realizar mensualmente, de tal manera que obtengan los mximos ingresos. Se dispone de 800 horas para trabajo directo y direccin y 320 horas para revisin. Una auditora en promedio requiere de 40 horas de trabajo directo y direccin y 10 horas de revisin, adems aporta un ingreso de 300 dls. Una liquidacin de impuestos requiere de 8 horas de trabajo directo y direccin y 5 horas de revisin y produce un ingreso de 100 dls. Se

pueden realizar tantas auditoras como se desee, pero el mximo de liquidaciones mensuales disponibles es de 60. OBJETIVO : Maximizar los ingresos totales VARIABLE DE DECISION: X1 = Cantidad de auditoras X2 = Cantidad de liquidaciones RESTRICCIONES : Tiempo disponible para trabajo directo Tiempo disponible para trabajo de revisin Nmero mximo de liquidaciones Maximizar

PROBLEMA 3. Una empresa manufacturera est considerando dedicar su capacidad a fabricar 3 productos; llammoslos productos 1, 2 y 3. La capacidad disponible de las mquinas que podra limitar la produccin se resume en la siguiente tabla: Tipo de Mquina Tiempo Disponible (horas mquin) Fresadora 500 Torno 350 Rectificadora 150

El nmero de horas requeridas por cada unidad de los productos respectivos es: Tipo de Mquina Producto 1 Producto 2 Producto 3

El departamento de ventas indica que el potencial de ventas para los productos 1 y 2 es mayor que la tasa de produccin mxima y que el potencial de ventas para el producto 3 es de 20 unidades por semana. La utilidad unitaria sera de 30, 12 y 15 dls., respectivamente, para los productos 1, 2 y 3. Formlese el modelo de programacin lineal para determinar cuanto debe producir la empresa de cada producto para maximizar la utilidad. OBJETIVO : Maximizar la utilidad VARIABLE DE DECISION: Cantidad a fabricar del producto 1. (X1). Cantidad a fabricar del producto 2. (X2). Cantidad a fabricar del producto 3. (X3). RESTRICCIONES : Capacidad disponible para produccin de cada mquina (3 restricciones) Potencial de ventas para el producto 3. (1 restriccin) Maximizar

Unidad 2 El mtodo Simplex

2.1 Solucin Grafica Problema Lineal

Muchos problemas de administracin y economa estn relacionados con la optimizacin (maximizacin o minimizacin) de una funcin sujeta a un sistema de igualdades o desigualdades. La funcin por optimizar es la funcin objetivo. Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que est sujeta la funcin objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la solucin (o soluciones) del problema. Los problemas de esta naturaleza se llaman problemas de programacin matemtica. En particular, aquellas donde la funcin objetivo y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programacin lineal Un problema de programacin lineal consta de una funcin objetivo lineal por maximizar o minimizar, sujeta a ciertas restricciones en la forma de igualdades o desigualdades lineales. Solucin Grfica Los problemas de programacin lineal en dos variables tienen interpretaciones geomtricas relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un problema de programacin lineal bidimensional- si no es inconsistente- define una regin plana cuya frontera est formada por segmentos de recta o semirrectas, por lo tanto es posible analizar tales problemas en forma grfica. Si consideremos el problema del granjero Lpez, es decir, de maximizar P = 40x+ 30y sujeta a 2x+y<800 x+y<480 x>0, y>0

(7)

El sistema de desigualdades (7) define la regin plana S que aparece en la figura 5. Cada punto de S es un candidato para resolver este problema y se conoce

como solucin factible. El conjunto S se conoce como conjunto factible. El objetivo es encontrar entre todos los puntos del conjunto S- el punto o los puntos que optimicen la

funcin objetivo P. Tal solucin factible es una solucin ptima y constituyen la solucin del problema de programacin lineal en cuestin. Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solucin ptima del problema en cuestin, por ejemplo, es fcil ver que el punto (200, 150) est en S y, por lo tanto, entra en la competencia. El valor de la funcin objetivo P en el punto (200,150) est dado por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P correspondiente a cada punto de S, entonces el punto (o los puntos) en S que proporcione el valor mximo de P formar el conjunto solucin buscado. Por desgracia, en la mayora de los problemas, la cantidad de candidatos es demasiado grande o, como en este problema, es infinita. As este mtodo no es adecuado. Es mejor cambiar de punto de vista: en vez de buscar el valor de la funcin objetivo P en un punto factible, se asignar un valor a la funcin P y se buscarn los puntos factibles que correspondieran a un valor dado de P. Para esto supngase que se asigna a P el valor 6000. Entonces la funcin objetivo se convierte en 40x+ 30y = 6.000,una ecuacin lineal en x e y; por lo tanto, tiene como grfica una lnea recta L1 en el plano. Est claro que a cada punto del segmento de recta dado por la interseccin de la lnea recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso, pero ahora asignando a P el valor de 12.000, se obtiene la ecuacin 40x+ 30y =12.000 y la recta L2 lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de P. Obsrvese que la recta L2 es paralela a L1, pues ambas tienen una pendiente igual a 4/3. Esto se comprueba con facilidad escribiendo las ecuaciones en explcita de la recta. En general, al asignar diversos valores a la funcin objetivo, se obtiene una familia de rectas paralelas, cada una con pendiente igual a 4/3. Adems, una recta correspondiente a un valor mayor de P est ms alejada del origen que una recta con un valor menor de P. El significado es claro. Para obtener las soluciones ptimas de este problema, se encuentra la recta perteneciente a esta familia que se encuentra ms lejos del origen y que interseque al conjunto factible S. La recta requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de modo que la solucin de este problema est dado por x=320, y=160 ( es decir que el granjero Lpez deber sembrar 320 hectreas de maz y 160 hectreas de trigo), lo que produce el valor mximo P=40(320)+30(160)=17.600. No es casualidad que la solucin ptima de este problema aparezca como vrtice del conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema bsico de la programacin lineal, que se enuncia sin demostracin. Teorema 1 Si en problema de programacin lineal tiene una solucin, entonces sta debe aparecer en un vrtice, o esquina, del conjunto factible S asociado con el problema. Adems, si la funcin objetivo P se optimiza en dos vrtices adyacente de S, entonces se optimiza en todos los puntos del segmento de recta que une estos vrtices, en cuyo caso existe una infinidad de soluciones al problema

En nuestro ejemplo los nicos vrtice del conjunto factible S son los puntos coordenados: (0,0); (400,0); (320,160); (0,480), llamados tambin puntos esquinas (Fig. 6). Un ejemplo en el que tendramos infinitas soluciones, es: VERTICE P=40x+40y Supngase que la utilidad por hectreas es de $40 para ambos, maz y trigo. La tabla para este caso muestra la misma utilidad total en los vrtices(0,480) (0,0) 0 y (320,160). Esto significa que la lnea de utilidad en movimiento abandona la regin sombreada por el lado determinado por esos vrtices (adyacentes) , (0,480) 19.200 as todo punto en ese lado da una utilidad mxima. Todava es vlido, sin embargo, que la utilidad mxima ocurre en un vrtice. (320,160) 19.200 (400,0) 16.000

El teorema 1 dice que la bsqueda de las soluciones a un problema de programacin lineal se puede restringir al examen del conjunto de vrtices del conjunto factible S relacionado con el

problema. Como un conjunto factible S tiene un nmero finito de vrtices, el teorema sugiere que las soluciones a un problema de programacin lineal se puedan hallar inspeccionando los valores de la funcin objetivo P en los vrtices. Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solucin de un problema de programacin lineal, no indica cundo tiene solucin. El siguiente teorema establece ciertas condiciones que garantizan la existencia de la solucin de un problema de programacin lineal. Teorema 2: Existencia de una solucin Supngase un problema de programacin lineal con un conjunto factible S y una funcin objetivo P = ax + by. 1. Si S est acotado, entonces P tiene u valor mximo y n valor mnimo en S. 2. Si S no est acotado y tanto a como b son no negativos, entonces P tiene un valor mnimo en S, si las restricciones que definen a S incluyen las desigualdades x 0 e y 0. 3. Si S es el conjunto vaco, entonces el problema de programacin lineal no tiene solucin; es decir, P no tiene un valor mximo ni uno mnimo

El mtodo utilizado para resolver el problema del granjero Lpez recibe el nombre de mtodo de las esquinas. Este mtodo sigue un procedimiento muy sencillo para resolver los problemas de programacin lineal basado en el teorema1. Mtodo de 1. Se grafica el conjunto factible. las 2. Se encuentran las coordenadas de todas las esquinas (vrtices) del esquinas conjunto factible. 3. Se evala la funcin objetivo en cada esquina. 4. Se halla el vrtice que proporcione el mximo (mnimo) de la funcin objetivo. Si slo existe un vrtice con esta propiedad, entonces constituye una solucin nica del problema. Si la funcin objetivo se maximiza (minimiza) en dos esquinas adyacentes de S, entonces existe una infinidad de soluciones ptimas dadas por los puntos del segmento de recta determinado por estos dos vrtices.

Aplicaremos los conceptos antes emitidos al siguiente problema de nutricin, basado en los requerimientos, en el cual hay que minimizar la funcin objetivo

2.2 Teora Mtodo Simplex

EL METODO SIMPLEX PARA SOLUCIN DE PROBLEMAS DE PROGRAMACIN LINEAL Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig .

El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 18 2x + 3y 42 3x + y 24 x0 , 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 funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin xyhsd 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 4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin 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 ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado).

Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8] Si hubiese algn 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 tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d 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 ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. En la interseccin 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. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin 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) Vemoslo 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 xxxxxx 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 . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin xyhsd

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 Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: La variable que entra en la base es y, por ser la variable que corresponde al coeficiente 1 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos 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. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin xyhsd 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 ltima fila hay uno negativo, 1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: La variable que entra en la base es d, por ser la variable que corresponde al coeficiente 1 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos 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. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del proceso Base Variable de decisin Variable de holgura Valores solucin xyhsd y 0 1 1/2 0 0 12 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 funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12) Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma ax - by - c y estamos en el caso anterior Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos Interpretacin geomtrica del mtodo del simplex Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin objetivo en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables iniciales y de holgura. En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0. A continuacin se desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla

II. En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0): Z=f(8,0) = 24 . Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de la Tabla III. En esta tercera iteracin se ha calculado el valor que corresponde al vrtice C(6,6) : Z=f(6,6)=30. Continua haciendo clculos a travs de la arista CD, hasta llegar al vrtice D. Los datos que se reflejan son los de la Tabla IV. Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la solucin no mejora al desplazarse por la arista DE) El valor mximo de la funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice D). Si calculas el valor de la funcin objetivo en el vrtice E(0,14), su valor no supera el valor 33.

2.3 Forma Tabular Mtodo Simplex

EL METODO SIMPLEX El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig . El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 18 2x + 3y 42 3x + y 24 x0,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 funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 . Base Variable de decisin Variable de holgura Valores solucin x 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 4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin 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 ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima 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 trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8] Si hubiese algn 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 tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d 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 ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. C. En la interseccin 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. y h s d

A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin 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) Vemoslo 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 . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin x 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 Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado todava a la solucin ptima. 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 trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y h s d

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 anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin x 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 ltima fila hay uno negativo, 1, significa que no hemos llegado todava a la solucin ptima. 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 trminos de la ltima columna entre los trminos 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 decisin Variable de holgura Valores solucin x y 0 1 1/2 0 0 12 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 funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12) y h s d y h s d

2.4 El Mtodo de Dos Fases

ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que trata de minimizar la suma de las variables artificiales. Una vez resuelto este primer problema y reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el mtodo Simplex normal. FASE 1 En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal, excepto la construccin de la primera tabla, la condicin de parada y la preparacin de la tabla que pasar a la fase 2. - Construccin de la primera tabla: Se hace de la misma forma que la tabla inicial del mtodo Simplex, pero con algunas diferencias. La fila de la funcin objetivo cambia para la primera fase, ya que cambia la funcin objetivo, por lo tanto aparecern todos los trminos a cero excepto aquellos que sean variables artificiales, que tendrn valor -1 debido a que se est minimizando la suma de dichas variables (recuerde que minimizar F es igual que maximizar F(1)). La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora tendremos que hacer el clculo de la siguiente forma: Se sumarn los productos CbPj para todas las filas y al resultado se le restar el valor que aparezca (segn la columna que se ste haciendo) en la fila de la funcin objetivo. Tabla C0 C1 C2 Cn-k Cn Base Cb P0 P1 P2 Pn-k Pn Pi1 Ci1 bi1 a11 a12 a1n-k a1n Pi2 Ci2 bi2 a21 a22 a2n-k a2n Pim Cim bim am1 am2 amn-k amn Z Z0 Z1 Z2 Z2 Zn Siendo Zj = (CbPj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de decisin, holgura y exceso), y Cj = 1 para todo j comprendido entre n-k y n (variables artificiales). - Condicin de parada: La condicin de parada es la misma que en el mtodo Simplex normal. La diferencia estriba en que pueden ocurrir dos casos cuando se produce la parada: la funcin toma un valor 0, que significa que el problema original tiene solucin, o que tome un valor distinto, indicando que nuestro modelo no tiene solucin. - Eliminar Columna de problema original tiene Deberemos eliminar las objetivo por la original, y 1. variables artificiales: Si hemos llegado a la conclusin de que el solucin, debemos preparar nuestra tabla para la segunda fase. columnas de las variables artificiales, modificar la fila de la funcin calcular la fila Z de la misma forma que en la primera tabla de la fase

FASE 1. Formule un nuevo problema reemplazando la funcin objetivo por la suma de las variables artificiales. La nueva funcin objetivo se minimiza sujeta a las restricciones del problema original. Si el problema tiene un espacio factible el valor mnimo de la funcin objetivo ptima ser cero, lo cual indica que todas las variables artificiales son cero. En este momento pasamos a la fase 2. Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no tiene solucin y termina anotndose que no existen soluciones factibles

FASE 2. Utilice la solucin ptima de la fase 1 como solucin de inicio para el problema original. En este caso, la funcin objetivo original se expresa en trminos de las variables no bsicas utilizando las eliminaciones usuales Gauss-Jordan.

2.5 El Metodo Simplex Revisado

METODO SIMPLEX REVISADO (FORMA MATRICIAL) El mtodo del simplex expuesto, que se denomina bsico, se desarrolla a travs de cada iteracin transformando completamente una sucesin de tableros al ir cambiando de base. Teniendo en cuenta que muchos de estos clculos no hacen falta para la determinacin de cada nueva base y basados en el algoritmo del simples revisado, el cual es realmente un esquema de ordenacin de los clculos que se llevan a cabo con el mtodo del simplex bsico, prescindiendo y evitando aquellos que sean innecesarios en relacin con la solucin final del problema. El inconveniente de este mtodo es que por la forma en que se lleva a cabo induce ms fcilmente a errores en los clculos a mano que el simplex bsico, aspecto que evidentemente no ocurre si est implementado en computador. En el mtodo del simplex revisado partimos como en el bsico, del problema lineal en forma estandar: MAX Z = c x Sujeta a: A x = b x 0

Dada la base factible B, hay que evaluar si alguna variable no bsica Xj puede entrar a la base para mejorar la funcin objetivo; para ello utilizamos el costo reducido: Zj Cj =CB B aj Cj El vector CB est formado por los coeficientes de la funcin objetivo de las variables y B aj representa el vector aj en trminos de la actual base. El mtodo del simplex revisado no cambia los vectores yj en cada tabla como el bsico, sino que utiliza siempre el vector aj inicial con los multiplicadores del simples: S= CB B que si cambian con la base. Es claro que se alcanza una solucin ptima cuando: S aJ-CJ 0 para todo j

La seleccin de la variable de salida se hace con el mismo criterio que en el simplex bsico: si Xk es la variable seleccionada para entrar a la base, la columna pivote es B ak y los valores actuales de las variables bsicas B b. Se aplica la regla de la mnima razn a estos elementos, que dando as determinada la variable Xr que sale de la base. Finalmente, la nueva matriz bsica se obtiene sustituyendo la columna ar por la ak en la anterior matriz B. Ejemplo: MAX Z = 2 X1 + X2 + 3 X3 Con sus restricciones:

Resolver el anterior problema de Programacin Lineal aplicando el Mtodo Simplex Revisado. Solucin analtica: Agregamos variables de holgura X4 y X5 a cada restriccin con coeficientes cero (0) en la funcin objetivo para tener el problema en la forma estandar; la base inicial B y el vector CB son:

Z1 C1 = 2; Z2 C2 = 1; Z3 C3 = 3 El valor que ms se aleja de cero (0) por la izquierda es Z3 C3: X3 es la variable que entra a la base; la razn mnima es 8/2, luego S2 es la variable que sale de la base. Las variables bsicas son ahora (S1, X3) con matriz bsica (sustituyendo a5 por a3):

CB = (0 3); S = (0, 3/2) y los indicadores de las variables no bsicas son: Z1 C1 = 3/2 2 = 1/2; Z2 C2 = 9/2 1 = 7/2; Z3 C3 = 3/2 0 = 3/2 y X1 es la variable que entra a la base; para determinar la variable de salida calculamos: B b = (3,4) y B a1 = (5/2,1/2); la razn mnima es 6/5, luego X4 es la variable que sale de la base. Las variables bsicas son ahora (X1, X3) y la nueva matriz bsica (reemplazando en la anterior a4 por a1) es:

CB = (2 3); S = (1/5, 7/5) y los indicadores de las variables no bsicas son: Z2 C2 = 23/5 1 = 18/5; Z4 C4 = 1/5 0 = 1/5; Z5 C5 = 7/5 0 = 7/5 y al ser todos positivos se ha alcanzado la optimalidad. La solucin ptima es: XB = ( X1, X3 ) = B b = ( 1.2, 3.4) Solucin Optima Unica: X*1= 1,2; X*2= 0; X*3= 3,4;S*1 = 0; S*2 = 0; Z* = 12,6.

2.6 Casos Especiales Mtodo Simplex

El Mtodo simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin o cuando esta es ptima. Este mtodo, permite analizar cada variable del problema planteado, sus variaciones, para determinar cual es la decisin ms acertada a tomar en cualquiera que

sea el rea de la empresa sobre la cual se presente la incertidumbre. Existen casos especiales de solucin de problemas por medio del simplex, tales como: Soluciones Mltiples Solucin Degenerada Solucin Infactible Sin Solucin A continuacin se presenta un anlisis detallado de cada caso especial de solucin con un ejemplo prctico. CASO DE SOLUCIONES MLTIPLES Cuando la funcin objetivo es paralela a una restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima, la funcin objetivo tomar el mismo valor ptimo en ms de un punto de la solucin. Por esta razn reciben el nombre de Mltiples alternativas ptimas. CASO DE SOLUCIN DEGENERADA La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe un empate en la seleccin de la variable que sale. Este empate se rompe arbitrariamente. En este caso decimos que la nueva solucin es degenerada. Sin embargo, cuando suceda esto una o ms veces de las variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En el mtodo simplex, la presencia de una variable bsica igual a cero, no requiere ninguna accin especial; en todo caso, es necesario no descuidar las condiciones de degeneracin. En trminos geomtricos, la degeneracin ocurre cuando un vrtice est definido por demasiadas restricciones. CASO DE SOLUCIN INFACTIBLE En un modelo de Programacin Lineal, cuando las restricciones no se pueden satisfacer en forma simultnea, se dice que este no tiene solucin factible. Esta situacin nunca puede ocurrir si todas las restricciones son del tipo MENOR O IGUAL ( ), esto, suponiendo valores positivos en el segundo miembro, ya que las variables de holgura producen siempre una solucin factible. Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos al uso de variables artificiales, que por su mismo diseo no ofrecen una solucin factible al modelo original. Aunque se hacen provisiones (a travs del uso de penalizaciones) para hacer que estas variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo tiene una espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la iteracin ptima. Desde el punto de vista prctico, un espacio infactible, apunta a la posibilidad de que el modelo no se haya formulado correctamente, en virtud de que las restricciones estn en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en forma simultnea. En este caso, quizs se necesite una estructura del modelo totalmente diferente que no admita todas las restricciones al mismo tiempo. CASO DE NO SOLUCIN En algunos modelos de Programacin Lineal, los valores de las variables, se pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin solucin cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puede crecer (Maximizacin) o decrecer (Minimizacin) en forma indefinida. En este caso, decimos que el espacio en el cual se espera sea resuelto el modelo, y el valor ptimo de la funcin objetivo no tiene solucin. La falta de explicacin de un modelo puede sealar solo una cosa, que este se encuentra mal construido. Evidentemente resulta irracional hacer que un modelo produzca una ganancia infinita. Las irregularidades ms probables en este modelo son: 1. No se toman en cuenta una o ms restricciones redundantes 2. No se determinan adecuadamente los parmetros (constantes) de alguna restriccin.

Unidad 3 Teora de la dualidad y Anlisis de sensibilidad

Todo problema de Programacin Lineal tiene asociado un segundo problema, conocido como su problema Dual. Ambos estn relacionados estrechamente, hasta el punto de que el modelo de uno puede obtenerse a partir del modelo del otro y la solucin ptima del modelo del primero proporciona informacin completa acerca de la solucin ptima del segundo. Una de las ventajas de la existencia del problema dual es la posibilidad de reducir el esfuerzo computacional al resolver ciertos modelos de Programacin Lineal. Pero ms importante an es la relacin que existe entre la dualidad y el anlisis de sensibilidad, tema del prximo capitulo, el cual estudia el efecto que las variaciones en los parmetros de un modelo tienen en la solucin ptima de este. Adems, los valores ptimos de las variables del modelo dual suministran informacin econmica muy importante acerca del valor implcito de los recursos que se utilizan en el problema que se esta resolviendo. El matemtico norteamericano John Von Neumann fue el primero en destacar la existencia de la dualidad en la programacin lineal y a partir de all el concepto se ha usado en una gran variedad de reas tericas y prcticas de la misma. Para comprender el concepto de dualidad analicemos los dos casos siguientes. CONCEPTUALIZACION DE LA DUALIDAD - CASO 1 Una compaa produce dos tipos de artculo; la unidad del tipo 1 se vende a $106 y la del tipo 2 a $144. Para el presente mes la empresa cuenta con 2000 minutos de mano de obra en el departamento de ensamble, 1800 en el departamento de revisin y con 1000 en el departamento de empaque. El nmero de minutos requeridos en cada departamento para la fabricacin de una unidad de cada uno de los artculos se da en la siguiente tabla: Tipo de producto Operacin Ensamble Revision Empaque Tipo 1 3 2 1 Tipo 2 2 3 2 El pago por minuto es de $10 a los trabajadores del departamento de ensamble, $8 a los de revisin y de $20 a los del departamento de empaque. El administrador de la empresa desea determinar cul es el programa de produccin que maximiza la utilidad total en el mes. Construccin del modelo Definamos a Xi como el nmero de artculos de tipo i que se deben producir mensualmente. Para plantear la funcin del objetivo calculemos primero la utilidad unitaria de cada tipo de artculo, as: Tipo de producto

Tipo 1

Tipo 2

Precio de venta 106 144 - Costo de produccion 66 84 Costo de ensamble 3(10)=30 2(10)=20 Costo de revisin 2(8)=16 3(8)=24 Costo de empaque 1(20)=20 2(20) 66 Utilidad Unitaria $40 $60 de manera que el modelo de programacin lineal para este problema es: Maximizar Utilidad = 40X1 + 60X2 Sujeto a : 3X1 +2X2 < 2000 (Minuto de ensamble) 2X1 1X1 con +3X2 +2X2 X1,X2 < < 1800 1000 0 (Minuto de revision) (Minutos de empaque) 84

Si utilizamos el winqsb para resolver el modelo obtenemos el siguiente reporte combinado lo cual indica que el programa ptimo consiste en producir mensualmente 500 unidades del producto tipo 1 y 250 del producto tipo 2, obteniendo una ganancia de $35 000 mensuales. Observamos que hay 50 minutos de holgura en la operacin de revisin (slack = 50), mientras que no hay sobrante en los minutos disponibles para las otras operaciones, ya que las variables de holgura de las restricciones correspondientes valen cero; por lo cual concluimos que en este programa de produccin se consumen todos los minutos de ensamble y en empaque que tiene disponibles la empresa. Precisamente el agotamiento de los minutos disponibles en esas operaciones es el que impide que las variables X1 y X2 puedan tomar un valor superior, para maximizar an mas el valor de la funcin del objetivo. Efectuando el balance entre los ingresos por ventas y los costos de produccin, podemos verificar que la utilidad obtenida es efectivamente de $35 000: Ingresos por ventas 500(106) + 250(144) = 89.000 - Costos de produccion 2000(10) + 1750(8) +1000(20) =54.000 = Utilidad =35.000

Como se acaba de decir no se pueden fabricar ms artculos ya que se agotaron los recursos, pero aparece entonces la inquietud de que si fuera posible disponer de minutos adicionales en alguno de los departamentos del proceso, se pudieran fabricar ms artculos aumentando as las utilidades del periodo.

Con el fin de conocer cmo vara la utilidad (y la solucin) al aumentar la disponibilidad de cada recurso, vamos a efectuar clculos para tres situaciones diferentes. Primera, cuando consideramos que se aumenta en un minuto la capacidad de ensamble mientras los minutos de revisin y de empaque permanecen constantes, segunda cuando aumentamos en un minuto la capacidad de empaque, pero mantenemos invariable la capacidad de revisin y de ensamble y finalmente cuando aumentamos en uno los minutos de revisin, dejando invariable la cantidad de minutos de ensamble y de empaque. Aumento en la capacidad de ensamble Al aumentar en un minuto la capacidad de ensamble, el modelo queda: Maximizar Utilidad = 40X1 + 60X2 Sujeto a : 3X1 +2X2 < 2001 2X1 1X1 +3X2 +2X2 < < 1800 1000

El reporte combinado del winqsb es La cual corresponde a una utilidad de $35 005 pesos, que es superior en $5 a la obtenida anteriormente. El aumento que tiene la funcin objetivo (ac se llama utilidad) cuando se incrementa en una unidad un determinado recurso, es lo que se conoce en economa como la utilidad marginal del recurso.Entonces la utilidad marginal de los minutos adicionales de ensamble es de 5 ($/minuto). Notamos que se aument la produccin de los artculos tipo 1 en media unidad ( X1 = 550.50), mientras que se disminuy la de los artculos tipo 2 en un cuarto de unidad. ( X2 = 249.75). Adems, el sobrante de minutos en revisin es ahora de 49.75 o sea que se rebaj en un cuarto de minuto. De nuevo se estn utilizando totalmente los minutos disponibles en ensamble y en empaque. Estos nuevos valores de las variables bsicas los aprenderemos a calcular en forma rpida al estudiar ms adelante el tema de anlisis de sensibilidad. Calculemos ahora las utilidades marginales de los minutos de terminado y de revisin. Aumento en la capacidad de terminado Si los minutos disponibles en terminado se aumentan en uno, el modelo es Maximizar Utilidad = 40X1 + 60X2 Sujeto a : 3X1 +2X2 < 2000 2X1 1X1 +3X2 +2X2 < < 1800 1001

Cuyo reporte combinado del winqsb es Ahora la utilidad es de $30025, que resulta ser superior en $25 a la obtenida con la cantidad inicial de recursos. As pues la utilidad marginal de los minutos de empaque es de 25 ($/minuto). Observamos que se disminuy en meda unidad el nmero de artculos de tipo 1 ( X1 = 299.50) mientras que se aument en tres cuartos el nmero de unidades de tipo 2 ( X2 =

250.75) y el sobrante en la operacin de revisin se rebaj en 1.25 minutos. De nuevo se estn consumiendo todos los minutos disponibles en ensamble y en empaque. Aumento en la capacidad de revisin Si los minutos disponibles en revisin se aumentan en uno, el modelo es Maximizar Utilidad = 40X1 + 60X2 3X1 +2X2 2X1 1X1 < +3X2 +2X2 2000 < < 1801 1000

Cuyo reporte combinado del winqsb es Observamos que la utilidad conserva el valor de $35 000, as pues la utilidad marginal de los minutos de revisin es de $0 ($/minuto). Notamos tambin que las cantidades producidas de los artculos conservan su valor (X1= 500, X2 = 250), utilizando la totalidad de minutos disponibles en ensamble y en empaque, pero ahora el sobrante de minutos en la operacin de revisin aument de 50 a 51. Los resultados obtenidos en este ultimo cambio son de esperarse, puesto que en la solucin ptima del modelo inicial tenemos que hay un sobrante de 50 minutos de revisin, y si aumentamos en uno la disponibilidad, es lgico que lo nico que ocurra es que el sobrante de ese recurso se aumente en uno, sin producir cambios en el programa ptimo de produccin y por consiguiente tampoco en la utilidad. Por ello la utilidad marginal es cero. Tal como lo hicimos con el modelo inicial, verifiquemos mediante un balance de ingresos y costos que las utilidades totales y marginales estn correctamente calculadas en cada caso. Cuando hay aumento de un minuto en ensamble Ingreso por ventas (500.5)(106) + (249.75)(144) = 89 017 - costo de produccion (2001)(10) + (1750.25)(8) + (1000)(20) = 54 012 =utilidad 35 005 -utilidad anterior 35 000 =utilidad marginal $5* Cuando hay aumento de un minuto en terminado Ingreso por ventas (499.5)(106) + (250.75)(144) = 89 055 - costo de produccion (2000)(10) + (1751.25)(8) + (1001)(20) = 54 030 =utilidad 35 025 -utilidad anterior 35 000 =utilidad marginal $25* Cuando hay aumento de un minuto en revisin

Ingreso por ventas (500)(106) + (250)(144) = 89 000 - costo de produccion (2000)(10) + (1750)(8) + (1000)(20) = 54 000 =utilidad 35 000 -utilidad anterior 35 000 =utilidad marginal $0* En el calculo de los costos se destacan en negrilla (2001)(10), para los minutos de ensamble, (1001)(20), para los minutos de terminado, y (1750)(8), para minutos de revisin; para llamar la atencin sobre el hecho de que se estn- valorando todos las 2001 minutos utilizados en ensamble a $10, lo cual supone que el minuto adicional vali los mismos $10 que costaban los 2000 utilizados inicialmente. Similarmente sucede con los 1001 minutos de empaque, valorados a $20, con lo cual se toma que el minuto adicional tambin se paga a $20, y con los 1750 minutos de revisin valorados a $8. Pero veamos qu pasa por, ejemplo, si el precio que hay que pagar por un minuto extra en ensamble es de $12 ($$2 de recargo sobre el precio normal de $10). El costo de produccin se incrementara en $2, con lo cual la utilidad marginal neta de ese minuto extra de ensamble sera apenas de $3. Algo similar sucede cuando debemos pagar dinero extra por el minuto adicional en empaque. Si por ejemplo pagamos $28 (un 40% de recargo sobre $20) por un minuto extra, los costos se aumentan en $8 y la utilidad marginal neta se rebaja a $17 hora. Naturalmente que si podemos adquirir los minutos extras de ensamble al mismo precio de los iniciales, obtendremos una utilidad marginal adicional de $5, pero si debemos pagar algn recargo por ellos, la utilidad adicional se ver reducida en la misma cantidad. Podemos concluir fcilmente que el mximo recargo que estaremos dispuestos a pagar por un minuto adicional en ensamble es el equivalente a la utilidad marginal de ese minuto extra, o sea los $5. Ntese que si el precio del minuto extra fuera por ejemplo $16, estaremos perdiendo $1 por cada minuto adicional adquirido. Para el tercer recurso, minutos del departamento de empaque, podemos efectuar una discusin similar, as: Si conseguimos los minutos extras al precio original, la utilidad marginal es de $25, pero si pagamos un recargo disminuye la utilidad, por lo cual deducimos que el mximo recargo que podemos pagar es igual a los $25 de la utilidad marginal de ese recurso. O sea que el mximo precio que estaremos dispuestos a pagar (obteniendo utilidad marginal neta de $0) es $45. Al pagar menos de $45 tendremos utilidad marginal y al pagar ms obtendremos una perdida marginal. Para el departamento de revisin, en el cual tenemos una capacidad no utilizada de 50 minutos, es obvio que no desearamos ampliar la capacidad y por el contrario estaramos interesados en vender este recurso sobrante. Su mnimo precio de venta sera $8, es decir no buscaramos utilidad en la venta de estas unidades, pues basta con recibir el precio que pagamos por ellas para recuperar su costo Podemos concluir que el clculo de la utilidad marginal de los recursos es de gran importancia para decidir la negociacin de unidades adicionales de esos recursos cuando ellos estn agotados (utilizados el mximo) en un programa ptimo de produccin. Pero debemos saber que la utilidad marginal de un recurso agotado no se mantiene constante al incrementar la disponibilidad de este, sino que disminuye a partir de cierto valor, relacionado con el nivel de disponibilidad que conduzca a que el recurso ya empiece a sobrar por ser otro recurso diferente el que se est utilizado al mximo. Precisamente, el recurso sobrante de minutos de revisin puede disminuirse hasta un valor tal que ya empiece a escasear (Para nuestro problema este valor es de 1750 que es el uso real) y a partir de ese valor el recurso deber tener utilidad marginal positiva, pues estara agotado y ya seria alguno de los otros recursos el que tendra sobrante. El fenmeno mencionado se conoce en Economa como el

concepto de los rendimientos decrecientes, tema que estudiaremos en detalle en el capitulo dedicado al anlisis de la sensibilidad, tambin llamado anlisis de las soluciones post ptimas. OTRO ENFOQUE DEL MISMO PROBLEMA Reflexionemos un poco sobre la situacin hipottica de vender los minutos disponibles en los tres departamentos, en lugar de utilizarlos para producir unidades de los productos. Nuestra inters se centrar en la determinacin del precio al cual debemos vender un minuto de cada operacin para obtener la misma ganancia que obtenemos en el proceso productivo, o ms exactamente estaremos interesados en hallar la utilidad unitaria que debo fijar a cada recurso, para ganarme igual dinero que utilizndolos en el proceso de produccin.Naturalmente que debemos aspirar a unas utilidades razonables para que el precio del recurso sea competitivo en el mercado, o sea que debemos determinar el mnimo valor de la utilidad al vender o arrendar los recursos disponibles. Construyamos un modelo de Programacin lineal para este problema. Sean Yi = utilidad unitaria que debo fijar en el precio de venta del recurso i Como estamos dispuestos a vender toda la cantidad disponible de los recursos (minutos de ensamble, de revisin y de empaque), el objetivo ser minimizar la siguiente funcin Utilidad = 2000Y1 + 1800Y2 + 1000Y3 En el proceso productivo se utilizan 3 minutos de ensamble, 2 de revisin y uno de empaque, para fabricar una unidad del producto tipo 1,que da utilidad de $40, por lo cual es lgico pensar que la venta combinada de esas cantidades de los recursos debe arrojar al menos igual utilidad. La consideracin anterior da lugar a la siguiente restriccin en el modelo: 3Y1 + 2Y2 + 1Y3 = 40 ($) Utilidad unitaria del artculo tipo uno. Haciendo una reflexin similar para las unidades de tipo 2, notemos que la venta de 2 minutos de ensamble, mas 3 de revisin, mas 2 de empaque deben aportar una utilidad mnima de $60, que es la que se obtiene actualmente fabricando con esos recursos una unidad del artculo 2. La restriccin derivada de este anlisis es: 2Y1 + 3Y2 + 2Y3 = 60 ($) Utilidad unitaria del artculo tipo dos. Si a todo lo anterior le agregamos el detalle de que los valores de las variables Y1, Y2, Y3 deben ser mayores o iguales que cero (la mnima utilidad neta puede ser cero), podemos plantear el siguiente modelo de programacin lineal, para el problema en estudio: Minimizar Utilidad = 2000Y1 + 1800Y2 + 1000Y3 Sujeto a : 3Y1 + 2Y2 + 1Y3 2000 $/unidad del P1 2Y1 con 3Y2 Y1,Y2, Y3 + 2Y3 1800 0 $/unidad del P2

Al resolver este modelo utilizando el winqsb, obtenemos el siguiente reporte combinado: Hemos obtenido que la utilidad mnima que debe obtenerse al vender un minuto de ensamble es de $5, al vender un minuto de revisin debe ser de $0, y al vender un minuto de empaque debe ser de $25, para as obtener una utilidad de $35 000. El valor de la utilidad mnima no

debe asombrarnos, ya que el planteamiento del problema lo sugera, pero s son novedad los valores ptimos de las variables de este nuevo modelo, puesto que coinciden con los valores de las utilidades marginales de los recursos del problema de mezcla de produccin, analizado en primera instancia. El administrador de la empresa sabe ahora que si otro empresario desea comprarle sus recursos, lo mnimo que debe cobrarle es $15 por cada minuto de ensamble (= 10 + 5; suma de lo que debe pagar a sus operarios y lo que debe obtener de utilidad), $45 por cada minuto de empaque (= 20 + 25). En cambio, por cada minuto de revisin solo debe cobrar los mismos $8 (= 8 + 0; suma de lo que debe pagar a sus operarios y lo que debe obtener de utilidad). Pero recordemos que estos precios solo son vlidos para cierto intervalo, que conoceremos en el prximo capitulo, por fuera del cual cambia la mezcla ptima de productos y tambin el valor de las utilidades marginales. (Una vez obtenidos estos nuevos valores, tanto de las variables bsicas, como de la utilidades marginales, se puede hacer un balance de ingresos y costos similar al que hicimos para el problema presentado como ejemplo. Para la situacin actual, si los precios en el mercado son inferiores a $15, a $45, o a $8, no es conveniente vender los recursos, pero tericamente cuando son superiores, resultara mas rentable venderlos a otro que utilizarlos en el proceso productivo. EL MODELO DUAL Consideremos conjuntamente los modelos correspondientes a los dos enfoques del problema que estamos analizando. El primero busca determinar cuntas unidades producir de cada tipo de artculo para maximizar la ganancia al utilizar unos recursos: Maximizar Utilidad = 40X1 + 60X2 Sujeto a : 3X1 +2X2 < 2000 2X1 1X1 con +3X2 +2X2 X1,X2 < < 1800 1000 0

El segundo pretende hallar la ganancia mnima que debo fijar por unidad de cada recurso, para obtener la mnima ganancia total que sea aceptable en lugar de producir artculos con los recursos. Minimizar Utilidad = 2000Y1 + 1800Y2 + 1000Y3 Sujeto a : 3Y1 + 2Y2 + 1Y3 40 $/unidad del P1 2Y1 con 3Y2 Y1,Y2, Y3 + 2Y3 60 0 $/unidad del P2

Hemos observado que ambos problemas tienen soluciones ptimas que producen igual valor de la funcin objetivo. Adems mientras que uno enfoca el problema desde el punto de vista de los artculos (variables de decisin Xi), el otro lo analiza desde el punto de vista de los recursos (variables de decisin Y). Adems la solucin ptima del segundo coincide con las utilidades marginales de los recursos calculadas en el punto ptimo del primero. El primer enfoque da lugar al llamado modelo primo, mientras el segundo origina el modelo conocido como modelo dual. Entre estos modelos existen mltiples relaciones que nos permiten, por ejemplo, plantear uno de ellos a partir del otro u obtener la solucin ptima de

uno conociendo la solucin optima del otro. Pero como se mencion antes, quizs lo ms importante es el significado econmico de las variables del problema dual, cuyos valores ptimos representan las utilidades marginales de los recursos del problema primal. Relaciones entre las modelos PRIMO y DUAL Observando la estructura de ambos modelos podemos citar las siguientes relaciones entre ellos. 1. Los coeficientes objetivo de uno son los coeficientes recurso del otro. 2. Los coeficientes recurso de uno son los coeficientes objetivo del otro. 3. La matriz de coeficientes tecnolgicos de uno es la transpuesta de la matriz de coeficientes tecnolgicos del otro. 4. Ambos problemas estn en formato cannico, como lo comprueban ms en detalle las siguientes caractersticas 4.1 El objetivo del primo es maximizar en cambio el objetivo del dual es minimizar. 4.2 Las restricciones del Primo son del tipo = , mientras que las del dual son del tipo =. 4.3 Las variables de ambos problemas estn restringidas a ser mayores o iguales que cero CONCEPTUALIZACION DE LA DUALIDAD - CASO 2 Cierta dietista necesita preparar una comida que contenga determinados nutrientes, al menos en las cantidades que se indican en la siguiente tabla. Dispone de tres ingredientes cuyos costos y contenidos de cada nutriente (unidades por gramo de ingrediente) se dan en la misma tabla.

3.1 Formulacin Problema Dual

Hemos visto como la programacin lineal puede ser usada para resolver una extensa variedad de problemas propios de los negocios, ya sea para maximizar utilidades o minimizar costos. Las variables de decisin en tales problemas fueron, por ejemplo, el nmero de productos a producir, la cantidad de pesos a emplear, etc. En cada caso la solucin ptima no explic cmo podran ser asignados los recursos (ejemplo: materia prima, capacidad de las mquinas, el dinero, etc.) para obtener un objetivo establecido. En este captulo veremos que a cada problema de programacin lineal se le asocia otro problema de programacin lineal, llamado el problema de programacin dual. La solucin ptima del problema de programacin dual, proporciona la siguiente informacin respecto del problema de programacin original: 1. La solucin ptima del problema dual proporciona los precios en el mercado o los beneficios de los recursos escasos asignados en el problema original. 2. La solucin ptima del problema dual aporta la solucin ptima del problema original y viceversa. Normalmente llamamos al problema de programacin lineal original el problema de programacin primal.

3.2 Relacin Primal Dual

Relacin de la solucin ptima del problema dual con la solucin ptima del problema primo.La relacin principal entre ellos es que tanto el problema primal como el dual buscan el valor ptimo del sistema.

DUALIDAD El dual es un problema de PL que se obtiene matemticamente de un modelo primal de PL dado. Los problemas dual y primal estn relacionados a tal grado, que la solucin smplex ptima de cualquiera de los dos problemas conduce en forma automtica a la solucin ptima del otro. El mtodo smplex adems de resolver un problema de PL llegando a una solucin ptima nos ofrece ms y mejores elementos para la toma de decisiones. La dualidad y el anlisis de sensibilidad son potencialidades de ste mtodo. En la mayora de los procedimiento de PL, el dual se define para varias formas del primal, dependiendo de los tipos de restricciones, de los signos de las variables y del sentido de la optimizacin. La experiencia nos indica que en ocasiones, los principiantes se confunden con los detalles de esas definiciones. Ms importante an es que el uso de esas definiciones mltiples puede conducir a interpretaciones inconsistentes de los datos en la tabla smplex, sobre todo en lo que respecta a los signos de las variables. El concepto de dualidad indica que para cada problema de PL hay una asociacin y una relacin muy importante con otro problema de programacin lineal, llamado precisamente dual.

La relacin entre el problema dual y su asociado, es decir el problema original llamado primal, presenta varias utilidades: Aporta elementos que aumentan sustancialmente la compresin de la PL.

El anlisis de dualidad es una herramienta til en la solucin de problemas de PL, por ejemplo: ms restricciones que variables. El problema dual tiene interpretaciones e informaciones importantes que muestran que los anlisis marginales estn siempre involucrados implcitamente al buscar la solucin ptima a un problema de PL. La forma estndar general del primal se defina como; para maximizar o minimizar.

sujeto a;

Cmo 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 maximizacin su dual ser un problema de minimizacin y viceversa. 2. Los coeficientes de la funcin 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 funcin objetivo (vector de costo o precio) en el problema dual. 4. Los coeficientes de las restricciones en el problema primal, ser la matriz de los coeficientes tecnolgicos en el dual. 5. Los signos de desigualdad del problema dual son contrarios a los del primal. 6. Cada restriccin en un problema corresponde a una variable en el otro problema. Si el primal tiene m restricciones y n variables, el dual tendr n restricciones y m variables. As, las variables Xn del primal se convierte en nuevas variables Ym en el dual.

3.3 Interpretacion Economica del Dual

Precio Sombra.- Se define como la proporcin con que mejora el valor de la funcin objetivo a partir de la i - sima restriccin, dependiendo si se trata de maximizacin tiende a aumentar y a disminuir cuando es de minimizacin. La interpretacin econmica de la dualidad se basa directamente en la interpretacin ms frecuente del problema primal ( 16 ). Interpretacin del problema dual. Para ver cmo la interpretacin del problema primal conduce a una interpretacin econmica del problema dual. Notese el valor de Z como: Z = W1b1 + W2b2 + W3b3 + + Wmbm donde cada bi Wi puede interpretarse como la contribucin a la ganancia por disponer de bi unidades del recurso i. Wi se interpreta como la contribucin a la ganancia por unidad del recurso i ( i = 1 , 2, . . . , m), cuando se usa el conjunto actual de variables bsicas para obtener la solucin primal. Si le preguntaramos a un contador - uno que no tenga ni la menor idea de PL- que a partir de la solucion al problema del enunciado I nos respondiera cual es el costo unitario de producir (y vender) el bien 1 y el 2 muy probablemente nos mirara primero con cierta desconfianza - pero si no hay precio de los insumos!!! - para luego , mas cautamente contestarnos que el costo de 1 , dado que se requiere una unidad del insumo A y una de B el costo unitario ( Cua) se calcularia como Pa + Pb mientras que el costo unitario (Cub) del bien 2 se calcularia como 2Pa + Pb , toda vez que se requieren dos unidades de A y una de B por unidad de 2. Eso si se conocieran los precios de los insumos A y B cosa que se desconoce. Con la misma desconfianza nos responderia a que el costo total de producir ambos bienes seria igual a: APa + BPb ( es decir 150Pa + 100Pb). Si finalmente le preguntamos si puede obtener esos precios de los insumo si se asume que producir y vender 1 y 2 son actividades competitivas en las cuales o bien no hay beneficio alguno o bien si hubiere perdidas no se produciria el bien, la respuesta que daria seria : los precios que resuelven el siguiente conjunto de ecuaciones y V el costo total resultante:

1 = Pa + Pb 1,6 = 2Pa + Pb V = 150Pa + 100Pb

Hecho esto , nuestro contador nos diria que lo que acaba de hacer no es otra cosa que imputar precios a los factores productivos , lo que determina que el costo total V sea igual al ingreso total Z. Resolviendo el sistema anterior obtendria Pa = 0,6 , Pb = 0,4 y V = 130

Si ahora formulamos el problema dual del enunciado I de referencia obtendremos : min V = 150Pa + 100Pb sujeto a 1 <= Pa + Pb 1,6<= 2Pa + Pb y Pa,Pb>=0

Reconocemos inmediatamente que este problema es el problema de minimizacion No 1 cuya respuesta encontramos arriba y es Pa =0,6 , Pb =0,4 y V= 130. Teniendo en cuenta los comentarios de nuestro contador arriba, la interpretacion a nuestro problema dual es la siguiente : Lo que se busca es minimizar el valor imputado a los insumo sujeto a que el costo (unitario) de produccion de cada bien sea igual o mayor al precio unitario del mismo. Y aqui nos apresuramos a sacar a relucir el Teorema de Dualidad II para senalar que si el costo excediera al ingreso de cualquiera de los bienes este no seria producido.

Si le hubieramos preguntado a un economista , en cambio, acerca del costo de producir los bienes 1 y 2, este nos hubiera contestado algo como sigue: " El costo de oportunidad de una unidad del factor A - o su precio sombra- en la empresa de referencia se obtiene averiguando cual es el mejor uso para una unidad adicional de dicho insumo; en este caso , si dejaramos de producir una unidad del bien 1, se liberarian 1 unidad del factor A y otra de B con lo que sumados a la unidad de A adicionada se podria producir una unidad del bien 2. O sea que en terminos de valor se pierde $1 por un lado pero se adiciona $ 1,6 por el otro , es decir se adicionan $ 0,6 neto como resultado de adicionar una unidad de A - y ajustar optimamente la produccion-. Este seria el costo o beneficio de oportunidad del insumo A. En terminos analogos se razonaria para establecer el costo de oportunidad - precio sombra -de una unidad del factor B. Si se deja de producir una unidad del bien dos - y en consecuencia se liberan 2 unidades de A y una de B - al adicionar una unidad de B es possible producir 2 unidades del bien 1. En terminos de valor se pierden $ 1,6 -por la perdida de la unidad del bien 2 -pero se ganan $ 2 por la produccion de dos unidades del bien 1- o sea se obtiene un neto de $ 0,4 por la incorporacion de una unidad adicional de B .El costo de oportunidad de B seria pues $ 0,4." Comparando los precios sombra de los insumos obtenidos por el economista y los precios imputados por el contador vemos que estamos describiendo el mismo fenomeno pero de angulos diferentes. Notemos en este problema que si alguno de los factores no constituyera

restriccion a la produccion -por ejemplo si B fuera igual a 400- la adicion - o para el caso sustraccion de una unidad de dicho insumo- no modificaria en absoluto el nivel optimo de produccion- por lo que no adicionaria o sustraeria valor a la actividad desde el punto de vista del economista o sea que el valor de este insumo pasaria a ser 0. Bajo estas circumstancias exceso o superabundancia de B si se prefiere-, el maximo ingreso se obtiene produciendo solamente el bien 2 - con lo que se obtienen $ 150- . Desde la perspectiva de la PL si la restricion 2da - la que corresponde a B - se cumple con desigualdad , de acuerdo al Teorema II de Dualidad , la segunda variable del dual sera igual a 0 , esto es el precio de B - tal como lo habria previsto el razonamiento economico. En cuanto a nuestro contador , al solamente producirse el bien 1, ante igual interrogante que el efectuado arriba , este concluiria tambien que Pb resultaria igual a 0 por cuanto el costo sin beneficios de la actividad 1, la no obtencion de beneficios en las actividades restantes y la imputacion de todo el costo al ingreso generado implicaria : Pa + pb = 1 , 2Pa + Pb >= 1,6 y 150Pa +400Pb = 150 El unico conjunto de precios -no negativos- de los insumos que imputa correctamente- es decir cumple con las tres condiciones anteriores es Pa = 1 y Pb =0 , el mismo resultado del economista y del programador lineal.

3.4 Condiciones Khun Tucker Para identificar puntos estacionarios de un problema restringido no lineal sujeto a restricciones de desigualdad. Estas condiciones tambin son suficientes bajo ciertas reglas. Una condicin necesaria para la optimizacin es que sea no negativa (no positiva) para problemas de maximizacin (minimizacin). Esto se justifica como sigue. Considere el caso de maximizacin. Como mide la taza de variacin de F con respecto a g.

3.5 Dual Simplex En el algoritmo dual smplex, el problema empieza optimo y no factible. Las iteraciones sucesivas estn diseadas para avanzar haca la factibilidad, sin violar la optimalidad. En iteracin, cuando se restaura la factibilidad, el algoritmo termina. El mtodo dual smplex contrasta con el mtodo regular (primal simplex), en el sentido de que las iteraciones empiezan factibles y no optimas y no continan siendo factibles hasta que se logra la factibilidad. En el mtodo dual smplex, el cuadro simplex inicial debe tener un rengln objetivo optimo por lo menos con una variable bsica no factible (< 0). Para mantener la optimalidad y, simultneamente, avanzar hacia la factibilidad en cada nueva iteracin, se emplearan las dos condiciones siguientes: Condicin Dual de Factibilidad: La variable de salida, x, es la variable bsica que tiene el valor ms negativo, con empates que se rompen arbitrariamente. Si todas las variables bsicas son no negativas, el algoritmo termina. Condicin Dual de Optimalidad : La variable de entrada esta determinada entre las variables no bsicas como la correspondiente a min {zj - cj , rj < 0} no bsicas rj Donde rj es el coeficiente de restriccin de la tabla smplex asociada con el rengln de la variable de salida x, y la columna de la variable de entrada Xj. Los empates se rompen arbitrariamente. Ejemplo: Minimice z = 31 + 22 Sujeta a 31 + x2 3 41 + 32 6 x1 + x2 3 x1, x2 0 La tabla

smplex inicial para el problema se da como Solucin bsica factible X1 X2 X3 X4 X5 Solucin z 3 2 0 0 0 0 X3 3 1 1 0 0 3 X4 4 3 0 1 0 6 X5 1 1 0 0 1 3 Las variables X3 y X4 son supervit, mientras que X5, es una holgura

3.6 Cambios en Vector Costos Cj

Fundamentalmente cuando se trabaja en Programacin Lineal es importante realizar un anlisis de postoptimalidad para observar por medio de simulacin si los cambios que le vamos a introducir al modelo original, en qu aspectos nos benefician o nos afectan en las variables y/o parmetros.Es importante tener en cuenta que los cambios que se realizan en el modelo original deben ser factibles y deben responder a situaciones reales que la empresa puede llegar a vivir en un momento determinado. Los cambios en los vectores b, c y en la matriz A pueden suceder en forma discreta o continua; el cambio discreto indica que una o varias componentes originales de los vectores o de la matriz son reemplazados por nuevas cantidades; el cambio continuo en los vectores aj, b y c se da cuando se presentan cambios as:

donde b, c y aj son vectores respectivamente con las mismas dimensiones que los vectores b, c, aj; , , son escalares que pueden tomar cualquier valor real. El anlisis de sensibilidad que estudia los cambios continuos se denomina Programacin Paramtrica. Para observar las variaciones que ocurren o no, vamos a ilustrar las diversas situaciones con el siguiente ejemplo: MAX Z = 50 X1+ 120 X2 Sujeta a:

Cambio en un Cj cuando Xj es no bsica:

Va a cambiar un nmero en la fila de Zj - Cj, desde Z*j - Cj hasta Z*j hasta C'j; la nueva solucin sigue siendo factible ya que no se han cambiado las restricciones, ni los recursos.Cuando hay un cambio en un Cj del primal, solamente cambia el lado derecho de la jsima restriccin del dual; puede ocurrir que la solucin ya no sea factible (una de las variables bsicas ser menor que cero).La funcin objetivo va a asegurar una solucin ptima, porque los recursos del primal no se han cambiado. Ejemplo: Se cambia la funcin objetivo de: MAX Z = 50 X1+ 120 X2 a: MAX Z = 80 X1+ 120 X2

El cambio en la funcin objetivo en la variable X1 es 50 por 80. Este cambio tiene un efecto sobre el valor de Z*j - Cj en el ptimo actual Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 40; Z*= 2400 Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400 , valores que se pueden convertir en: Si el valor actualizado de Z*j - Cj > 0 , la solucin ptima permanece igual a la del problema inicial y en el problema dual solo cambia el valor de la variable de holgura S*1. Si el nuevo valor de Z*j - Cj = 0, la solucin ptima permanece igual a la del problema inicial cuando se presentan soluciones mltiples y en el problema dual solo cambia el valor de la variable de holgura S*1 cuyo valor ser cero (0). Si el valor actualizado de Z*j - Cj < 0 la solucin deja de ser ptima por lo cual se requiere la utilizacin del simplex, tomando X1 como la variable que se convertir en variable bsica. La solucin ptima actual es: Primal: X*1 = 16; X*2 = 12; S*1 = 0; S*2 = 0; Z*= 2720 Dual: Y*1 = 28; Y*2 = 8; S*1= 0; S*2 = 0; W* = 2720 Para que se mantenga la solucin actual ptima y factible basta con plantear y resolver la ecuacin que recalcula el valor de Z1 -C1, sabiendo que en el tablero ptimo el valor de C1 debe cumplir con la condicin que Z1 -C1 0, por lo cual C1 60. Cambio en un Cj cuando Xj es bsica:

Si Xj es bsica Z*j - Cj = 0 y Z*j - C'j 0, con lo cual se debe modificar la fila de Z -C en el ltimo tablero y en algunos casos se debe variar toda la tabla, si la solucin del primal dej de ser la ptima.En algunos casos cuando Z*j - C'j > 0, la solucin es an ptima. La nueva solucin en el ptimo debe ser ptima o mejorar, pero en algunos casos puede no ser factible. Ejemplo: Cambiando la funcin objetivo de: MAX Z = 50 X1+ 120 X2 a: MAX Z = 50 X1+40 X2 El nuevo valor de Z*j - Cj corresponde a una variable bsica, cuyo valor ser cero (0). La solucion Optima es: Primal: X*1 = 16; X*2 = 12; S*1 = 0; S*2 = 0; Z*= 1280 Dual: Y*1 = 7; Y*2 = 12; S*1= 0; S*2 = 0; W* = 2720 Para que permanezca la solucin actual ptima y factible basta con plantear y resolver la ecuacin que recalcula el valor de Z*j - Cj de cada una de las variables no bsicas, sabiendo que en el tablero ptimo el valor de C1 debe cumplir con la condicin que Z*j - Cj 0, por lo cual 4 C2 + .

3.7 Cambio en Bi de las Restricciones

Cambio en un bi (recurso):

Los nicos cambios posibles son en los lados derechos de las restricciones, porque estos lados dan los valores de las variables de la base y stas se pueden volver negativas; cuando no hay cambios en los Z*j - Cj, la solucin encontrada sigue siendo ptima.En el caso en que un bi se vuelva negativo se debe emplear el dual simplex para solucionar el primal. Adems es posible en el problema dual encontrar e interpretar el precio sombra (marginal) y los costos reducidos. Ejemplo: Cambiando la segunda restriccin de: 3 X1+X2 3 X1+X2 60 a: 50

La solucin ptima actual es: Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 30; Z*= 2400 Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400 Para que se mantenga la solucin actual factible basta con plantear y resolver las ecuaciones para encontrar los valores de los nuevos bi, de tal manera que las variables bsicas sean 0, por lo cual -70 b1 170 y 20 b2 +

3.8 Cambio en Coeficientes Xj

Cambio en aij cuando Xj es no bsica:

En estos casos cambian los coeficientes de Xj en todas las filas del tablero; como Xj no es bsica, si la fila Z -C > 0, la solucin sigue siendo ptima. Es ms fcil investigar si la solucin anterior es todava ptima con el dual, ya que el nico cambio es en la j-sima restriccin: , porque los valores ptimos de las variables

originales Y*1 = Z no cambian; la solucin anterior es factible y an ptima si la nueva restriccin no se viola. Ejemplo: Cambiando la segunda restriccin de: 3 X1+X2 X1+X2 60 a: 60

La solucin actual es: Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 40; Z*= 2400

Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400 Para que permanezca la solucin actual ptima basta con plantear y resolver la ecuacin que recalcula el valor de Z1 - C1 con la condicin que Z1 - C1 0, por lo cual

3.9 Adicion de Nueva Variable

Muchas veces es necesario analizar la sensibilidad de la solucin ptima, cuando se agrega al modelo una restriccin que no se considero inicialmente, ya sea por olvido o por decisin de quien plante el modelo. El primer paso en el anlisis de los cambios que sufre la solucin ptima actual al considerar una nueva restriccin, es determinar si esta se cumple para la solucin ptima. Para ello deben reemplazarse los valores ptimos de las variables en la nueva restriccin y determinar si se cumple la condicin expresada. En caso afirmativo concluimos que la solucin actual no se altera, pues la nueva restriccin tambin se cumple para ella. Tal caso ocurre en situaciones como la que podemos observar en la grafica 1, en donde la nueva restriccin A no altera la regin de factibilidad. Otra situacin del mismo caso es la que se muestra en la grfica 2 para la nueva restriccin B, que s altera la regin de factibilidad, pero sin modificar el punto ptimo.

Pero cuando los valores ptimos no satisfacen la nueva restriccin, concluimos que la solucin ptima actual es infactible. La grfica 3 nos permite entender como lo que ocurri fue que la nueva restriccin afect la regin de factibilidad del problema, eliminando de ella el sector que incluye la solucin ptima actual. Debemos entonces encontrar la nueva solucin ptima que corresponda a la nueva regin factible. Efectuemos un anlisis del efecto. Supngase que agregamos al modelo la restriccin am+1 , 1 X1 + am+1 , 2 X2 + ... + am+1 , nXn < bm+1 Para simplificar, definamos el vector fila Tm+1 que contenga todos los coeficientes tecnolgicos am+1,j de la restriccin m+1 y escribamos la nueva restriccin como el siguiente producto escalar

Tm+1 < X bm+1 Separando los coeficientes de las variables bsicas y de las no bsicas y agrupndolos en dos vectores que las contengan, podemos expresar la restriccin como:

TBXB + TNXN + Hn+1 = bm+1 Ya que XN = 0, despejando a Hn+1 llegamos a que:

Hn+1 = bm+1 - TBXB Cuando bm+1 > TBXB, tendremos que Hn+1 ser no negativa lo cual implica que la nueva restriccin se cumple en el punto ptimo y la actual solucin no cambia. Pero cuando bm+1< aBXB, tendremos que Hn+1 toma valor negativo,, implicando que la restriccin no se satisface en el ptimo y por ello la solucin ptima actual es infactible y debemos hallar la nueva solucin ptima, que cumpla la restriccin adicional. El procedimiento para determinar la nueva solucin ptima es: 1. Escribir la nueva restriccin al final de la tabla ptima. Considerando a Hn+1 como variable bsica. 2. Efectuar los ajustes necesarios para que los vectores de sustitucin de las variables bsicas, sean vectores unitarios. Al lograr lo anterior, se obtiene un valor negativo para la variable de

holgura que se acaba de adicionar como nueva variable bsica, lo cual significa que la solucin actual es infactible, al considerar la restriccin adicional 3. Utilizar el algoritmo Dual Simplex, para intercambiar la variable bsica negativa por una positiva y obtener as una solucin ptima factible para el modelo aumentado con la nueva restriccin.

3.10 Adicion de Nueva Restriccion

El ltimo caso es aquel en el que debe introducirse al modelo una nueva restriccin despus de que ya se ha resuelto. Este caso puede ocurrir porque se pas por alto la restriccin en un principio o porque surgieron nuevas consideraciones despus de la formulacin original. Otra posibilidad es que a propsito se haya eliminado la restriccin para disminuir el esfuerzo computacional por parecer menos restrictiva que otras ya planteadas en el modelo, pero ahora es necesario verificar esta impresin con la solucin ptima que se obtuvo. Para ver si la nueva restriccin afecta a la solucin ptima actual, todo lo que tiene que hacerse es verificar directamente si esa solucin ptima satisface la restriccin. Si es as, todava sera la mejor solucin bsica factible (es decir, sera la solucin ptima), aun cuando se agregara la restriccin al modelo. La razn es que una nueva restriccin slo puede eliminar algunas de las soluciones factibles anteriores sin agregar ninguna. Si la nueva restriccin elimina la solucin ptima actual, y si se quiere encontrar la nueva solucin, se introduce esta restriccin a la tabla simplex final (como un rengln adicional) como si fuera la tabla inicial, en la que se designa la variable usual (de holgura o artificial) como la variable bsica que corresponde a este nuevo rengln. Como ste tal vez tenga coeficientes distintos de cero para algunas otras variables bsicas, se debe aplicar la conversin a la forma apropiada de eliminacin de Gauss y despus cl resto del procedimiento general. Igual que para algunos de los casos anteriores, este procedimiento para el caso de una adicin de una nueva restriccin es una versin simplificada del procedimiento general resumido anteriormente. La nica pregunta que hay que hacerse en este caso es si la solucin ptima anterior es todava factible as que la prueba de optimalidad se ha eliminado. La prueba de factibilidad se ha reemplazado por una prueba de factibilidad mucho ms rpida (la solucin ptima anterior satisface la nueva restriccin?) que debe realizarse justo despus de la revisin del modelo. Slo cuando la respuesta a esta prueba es negativa y se quiere reoptimizar, se usan los siguientes pasos; revisin de la tabla simplex final, conversin a la forma apropiada de eliminacin de Gauss, y reoptimizacin. EJEMPLO. Como ejemplo de este caso, supngase que se introduce la nueva restriccin, 21 + 32 24, Al modelo dado en la tabla 20. El efecto grfico se muestra en la figura 5. La solucin ptima anterior (0, 9) viola la nueva restriccin, por lo que la solucin ptima cambia a (0, 8). Para analizar este ejemplo algebraicamente, obsrvese que (0, 9) lleva a que 21 + 32 = 27 > 24, entonces esta solucin ptima anterior ya no es factible. Para encontrar la nueva solucin ptima, se agrega esta restriccin a la tabla simplex final actual, tal como se describi, con la variable de holgura x6 como su variable bsica inicial. Esto lleva a la primera tabla que se muestra en la tabla 23. El paso de conversin a la forma apropiada de eliminacin de Gauss requiere restar el rengln 2 multiplicado por 3 del nuevo rengln, con lo que se identifica la solucin bsica actual: x3 = 4, x2 = 9, x4 = 6, x6 = 3 (xl = 0, x5 = 0), como se muestra en la segunda tabla. Cuando se aplica el mtodo dual simplex se obtiene en una sola iteracin (algunas veces se necesitan ms) la nueva solucin ptima en la tabla final de la tabla |23. Figura 5 Regin factible Tabla23 Procedimiento de anlisis de sensibilidad

Unidad 4 Transporte y asignacin

4.1 Definicion Problema de Transporte Problema del transporte Un problema particular que se resuelve con los procedimientos de la programacin lineal es la situacin conocida como problema del transporte o Una empresa dedicada a la fabricacin de componentes de problema de la ordenador tiene dos fbricas que producen, respectivamente, distribucin de 800 y 1500 piezas mensuales. Estas piezas han de ser mercancas. transportadas a tres tiendas que necesitan 1000, 700 y 600 piezas, respectivamente. Los costes de transporte, en pesetas Se trata de encontrar los por pieza son los que aparecen en la tabla adjunta. Cmo caminos para trasladar debe organizarse el transporte para que el coste sea mnimo? mercanca, desde varias plantas (orgenes) a diferentes centros de almacenamiento (destinos), de manera que se minimice el costo del transporte. Para que un problema Tienda A Tienda B Tienda C pueda ser resuelto por el Fbrica I 3 7 1 mtodo del transporte Fbrica II 2 2 6 debe cumplir: 1) La funcin objetivo y las restricciones deben ser lineales. 2) El total de unidades que salen en origen debe ser igual al total de unidades que entran en destino.

En este tipo de problemas se exige que toda la produccin sea distribuida a los centros de ventas en las cantidades que precisa cada uno; por tanto, no pueden generarse inventario del producto ni en las fbricas ni en los centros de ventas. En consecuencia, los 800 artculos producidos en la fbrica I deben distribuirse en las cantidades x, y, z a A, B y C, de manera que x + y + z = 800. Pero, adems, si desde I se envan x unidades a A, el resto, hasta las 1000 necesarias en A, deben ser enviadas desde la fbrica II; esto es, 1000 - x unidades sern enviadas desde II a A. Del mismo modo, si desde I a B se envan y, el resto necesario, 700 - y, deben enviarse desde II. Y lo mismo para C, que recibir z desde I y 600 - z desde II. En la siguiente tabla de distribucin se resume lo dicho: Envos Desde la fbrica I ( 800) Desde la fbrica II (1500) a la tienda A (1000) a la tienda B (700) a la tienda C (600) x 1000 - x y 700 - y 800 - x - y x + y - 200

La ltima columna la hemos obtenido de la siguiente forma: Como x + y + z = 800 , se tiene que z = 800 - x - y, de donde, 600 - z = 600 - (800 - x - y) = x + y - 200. Ahora bien, todas las cantidades anteriores deben ser mayores o iguales que cero. Por tanto, se obtienen las siguientes desigualdades: x 0 ; 1000 - x 0;y 0; 700 - y 0 ; 800 - x - y 0 ; x + y - 200 0

Simplificando las desigualdades anteriores, se obtienen las siguientes inecuaciones: 1000 x 0 ; 700 y 0 ; 800 x+y 0

Recordemos que nuestro objetivo es abaratar al mximo los costes de transporte. Estos costes se hallan multiplicando las cantidades enviadas a desde cada fbrica a cada tienda por los respectivos costes de transporte unitario. Se obtiene: Z = f(x,y) = 3x + 2(1000 - x) + 7y + 2(700 - y) + (800 - x - y) + 6(x + y - 200) = 6x + 10y + 3000 En definitiva, el programa lineal a resolver es : Minimizar: Z = 6x + 10y + 3000 sujeto a: 1000 x 0 700 y 0 800 x + y 0 La regin factible se da en la imagen del margen. Sus vrtices son A(200,0) ; B(800,0) ; C(100,700) ; D(0,700) y E(0,200). El coste, el valor de Z en cada uno de esos puntos, es: en A, 4200 en B, 7800 en C, 10600 en D, 10000 en E, 5000

El mnimo se da en A , cuando x = 200 e y = 0. Luego, las cantidades a distribuir son:

Envos Desde la fbrica I ( 800) Desde la fbrica II (1500)

a la tienda A (1000) a la tienda B (700) a la tienda C (600) 200 800 0 700 600 0

4.2 Metodo de Aproximacion de Vogel

Mtodo de Aproximacin de Vogel: para cada rengln y columna que queda bajo consideracin, se calcula su diferencia, que se define como la diferencia aritmtica entre el costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese rengln o columna. (Si se tiene un empate para el costo ms pequeo de los restantes de un rengln o columna, entonces la diferencia es 0). En el rengln o columna que tiene la mayor diferencia se elige la variable que tiene el menor costo unitario que queda. (Los empates para la mayor de estas diferencias se pueden romper de manera arbitraria). Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando el mtodo de aproximacin de Vogel para resolver el ejemplo presentado anteriormente y que fue resuelto por la regla de la esquina noroeste: Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna. De las diferencias que obtuvimos nos fijamos realizamos la primera asignacin: Recursos 5 1 0 1 10 Demanda DIF. 3 1 4 1 2 0 3 1 1 2 10 DIF. en la mayor (Por qu?), que resulta ser para la tercera columna. En esa columna encontramos el costo unitario (cij) menor y en esa celda

3 2 4

7 4 3
2

6 3 8

22 0 53

Nota: Marcaremos a la mayor de las diferencias seleccionada encerrndola en un crculo y escribindole como superndice el nmero que le corresponda en la secuencia de seleccin. Observemos en la figura anterior que nicamente eliminamos el segundo rengln ya que la tercera columna nos servir despus para hacer la asignacin de una variable bsica degenerada. Continuando con la aplicacin del mtodo, tenemos que calcular nuevamente las diferencias de las columnas ya que hemos eliminado un rengln y sto puede ocasionar que las diferencias aritmticas entre el costo unitario ms pequeo y el que le sigue ya no sean las mismas: Recursos 5 1 0 DIF.

3 2

7 4 3
2

6 3

22 0

4
Demanda DIF. 3 1 1 4 1 1 4

3 2 0 3 1
2

8
1 2 1

53 0
10 10

Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya que solamente queda un rengln dentro de las posibilidades (sto no significa que solamente un rengln quede bajo consideracin ya que podemos observar que ninguna de las cuatro columnas (destinos) ha sido eliminada y todas quedan todava bajo consideracin), no es posible encontrar la diferencia aritmtica entre el costo menor y el que le sigue, por lo tanto vamos tomando una a una las celdas que quedan comenzando con la de menor costo unitario hasta que todas hayan sido asignadas. Recursos DIF. 5 2 1 0 1 0 1 10 Demanda DIF. 3 0 1 1 4 1 0 1 4
2

7 4

0 2

6 3 8

2 4
3

22 0 53 0
1 0 2 1 10

3
2 0 3 1 2

La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica degenerada), x14=1, x23=2 y x32=3 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es de: x11 c11 x12 c12 x13 c13 x14 c14 x23 c23 x32 c32 3 (3) + 1 (7) + 0 (6) + 1 (4) + 2 (3) + 3 (3) = 35 unidades Es necesario aclarar que sta puede o no ser la solucin final del problema, es necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor poltica de transporte que minimice todava ms el costo total.

Costo =

4.3 Metodo de Modi

Este mtodo reproduce exactamente las mismas iteraciones del mtodo de banquillo. La principal diferencia ocurre en la forma en que las variables no bsicas se evalan en cada iteracin. Asociados a cada rengln i de la tabla existen multiplicadores Ui similarmente se asocia un multiplicador Vj a cada columna de la tabla j. Para cada variable bsica Xij de la solucin actual, se escribe la ecuacin Ui +Vj = Cij. Esas ecuaciones proporcionan m+n-1 relaciones con m+n incgnitas.

Los valores de los multiplicadores pueden ser determinados a partir de las ecuaciones suponiendo un valor arbitrario para cualquiera de los multiplicadores (usualmente se establece U1=0) y resolviendo el sistema de ecuaciones para encontrar los multiplicadores desconocidos. Una vez que se hace esto, la evaluacin de cada variable no bsica X pq est dada como: El criterio que se utiliza para seleccionar la variable que entra es el mismo que el mtodo de banquillo (la mayor negativa). Ejemplo: Una compaa est considerando una demanda de 5 clientes utilizando artculos que tienen disponibles en 2 almacenes. Los almacenes cuentan con 800 y 1000 unidades respectivamente. Los clientes necesitan 200, 150, 200, 180 y 500 unidades respectivamente. Los costos de embarque por artculo de los almacenes de los clientes son:

Resuelva el modelo de transporte empleando. a) Una solucin inicial por el mtodo de aproximacin de vogel. b) La solucin ptima por el mtodo de multiplicadores.

DESTINO FICTICIO = 570 ARTCULOS

4.4 Procedimiento de Optimizacion

Una solucin BF es optima si y solo si Cij-Ui-Vj=>0 para toda (ij)tal que Xij es no basica. Es la reducion de costos. Pasos para la optimizacion: 1.- se determina la variable basica entrante; se elige la variable no basica Xij que tiene el valor negativo mas grande(en terminos absolutos)para Cij-Ui-Vj. 2.- se determina la varible basica que sale: se identifica la reaccion en cadena que se necesita para conservar la factibilidad cuando aumenta el valor de la variable basica entrante. Entre las celdas donadoras se selecciona la variable basica que tiene el menor valor. 3.- se determina la nueva solucion BF; se suma el valor de la variable basica que sale a las asignaciones de las celdas receptoras y se resta a las asignaciones de las celdas donadoras.

4.5 Definicin Problema de Asignacin

Definicin del problema. Sean un conjunto de fragmentos F = {F1, F2, ..., Fn} y una red formada por el conjunto de sitios S = {S1, S2, ..., Sm} en la cual un conjunto de aplicaciones Q = {q1, q2, ..., qq} se ejecutan. El problema de la asignacin implica encontrar la distribucin ptima de F sobre S. Uno de los problemas ms importantes que necesita discusin es el significado de distribucin ptima. La distribucin ptima puede definirse con respecto a dos medidas:

1. Coste mnimo. La funcin de coste consiste en el coste de almacenamiento de cada Fi

en un sitio Sj, el coste de practicar una consulta en Fi en el sitio Sj, el coste de actualizar Fi en todos los sitios donde se almacene y el coste de las comunicaciones de datos. El problema de la asignacin, entonces, intenta encontrar un esquema de asignacin tal que minimice esta funcin de coste combinado. Rendimiento. La estrategia de asignacin se disea para mantener una medida del rendimiento. Dos medidas habituales de este rendimiento son el tiempo de respuesta y la salida del sistema en cada sitio. Evidentemente, se debe intentar minimizar la primera y maximizar la segunda.

2.

Se han propuesto modelos de asignacin que enfocan el concepto de distribucin ptima desde diferentes puntos de vista. Sin embargo, no resulta descabellado pensar en la inclusin, tanto del rendimiento como de los factores de coste, dentro del concepto. En otras palabras, deberamos buscar un esquema de asignacin tal que, por ejemplo, la respuesta a las consultas de los usuarios se realizase en el menor tiempo posible mientras que el coste de procesamiento fuese mnimo. Una afirmacin similar podra hacerse respecto a la maximizacin de la salida del sistema. Consideremos ahora una formulacin del problema muy simple. Definamos F y S como se hizo anteriormente. Por el momento, consideraremos nicamente un fragmento sencillo, Fk. Daremos un nmero de definiciones que nos permitan modelar el problema de la asignacin.

1. Asumiremos que Q puede modificarse de tal manera que sea posible identificar las
consultas de actualizacin de las de lectura, y definiremos lo siguiente para ese fragmento simple Fk:

donde ti es el trfico de lectura que se genera en el sitio Si para Fk, y

donde ui es el trfico de actualizacin que se genera en el sitio Si para Fk.

2. Asumiremos que el coste de comunicaciones entre un par de sitios Si y Sj es fijo para

una unidad de transmisin. Adems, asumiremos que ste es diferente para actualizaciones y para lecturas, por lo que definimos:

donde cij es el coste de la unidad de comunicacin para las peticiones de lectura entre los sitios Si y Sj y c'ij es el coste de la unidad de comunicacin para las peticiones de lectura entre los sitios Si y Sj.

3. Sea di el coste de almacenar el fragmento en el sitio Si. Entonces definimos D = {d1,

d2, ..., dm} como el coste de almacenar Fk en todos los sitios. 4. Asumiremos que no existen restricciones de capacidad en los sitios o en los enlaces de comunicaciones. Entonces el problema de asignacin puede especificarse como un problema de minimizacin de costes por el cual se intenta encontrar el conjunto I S que especifique el lugar donde han de ubicarse las copias de los fragmentos. La expresin matemtica hace uso de la variable de decisin para la ubicacin xj es, xj = 1 si xj = 0 en otro caso entonces, definida xj, el fragmento Fk se asigna al sitio Sj

El segundo trmino de la funcin calcula el coste total de almacenar todas las copias duplicadas del fragmento. El primer trmino corresponde al coste de transmisin de las actualizaciones a todos los sitios que mantienen rplicas de un fragmento y al coste de ejecucin de las peticiones de lectura en el sitio, lo cual resultar un coste mnimo de transmisin de datos. Esta es una formulacin muy simple que no es vlida para el diseo de bases de datos distribuidas. Pero en el caso que lo fuera, existira un problema. Para un gran nmero de fragmentos y de sitios, obtener soluciones ptimas resultara probablemente totalmente inviable. Las investigaciones, por tanto, deben girar en torno a la bsqueda de buenos heursticos que proporciones soluciones parcialmente ptimas.

Hay un nmero de razones del porqu de formulaciones tan simples que no sirven para el diseo de bases de datos distribuidas. Generalmente, se heredan de los modelos de asignacin de archivos para redes, pero 1. No se pueden tratar los fragmentos como archivos individuales que se asignen aisladamente. La ubicacin de un fragmento generalmente tiene influencia sobre las decisiones de asignacin de los otros fragmentos, a los cuales se acceden a la vez, puesto que el coste de acceso de los fragmentos restantes puede variar. Por tanto, las relaciones entre fragmentos deben tenerse en consideracin. 2. El acceso de las aplicaciones a los datos se modela muy sencillamente. Una peticin de usuario se resuelve en un sitio y todos los datos necesarios se transfieren a ese sitio. En los sistemas de bases de datos distribuidos, el acceso a los datos es ms complicado que el simple acceso a archivos remotos. Por tanto, la relacin entre la asignacin y el procesamiento de consultas debera tambin tenerse en cuenta. 3. Estos modelos no tienen en cuenta el coste de mantenimiento de la integridad, an localizando dos fragmentos implicados con las mismas restricciones de integridad en dos sitios diferentes podra resultar costoso dicho mantenimiento. 4. Igualmente, el coste derivado del control de concurrencia debera tenerse en cuenta. En resumen, debemos distinguir entre el problema tradicional de asignacin de archivos de la asignacin de fragmentos en los sistemas de bases de datos distribuidos. No existen modelos heursticos generales que tomen como entrada un conjunto de fragmentos y produzcan una asignacin cercana a lo ptimo que adems est influenciada por los tipos de restricciones descritas antes. Los modelos desarrollados realizan una serie de simples suposiciones y pueden aplicarse a ciertas formulaciones especficas. Por tanto, presentaremos un modelo general y discutiremos una serie de posibles heursticos que puedan emplearse para resolver el problema. Posteriormente, describiremos un algoritmo concreto de asignacin. Informacin necesaria. En esta etapa de la asignacin, necesitaremos datos cuantitativos sobre la base de datos, las aplicaciones que funcionan sobre ella, la red de comunicaciones, las caractersticas de proceso, y el lmite de almacenamiento de cada sitio de la red. Procederemos a discutirlos en detalle.Informacin de la base de datos. Para desarrollar la fragmentacin horizontal, definimos la selectividad de los mintrminos. Ahora, necesitamos extender esta definicin a los fragmentos y definir la selectividad de un fragmento Fj con respecto a una consulta qi. Es el nmero de tuplas de Fj a las que se necesita acceder para procesar qi. Este valor lo notaremos como seli(Fj). Otro elemento informativo de los fragmentos de la base de datos es su tamao. El tamao de un fragmento Fj viene dado por tamao(Fj) = card(Fj)*long(Fj), donde long(Fj) es la longitud (en octetos) de una tupla del fragmento Fj. Informacin de las aplicaciones. Mucha de la informacin relativa a las aplicaciones se recoge durante el proceso de fragmentacin, pero se necesita un poco ms para el modelo de asignacin. Las dos medidas ms importantes son el nmero de accesos de lectura que una consulta qi realiza sobre un fragmento Fj durante su ejecucin (llamada RRij), y el nmero de accesos de actualizacin que una consulta qi realiza sobre un fragmento Fj durante su ejecucin (llamada URij). Tambin necesitamos definir dos matrices UM y RM, con elementos uij y rij, respectivamente, que se especifican como sigue: uij = 1 si la consulta qi actualiza el fragmento Fj uij = 0 en otro caso rij = 1 si la consulta qi lee del fragmento Fj rij = 0 en otro caso Tambin debe definirse un vector O de valores o(i), donde o(i) especifica el sitio origen de la consulta qi. Finalmente, especificaremos las restricciones impuestas por el tiempo de respuesta, asignando a cada aplicacin el mximo tiempo de respuesta permitido.

Informacin de los sitios. Sobre cada ordenador necesitamos conocer sus capacidades de procesamiento y almacenamiento. Obviamente, estos valores pueden calcularse a travs de funciones elaboradas o por simples estimaciones. La unidad de coste de almacenar datos en el sitio Sk ser denotada como UCAk. As mismo, especificaremos como medida de coste UPTk al coste de procesar una unidad de trabajo en el sitio Sk. La unidad de trabajo debera ser idntica a aquella utilizada en las medidas RR y UR. Informacin sobre la red. En nuestro modelo asumiremos la existencia de una red simple donde el coste de comunicaciones se define respecto a una trama de datos. Entonces gij nota el coste de comunicacin por trama entre los sitios Si y Sj. Para permitir el clculo del nmero de mensajes, usaremos ftamao como el tamao (en octetos) de una trama. Es evidente que existen modelos de red mucho ms elaborados que toman en cuenta las capacidades del canal, las distancias entre sitios, las caractersticas del protocolo, etc. Sin embargo, se cree que la derivacin de estas ecuaciones se sale fuera de este documento.

4.6 El Mtodo Hngaro de Asignacin

Este algoritmo se usa para resolver problemas de minimizacin, ya que es ms eficaz que el empleado para resolver el problema del transporte por el alto grado de degeneracin que pueden presentar los problemas de asignacin. Las fases para la aplicacin del mtodo Hngaro son: Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz de costos m*m; se debe construir una nueva matriz al restar de cada costo el costo mnimo de cada fila; encontrar para esta nueva matriz, el costo mnimo en cada columna. A continuacin se debe construir una nueva matriz (denominada matriz de costos reducidos) al restar de cada costo el costo mnimo de su columna. Paso 2: (En algunos pocos textos este paso se atribuye a Flood). Consiste en trazar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente de esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene una solucin ptima entre los ceros cubiertos de la matriz. Si se requieren menos de m lneas para cubrir todos los ceros, se debe continuar con el paso 3. El nmero de lneas para cubrir los ceros es igual a la cantidad de asignaciones que hasta ese momento se pueden realizar. Paso 3: Encontrar el menor elemento diferente de cero (llamado k) en la matriz de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2; a continuacin se debe restar k de cada elemento no cubierto de la matriz de costos reducidos y sumar k a cada elemento de la matriz de costos reducidos cubierto por dos lneas (intersecciones). Por ltimo se debe regresar al paso 2. Notas: 1. Para resolver un problema de asignacin en el cual la meta es maximizar la funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (1) y resolver el problema como uno de minimizacin. 2. Si el nmero de filas y de columnas en la matriz de costos son diferentes, el problema de asignacin est desbalanceado. El mtodo Hngaro puede proporcionar una solucin incorrecta si el problema no est balanceado; debido a lo anterior, se debe balancear primero cualquier problema de asignacin (aadiendo filas o columnas ficticias) antes de resolverlo mediante el mtodo Hngaro. 3. En un problema grande, puede resultar difcil obtener el mnimo nmero de filas necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede demostrar que si se necesitan j lneas para cubrir todos los ceros, entonces se pueden asignar solamente j trabajos a un costo cero en la matriz actual; esto explica porqu termina cuando se necesitan m lneas.

Unidad 5 Programacin Entera Introduccin y casos de aplicacin

5.2 Definicin y Modelos de Programacin Entera

Programacin Entera es un termino general para los modelos de programacin matemtica que presentan condiciones de integridad (condiciones que estipulan que algunas o todas las variables de decisin deben tener valores enteros). Ya hemos apuntado que los modelos de programacin lineal entera son modelos de programacin lineal que tienen la caracterstica adicional de que algunas de las variables de decisin deben tener valores enteros. Existen diversas clasificaciones de esta categora de modelos. Programas Enteros Puros Un modelo entero puro (PLE) es, como su nombre lo indica, un problema en el que se exige que todas las variables de decisin tengan valores enteros. Por ejemplo Min 61 + 52 + 43 s.a. 1081 + 922 + 583 >= 576 71 + 182 + 223 >= 83 x1, x2, x3 ><0 y enteros Es un modelo entero puro. Sin las restricciones adicionales de que x1, x2, x3 sean enteros (o sea las condiciones de integralidad) seria un problema de programacin lineal Programas Enteros Mixtos Un problema en el que solo se requieren que algunas variables tengan valores enteros mientras que otras pueden asumir cualquier numero no negativo (es decir, cualquier valor continuo) se llama programacin lineal entera mixta (PLEM). Por ejemplo, supngase que en el problema anterior solo x1 y x2 deben ser enteros y x3 no. El problema resultante es: Min 61 + 52 + 43 s.a. 1081 + 922 + 583 >= 576 71 - 182 + 223 >= 83 x1, x2, x3 >=0; x1 y x2 enteros Programas Enteros 01 En algunos problemas se restringe el valor de las variables a 0 o 1. Dichos problemas se llaman binarios o programas lineales enteros 01. Son de particular inters debido a que se pueden usar las variables 01 para representar decisiones dicotmicas (s o no). Diversos problemas de asignacin, ubicacin de plantas, planes de produccin y elaboracin de cartera, son de programacin lineal entera 01.

Existen dos mtodos para generar las restricciones especiales que fuercen la solucin ptima del problema, hacia la solucin ptima entera deseada: - Mtodo de ramificar y acotar. - Mtodo de planos de corte. En ambos mtodos las restricciones agregadas eliminan partes del espacio de soluciones, pero nunca alguno de los puntos enteros factibles. Desafortunadamente, ninguno de los dos mtodos es efectivo en la solucin de problemas de programacin lineal entera. No obstante los mtodos de ramificar y acotar son mucho mejores en cuanto al calculo se refiere que los mtodos de plano de corte. Por esta razn, la mayora de los cdigos comerciales se basan en el procedimiento de ramificar y acotar.

5.3 Metodo Ramificar y Acotar

En este momento ser ms conveniente explicar los fundamentos del algoritmo de ramificar y acotar (R y A), por medio de un ejemplo numrico: Consideremos el siguiente problema de Programacin lineal Entera: Max z = 51 + 42 Sujeto a x1 + x2 <=5 101 + 62 <=45 x1, x2 >= 0 y entero En la siguiente figura se muestra el espacio de soluciones de la programacin lineal entera representado por los puntos. El espacio de soluciones de programacin lineal asociado, programacin lineal ptima, se define por cancelacin de las restricciones enteras. La solucin programacin lineal ptima se da como x1 = 3,75, x2 = 1,25 y z = 23,75. El procedimiento de Ramificar y Acotar se basa en tratar solo con el problema programacin lineal. Como la solucin ptima (x1 = 3,75, x2 = 1,25 y z = 23,75) pero no satisface la necesidad de valores enteros, el algoritmo de R y A exige modificar el espacio de soluciones lineales de forma tal que nos permita identificar, finalmente, para conseguir la solucin ptima entera. Primero seleccionaremos una de las variables cuyo valor corriente en la solucin ptima no cumple el requisito de valor entero. Seleccionando x1=3,75 arbitrariamente, observamos que la regin ( 3 < x1 < 4 ) del espacio de soluciones lineales, no puede incluir ninguna espacio solucin factible entera. Entonces podemos modificar el espacio de soluciones lineales eliminando esta regin no prometedora, lo que, en realidad, es equivalente a reemplazar el espacio original por dos espacios los PL1 y PL2, definidos de la manera siguiente: 1. Espacio PL1 = espacio PLO + (x1 <= 3) 2. Espacio PL2 = espacio PLO + (x1 >= 4)

Esta figura muestra los espacios PL1 y PL2 en forma grafica. Se ve que los dos espacios contienen los mismos puntos enteros factibles del modelo PLE. Esto significa que, desde el punto de vista del problema original de PLE, tratar con PL1 y PL2 es igual que tratar con el original PLO. La diferencia principal es que la seleccin de las nuevas restricciones e acotamiento ( x1 >= 3 y x1 <= 4 ) mejoraran la oportunidad de forzar a los puntos extremos ptimos de PL1 y PL2 hacia la satisfaccin del requisito de valor entero. Adems el hecho que las restricciones de acotamiento estn en la vecindad inmediata del optimo continuo del PLO, incrementara las posibilidades de producir buenas soluciones enteras. Las nuevas restricciones x1 >= 3 y x1 <= 4 son mutuamente excluyentes, PL1 y PL2 deben tratarse como dos programas lineales separados. Esta dicotoma da lugar al concepto de ramificacin en el algoritmo de R y A. En efecto, ramificar significa subdividir un espacio de soluciones corrientes en subespacios mutuamente excluyentes. Aqu vemos las ramas PL1 y PL2 y x1 llamada variable de ramificacin Sabemos que la solucin ptima entera debe encontrarse en PL1 o PL2. Sin embargo, en ausencia del espacio grafico de soluciones, no tenemos manera de determinar donde puede encontrarse la solucin ptima, por lo que nuestra nica opcin es investigar ambos problemas. Hacemos esto trabajando con un problema a la vez (PL1 o PL2). Supongamos que escogemos a PL1 asociado con x1 <= 3. En efecto, debemos resolver el siguiente problema: Max z = 51 + 42 Sujeto a x1 + x2 <=5 101 + 62 <=45 x1 <=3 x1, x2 >= 0 Como se indico antes PL1 es el mismo que el PLO con la restriccin adicional de acotamiento superior, x1 <= 3. as podemos aplicar el algoritmo primal de acotamiento superior para resolver el problema. Esto da la nueva solucin ptima. X1 = 3, x2 = 2 y z = 23 Como esta solucin satisface el requisito de valor entero, se dice que el PL1 esta agotado, vaci, lo que significa que el PL1 no puede producir ninguna solucin mejor y no necesita investigarse mas a fondo. Determinar una solucin factible entera en una etapa temprana de los clculos es crucial para incrementar la eficiencia del algoritmo R y A. Tal solucin fija una cota inferior al valor objetivo optimo, que a su vez se puede usar para descartar automticamente cualquier subproblema no explorado (como el PL2) que no dan mejor solucin entera. En este ejemplo el PL1 produce la cota inferior z = 23. Esto significa que cualquier solucin entera mejorada debe tener el valor de z mayor 23. Sin embargo, como la solucin ptima del problema PLO tiene z = 23,75 y como todos los coeficientes de la funcin objetivo son enteros, se infiere que ningn subproblema que proceda del PLO puede producir un valor de z mejor que 23. En consecuencia, podemos descartar al PL2 porque no puede dar una mejor solucin entera. Del anlisis anterior vemos que un subproblema esta agotado si no satisface una de las siguientes condiciones:

1. El subproblema da una solucin factible entera 2. El subproblema no puede dar una mejor solucin que la mejor cota inferior disponible (valor z) del problema (Un caso especial de esta condicin es que el subproblema no tendr ninguna solucin factible en absoluto) Pero si en nuestro ejemplo decidimos investigar PL2 primero la solucin resultante ser: x1 = 4, x2 = 0,8333, z = 23,3333. Como x2 no es entero el PL2 debe investigarse mas a fondo crendose el PL3 y PL4 y usando las respectivas ramas x2 >=0 y x2 >=1. Esto significa que Espacio PL3 = espacio PLO + (x1 >= 4) + (x2 <=0) Espacio PL4 = espacio PLO + (x1 >= 4) + (x2 >=1) En este momento para escoger tres subproblemas, el PL1, PL3 y PL4. (Observe nuevamente que estos tres subproblemas incluyen todas las soluciones enteras factibles del problema original PLE.) Si seleccionamos arbitrariamente el PL4, descubrimos que no tiene solucin factible y por ello esta agotado. A continuacin seleccionamos el PL3 para investigarlo. Su solucin la da x1 = 4,5, x2 = 0 y z = 22,5. Como x1 = 4,5 no es entero, creamos dos subproblemas, el PL5 y PL6 del PL4, usando las restricciones x1 <= 4 y x1 >= 5 respectivamente. Obtenemos entonces: Espacio PL5 = espacio PLO + (x1 >= 4) + (x2 <=0) + (x1 <= 4) Espacio PL6 = espacio PLO + (x1 >= 4) + (x2 <=0) + (x1 >= 5) Escogemos ahora el PL6, para investigarlo. Como el PL6 no tiene solucin factible, esta agotado. A continuacin escogemos el PL5 cuya solucin ptima (x1 = 4, x2 = 0, z = 20) satisface el requisito de valor entero. Finalmente, hemos encontrado una solucin entera que fija una cota inferior (z = 20) a la solucin entra ptima. Desafortunadamente, esta cota inferior es muy dbil y muy tarda para ser til. El nico nodo restante, PL1, queda agotado a continuacin con z = 23, lo que fija una nueva cota inferior. Como no quedan ya subproblemas por investigar, la ultima cota inferior asocia la solucin ptima del PLE con PL1. La pero secuencia posible de solucin, mostrada en al figura siguiente, se ha escogido intencionalmente para evidenciar una de las principales debilidades del algoritmo de R y A. Esto es, un subproblema especifico, cmo seleccionamos a la variable de ramificacin? Y, de entre todos los subproblemas no explorados, Cul debe investigarse a continuacin? Observe que en la figura, encontramos una buena solucin en el primer subproblema PL1, lo que nos permiti declarar agotado al PL2 sin ninguna investigacin posterior. Bsicamente, el problema PLE se resolvi investigando solo un subproblema. En el siguiente caso tuvimos que resolver seis subproblemas antes de alcanzar la optimidad. Este caso no es raro y puede encontrarse situaciones reales. Aunque existen muchos mtodos para aumentar l habilidad del algoritmo de R y A de ver adelante y hacer una buena conjetura, respecto a s una rama dada conducir a una solucin mejorada del PLE, no existe una teora consistente que produzca resultados concretos uniformes para la solucin del problema general de PLE. Resumiremos ahora los pasos del algoritmo de R y A. Suponiendo un problema de maximizacin, definiremos z como la cota inferior de la solucin entera ptima del problema. Hacemos inicialmente z = - e i = 0. Paso 1: Agotamiento y ramificacin. Seleccione PLi como el prximo subproblema por investigarse. Resolvemos el PLi y trataremos de agotarlo usando las condiciones apropiadas. (a) Si el PLi se declara agotado (solucin inferior, infactible o entera), ponga al da la cota inferior z si se encuentra una mejor solucin del PLE; si no es as, seleccione un nuevo

subproblema i y repita el paso 1. Si todos los subproblemas se han investigado, la solucin ptima del PLE esta asociada con la ultima cota inferior z en caso de que exista, si no es as (b) Si el PLi no esta agotado, siga con el paso 2 para efectuar la ramificacin del PLi. Paso 2: Ramificacin. Seleccione una de las variables xj cuyo valor optimo en la solucin del PLi no satisfaga la restriccin del valor entero. Elimine la regin creando dos subproblemas PL que correspondan a las dos siguientes restricciones mutuamente excluyentes, vuelva al paso 1.

5.4 Metodo Planos Cortantes

El concepto de plano de corte lo ilustraremos primero con un ejemplo. Considere el problema de progrmacion lineal entera: Maximizar z = 71 + 92 Sujeto a: -x1 + 32 <=6 71 + x2 <=35 x1, x2 enteros no negativos La solucin ptima (ignorando la condicin discreta)se demuestra grficamente en la siguiente figura. Esta dada por z = 63, x1 = 9/2 y x2 = 7/2, la cual no es entera. La idea del algoritmo de planos de corte es cambiar el conjunto convexo del espacio de soluciones, de tal manera que los puntos extremos apropiados lleguen a ser todos enteros. Tales cambios en las fronteras del espacio de soluciones, deben proporcionar todava conjuntos convexos. Tambin este cambio deber hacerse sin partir ninguna de las soluciones enteras factibles del problema original. La figura muestra como dos restricciones secundarias (arbitrariamente elegidas) se agregan al problema proporcionando la solucin ptima entera en el punto extremo nuevo (4, 3). Note que el rea cortada del espacio de soluciones original no incluye ningn valor entero.

5.5 Algoritmo Aditivo de Balas METODO ADITIVO (ENUMERACION) DE EGON BALAS Este mtodo es un procedimiento de enumeracin que encuentra el ptimo en forma ms rpida; en el mtodo de Balas, la eficacia consiste en la evaluacin solo de unas soluciones. El mtodo empieza poniendo todas las variables iguales a cero y luego por medio de un procedimiento sistemtico de forma consecutiva se asigna a una por una de las variables el valor 1. Luego se reemplaza en cada una de las restricciones y se averigua la infactibilidad. Por esta razn el mtodo es algunas veces llamado el algoritmo aditivo.

Para describir el algoritmo, se considera la forma general siguiente de un problema de Programacin Lineal con variables cero uno: Paso 1. La funcin objetivo debe ser del tipo minimizacin, con todos los coeficientes no negativos. Paso 2. Todas las restricciones deben ser del tipo , con los lados derechosnegativosde ser necesario. Luego, estas restricciones se convierten a ecuaciones, usando las variables auxiliares en el lado izquierdo de las restricciones. Ejemplo: MAX Z = 3 Y1 + 2 Y2 5 Y3 2 Y4 + 3 Y5 Sujeta a: MIN W = 3 Y1 2 Y2 + 5 Y3 + 2 Y4 3 Y5 Con sus restricciones: Reemplazamos: Y1 = 1 X1; Y2 = 1 X2; Y3 = X3; Y4 = X4; Y5 = 1 X5 MIN W = 3 X1 + 2 X2 + 5 X3 + 2 X4 + 3 X5 8 Sujeta a: Sustituimos W + 8 = W MIN W = 3 X1 + 2 X2 + 5 X3 + 2 X4 + 3 X5 Con sus restricciones: Siempre el problema nuevo a resolver consiste en la minimizacin de la funcin objetivo, teniendo en cuenta la medida de la no factibilidad de la holgura. Cuando la infactibilidad da el menor valor, continuamos con el siguiente paso; en el caso de una infactibilidad cero, sta corresponde a la solucin ptima; si encontramos varias infactibilidades iguales a cero, reemplazamos en la funcin objetivo y la respuesta ser la que haga esta funcin mnima. o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 1; 0 2; 0 1; Infactibilidad 3 o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 2; 0 5; 0 12; Infactibilidad 12 o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 2; 0 2; 0 5; Infactibilidad 2 o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 0; 0 5; 0 1; Infactibilidad 6 o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 1; 0 2; 0 2; Infactibilidad 1 o X1 = 0; X2 = 0; X3 = 0; X4 = 0; X5 = 0 0 2; 0 1; 0 2; Infactibilidad 0 Solucin Optima Unica: X*1 = 0; X*2 = 0; X*3 = 0; X*4 = 0; X*5 = 1; W* = 3 Solucin Optima Unica para el problema original: Y*1 = 1; Y*2 = 1; Y*3 = 0; Y*4 = 0; Y*5 = 0; Z* = 5 Algunos autores emplean el algoritmo de Balas modificado, el cual consiste en introducirle al modelo una restriccin denominada de filtro, la cual no es otra que la funcin objetivo con una cota inferior del valor ptimo. Histricamente es muy importante, ya que ha demostrado que algoritmos eficaces de programacin en nmeros enteros podran emplear la enumeracin implcita

5.6 Programacin Dinmica

La programacin dinmica es un enfoque general para la solucin de problemas en los que es necesario tomar decisiones en etapas sucesivas. Las decisiones tomadas en una etapa condicionan la evolucin futura del sistema, afectando a las situaciones en las que el sistema se encontrar en el futuro (denominadas estados), y a las decisiones que se plantearn en el futuro. Conviene resaltar que a diferencia de la programacin lineal, el modelado de problemas de programacin dinmica no sigue una forma estndar. As, para cada problema ser necesario especificar cada uno de los componentes que caracterizan un problema de programacin dinmica. El procedimiento general de resolucin de estas situaciones se divide en el anlisis recursivo de cada una de las etapas del problema, en orden inverso, es decir comenzando por la ltima y pasando en cada iteracin a la etapa antecesora. El anlisis de la primera etapa finaliza con la obtencin del ptimo del problema. 10.1 MODELOS DE PROGRAMACIN DINMICA Existen tres modelos diferentes manejados por WINQSB. Problema de la diligencia (Stagecoach Problem) Problema de la mochila (Snapsack Problem) programacin de produccin e inventarios (Production and Inventory Scheduling)