Investigacion de Operaciones Hillier

INVESTIGACION DE OPERACIONES, Contiene: Caps: 4 y 5 AUTOR + Hillier, Frederick S Lieberman, Gerald J. FOTOCOPIADO DE _ : Investigacién de operaciones /Frederick ' Gerald J berman . 7a ed.— Mé: + McGraw-Hill, 2002. SEMESTRE + OTONO 2004 “USO EXCLUSIVO ALUMNOS FACEA, PARA FIN INVESTIGACION” DE DOCENCIA E4 OO 41 Solucion de problemas de programacién lineal: método simplex Es el momento de comenzar a estudiar el método simplex, un procedimiento general para resolver problemas de programacién lineal. Desarrollado por George Dantzig en 1947, estd comprobacda su extraordinaria efciencia, ye usa en forma rutinaria para resolver problemas Brands cn las compuradorasactuales. Excepto en el caso de problemas muy pequetios, secje- Guta siempre en una computadora y existe una amplia variedad de paquetes complejus de software para ello. También se usan extensiones y variaciones del método simplex para reli zat andlisis poséptimo (que incluye el andlisis de sensibilidad) sobre el modelo Este capitulo describe y ejemplitica las caractristicas principales del método simplex. La primera secciGn presenta su natutaleca general junto con su representacién geométrica, Las tres secciones subsecuentes desarrollan el procedimiento para resolver cualquier modelo de programacion lineal que se establezca en nuestra forma esténdar (maximizacién, todas las restricciones funcionales de la forma < y restricciones de no negatividad sobre todas las varia bles) y que s6lo tenga cantidades no negativas en el lado derecho, de las restricciones funcio. nales. Ciertos detalles sobre ciimo romper empates esperarin ala scecidn 4.5, y la section 4.6 describe la adaptacién del método simplex a otras formas de modelos, Despues se presenta cl anilisis poséptimo (seecién 4.7) y se describe cl mancjo en computadora del métocio simplex (seccién 4.8). Laseccién 4.9 introduce una lrernativa al método simplex (el enfoque de pun to interior) para tesulver problemas de programacién lineal grandes. ESENCIA DEL METODO SiMPLEX Elmétodo simplex es un procedimiento algebraico. Sin embargo, sus conceptos fundamentales son geométrics. La comprensién de estos conceptos geométricos proporciona una fuerte intuicién sobre cémo opera el método simplex y qué lo hace tan cficiente. Por lo: tanto, antes de profundizar en los detalles algebraicos, se dedicard esta seccidn a la visualizacign del méto- do desde un punto de vista geometrico. Para ilustrar los conceptos geomeétricos generales, se usaré el ejemplo de la Wyndor Glass Co. delaseccion 3.1. (Las secciones 4.2 v4.3 usan el lgcbra de método simplex para resolver este mismo ejemplo.) La seccidn 5.1 profuundiza en estos conceptos en problemas grands. Para refrescar la memoria, el modelo y la gréfica para este ejemplo se repiten en la figura 4.1. Se marcaron las cinco restricciones de fiontera y sus puntos de intexsecciGn ya que son Puntos clave para el anlisis. Una frontera de restriccién es una recta que marca el limite de 'o que permite la restriccién correspondiente. Los puntos de interseccin son las soluciones4. Soluci6n de problemas de programacién lineal: método simplex FIGURA 4.1 Restrieciones de frontera y soluciones fen los vértices para el problema de la *, Maximizar Z = 34 + 5%, aro sujeta a (0,9) aos4 2m $12 3x +2a $18 y #20, 20 (0, 6) Wyndor Glass Co. (4,0) (6,0) a en los vértices para el problema. Los cinco puntos que se encuentran en los vértices de la re- ‘gin factible: (0, 0), (0, 6), (256), (4, 3) y (4,0), son las soluciones factibles en los vérices (solu ciones FEV). [Los otros tres —(0, 9), (4, 6) y (6, 0)—sc llaman soluciones no factibles en un vértice.| Eneste ejemplo, cada solucién en un vértice se encuentra en la interseccién de dos fronteras de restriccién. (Para un problema de programacién lineal con.» variables de decisién, cada tuna de sus soluciones en los vértices se encuentra en la interseccién de m fronteras de restricciones.?) Algunos pares de soluciones FEV en la figura 4.1 comparten una frontera de resttic~ in, y otros no. Serd importante distinguir estos casos con la siguiente definicién general, Para cualquier problema de programacién lineal con n variables de decisi6n, dos soluciones FEV son adyacentes entre sisi comparten 1-1 fronteras de restriccién. Dos soluciones FEV adyacentes estén conectadas por tn segmento de recta que esté en estas mismas fronteras de restriccidn compartidas. Este segmento de recta recibe el nombre de orilla o arista dela regiGn factible. Como n=2 en el ejemplo, dos de sus soluciones FEV son adyacentes si comparten una frontera de restriccién; por ejemplo, (0, 0) y (0, 6) son adyacentes porque comparten la frontera x, =0. Ta regidn factibleen la figura 4.1 tiene cinco aristas que consisten en las cinca segmentos que forman la frontera de esta regidn. Observe que de cada solucién FEV salen dos aristas. Entonces, cada solucién FEV tiene dos soluciones FEV adyacentes (cada una se en- ‘cuentra en el otro punto terminal de una de las dos aristas), como se enumera en la tabla 4.1. "Aunque uns solucién en un vétice est dfinida en teminos dem ftonteras de resticionescuyasinterseciones dan ¢stasoluién, también es posible ue una 0 mis fronteras adinalespasen por este mismo panto.4.1 Esencia del método simplex uw TABLA 4.1 Soluciones FEV adyacentes para cada solucién FEV del problema de la Wyndor Glass Co. Solucién FEV | Sus soluciones FEV adyacentes (0.0) (0,6) y (4,0) (0,6) (2, 6) y (0, 0) 26) (4.3) (0, 6) (4,3) (4.0) y (2,6) (4.0) (0.0) y (4, 3) (En cada renglén de esta tabla, la solucién FEV en la primera columna es adyacente a las dos soluciones FEV en lasegunda columna, pero las dos soluciones en lasegunda columnanoson adyacentes ent si.) {Una razén para analizat las soluciones FEV adyacentes es la siguiente propiedad gencral Ge la soltciones, que proporciona una manera muy ttl de veificar si una solucién FEV es una solucién éptima. Prucba de optimalidad: considere cualquier problema de programacién lineal que osea al menos una solucién éptima. Si una solucién FEV no tiene soluciones ELV adyacentes que scan mejores (segiin el valor de Z), entonces éa debe ser une solucién ‘optima. Ast, por ejemplo (2, 6) debe ser Optima simplemente porque su valor correspondiente de Z= 36 es mds grande que Z = 30 para (0, 6) yZ= 27 para (4, 3). (En laseccién $1 se analicn, 4 mds por qué esta propiedad se cumple.) Esta prueba de optimalidad se usa en el metodo simplex para determinar cuéndo se ha llegado a una solucién dpi En este punto se puede aplicar el método simplex a un ejemplo. Solucién del ejemplo Se presenta aqui un bosquejo de lo que hace el método simplex (desde el punto de vista geo- métrico) para resolver el problema de la Wyndor Glass Co, Ent cada paso, primero se establece la conclusién y después se da la raz6n entre paréntesis. (Consulte la figura 4.1 para visualisar el problema.) Paso inicial: Elija (0, 0) como la solucién FEV inicial para examinarla, (Esta cs una clec- i6n conveniente porque no se requieren célculos para identifcarla.) Prucha deoprimalidad: Concluya que (0, 0) no es una solucién dptima. (Las soluciones FEV adyacentes son mejores.) Tteracién 1: Muévase a una solucién FEV adyacente mejor, (0, 6), realizando los: siguientes tres pasos. 1. Entre as dos aristas de la regi factible que salen de (0,0), clija moverse alo largo dela arista que aumenta el valor de 2. (Con una funcién objetivo Z= 3. + 5x, al aumentar el valor de x, el valor de 7: crece mis répido que si aumenta el valor de *).) 2. Deréngase al llegar ala primera frontera de restrcci6n: 24 =12. [Si se mueve mds lejos ena diteccién seleccionada en el paso 1, suldré de la region factible; por: ejemplo, al moverse hasta la segunda frontera de restricidn en esa direccién se llega (0.9), quees una solucién no factible en un vértice.}112 4 Solucién de problemas de programacién lineal: método simplex 3. Obtengala interseccién del nuevo conjunto de fronteras de restricci6n: (0, 6). (Lasecua- ciones para estas fronteras de restriccidn, 17 =0 y 2.x, = 12, llevan de inmediato a esta so- lucién.) Prucha de optimatidad: concluya que (0, 6) no es una solucién éptima. (Existe una solu- cién FEV adyacente mejor.) Iteracién 2: Muévase a una mejor solucién FEY, (2,6), realizando los siguientes pasos. 1. En las dos aristas de la regién factible que salen de (0, 6) elija moverse alo largo de la que vaa la derecha, (Moverse a lo largo de esta arista aumenta el valor de Z, mientras que it para atrés hacia abajo del eje sc, lo disminuye.) 2. Deténgase al encontrar la primera nueva frontera de restricciGn en esa direccién: 3x, + 2x =12. (Si se mueve més lejos en la diteccién clegida en el paso 1, saldré de la region factible.) 3. Obtenga a interseccién del nuevo conjunto de fronteras de restriccién: (2, 6). (Las ecuaciones de estas fronteras de restriccién, 3x; +2:x) = 18 y 2x) =12 dan de inmediato esta solucién.) Prucba de optimalidad: concluya que (2,6) es una solucién éptima y deténgase. (Ninguna de las soluciones FEV adyacentes es mejor.) En la figura 4.2 se muestra la secuencia de soluci6n FEV cxaminada, donde cada nimero: dentro de un circulo identifica qué iteracién obtuvo esa solucién. ‘Ahora se analizarén los seis conceptos importantes de solucién del método simplex que proporcionan el razonamiento que lleva a los pasos anteriores. (Tenga en mente que estos conceptos también se aplican al resolver problemas con més de dos variables de decisién para os que no se dispone de una grafica parecida a la figura 4.2 como ayuda para encontrar una solucién éptima.) Conceptos de solucién importantes El primer concepto de solucidn se basa directamente en la relacién entre las soluciones épti- mas y las soluciones factibles en los vértices dadas al final de la seccién 3.2. FIGURA 4.2 Esta gréfica muestra la secuencia de soluciones FEV ©.,@) examinadas por el método simplex para el problema de la Wyndor Glass Co. La solucin 6 2, 6) se encuentra después de examinar tres soluciones. 0) NZ20 (4,0) *4.1_Esencia del método simplex 13 Concepto de solucién 1: el método simplex analiza sélo las soluciones FEV. Para cualquier problema con al menos una solucién éptima, encontrar una de ellas requiere nada mds encontrar la mejor solucién FEC,! Como el ntimero de soluciones factibles por lo general es infinito, la reduccién del nimero de soluciones que deben examinarse a un pequefio ntimero finito (s6lo tres en la figura 4.2) es una simplificacion enorme. El siguiente concepto de solucién define el flija del méeodo cimplex. Concepto de solucién 2: el método simplex es unalgoritmoiterativo (procedimiento ds solucion sistemético que rep una serie de pasos ia, lamadaitracién, hasta que se obtiene el resultado deseado) con la siguiente estructura: Inicializacién: Preparacién para comenzar las iteraciones, que incluye encontrar una solucién FEV inicial, Prucba de uptimalidad: és éptima la solucién FEV actual? Sino 7 Siloes — » Termina, Teeracién: Realizar una iteracién para encontrar una solucién FEV mejor. Observe que cuando se resolvié el ejemplo ses hhasta que se encontré una solucién dptima, Ahora se analizaré cémo comenzar. Concepto de solucién 3: siempre que es posible, la inicializacién del métada simplex elige el origen (todas las variables de decisién iguales a cero) como la solucion FEV inicial. Cuando se tienen demasiadas variables de decisidn para encontrar una Solucion FEV inicial en una gréfica, esta eleccin elimina la necesidad de usar procedi. mientos algebraicos para obtenerla, Casi siempre es posible scleccionar el origen cuando todas las variables de decisién tienen restricciones de nu negatividad, porque la interseccin de estas fronteras de restriccién lleva al Origen como una solucién en un vértice. Entonces, esta solucién es una solucién FEV a me- fos que sea no facible porque viola una o mas restrcciones funcionales. Sies no factible se necesitan los procedimientos especiales descrieos en la seccién 4.6 para encontrar la solueion FEV inicial. El siguiente concepto de solucién se reficre a la selecci6n de una mejor solucién FEV en cada iteracién, Concepto de solucién 4: dada una soluci6n FEY, es computacionalmente més ripi- do reunir informacién sobre us soluciones FEV adyacentes que sobre otras solucivnes EEN, Por lo tanto, cada vez que el mérodo simplex realiza una iteracién para moverse dela solncidn FEV actual a una mejor, siempre escoge una solucion. FEV adyacente ala actual. No considera otras soluciones FEV. En consecuencia, toda la trayectoria que sigue hasta alcanzar, eventualmente, una soluciGn optima es alo largo de las avistas de la regién factible. i6 este diagrama de flujo en dos itcraciones ‘Lasiniarestrccénes que el problema debe tener solucones ictbles en os vices. Rats segura si regi fc sible es acotada,4 42 4 Solucién de problemas de programacién linea: método simplex Ahora se verd cudl solucién FEV adyacente se debe seleccionar en cada iteracién. ‘Concepto de solucién 5: después de identificar la solucién FEV actual, el método simplex examina cada una de las aristas de la regidn factible que salen de esta solucién. Estas aristas llevan a una solucién FEV adyacente en el otro punto terminal, pero el método simplex ni siquiera se tama la molestia de obtener la solucién FEV adyacente. Sélo identifica la tasa de mejoramiento en Z que se obtendrfa al moverse por esa arista. Entre las aristas con una taza positina de mejoramiento en Z, selecciona moverce por quella con la tasa mds grande de mejoramiento en Z. La iteracién termina al obtener primero la solucién FEV al final de esta arista y despues reetiquerar esta solucién FEV adyacente como la soluci6n FEV actual para pasar ala prueba de optimalidad y (si es necesario) a la siguiente iteracién. En la primera iteracién del ejemplo, moverse de (0, 0) a lo largo de la arista sobre el eje x, da- ria una tasa de mejoramiento en Z de 3 (Z crece 3 por cada incremento de una unidad en.x,), mientras que al moverse por la arista sobre el eje x) se tendrfa una tasa de mejoramiento en Z de 5 (Z aumenta 5 por cada incremento de una unidad en x), de manera que se toma la decisin de moverse alo largo de esta iltima arista. En la segunda iteracin, la tinica atista que sale de (0, 6) que darfa una tasa de mejoramiento en Z positiva es la que lleva a (2,6), por lo que se toma la decisién de moverse por ella. El concepto de solucidn final aclara la manera en que se realiza la prucha de optimalidad en forma eficiente. Concepto de solucién 6: el concepto de solucién 5 describe cémo el método simplex examina cada arista de la regin factible que sale de la solucién FEV actual. Con este examen de una arista es sencillo identificar la tasa de mejoramiento en Z que se ‘obtendrfa al moverse por ella hasta la solucién FEV adyacente en el otro extrema, Una tasa positiva de mejoramiento en Z implica que la solucién FEV adyacente es mejor que Ja actual, mientras que una tasa negativa de mejoramicnto cn Z implica quc la solucién FEV adyacente es peor. Por lo tanto, la prueba de optimalidad consiste simplemente en verificar si alguna de las aristas lleva a una tasa posiriva de mejoramiento en Z. Si ninguna lo hace, la solucién FEV actual es éptima. Encl ejemplo, al moverse por cualquiera de las dos aristas desde (2, 6), el valor de Z disminu- yc. Esto lleva, de inmediato, a la conclusién de que (2, 6) cs Sptima. PREPARACION PARA EL METODO SIMPLEX La secci6n anterior subrayé los conceptus geométricos fundamentales del método simplex. Sin embargo, lo comin es que este algoritmo se trabaje en una computadora que sélo puede seguir instrucciones algebraicas. Por lo tanto, es necesario traducir el procedimiento geomé- trico conceptual que se acaba de describir en un procedimiento algebraico que se pueda usar. En esta seccién se introduciré el lenguaje algebraico del método simplex y se relacionaré con los conceptos de la seccién anterior. El procedimiento algebraico se basa en la solucién de sistemas de ecuaciones. Asi, el pri- ‘mer paso para preparar el mérodo sfmplex es convertir las restricviunes fisncionales de desigualdad en restricciones de igualdad equivalentes. (Las restricciones de no negatividad se dejan como desigualdades porque se manejan por separado. ) Esta conversién sc logra con la intro-4.2 Preparacién para el método simplex 45 duccién de variables de holgura, Para ejemplificar, considere la primera restriccién funcional en el problema de la Wyndor Glass Co. de la seccién 3.1 ay s4. La variable de holgura para esta restriccién se define como wae ve ¢6 la hotgura que queda en el lado izquierdo de la desigualdad. Entonces, sit ag a4 anit) Dada esta ecuacién, x; < 4se cumple si y s6losi4 ~ x; =x 20, Entonces, la restriccién original x, <4 es totalmente equivalente al par de restricciones Mtms=4 y x20. Al introducir variables de holgura en las otras restrcciones funcionales, el modelo de ProgramaciGn lineal original para este ejemplo (que se muestra a la izquiceda) se puede susti {Ru por cl modelo equivalente (llamado forma aummentada del modelo) que se encuentra ala derecha: Forma original del modelo Porm aumentada del modelo! Maximizar Z = 3x + 533, Maximizar Z = 3m + 533, sujeta a sujeta a % <4 Oa ty 4 2m s12 (2) 2m ty 2 3u + 2a S18 (3) 3542% +x5=18 7 20. 420, para j=1,2,3,4,5. Aun cuando ambas formas del modelo representan justo el mismo problema, la nueva forma cs mucho mds conveniente para la manipulacién algebraica y la identificacion de las solucion ies FEY. Sele da el nombre de forma aumentada de! problema, porque la forma original se ‘amen con algunas variables suplementarias necesarias para apicar el método simplex, Si una variable de holgura es igual a0 en la solucién actual, cutonces esta soluciOh se ene {uentra sobre la frontera de estriccién para la restriccidn funcional correspondiente. Un va. lor mayor que cero significa que la soluciGn esté en el lado factble dela frontera de. restriccién, mientras que un valor menor que O significa que esté en cl lado no fuctible de esta fromtera. 1a sdemostracién de estas propiedades proporcionada por el ejemplo de demostracin en el OR Tutor tiene cl nombre de Interpretation of the Slack Variables 1. rerminologia sada en a seccin anterior soluciones en los vertices, et.) se apica al forma original del problema. Ahora se introduciré la terminologia coxrespondientea la for, ma aumentada. Una solucion aumentada es una solucién para las variables originales (las variables de decisién) que se aumenté con los valores correspondientes de las variables, de holgura, “Las variables de holgura no s¢ mucstran en la funcién objetivo porque sus coeficientes son cero.16 4. Solucién de problemas de programacién lineal: método simplex Por ejemplo, al aumentar la solucién (3, 2) en el ejemplo, se obtiene la solucién aumentada (3, 2, 1, 8, 5) puesto que los valores correspondientes de las variables de holgura son 3 =1, £4=8y x5=5. Una solucién bésica (BF) es una solucién en un vértice aumentada. Para ilustrar esto, considere la solucién no factible en el vértice (4, 6) en la figura 4.1. Al au- mentarla con los valores abtenidas para las variables de holgura x, =0, x 4=Oy xz =—6se llega a la solucién bisica correspondiente (4, 6, 0, 0, -6). El hecho de que las soluciones en los vertices (y por ende las soluciones bésicas) puedan ser 0 no factibles implica la siguiente definicién: Una solucién bésica factible es una solucién FEV aumentada, Asi, la solucién FEV (0, 6) del ejemplo es equivalente a la solucién BF (0, 6, 4, 0, 6) paracl problema en la forma aumentada. La tinica diferencia entre las soluciones bésicas y las soluciones en un vértice (0 entre las soluciones BF y soluciones FEV) es el hecho de que estén incluidos los valores de las variables de holgura. Dada cualquier solucién bésica, la solucién en el vértice correspondiente se obtiene con sdlo quitar las variables de holgura. Entonccs, las rclaciones geométricas y algcbraicas entre estas dos soluciones son muy estrechas, como se verd en la seccién 5.1. ‘Como los términos solucion bdsica y solucién bdsica factible constituyen partes muy importantes del vocabulario normal de programacién lineal, es necesario aclarar sus propiedades algebraicas. Para la forma aumentada del ejemplo, observe que el sistema de restricciones funcionales tiene 5 variables y 3 ecuaciones, asi Numero de variables ~ ntimero de ecuaciones = § - 3 = 2, Este hecho proporciona 2.grados de libertad al resolver el sistema ya que se pueden elegir dos variables cualesquiera e igualarlas a cualquier valor arbitrario para resolver las tres ecuaciones en términos de las tres variables restantes.! El método simplex usa cero para este valor arbitrario, Ast, dos de las variables (liamadas pariables no basicas) se igualan a cero y, entonces, la solu- cién simultdnea de las tres ecuaciones para las otras wes variables (llamadas variables bdsivws) una solucién bdsica. Estas propiedades se describen en la siguientes definiciones generales. ‘Una solucién basica tiene las siguientes propiedades: 1. Cada vatiable se designa ya sea como variable bésica 0 como variable no bisica. 2. Elnsimero de variables bdsicas es igual al ntimero de restricciones funcionales (ahora ecuaciones). Por lo tanto, el mimero de variables no bdsicas es igual al nimero total de variables ‘menos el mmimero de restricciones funcionales. 3. Las variables no bisicas se igualan a cero. 4. Los valores de las variables hdsicas se obtienen como la solucién simultdnea del sistema de ecuaciones (restricciones funcionales en la forma aumentada). (Con frecuencia se hace referencia al conjunto de variables bésicas como la base.) 5. Si las variables bdsicas satisfacen las restricciones de no negatividad, la soluci6n basica es una soluci6n BF. 'Bste método de determinar el nimero de grados de libertad para un sistemade ecuaciones es vido siempre yeuando cl sistema no incluya eeuacionesredundantes. Esta condicién siempre se cumple para el sistema de eevacionesform- do por ls rstrcciones Furcionales en la forma aumentada de un modelo de programacin lineal4.2_Preparacin para el método simplex u7 Con cl fin de ilustrar estas definiciones se consideraré de nuevo la solucién BF (0, 6, 4, 0,6). Esta solucién se obtuvo aumentando la solucién FEV (0,6). Sin. embargo, otra manera deobtenerlaeselegir x; y 4 como variables no bésicas, es decir, como las dos variables que se igualan a cero, Las tres ecnaciones respectivas llevan a s3 = 4, x3 =6 y x5 =6.como la soluicion para las tres variables bisicas,segtn se muestra en seguida (las variables bésicas aparecen en negritas): 1-0 ¥ 4-0, woh Qo +43 a4 wad (2) 2x tay =12 % =6 @) 3x, + 2x, +a =18 x =6 Como estas tres variables bisicas son no negativas, esta solucién basica (0, 6, 4, 0, 6) es sin duda una solucién bsica fuctible. gual que cio» pares de soluciones FEV son adyacenter, se dice que los pares correspondientes de soluciones BF son adyacentes. La siguiente es una manera sencilla de decir cuéndo dos soluciones BE son adyacentes. Dos soluciones BF son adyacentes si sodas menos una de sus variables no bdsica som las mismas. Esto implica que rodas menos una de sus variables bisicas son también las mismas, aunque tal ver ‘von valores numéricos diferentes. En consecuencia, trasladarse de la solucién BF actual a una adyacente significa cambiar una variable de no bdsica a basica y viceversa para otra variable (y después ajustar los valores de las variables bdsicas para que sigan satisfaciendo el sistema de ecuaciones).. Para dar un ejemplo de soluciones hasicas factibles adyacentes, considerc un par de solucivnes factibles en vértices adyacentes cn a figura 4.1: (0, 0) y (0, 6). Sus soluciones aumentadss (0, 0, 4, 12, 18) y (0, 6, 4, 0, 6) son, de mancra autonxitica, soluciones BF adyacentes, Sin embargo, no es necesario ver la figura 4.1 para legar a esta conclusién. Otra forma de verloes observar que sus variables no bisivas (x), x2) y(%), 4), Son las mismas. excepto que.x 4 sustituye ap. En consecuencia, trasladarse de (0, 0,4, 12, 18) a (0,6, 4,0, 6) implica cambiar +, de variable no basica a basica y lo contrario para x 4. Al trabajar con el problema en la forma aumentada conviene tomar en cuenta y mani lar la ecuaci6n de la funcién objetivo al mismo tiempo que las nuevas ecuaciones de las restric. Giones. Antes de comenzar con el método simplex es necesario escribir el problema una vez més en una forma equivalente: Maximizar Z, sujeta a (0) Z-3x, - 5x, = 0 qa) xy + ay -4 (2) 2xy tay 2 3) 3x, + 2x +%5= 18 ¥j20, paraj=1,2,..8 43 4. Solucion de problemas de programacién lineal: método simplex Es justo como si la ecuacién (0) fuera una de las restricciones originales; pero como yase en- ‘cuentra cn forma de igualdad, no necesita variable de holgura. Al mismo tiempo que se agre- {26 una ecuacién también se agregé una variable (Z) al sistema de ecuaciones. Por lo tanto, al usar las ecuaciones (1) a (3) para obtener una solucién basica como se describid, se usa la ecuacién (0) para encontrar al mismo tiempo el valor de Z. Por casualidad, el modelo para el problema de la Wyndor Glass Co. se ajusta a nuestra for- sua estdndas, yeodae exe restricciones funcionales tienen valores no negativos b; en el lado derecho. Si el caso fuera diferente, seria necesario hacer ajustes adicionales en este punto antes de aplicar ef método simplex. Estos detalles se dejarén pendientes hasta la seccién 4.6 para ahora dedicar toda la atencién al método simplex. ALGEBRA DEL METODO SIMPLEX Con propésitos ilustrativos, se seguir4 usando el ejemplo prototipo de la seccién 3.1, como se escribid al final de la seccién 4.2. Para comenzar a relacionar las canceptas geamérricas, con los algebraicos del método simplex, en la tabla 4.2 se describirén en paralelo , el punto de vista geomérrico y el algebraico de los pasos que sigucn para resolver este ejemplo. El pun to de vista geométrico (presentado por primera vezen la seccién 4.1) se basa en la forma original del modelo (sin variables de holgura), otra vez. consulte la figura 4.1 para visualizar lo escrito en la segunda columna de la tabla, Consulte la forma aumentada del modelo presentada al final de la seccién 4.2 cuando analice la tercera columna de la tabla. Ahora se darin los detalles de cada paso en la tercera columna de la tabla 4.2. Paso inicial Lacleccidn de x y x2 como las variables no bdsicas (las variables que se igualan a cero) para la solucién BF inicial se basa en el concepto de solucion 3 en la secci6n 4.1. Esta eleccicn climi- nal trabajo requerido para despejar las variables bisicas (x3, 4, *s ) del siguiente sistema de ecuaciones (donde las variables bésicas se muestran en negritas): x1 =0 y x2 =0, ast Qoom +e =4 mo4 2) 2m $y = 12 4212 (3) 3x, + 2x +x5=18 ws =18 La solucién BF inicial es (0, 0, 4, 12, 18). Observe que esta solucién se puede leer de inmediato porque cada ecuacién tiene justo tuna variable bisica con coeficiente 1, y esta variable bisica no aparece en ninguna otra ecuacidn. Pronto se verd que cuando cambia el conjunto de variables bisicas, el método simplex ‘usa un procedimiento algebraico (eliminacién gaussiana) para convert las ecuaciones a la misma forma conveniente para leer las soluciones BF subsccucutes. Esta forma sc llama forma apropiada de eliminacién de Gauss. Prueba de optimalidad La funcién objetivo es Z= 3x +502,43 Algebra del método simplex TABLA 4.2 tie Interpretaciones geométricay algebraica de los pasos del método simplex para resolver el ejemplo de la Wyndor Glass Co, Secuencia del método_Interpretacién geométrica Interpretacién algebraica Feoincal Se seeccona (0,0) como la solucién FEV inl. Se selectonax, yx, como variable wo bnew para i selriAn AF incl (0,0, %, 13,10), cpumatdad act Cptina porque al moverse por cusluler Noes Sptima porque al aumenear el valor de ‘optimalidad _arista que sale de (0,0), Zerece, ‘ualquier variable ne bésiea ej 0.43), el valor de Zaumenca, Ieoracién | Paso | ‘Se mueve por laarsta sobre el eje x3 Se aumenta el valor de x2 y se ajustan los valores de las otras variables para que saisfagan ef sistema de ecuaciones, Fuso? Sedation al encontrar la primera rntar de Se detion cuando el valor dla primera variable restrccién x= 12), bisica (xy, 14 0 x5) laga a cero (x). Paso 3 Aeemauentralanerseccin del nueva par de Con x come varlable bia x, no bic, se aoc rey eESOT (0.6) ek nueva” resueve l stoma de ecusciones 06408) solucién FEV. fe a nueva soluciin RE Cptimaicad NOS Sptima porque al moverse por lara No es 6ptma porque al aumertar el valor de ‘optimalidad que va de (0,6) haclala derecha, & crece, tuna variable no bésien (x) el valor de 2 leoracién 2 Paso | Semueve por la arsta que vahacala erecha Se aumenta el valor x; ys ajustan ls de lt deme variables para que saisagan el Sterna de ecuaciones. Pmo2 Se detene cuando encuentra a primera rontera Se dtine cuando primera varable ba ee, e restriccion (Bey + 2x3 = 18). 1; 013) lega a cero (a). Peso} Se-encuenta interseccién del nuevo par do Conn come variable Lisi no Bsa, se waee Renner: 2,6) esa nueva” resuelve l stoma de ecuacone: (26 0°00) solucién FEV. sla nueva solucién BF Prusbade (2,6) es 6ptima porque al moverse por (26,2, 0,0) es éptima porque al aumentar e! optimaliad casi ata que ale de 2,6), Z decree. valor de calquer warble ne Ban Gao el valor de Z disminuye, de manera que Z = 0 para Ia soluci6n BF inicial, ya que ninguna variable basica (13, x 4, x5) tiene coeficientedistinto de cero en esta funciGn objetivo, cleneficiente de ae variables at) Sieas (1, az) da la tasa de mejoramiento de Z sie aumentara el valor de esa variablea mis de cero (y se ajustan los valores de las variables bisicas para que satisfagan cl sistema de ccuaciones), Estas tasas de mejoramiento (3 y 5) son postins. Por lo tanto, segtin el concepto de solucidn 6 en la seccidn 4.1, se concluye que (0, 0, 4, 12, 18) no es éptima. Para cada solucién BF que se examina después de varias iteraciones, al menos una varia- Ox pases ene cocfcicure diferente de ceo en la fanciGn objetivo, Por lo tanto, la prueba de optimalidad usardla nueva ecuacién (0) para reescrbir lafuncién objetivo en eéeminos de La variables no basicas, como se verd mds adelante. Spans gu eta merpreacn de fos coefcenes dex basen que estas variables se encuentten ene lado dere hos? = 38+ 51-Cuandose pasanal lado inquierdo de laccuaciin (0),2.~ 3-85 ~ O,loscociecane len ws Uc cero cambian su signo,120 4 Solucién de problemas de programacién lineal: método simplex Determinacién de la direccién de movimiento (paso | de una iteracién) Aumenrar el valor de una variable no bisica (y ajustar los valores de las variables bésicas para ‘que satisfagan el sistema de ecuaciones) corresponde a moverse a lo largo de una arista que sale de lasolucién FEV actual. Segxin los conceptos de solucién 4 y 5 en la seccidn 4-1, laelec- cidn de cudl variable no bisica debe aumentar su valor se hace como sigue: Z=3x, + 5x, Aumenta x? Tasa de mejoramiento en Z = 3. éAumenta x)? Tasa de mejuramicnty eu Z= 5. 5 > 3, de manera que se elige x) para aumentar su valor. ‘Como se indica en seguida, x) se llama la variable bdsica entrante para la iteracién 1. En cada iteracién del método simplex el propésito del paso 1 es elegir una variable no bisica para que aumente su valor (y se ajustan los valores de las variables bésicas para que satisfagan el sistema de ecuaciones). Al aumentar el valor de esta variable no basica se convertiré en variable biésicn para la siguiente solueién BE Por lo tanto, esta variable se llama la variable ‘rante para la iteracién actual (porque es la que entrard ala base) Determinacién de dénde detenerse (paso 2 de una iteracién) El paso 2 contesta la pregunta de cuénto aumentar el valor de la variable bésica entrante x) antes de detenerse. Al aumentar la variable x2 crece el valor de Z por lo que se quiere incre- ‘mentar lo mds posible sin dejar la regin factible. El requerimiento de satisfacer las restriccio- ines fuuncionales en la forma aumentada (que se muestra en seguida) significa que al aumnentar 4) (manteniendo la variable no bésica x; = 0) cambia el valor de algunas variables basicas, ‘como se observa en el lado derecho. = =0, asi, Qo tes =4 i 2) Qxy tay =12 842 12-2x, (3) 3x, +2) +x5 ~18 a5 = 18-2. El otro requisito para la factibilidad es que todas las variables sean no negativas. Las variables no basicas (incluyendo a la variable entrante) son no negativas, pero es necesario verificar ccudnto puede crecer x» sin violar las restricciones de no negatividad para las variables bésicas, wy = 420 = no hay cota superior sobre x2. 12 wg2l2-2m20 > ms 6 oe 2 Entonces x2 puede crecer justo hasta 6, punto enel que. ha legado a0, Aumentar x, amés de 6 causaria que x, se valviera negativa, lo que violarfa la factibilidad. Estos célculos reciben el nombre de prueba del cociente minimo. El objetivo de la prue- bacs determinar qué variable basica llega a cero primero cuando crece la variable entrante. De jinmediato se puede descartar la variable basica en las ecuaciones donde el coeficiente de a variable basica entrante ¢s cero o negativo, puesto que estas variables nu decrecen si la variable4.3. Aigebra del método simplex 12 pésicaentrante aumenta, (Esto ocurtié con x, en la eciacién (1) de ejemplo Sin embargo, Por cada ecuacién donde el coeficiente de a variable bisica cntranke es estriciamenta positivo (> 0), esta prueba calcula el caiente del lado derecho entre el coeficiente de a variable hae Sorrante, Ta variable bisieaen la ccuasion con elcociente minimo es la que lega a cero primero cuando crece la variable bésica entrante, En cualquier iteracién del metodo simplex, el paso 2 utiliza la pruchn del cociente minimo para dleterminar cul varia sia lega primero a cro uuu aumentacl valor delavareble hen Faghtrants, Al disminuir hasta cero el valor de esta variable bisica, se convierte en mariable np ‘bdsica para a siguiente solucién BE Por lo cant esta variable se lamna variable basica que sale para la iteracin acrual (ya que es la que deja la base). De cesta manera, 74 ¢s la variable basica que sale para la iteracién 1 del cjemplo, Solucién de una nueva solucién BF (paso 3 de una iteracién) Alaumentat x2 =0 hasta #2 =6, el procedimiento se mueve de lasolucién BE inicial mostra- da a la izquierda hacia la nueva solucién RF a la derecha, Solucién BF inicial Nueva solucigu BF Variables no bisicas: x, =0, x) =0 x4=0 Variables basicas: S324, e4=12, xy =18 a re Elpropésito del paso 3 es convertir el sistema de ecuaciones a una forma mds conveniente (la forma adecuada de climinacién gaussiana) para llevar a cabo la prueba de optimalcil yhasi- Silene iteraci6n (sis necesario) con la nueva solucién BE En el proceso, esta forma tambien ‘dentificard los valores de +s y x para la nueva solucién. Se escribird de nuevo el sistema de ecuaciones completo, con ls nuevas vatiables bisicas en negritas (Z es la variable bdsica en la ecuacién de la funcién objetivo): 0) Z- 3x, - Sy =0 ot) 4 +45 (2) 2x, +4 (3) 3x, + 2x +6 Bntonces, x sustituy6 a4 como lavaiablebisicaen la ecuacién (2).ParadespejarZ, ey, 3 Y-s5, deste sistema de ecuaciones es necesario realizar algunas operaciones algebraicas ce: mentales para reproducir el patrén actual de coeficientes de x (0, 0, 1, 0) como los nucveg Sfententes de #2. Se pueden realizar cualquiera de los dos tipos de operaciones algebraicas elementales: 1. Multiplicar (o dividir) una ecuacién por una constante dlstinta de cero. 2. Sumar (o restar) un miltiplo de una ecuacién a (0 de) otra ecuacion, Para prepatat la eecucion de estas operaciones, observe que los respectivos coefcientes oraz ene sistema ce ecuaciones anterior son ~5, 0, 22, ye intenta convertirlosen0, 0,1 y O. respectivamente. Para convertir el coefciente de 2en la ecuacidn (2) en un I, se usael pri- ‘mer tipo de operacién algebraica elemental y se divide esta ecuacidn cutre 2 para obtener Q) 2 +fe6122 4. Soluci6n de problemas de programacién lineal: método simplex Para convertir los coeficientes de ~Sy 3 en ceros, es necesario usar un segundo tipo de opera- cidn elemental. En particular, se suma ala ecuacidn (0) esta nueva ecuacién (2) multiplicada por 5, y se resta de la ecuacién (3) esta nueva ecuacién multiplicada por 2. El nuevo sistema de ccuaciones que resulta es (0) Z-3x, + Say = 30 2 a) +m : a 2) — (3) 3x - x4t es = 6 Como x; = Oy x4 =0, las ecuaciones en esta forma llevan de inmediato a la nueva solucién BE (x1, 3, 3, 4, x5) = (0, 6, 4, 0,6), loqueda Z=30. Este procedimiento para obtener la solucién simultdnea de un sistema de ecuaciones li neales se llama método de climinacién de Gauss-Jordan, o cn forma corta climinacién gaussiana! El concepto clave de este método es usar las operaciones algebraicas elementales para reducir el sistema de ecuaciones original a la forma apropiada de eliminacién gaussiana, en donde cada variable basica se elimina de todas las ecuaciones menos una (su ecuacién) y enesa ecuacién tiene coeficiente +1. Prueba de optimalidad para la nueva solucién bi factible La ecuacién (0) actual da el valor de la funci6n objetivo en términos nada més de las variables no bisicas actuales, Z= 30+ 3x ~ Sey ‘Aumentar el valor de cualquiera de estas variables no bdsicas (con el ajuste de los valores de las variables basicas para que cumplan con el sistema de ecuaciones) significa trasladarse a una de las dos soluciones BF adyacentes. Como x; tiene coeficiente positivo, al crecer lleva a una solu- cién BF adyacente que es mejor que la solucién actual, por lo que ésta todavia no es éptima, Iteracién 2 y la solucién éptima que resulta ComoZ = 30-+ 3x; ~ §.4,¢ puede aumentarsi aumenta el valorde ®y, pero nol de. 4. Por Jo tanto, el paso 1 clige a, como la variable bisica entrante. ara el paso 2 el sistema de ecuaciones actual llevaa las siguientes conclusiones sobre qué tanto se puede aumentar (con x 4~ 0): mndim 20 3 acting, 620 > no hay cota superior sobre 6-3m20 > ms $=2 3), de manera que x, debe convertitse en variable bsica. (Este cambio se indica en la tabla 4.4 mediante el recnaciro al. rededor de la columna abajo de ~5,) Paso 2: se determina la variable basica que sale con la prueba del cociente minimo. Prueba del cociente minimo 1. Elija los coeficientes de la columna pivote que son estrictamente positives (> 0). 2. Divida cada coeficiente entre el elemento del lado derecho cn ch mhisinu renglén. 3. Identifique el renglén que tiene la menor de estas razones. 4, Lavariable bésica en ese rengléu es la variable basica que sale, entonces sustitiyala por la Variable bésica entrante en la columna de la variable bésica de la siguiente tabla, TABLA 4.4 Aplicacién de la prueba del cociente minimo para determinar la primera variable bisica que sale en el problema de la Wyndor Glass Co, Variable Coeficiente de Lado basica | nim M3 Xt» | derecho Razén Zz mi] t{-3 -s 0 0 o fo 6 a | o 1 0 ' O06 |4 “ 0 fz} 0 1 o fio 226 « minne ta Bay 2126 4. Soluci6n de problemas de programacién lis Ponga un recuadro en este rengién que se llama renglén pivote. El ntimero que se encuentra en los dos recuadros se llama mimero pivote. Endlejemplo: los célculos para la prueba del cociente minimo se muestran ala derecha de la tabla 4.4. El renglén 2 es el renglén pivote (vea el recuadro alrededor de ese rengion en la primera tabla simplex de la tabla 4.5) y x, es la variable bésica que sale, En la siguiente tabla simplex (vea la tabla 4.5) x sustituye a x4 como la variable basica para el renglon 2. ‘Paso 3: se despeia la nueva solucién BF mediante operaciones elementales can renglones (multiplicacién o divisidn de un renglén por una constante diferente de cero; sumao resta de un miiltiplo de un renglén con otro) para construir una nueva tabla simplex en la forma apropiada de climinacién gaussiana, abajo de la tabla actual, y después se regresa a la prueba de optimalidad. Las operaciones clementales con renglones que deben realizarse son: 1. Divida el renglén pivote entre el niimero pivote. Use este nuevo renglén pivote en los pa sos 2y 3, 2. Para los renglones (incluso cl renglén 0) que ticnen un coeficiente negarivo en la columna pivote, se suma a este renglén el producto del valor absoluto de este cocficiente por el nuevo rengl6n pivote 3. Paralos renglones que tienen un coeficiente positivo en la columna pivote, seresta de este renglén el producto de este coeficiente por el nuevo renglén pivote. Encl ejemplo: debido a que x2 sustituye a x4 como variable bésica, se necesita reproducit cl patrén de la primera tabla de coeficientes de la columna de x 4 (0, 0, 1, 0) en la columna de 2 dela segunda tabla simplex. Para comenzar, se divide el rengién pivote (renglén 2) entre el ntimero pivote (2), 1o que da el nuevo renglén 2 mostrado en la tabla 4.5 1Después, se suma al renglén 0 el nuevo renglén 2 multiplicado por 54Luego se resta del rengién 3 el nuevo ren- glén 2 multiplicada par 2 (0 de manera equivalente, se resta del renglén 3 el renglén 2ante rior). Estos célculos evan a la nueva tabla simplex que se muestra en la tabla 4.6 para la iteracién 1. Asi, la nucva solucién BF cs (0, 6, 4, 0, 6), con Z= 30, Después se regresa a laprueba de optimalidad para verificar sila nueva solucién BF es 6ptima. Como el nuevo ren- gl6n 0 todavia tiene un coeficiente negativo (-3 para x), la soluci6n noes Gptima, y se necesita por lo menos una iteracién més, TABLA 4.5 Tabla simplex para el problema de la Wyndor Glass Co. después de dividir el primer renglén pivote entre el primer némero pivote : an a Cosficiente de Iteracion basica | nim. | Z | om x2 xts_Xe——Xs__|derecho Zz of:']/s3 3 ° ° ° 0 x» | @ |] o t ° 1 o ° 4 : % @ | 0 0 z 0 i 0 a x || o 3 GJ ° ° 1 18 z |@]o »n |] o ' a |@|o ° 1 ° ; ° ® e a4.4 El método simplex en forma tabular 127 TABLA 4.6 _ Primeras dos tablas simplex para el problema de la Wyndor Glass Co. Variable | Ec. Coeficiente de Lado Iteracién _basica_|nim.| Z * a 2 Pi Xs [derecho z fo]: }/s3-s i et = 0) ° x [alo ices me leG)e| Oe eee eal! Zoo oes » |mfols o : an |@lolo 4 . s }@}o}] 3s 0 o 4 1 6 eS Iteracién 2 para el ejemplo y Ia solucién éptima que resulta {La segunda iteracion comienza de nuevo en la segunda tabla simplex de la tabla 4.6 para encontrar la siguiente solucién BE Sise siguen las instrucciones de lox pasos 1 y 2, se encuentra que »; es lavariable basica entrante y x la variable basica que sale, como se muestra en la ta. bla 4.7, Para l paso 3se divide el renglén pivore (renglén 3) en la tabla 4.7 entre el mimero pivote (3). Después, se suma al renglén 0 el nucvo rengién 3 multiplicado por 3, Luego, se resta cl nuevo renglén 3 del rengién 1. En Ia tabla 4.8 se tiene ahora el conjunto de tablas simplex completo. La nueva solucién BFes (2, 6, 2,0, 0), con Z = 36. Al hacer la prueba de optimalidad, se encnentra que la solu Clones dptima porque no hay coeficientes negativos en el rengién 0, de manera que el algo ‘mo termina. En consecuencia, la solucién éprima para el problema de la Wyndor Glass Co. (antes de introducir variables de holgura) es x; = 2, x =6. Ahora compare la tabla 4.8 con el trabajo que sc hizo en la secci6n 4.3 para verificar que, en realidad, estas dos formas del método simplexson equivalentes, Después observe que la for. ima algebraica es uncjor para entender la l6gica que fundamenta el método simplex, pero la TABLA 4.7 Pasos | y 2 de la iteracién 2 para el problema de la Wyndor Glass Co, Variable | Ee. Coeficiente de Lado Heeracién_basica |num.[Z [4 aa xy x3 [derecho Razén128 45, 4 Solucién de problemas de programacién lineal: método simplex TABLA 4.8 Tabla simplex completa para el problema de la Wyndor Glass Co. Variable | Ec. Coeficiente de Lado. feeracién _bésica | nam. [ 2 | ual ase Zz @)i | a 0 ° ° eee| eles ° 4 4 |@)] 0) 0 az] s | @|o | 3 1 18 z |@}lifa ° 30 ello | in c : : x | @|o | lo o ie s | @|o |B 0 @ i -] z |@m@|1{o o o 1 6 \ s |am}ofo o 4 s 2 2 3 a Q) 0 0 1 oO 0o 6 x | @}o C0 i 2 forma tabular organiza cl trabajo de mancra més conveniente y compacta. En gencral se usard esta forma de ahora en adelante. Encl OR Tutor puede encontrar un ejemplo adicional de aplicacién del método simplex en forma tabular. Vea la demostracién llamada Simplex: Method—Tabular Form, ROMPIMIENTO DE EMPATES EN EL METODO SIMPLEX Es posible que haya observado que en las dos secciones anteriores no se dijo qué hacer cuando las reglas de seleccién del método simplex no evan a una decisién clara, ya sea porque hay empates (valores iguales) o por otras ambigiiedades parecidas. Se estudiarin estos detalles. Empate para la variable basica entrante El paso 1 de cada iteracidn elige la variable no hdsica que tiene el cneficiente negativa con el ‘mayor valor absoluto en la ecuacién (0) actual como la variable bdsica entrante. Ahora suponga que dos o més variables no basicas tienen cl cocficiente negativo més grande (cn valor absolu- 10), ¢s decir, que hay un empate. Por ejemplo, esto ocurrirfa en la primera iteracién del problema de la Wyndor Glass Co, si se cambiara la funcién objetivo a Z = 3x; + 3x2, con lo que Ia ecuacién (0) inicial seria Z — 3x; - 3x, = 0. {Cémo debe romperse este empate? La respuesta es que-se puede elegir entre estos dos contendientes de manera arbitraria. ‘Tarde o temprano se llegaré ala solucién éptima, sin importar cudl de las variables empatadas se haya escogido, y no existe un método conveniente para predecir cual lleva ahi con mayor4.5._Rompimiento de empates an al métada simplax 129 rapidez. En este ejemplo, si se escoge x, como variable entrante, el método simplex alcanza la solucién éptima (2, 6) en tres iteraciones y si se elige x, llega en dos. Empate para la variable basica que sale: degeneracién Ahora suponga que el empate ocurre entre dos 0 mis variables bisicas al elegir la variable que sale exrel paso 2 de una fteracion, éImporta cual se escoge? En teoria, si, yen una forma critica debido a que puede ocurrir la siguiente sucesidn de eventos. Primero, todas las variables em- ppatadas se hacen cero al mismo tiempo cuando aumenta el valor de la variable entrante. Por lo tanto, aquellas que no se eligieron como variable bésica que sale también tendrdn un valor de cero en la nueva solucién BE (Las variables bdsicas con valor de cero se llaman degeneradas y el mismo nombre se da a la solucién BF correspondiente.) Segundo, si una de estas variables bésicas degencradas sigue con valor de cero hasta que se selecciona como variable bisica que sale en una itcraciéu posterior, la variable basica entrante deberd también quedar con valor de cero (ya que no puede crecer sin que la variable bésica que sale se vuelva negativa), entonces el valor de 2 quedara sin cambio. Tercero, si Z permanece igual en lugar de mejorar cada itera- ci6n, el método simplex puede caer en un ciclo que repite la misma secuencia de soluciones en forma periddica, en lugar de aumentar en algiin momento para llegar a la solucidn éptima. De hecho, se han construido ejemplos artificiales que se quedan atrapados en un ciclo perpe~ tuo de este tipo. Por fortuna, aunguc en teoria es posible que haya ciclos perperuos, muy rara vez han ocu- rrido en problemas reales. Si ocurriera un ciclo siempre se puede salir de él cambiando la elec- 0 para toda i= 1,2,...,m. En esta seccién se establecerd cémo hacer los ajustes requeridos a otras, formas legitimas de modelos de programacién lineal. Se verd que estos ajustcs sc pueden hacer en el paso inicial, y que el resto del método simplex se aplica justo como se aprendié. Eltinico problema serio que introducen las otras formas de restricciones funcionales (=, > oon lados derechos negativos) es identificar una solucién inicial bdsica factible. Antes, era muy sencillo encontrar esta solucién inicial al hacer que las variables de holgura fueran las variables bdsicas iniciales, donde cada una era igual a la constante no negativa del lado derecho de la ecuacién correspondiente. Ahora debe hacerse algo més. Elenfoque estindar que se utiliza en estos casos es la técnica de variables artificiales. Esta construye un problema artificial més conveniente introduciendo una variable ficticia (llamada variable artificial) en cada res- triccién que lo requiera. Esta nueva variable s¢ introduce s6lo con el fin de que sea la variable bbésica inicial para esa ecuacién. Las restricciones usuales de no negatividad también se aplican sobre estas variables y la funcién objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las iteraciones del método simplex automdticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucién; después de esto se resuelve el problema real. Para ilustrat la técnica de las vatiables attficales, primero se considera el easv en que ka Ainica forma no estndar en el problema es la presencia de una o més restricciones en forma de igualdad. Restricciones en forma de igualdad En realidad, cualquier restriccién en forma de igualdad, fam + ign +0 + indy 2h; es equivalente a dos restricciones de desigualdad: Axi + miata + + inky SH; AX + inky too + igh 205.4.6 Adapracién a otras formas de modelo Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el mimero de restri clones, ¢ més conveniente usar la técnica de la variable artificial que se ilustraré con elo guiente ejemplo. Ejemplo. de manera q 133 Suponga que se modifica el problema de la Wyndor Glass Co. del seccién 3.1, hc fe vepwire que a planta 3 se use en toda su capacidad, El nico cambioque su, fre cl modelo de programacién lineal esque latercea estrcridn, 44, 12a s18 eee wen una restriccion de igualdad 3x, + 2xy 8, Spae dec] modelo completo se conviree en el que se muestra en la esquina supetior derecha de la figura 4.3. Esta figura también muestra la regidn factible con tinta mie oscura, y ahora consiste nada mds en el segmento que conecta los puntos (2, 6) y (4, 3) Después de introducir al sistema de ec ccesitan para las restricciones de desiguald. (0) q) (2) (3) Desafortunadamente, estas ecuacione: Z ~ 3x, - 5x = a +e = 2m tye 3x) + Dy . -uaciones las variables de holgura que todavia se ne- fad la forma aumentada del problema se convierte en 0 4 12 18, no tienen una solucién BF inicial obvia porque en la FIGURA 4.3, ‘Cuando la tercera restriccién funcional se converte an igualdad, fa region factible para el problema dela Wyndor Glass Co. se convierte en a segmento de recta entre (2, 6) y (4, 3). ” 19 Maximizar Z = 3x, + 5%, sujeto a A s4@ 2x 512, 3m 42x, =18 420, 420134 4. Solucién de problemas de programacién lineal: método simplex Obtencién de una solucién basica factible inicial. EI procedimiento es construir un problema artificial que iene la misma solucién éptima que el problema real, haciendo dos modificaciones a este problema real. 1. Seaplica la técnica de la variable artificial introduciendo una variable artificial no negativa (denotada por ¥5)! en laecuacién (3), como si fuera una variable de holgura 8. 2, Se asigna una penalizacién enorme al hecho de tener Xs > 0, cambiando la funcién objetivo Z= 3x, + 5x) a Z=3x, + 5x - Ms, donde M simbélicamente representa un niimero positivo muy grande, (Este método que fuerza a Xs hasta llegar a ¥5 = 0 en la solucidn dprima se llama método de laM.) (3) 3x, + 2xy + 5s Ahora se encuentra la solucién ptima para el problema real con la aplicacién del método simplex al problema artificial; la solucién BF inicial es la siguiente: Solucidn BF inicial ‘Variables no bésicas: ‘Variables bisicas: Bs =18. Como ai; hace las veces de la variable de holgura en la tercera restriccién del problema artificial, esta restriccidn es equivalente a 3x; + 2x S18 (justo como en el problema original de la Wyndor Glass Co. en la seccidn 3.1). A continuacién se muestra el problema artifi cial que resulta (antes de aumentarlo) al lado del problema real. Problema real Problema artificial Defina y= 18— 3x, - 23 Maximizar Z= 34) 4 53 - My, Maximizar Z = 3 +54, sujera a sujeta a a os4 s 2x2 $12 2x ay 2g = 18 3mj+ 2m y (03m + 2x3 + 20, x1 20, Entonces, igual que en la secci6n 3.1, la regién factible para (x, 22) en el problema artificial es la que se muestra en la figura 4.4. Ta tinica porcidn de esta regién factible que coincide con la del problema original ¢s cuando ¥5 = 0 (de manera que 3x; + 2x2 = 18) La figura 4.4 mucstra, ademas, cl orden cn cl que ¢l método sfmplex examina las soluciones FEV(o las soluciones BF después de aumentar el problema), donde los niimero en los circulos identifican qué iteracién obtuvo esa solucién, Observe que en este caso, el método simplex se mueve en sentido positivo (contrario al de las manecillas del reloj) mientras que en 'Se distinguirdn siempre las variables artfciales mediante la barra sobre lla.4.6 Adaptacién a otras formas de modelo 135, a Defina % = 18-35 -2ay, Maximizar Z = 3x4 5.4, ~ Mi, sujeto a s4 dase 3q+2y sl Co y 420, 20 eee FIGURA 4.4 Esta gréfica muestra la region factble y la secuencia de soluciones FV O.O.@.Q) que examina el método simplex para el problema 26M artificial que corresponde (0,0) tee al problema real dela Z figura 4.3. ¢l problema original se movia en sentido negativo te paso de preparacién. Conversion de fa ecuacién pués de aumentar el problema artificial es (0) Z~ 3x, ~ 54, + Mi, q) x + ay (2) 2x, +24 (3) 38x + 2s + #18 (0) a la forma apropiada. Para la eliminacién algebraica de de la ecuacién ecuacién (3) multiplicada por M. Z- 3x, ~ 5x) + Mi, ~MBx,+2x + Nuevo renglén (0) Z ~ (3M + 3)x; ~ (2M +B), uu (vea la figura 4.2). Ta razén de esta dife- objetivo del problema artificial, simplex y comprobar que sigue el eamino mostradyen la figu- Elsistema de ecuaciones des- (0), se resta de esta ecuacién (0) la 0 18) -18M,136 4. Solucién de problemas de programacién lineal: método simplex Aplicacién del método simplex. Esta nueva ecuacién (0) da Zs6lo en términos de las variables no bésicas (x, 2), Z=-1BM+ BM+3)x, + 2M Say Como3 M + 3 >2M + 5 (recuerde que M representa un nimero muy grande), si se aumenta 4), Zcrece a una tasa mds répida que al aumentar x), de manera que se elige x; como la varia- bile bésiea entrante. Esto causa un movimiento de (0, 0) a (4, 0) en la iteracién 1, como ce muestra en la figura 4.4, y Z se incrementa en 4(3M + 3). ‘Las cantidades que incluyen el valor M nunca aparecen en el sisterna de ecuaciones en otro renglén que no sca el (0), as{ que s6lo tienen que tomarse en cuenta en la prueba de opti- ‘malidad y al determinar la variable basica entrante. Una manera de manejar estas cantidades esasignara M algin valor numérico (muy grande) y trabajar con las cantidades que resulten en a ecuacién (0) en a forma acostumbrada. Sin embargo, este enfoque puede acarrear erto- res de redondeo significativos que a su vez pueden invalidar la prueba de optimalidad. Por lo tanto, es mejor hacer lo que acaba de mostrarse, esto es, expresar cada coeficiente de la ecua~ ciGn (0) como una funcién lineal aM + b de la cantidad simbélica M al registrar y actualizar por separado el valor numérico de: 1) el factor multiplicative a y 2) el factor aditivo b. Como se supone que M es tan grande que 6 es despreciable comparado con M cuando a # 0, las decisiones en la prueba de optimalidad y la eleccién de la variable bésica entrante se hacen sdlo con los valores de los factores mutiplicativos en la forma usual. La tinica excepcién ocurte cuando hay un empate que se rompe usando los factores aditivos. Ena tabla 4.1] se muestra la tabla simplex que resulta al aplicar esta técnica al ejemplo. Observe que la variable artificial 5, ¢s una variable bdsica (3s > 0) en las dos primeras tablas simplex y no bdsica (Zs = 0)en las tiltimas dos. Entonces, las dos primeras soluciones BF para este problema artificial son no fitcribles para el problema real mientras que las dos tiltimas son soluciones BF para el problema real. Este ejemplo incluyé sdlo una restriccién de igualdad. Si un modelo de programacién lineal tiene mds, cada una debe manejarse de la misma manera, (Si cl lado derecho es negativo, primero se multiplican ambos lados por ~1.) Lados derechos negativos La técnica que acaba de presentarse para manejar una restriccién de igualdad con lado dere~ cho negativo (esto es, multiplicar ambos lados por ~1) también se puede usar con las restric~ ciones de desigualdad con lado derecho negativo. Si se multiplican ambos lados de una desigualdad por -1 se invierte el sentido de la desigualdad; es decir, < cambia a 2 y viceversa. Por ejemplo al hacer esto con la restriccién. wy-¥)S-1 (Estos, xy $42 ~1) da la restricci6n equivalente mm tx221 — (estoes, x2 - 12%) pero ahora el lada derecho es positivo. Cuando se tienen lados derechos no negativos para todas las restricciones fancionales, el método simplex puede comenzar porque (después de aumentar) estos lados derechos se convierten en los valores correspondientes a las variables bsicasiniciales, que deben satisfaccr las restricciones de no negatividad.4.6 Adaptacién a otras formas de modelo 137 TABLA 4.11 Conjunto completo de tablas simplex para el problema de la figura 4.4 Lado z ae eae s_| derecho Ze Oh ees | susan ss miotemna o | -1em » | mM] o n 0 1 0 0 4 ° cs @ ° oO z ov 1 0 2 Xs @) 0 3 2 o 0 1 18 Zz 0) ' o ~2M-5 3M+3 0 0 6M +12 i = iw |e 1 ° 1 ° ° 4 x Q) 0 0 2 0 1 o 12 Le @), o | 2 =3 0 n 6 9 zi/@]s oO 0 =F. 0 MHS | oy x» | m | o ' o Tyo o 4 . « | @ | 0 | (@——e—7F3 1 6] 3 T coe @) 0 0 1 2 0 z 3 3 Zz (0) I oO 0 0 2 M+i 36 1 1 x a 0 1 0 ° a ; 2 ts) It 1 »|@]olfo o 1 ao 2 1 4 | @ Ahora se estudiard cémo aumentar las restricciones de ayuda de la técnica de variables artificiales. Restricclones funcionales de la forma > Para ilustrar la manera en que la técnica de variables artificiales maneja las restricciones de la forma 2 se usard el modelo del disefio de terapia de radiacién para Mary, presentado en la sec- cién 3.4. Por conveniencia se repite el modelo aqut y se seniala con un recuadro la restriccion de interés en este caso, Ejemplo de terapia de radiacion Minimizar Z = 0.42 + 05x sujeta a 0.34 40.1 < 2.7 05m +054) = 6 6m +04e 2 6 M20, 420. ll tipo >, como-x, + 2, 2 conta138 0.6m + 0426 10 FIGURA 4.5 Grafica del ejemplo de terapia de radiacién y sus soluciones en los vertices. 0 5 Segmento con linea gruesa Solucién dptima 03x + Oley $2.7 4. Soluci6n de problemas de programacién lineal: método simplex Puntos = soluciones en los vértices regién factible (75,48) 0.535 + 0.53 = 6 10 i En [a figura 4.5 se repite la solucién gréfica para este ejemplo (presentado en la figura 3.12) con algunas diferencias. Las tres rectas de la figura, junto con los dos ejes constituyen las cinco fronteras de restriccién del problema. Los puntos dibujados en la interseccién de ‘cada par de restricciones son las soluciones en los vertices. Las tinicas dos soluciones factibles en un vértice son (6, 6) y (7.5, 4.5) y la regién factible es el segmento que une estos dos puntos. La solucién éptima es (21, #2) = (7.5, 4.5), con Z= ‘Muy pronto se mostrard la manera en que el método simplex resuelve este problema a 5.25. partir de la solucién directa del problema artificial correspondiente. No obstante, primero se describira como manejar la tercera restriccion.4.6 Adaptacién a otras formas de modelo 139 El enfoque involucra la introduccién de dos variables: una variable de superdvit xg (defi- nida como 5 = 0.6 + 0.4 ~ 6) y una variable artificial %, como se vert en seguida, 0.6, + 04x, 6 > 06x; + 0.4%) ~ x5 6 (x20) > 0.6%; + 0.42 — 5 + 2¥5 = 6 (x5 20, % 20). Aatuh as oe llama variable de superavit porque resta el exceso de! lado izquierdo sobre el derecho para convertir la estrccidn de desigualdad en una de igualdad equivalente. Une ve Bracla esta Conversién, se introduce una variable artificial igual que para las testriccionee de igualdad, {Una vez introducida a variable de holgura xs en la primera restriccin, se inserta una va- fable artificial ¥, en la segunda restriecin y sc aplica el mnérodo de la M; el problema sec ial completo (en la forma aumentada) es Minimizar Z=0.4% + 05x) + ME,+ Mis, sujeta a 0.3.x + O.lxy + x3 27 05x, +05 + Fy 6 06x; + 0.4% ~ 35+ %=6 Y 120, 220, 320, 8,20, x520, %>0 Observe que los coeficientes de las variables artifcales en la funcidn objetivo son + M, en lae gar de —M porque aliorase debe minimizar Z. Entonces, aun cuando es Posible que ¥4>0y/o Se 30 guyana solucin factible paral problema artifical, la unidad de penalizacin tan gem. de de +.Mf evita que esto ocurra en una solucién éptima, Como siempre, laintroduccidn de variables artificiales hace que laregica factible se am lie. Compare las restricciones sobre (x, 2) para el problema real con las restrieciones on, rrespondientes del problema artificial, Restricciones sobre (31, 2) Restricciomes sobre (x1, >) para el problema real para el problema artificial 0.31 + 0.x, <2.7 0.3%; + Ole < 2.7 0.52; + 0.5% 05x, 1 0.5% 56 — (=se cumple si4=0) 0.6%; + 0.4%, 26 No hay restricci6n (excepto cuando ¥, = 0) 20, 20 *20, 220 [aintoduccién de la variable artificial para que naga ls veces dela variable de holguraen {a segunda restriccin, permite valores de (x, 2) menores que larecta0.5x, + 0.5e, s6enin figura 4.5. La introduecion de xs y X en la terera restrccién del problema real (y el movi, miento de estas variables al lado derecho) lleva a la eenacién 0.61; + 0.47 =64 25 — Debido a que la inicarestriccidn sobre.xs ys es que sean no negatvas, su diferencia xy ~ Zq pus ser un niimero positivo o negative, Enronces, 0.6 + U-Aty puede tomar cuslquies valor, lo que tiene el efecto de eliminar la tercera restriccidn del problema artificial y permitie Puntos en los dos lados de la recta 0.63% + 0.4) = 6 en la figura 4.5. (Se conserve L tercera testriccién en el sistema de ecuaciones porque més adelante volver a ser relevante, después eque el método de la M lleve a = 0.) En consecuencia la reginfactible para el problema140 4 Solucién de problemas de programacién lineal: método simplex artificial es el poliedro completo de la figura 4.5 cuyos vértices son (0, 0), (9, 0), (7.5, 4.5) y (0, 12). ‘Como ahora el origen es factible para el problema artificial, l método simplex comienza con (0, 0) como la solucién FEV inicial, es decir, con (3, 2,3, 4,5 ,%) = (0,0, 2.7,6,0, 6) como solucién BF inicial. (FI propésito de crear el problema artificial es hacer que el origen sea factible para tener un punto de partida convenicnte para ¢l método simplex.) Después ce seguiré la trayectoria del mérodo simplex deade el origen hasta la solucién Sptima pata lus dos problemas, el artificial y el real. Pero primero, écémo maneja el método simplex la minimizacion? Minimizacion Una manera directa de minimizar Z con el método simplex es cambiar los roles de los coeficientes negativos y positivos cn cl renglén 0, tanto para la prucba de uptintalidad como para cl paso 1 de una iteracién. Sin embargo, en lugar de cambiar las instrucciones del método simplex para este caso, se presentard una manera sencilla de convertir cualquier problema de ‘minimizacién en un problema equivalente de maximizacién: Minimizar Z=¥ 6}; ces equivalente a Mosimizar -Z~ 3 (-ey)xy3 pl ¢s decir, las dos formulaciones llevan a la(s) misma(s) solucién(es) éptima(s). Las dos formulaciones son equivalentes porque entre mds pequefia es Z, més grande es. ~Z, entonces, la solucidn que da el menor valor de Z dentro de la region factible, también debe dar el mayor valor de —Z en esta region. Por lo tanto, en el ejemplo de terapia de radiacién se debe hacer el siguiente cambio cn la formulacion: Minimizar Z= 04x, + 0.5%, > Maximizar -Z =" - 0.4m - 0.5%, Después de introducir ls variables artificiales £4 y %, yde aplicar el método de la M, la conversion correspondiente es Minimizar Z- 0.40, +0.Sx, + MBy+ Mi > — Maximizar -Z = -O.4x, ~ 0.5%) - ME,- Mis. Solucién del ejemplo de terapia de radiacién Fl ejemplo ests casi listo para aplicarle el método simplex. Si se usa la forma de maximizacién que se acaba de obtener, cl sistema de ecuaciones completo es (0) -Z+04x,+ 0.5%. + May + Mig= 0 ay 0.3m + OL) + 2x5 =274.6 Adaptacién a otras formas de modelo 141 (2) 05% + 0.5% + Fy 8) 0.6%, 1 04x, = a5 + = Las variables bisicas (xs, 4, %) en la sohuci6n BF inicial (para este problema artificial) se muestran en negritas, Observe que este sistema de ecuaciunes todavia no esté en a forma apropiada de elimina- cin gaussiana para iniciar el método simplex, ya que todavia deben eliminarse las variables Lisicas &4 y Bs de la ecuacion (U) de manera algebraica. Como # y X, tienen coeficiente M, se tienen que restar de a ecuacién (0), Ia ecuaci6n (2) y la ecuacidin (3) ambas madsiplicadas or M. A continuacién se resumen los céleulos de todos los coeficientes(yloslados derechos), en donde los vectores son los renglones relevantes de la tabla simplex correspondiente alsiste. ‘ma de ecuaciones anterior. Renglén 0: (04, 05, 0, M;, 0, M, 0} -M(05, 05, 0, 1, 0, 0, 6) =M(0.6, 04, 0, 0, 1 6) Nuevo renglén 0=[-11M+04, -09M+05, 0, 0, M, 0, -l2M), La tabla simplex inicial que resulta, lista para comenzar el método sfmplex, se muestra ena tabla 4.12. Al aplicar el método simplex en la forma acostumbrada se obtiene la secuencia de tablas simplex mostradas en el resto de la tabla 4.12. En cuanto ala prueba de oprim lad y a eleccion de la variable bdsicaentrante en cada iteracin, las cantidades que inclayen Af se tratan justo como se explicé para Ja tabla 4.11. Fn particular, siempre que M esté presente, s6lo se usa su factor multiplicativo a menos que haya un empate, en cuyo caso el Empate se rompe con los términos aditivos correspondicntes. Un empate de este tipo ocurre en la ltima seleccién dela variable bésica entrante (vea la pentiltima tabla simplex) en donde los coeficientes de. y x5 on cl rengién 0 tienen el mismo factor multiplicativo, =}. Alcom- parar los términos aditivos, I< Z, se selecciona x5 como la variable bisica entrante. Observe en la tabla 4.12 la progresiGn de valores de las variables artficiales #4 y 5 yde 2, Secomienza con valores grandes, ¥4= 6 y Xs = 6, con 7 = 12.M (-Z~-12M), La primera iteracién reduce mucho estos valores. El método de la M logra hacer que ¥ = 0 (como una ‘nueva variable no hésica) en la segunda iteracién y en la siguiente hace lo misino con® 4. Con #4 = Oy 6 = 0, se garantiza que la solucién bésica dada en la iltima tabla simplex es factible Para el problema real. Como pasa la prueba de optimalidad, también es 6ptima. Ahora se puede ver lo que el mérodo de la M ha hecho en la gréfica de la figura 4.6. La re- gid facrible para el problema artificial tiene al iniciar cuatro soluciones FEV, (0, 0), (9,0), (0, 12) y (7.5, 4.5), y después sustituye las primeras tres con das solciones FEV nuevas, (8, 3), (6, 6), después de que i decrece hasta ¥, =0, de manera que 0.6x; + 0.4x, >6 se convierte en una restriccin adicional. (Observe que las tres soluciones FEV susticuidas, (0, 0), (9,0) y (0, 12), eran, de hecho, soluciones no facribles en los vrtices para el problema real mostrado en la figura 4.5.) Comenzandu con el origen como una solucion FEV inicial conveniente para el problema artificial, el proceso se mueve por la frontera a las otras tres so- lucioues FEY, (9, 0), (8, 3) y (7.5, 4.5). La tltima de éstas es la primera que también es facti~ ble paral problema real. Por coincidencia, esta primera solucién factible resulta éprima, por Jo que no se necesitan mis iteraciones.142 4_ Solucién de problemas de programacién lineal: método simplex TABLA 4.12. El método de la M para el ejemplo de terapia de radiacién Variable | Ee. ae Lado Iteracién basica | nim. | Z | x x x A xs | derecho z | @ | -1|-Lueo4 -o9m-os 0 0 mM 0 =m » | w | o | [os ol 1 0 o 0 2 ° % | @ | 0 | jos 0s ° ' ° ° 6 x | @ | | [oe o4 ° ° - 1 ‘ Tey, it My 4 z fmf] oe ny 338 " 0 | -2m-36 x | o 1 [ty g ° ° ° ° ; oo 3 3 1 5 | alee ° 5 i ' ° ° 1s ie w | o| Ce Oz =i 2 =I fi 06] saa Sy, by lt z |@|-al o ° peo Smit Bat | oma nfo 1 ° 2 ° 3 -= : a | : 7 7 8 5 5 5 u | @]o ° ° 3 \ ; 3 05 a_|@|o| o fi =10 ° 3 3 3 z |. [=| ». ° 05 M-lI 0 ™ “325 xn | @io 1 ° 5 “1 ° ° 18 d = Go | ° ° tae 1 1 03 x | }ol 0 \ 3 ° ° 45 En otros problemas con variables artficiales, puede ser necesario realizar iteraciones adicionales para llegar a una solucién éptima después de obtener Ia primera solucién factible para cl problema real. (Este fue el caso en el ejemplo resuelto en la tabla 4.11.) Asi, puede pensarse que el método de la M tiene dos fases. En la primera fase, todas las variables artificiales se hacen cero (debido a la penalizacién de M por unidad al ser mayores que cero) con el fin de obtener una solucién bisica factible inicial para el problema real. En la segunda fase todas las variables artificiales se mantienen en cero (por esta misma penalizaci6n) mientras que el método simplex genera una secuencia de soluciones BF que llevan a la solucién éptima. Elmétodo de dos fases que se describe a continuacién es un procedimiento directo para realizar estas dos fases sin siquicra introducir la M de una manera explicita. Método de dos fases Enel ejemplo de terapia de radiacin que se acaba de resolver en la tabla 4.12, recuerde la funcidn objetivo real * Problema real: Minimizar Z= 0.42 + 0.5%).4.6 Adaptacin a otras formas de modelo 143 708 2 =6412M Restricciones para el problema artificial (0, 12) pe 034+ O.bxy < 2.7 0.5m + 0.5xy <6 (= se comple si (0463 + 0.435 2 6 cuando 3 0) M20, 20 (%20, %20) Este segmento oscuro es la regi6n factible para el prablema real (%,=0, %=0), (7.5, 4.5) 6peima FIGURA 4.6 Ow La grafica muestra la regién factble y la se- . ‘uencia de soluciones @Wz=47+05m FevV@.0,2.@ examinadas por método simplex (con i ae ‘el método de la M) r _ t 4 ‘ pare problema © a OI artificial correspon- (0, 0) diente al problema ' (9, 0) A real de a figura 45. Z=0+12M Sin embargo, el método de la M utiliza la siguiente funcién objetivo (o su equivalente en la forma de maximizacién) en todo el procedimiento: Método deta M: — Minimizar —Z = 0.44, + 0.54 + Mi q+ Mi. Como los dos primeros coeficientes son despreciables comparados con M, el método de dos fases puede climinar la M usando las siguientes dos funciones objetivo que definen a Z de ‘manera completamente diferente. Método de dos fases: Fase 1: Minimizar Z= 4+ X (hasta que #4 = 0, % =0). Fase 2: Minimizar Z = 0.4% + 0.5%) (con ¥4=0, % = 0). La funci6n objetivo de la fase 1 se obtiene dividiendo la funcién objetivo del método de la M entre My eliminando los términos despreciables. Como la fase 1 concluye al obtener una so-144 4 Solucién de problemas de programacién line método simplex luci6n BF para el problema real (aquella en la que %4 = Oy %¢ = 0), esta solucién se usa como la solucién BF inicial para aplicar el método simplex al problema real (con su funcién objetivo) en la fase 2. ‘Antes de resolver el ejemplo de esta manera se hard un resumen de las caracteristicas generales. Resumen del método de dos fases. Paso inicial: se revisan las restricciones del pro- bblema original introduciendo variables artficiales seguin se necesite para obtener una solucin BF inicial obvia para el problema artificial. Fase 1: cl objetivo de esta fase es encontrar una solucién BF para el problemareal. Para hacer esto, Minimizar =X de variables artificiales, sujeta alas restricciones revisadas. La solucién éptima que sc obticne para este problema (con Z ~ 0) scré una solucién BF para el problema real. Fase 2: el objetivo de esta fase es encontrar una solucién 6ptima para el problema real. Como las variables artificiales no son parte del problema real, se pueden eliminar ahora (de todas maneras todas tienen valor de cero). Comenzando con ja solucién BF obtenida al final de la fase 1, se usa el método simplex para resolver el problema real. En seguida se resumen los problemas que deben resolverse por el método simplex en las fases respectivas para el ejemplo. Problema para la fase 1 (ejemplo de terapia de radincién): Minimizar Z = 24+ 5, sujetaa 0.3m; + O.1x; + x3 =27 05x, + 0.5%, + ¥4 =6 06x, + 04x, — e+ B= 6 y x20, 2220, 3320, F420, x520, ¥520. Problema para la fase 2 (ejemplo de terapin de radiacién): Minimizar Z=0.4%, + 0.5%, sujeta a 0.3%; + Oley + x3 05x, + 0.5x2 0.6x; + 0.4%, y 120, 20, £220, 4520. 'se estén pasando por alto otras trea posbilidades: 1) variables artifciales > 0 (que se presentan en la siguiente sub seccin), 2) variables atfciales que Son variables bisicas degeneradas y 3) variables rtfciales que se retienen como variables no bésicas en la fase 2 (sin permirir que mielvan a enrear coma héseas) para ayndaren elandlisie pacéprima subsecuente. ELOR Courseware le permite explorar estas posbilidades.4.6 Adaptacién a otras formas de modelo 145 Las tnicas diferencias entre estos dos problemas se encuentran en la funci6n objetivo y en la inclusi6n (fase 1) 0 exclusién (fase 2) de las variables artificiales ¥ 4 y Z. Sin las variables ati. fciale, el problema para la fase 2 no tiene una solucén BF inicial obvia, El tnico propésito Para resolver cl problema de la fase 1 es obtener una solucidn BE con Z4=Oy %=0 aque se pueda usar como la solucién BF inicial para la fase 2, La tabla 4.13 muestra el resultado de aplicar el método simplex a este problema para la fase 1 [Elrenglén Oen a tabla simplex inicial se obtiene al convertir minimizar Z= #4 + %q amarimizar (-Z) ~ Bq Spy y desputs usat ypeructomeselementales con renglones pata clime nar las variables bdsicas 4 y ¥6 de~Z-+ X4 + 3g = 0.] En la peniiltima tabla simplex existe un empate para la variable bdsica entrante entre «3 y x5, que se rompe arbitrariamente en favor de-4s. La solucién obtenida al final de la fase 1 es, entonces, (1, #2, 24, 2) — (6,6, 0.3, 0, 0, 0) o despues de eliminar %4 y ¥., (x, 82, x3, x5) = (6, 6, 0.3, 0). Segtin se afirmo en el resumen, esta solcidn de la fase 1 es sin duda una solucién BF para cl problema rea (problema dela fase 2) puesto que es la solucin (después de hacer xg 0) del sistema de ecuaciones que consiste en las tres restricciunes fancionales para el proble- ima de lafase 2. De hecho, después de eliminar las columnas de #4 y %, al igual quel renglén 0 para cada iteracién, la tabla 4.13 muestra una manera de utilizar la climinacion gaussiana para resolver este sistema de ecuaciones reduciéndolo alla forma que tiene en la tala simplex final, TABLA 4.13 Fase | del método de las dos fases para al ejemplo de terapia de radiacién Variable | Ec. Coeficiente de Lado Iteracion_basiea [nam.| Z | x x2 xy oy X4_|derecho z | @ [1 fou case 0-2 ery (ly 0 03 OF 1 0 0 7 o & @ | o |fosl—os ° 1 0 6 uw [@|o [lol o 0 o ile eo ' Soe, o | -21 3] 2 0 «© of s ; «fm]oj}. [i] ¥ i] os a | @ gL -2 1 oo | ts & | @ | 0 | Ce fel a 3 7s z lol- [oo | = as eee ie : $ ae « }@]o|[oo | _— » [@|o |e 1 tele TG z |o@]-' |e 0 1. 1+ to x |m@i[e@}u 0 o « 3 F\e eee ato}olo 1 »0 ¢ 5s sly146 4 Solu ‘An da nenhlemas de programacién lineal: método simplex La tabla 4.14 muestra la preparacién para iniciar la fase 2 después de completar la fase 1. Se comienza con la iltima tabla simplex en la tabla 4.13, se eliminan las variables arificiales (ay Re), se sustituye a funci6n objetivo dela fase 2 (~Z = -0.4xy ~ 0.532 en la forma de ma- ximizacidn) en el renglén 0 y después se restablece la forma apropiada de eliminacién gaussiana (con la eliminacién algebraica de las variables bsicas +, y x2 del renglén 0). Asi, el renglén 0 en la tabla simplex se obtiene con las siguientes operaciones elementales con renglones ceria pendltinta tabla simplex: sc vestan del renglén 0, el renglén 1 muleiplicado por 0.4 y el rengl6n 3 multiplicado por 0.5. Observe que los renglones I y 3 no cambian excepto por la climinacién de las dos columnas. Los tinicos ajustes ocurren en el renglén 0 a fin de sustiruir la funcién objetivo de la fase 1 con la funcién objetivo de la fase La iltima tabla simplex en la tabla 4.14 es la tabla simplex inicial para aplicar el método simplex al problema de la fase 2, coma se muestra. inicio de la tabla 4.15. Una sola iteracién lleva a la solucién éptima que se muestra en la segunda tabla simplex: (x1, 2, #3,%5) =(7.5, 4.5, 0, 0.3). Esta solucién cs la solucién éptima deseada para el problema real que interesa ‘més que el problema artificial construido para la fase 1. ‘Ahora observe lo que el metodo de las dos fases ha hecho en la grifica de la figura 4.7. A partir del origen, la fase 1 examina un total de cuatro soluciones FEV para el problema artificial. Las primeras tres de hecho eran soluciones no factibles en los vertices para el problema real mostrado en la figura 4.5. La cuarta solucién FEV, en (6, 6), ¢s la primera que también es ————— TABLA 4.14 Preparacién para la fase 2 en el ejemplo de terapia de radiacién Coeficiente de Variable | Ec. Lado basica |nam.| Z| x x2 *s_ 4 xs__%e_[ derecho z |@|+|o o o 1t 0 1«|o n |mfo| 1 0 0 -4 -5 5] 6 “Tabla sil final pala 3 foe | » |@lo}o o 1 § 4 -1 | 03 iO Olt Oe hs Occ eccsisa|a6 ze doen | 0) 06 ° ° _ eo [ole | | oo s ‘ Se liminan Fay elo lag o st ; ACO OD s ‘ z |@|-+| o# os o ° ° Se sustitye la funcén a [oO . 5 . objetivo paral fase 2 » |@ oo 1 1 03 n |® Ce) 5 6 z |@l+[o o o “05 =54 Serectablecelatorms x, | () | Oo] 1 OO ‘ omidntn |e] 0 8 eo n |@lolo 1 5 64.6 Adaptacién a otras formas de modelo 147 TABLA 4.15 Fase 2 del método de las dos fases para el ejemplo de terapia de radiacién Variable | Ee, ae Lado Heeracién —_bisica | mdm. [|Z x A x x3 _|derecho Zz @ | a ° ° 0-05 | -s4 x | @ | 0 I o os 6 2 % @ ° 0 0 1 i 03 _| » | @ | 0 ° i ° 5 é zl@l- ° ° os 0 | -s25 4 w | o 1 ° 5 ° 15 | ao ° ° 1 1 03 Oe ° \ - ° 45 FIGURA 4.7 a Lagréfica muestrala (0, 12) secuencia de solucio- > nes FEV para la fase | ODA, después para la fase 2 @.Q) cuando se aplica el método de las dos fases al ‘ejemplo de terapia de : radiaci6n Arto : Ss $9 Este segmento oscuro es s 7 Ja regin factible para el ‘ 70) problema real (fase 2) in : 7 < ¥ = \"S (7.5, 4.5) optima Regién factible @a.3) para el problema artificial (fase 1) (0, oy a (9, 0)148 4. Solucién de problemas de programacién lineal: método simplex factible para el problema real, de manera que se convierte en la solucién FEV inicial para la fase 2, Una iteracidn lleva a la solucién FEV éptima en (7.5, 4.5). Siel empate para la variable bésica entrante que surgié en la pentiltima tabla simplex de la tabla 4.13 se hubiera roto de otra manera, entonces la fase | habria ido directamente de (8, 3) a(7.5,4.5). Después de utilizar (7.5, 4.5) para establecer la tabla simplex inicial para la fase 2, laprucha de optimatidad habria revelado que esta solucién era éptima y no se habrfa realizado ninguna iteracién, Resulta interesante comparar los métodos de la M y de las dos fases. Se comenzaré por sus fanciones objetivo. Método de la M: Minimizar Z = 0.4m + 0.5x) + ME 4+ MX,. Método de dos fase: Fasel: — Minimizar Z= 4+ 55. Fase 2: Minimizar Z = 0.40 + 0.5% Dado que los términos Mis y Mis dominan alos términos 0.4%, y 0.5%; en la funcién objetivo para el método de la M, esta funcién objetivo es esencialmente equivalente a la de la fase 1 mientras X 4 y/o X, sean mayores que cero. Entonces, cuando X 4 = Oy Xs = 0, la funcién objetivo del método de la M se vuelve completamente equivalente a la funcién objetivo de la fase 2. Debido a estas equivalencias virtuales en la funcién objetivo, el método de la M y el de dos fases tienen casi siempre la misma secuencia de soluciones bésicas factibles. La tinica ex- cepcién posible ocurre cuando existe un empate para la variable bésica entrante en la fase 1 del método de dos fases, como sucediié en la tercera tabla simplex de la tabla 4.13. Observe que las primeras tres tablas simplex de las tablas 4.12 y 4.13 son casi idénticas, fa iniva diferencia ¢¢s que los factores multiplicativos de M en la tabla 4.12 se convierten en cantidades tinicas en los puntos correspondientes de la tabla 4.13. En consecuencia, no se contaba con los factores aditivos que rompieron cl empate para la variable basica entrante en la tercera tabla simplex dela tabla 4.12 para romper este mismo empate en la tabla 4.13. El resultado en este ejemplo fue una iteracién adicional en el método de dos fases, aunque en general, la ventaja de contar con los factores aditivos es minima, El método de dos fases sigue los pasos del método de la M usando sélo los factores multiplicativos en la fase 1 y eliminando las variables artificiales en la fase 2. (El método de la M puede combinar los factores multiplicativos y aditivos asignando un valor muy grande a ‘M, pero esto podria crear problemas con inestabilidad numérica.) Por estas razones €s comiin que cuando se trate de paquetes de computadora se use el método de dos fases. Sin soluciones factibles Hasta aqui, esta seccién se ha ocupado més que nada del problema elemental de identificar la soluci6n BF inicial cuando no se dispone de una obvia. Sc a visto que se puede usar la técnica de variables artificiales para construir un problema artificial y obtener una solucién BF inicial para este problema artificial. El método de la M o el de dos fases permiten al método simplex comenzar su recorrido hacia las soluciones RF y por tilrimo hacia la solucién éptima del problema real.4.8 Adaptaci6n a otras formas de modelo 149 No obstante, se debe estar consciente de un obstéculo que se puede presentat, Puede no ¢xistir una cleccién obvia para la solucién BF inicial por la poderosa razén de que lio existan Soluciones factibles! Al construir una Solucién factible artifical, no hay nada que impida al método simplex proceder como siempre c incluso infurmar que encontré una supuesta solucidn éptima, Por fortuna, la técnica de las variables artifictales proporciona algunas sefiales que indi- ‘can que esto ha ocurtido: cl problema original ma tiene soluciones facribles, entonces cualqnier solucin prima obtenida con el método de la M o en la fase 1 del méodo de dos ses levaa tuna sofucin final que con ‘ene al menos una variable artificial mayor que cero. De otra manera rodasson iguales a cero. Para lustrar esto, cambie la primera restri figura 4.2) como sigue: in del ejemplo de terapia de radiaciGn (veala 0.3%, +0.1x 52.7 > 0.34, +0.1x) <18 con lo que el problema ya no tiene soluciones factibles. Si se aplica el método de la M como antes (vea la tabla 4,12) se obtiene la tabla simplex que se muestra en la tabla 4.16, (La fase 1 del método de dos fases conduce ala misma tabla simplex, excepto que cada expresién con M se reemplaza s6lo por cl factor multiplicativo.) Entonces, por lo comin, el método de la AMindicaria que la solucién dptima es (3, 9,0,0,0,0.6). Sin embargo, ya que una variable ar. ‘ficial «= 0.6> 0, el mensaje real aqui es que el problema no tiene soluciones factibles, TABLA 4.16 EI método de la M para la revision del ejemplo de terapia de radiacién que no tiene soluciones factibles Variable| Ee. coseconee ae Lado Ieeracién basica | nim. | z x Xr x Xe Xs, Ke |_ derecho z | @ [-1[ wos -oomos 0 o | =m x» | a] o| [os mn H ° ° ° 18 : % | @ | o | [os 05 0 1 0 0 6 % [@ | o | [os] oa ° ° - 1 ‘ z ]@|- ° ° “ 0 | -s4m—24 a | mo 1 ° ° ° ‘ 1 - % 1a io ° 1 ° ° 3 & |@]o|} o ° “1 fl 24 z |o ° © MOS 16M—L mM 0 | -06m-57 x | a]o 1 ° s+ ° ° a : a | @o ° 1 “3 3 ° ° 9 eee lores ° ie ey 1 064 Soluci6n de problemas de programacién lineal: método simplex Variables que pueden ser negativas En la mayor parte de los problemas practicos, los valores negativos para las variables de deci- si6n ticnen un significado fisico, por lo que es necesario inciuir las restricciones de no negatividad en la formulacién de los modelos de programacién lineal, Sin embargo, esto no ocurre siempre. Como ejemplo, suponga que en el problema de la Wyndor Glass Co. el producto 1 ya estd en produccién y que la primera variable de decisién x representa el incremento en la tasa de produccién, Entonccs, un valor negative Ue x indicat fa quc debe distnimuirse la pro- duccién del producto 1 en esa cantidad. Tal reduccién podria ser deseable para permitir una tasa de producci6n mis alta del nuevo producto 2 més rentable, con lo que se permitirfan valores negativos de x; en el modelo. ‘Como el procedimiento para determinar la variable bisica que sale requiere que todas las variables tengan restriccidn de no negatividad, cualquier problema que contenga variables que pueden adquirir valores negativos debe convertirse en un problema equivalente que cm- plee sélo variables no negativas antes de aplicar el método simplex. Por forcuna, se puede hae cer esta conversién. La modificacién que requiere cada variable depende de si tiene o no una cota inferior (negativa) sobre los valores permitidos. Se presentard cada caso. Variables con una cota sobre los valores permitidos. Considere cualquier variable de decisién x; que puede tener valores negativos, pero nada més aquellos que satisfacen tuna restriccién de la forma xj Lj, donde L eswna constante negativa. Esta restr vidad haciendo el cambio de variables x)=xj;-L;, demanera que in se puede convertir en una de no negati- 0. Entonces (x; + L,) se sustituye por x, en cl modclo y la nucva variable de decisién x/; no puede ser negativa. (Esta misma técnica se puede utilizar cuando L,; es positiva para convertir luna restriccién funcional x; 2 L; a una restriccién de no negatividad x 2 0.) ara ejemplificar, suponga que la tasa de produccién actual para el producto 1 en el pro blema de la Wyndor Glass Co. es 10. Con la definicién de x, que se acaba de dar, el modelo completo en este punto ¢s el mismo que el dado en la seccién 3.1, salvo que la restriccidin de no negatividad x > 0 se sustituye por x 2-10. Para obtener el modelo equivalente que necesita el método simplex, la variable de decisin se redefiniré como la tasa de produccién total del producto 1, x= +10, : Jo que leva a los siguicutes Canbius ex la funcién objetivo y las restricciones: Z=3n+5e Z = 3{xj-10) +5 Za -30+3x\+ 5%, a 4 sol sa si sit 2xys12 - 2st |, 2x,512 3m +2518 3(xj 10) +24 518 Bei 420548 2-10, 120 1-102 -10, «20 120, 204.8 Adaptacién a otras formas de modelo 151 Variables sin cota sobre los valores negativos permitidos. En caso de que x, no enga una cota inferioren el modelo formulado, serequicre un cambio distinto: x se sustita- ye en todo el modelo por la diferencia de dos nuevas variables no negatinas, xj=x} =}, donde x} 20,4720. Como x} y-«; pueden tomar cualquir valor no negativo, esta diferencia x} ~ 27 puede e- ner cualquier valor (positivo 0 negativo), por lo que es nna susteucién legitima paras, cnel modelo. Después de estas susituciones, el método simplex puede proceder con variables que son no negativas. Las nuevas variables, x} y.x; tienen una interpretacién sencilla. Como se explica en cl signiente pérrafo, cada solucién BF para la nueva furma del modelo necesariamente tiene la Propiedad de que x} =00.j = 0 (oambas). Por tanto, en la solucién dptima obtenida pore! método simplex (una solucién BE), ={er six; 20, i 0, — deotra manera; lx;l, sixj $0, vu, de otra manera; de forma que x} representa la parte positiva de xy xj su parte negativa (como lo sugieren los superindices) Por ejemplo, six, = 10, las expresiones anteriores dan x} = 10 y x; =0. Este mismo valor de x = «¢j ~x7 ocurriré también con valores grandes de} yx, tales quex; = <7 +10. Algraficar estos valores de +} yr; en dos dimensiones se obticne una recta con punto er nal en x} ~ 10, 27 =0 para evitar violar las restricciones de no negatividad. Este punto es la tinica solucién en un vértice sobre la recta. Por lo tanto, s6lo este punto terminal puede ser arte de una solucién FEV global o de la solucién BF que involucra a todas las variables del modelo, Esto ilustra por qué necesariamente para cada solucién BF se tiene que x} -0 0 ¥j =0 (0 ambas). Para ilustrar el uso de x} y 27, se regresard al cjemplo, dado en la pagina anterior en don- dese vuelve adefinir como el ineremento sobre latasa de producci6n actual de 10 para el producto 1 en el problema de la Wyndor Glass Co. Pero ahora suponga que la restriccién x 2 ~10 no estéincluida en el modelo original, ya {que es claro que no influye en lasolucién Gptima. (En algunos problemas, ciertas variables no Necesitan tener cotas inferiores explictas cuando las restricciones funcionales impiden valo. Fesmenores.) Entonces, antes deaplicar el método simplex, mse reemplaza por laiferencia, xi-x7, donde xj 20, x7 20, como se muestra: Maximizar Z= 3m +533, Maximizar Z = 3xf- 34; + 5, sujetaa nos 4 sujeraa atm s4 as |, 2x, s12 3x4 257518 Bat ~ 347 + 2p 518 22 0 (solamente) 820, 420, 20152 47 4 Solucién de problemas de programacién lineal: método simplex Desde un punto de vista computacional, este enfoque tiene la desventaja de que el nuevo modelo equivalente tiene mas variables que ¢l modelo original. De hecho, si ninguna variable original tuviera restriccién de cota inferior, el nuevo modelo tendria el doble de variables. Por fortuna este enfoque se puede modificar un poco para que el mimero de variables aumente slo en uno, sin importar cudntas variables originales tengan que sustituirse. Esta modificacién se hace reemplazando cada variable de este tipo, xj, por donde xj 20, «720, donde x" es la misma variable para toda j relevante. En este caso, la interpretacién dex" es que =x" es el valor actual de la variable original negativa mds grande (en términos de valor absolu- to), entonces, x’ es la cantidad por la que x j excede este valor. Con esto, el método simplex puede hacer que algunas +’; adquieran valotes mayores que cero aun cuando x" >0. ANALISIS POSOPTIMO En las secciones 2.3, 2.4 y 2.5 se hizo hincapié en que el anliis posdptimo, el andlisis que se hace después de obtener una solucién éptima para la versién inicial del modelo, constituye luna parte muy importante de casi todos los estudios de investigacién de operaciones. Este he- ccho es particularmente cierto para las aplicaciones comunes de programacién lineal. Esta sec- ciénesté dedicada a presentar el papel que juega el método simplex al realizar este andlisis. La tabla 4.17 resume los pasos que deben seguirse en un andlisis posdprimo en estudios de programacién lineal, La diltima column de esta tabla identifica algunas técnicas que emplean el método simplex. Aqui se dard una introduccién breve a estas técnicas y los detalles se dejan para capitulos posteriores. Reoptimizacién ‘Como se analizé en la secci6n 3.7, los modelos de programacién lineal que surgen en la préc- tica casi siempre son muy grandes, con cientos o miles de restricciones funcionales y variables de decisién. En estos casos, pueden ser de interés muchas variaciones del modelo bésico que consideran diferentes escenarios. Por lo tanto, después de encontrar una solucién éprima para una versidn de un modelo de programacién lineal, debe resolverse el problema de nuevo TABLA 4.17 Anilisis poséptimo para programacién lineal Tarea pésita Técnica Encontrar errores y debildades dal modelo Demostrar la valigez del modelo final ectuar una divsién apropiada de ot ecursos de le organ wr as actividades bajo estudio y tras dethidades importaneoe Determina las estimaciones crucales que Extracci6n de errores del modelo ‘Valiactén del modelo Decisi6n gerencial final sobre ‘signacion de recursos (valores deb) Reoptimizacién Veaiaseccion 24 Precios sombra Evaluacién de ls estimaciones de Anilsis de los parimetros del modelo pueden afectar la solucién Sptima de un sensibildad estudio mas amplio Evaluacién de trueques entre Determinar el mejor trueque Programacién lineal los parimetros del modelo aramétrica4.7 Anilisis poséptime 153 (con frecuencia muchas veces) para una versidn ligeramente diferente del modelo. Casi siem- prese deben resolver varias veces durante la erapa de extraccidn de errores del modelo (descri- ta.en las secciones 2.3 y 2.4) y, por lo general, se hace lo mismo un gran niimero de veces durante las etapas de andlisis poséptimo. ‘Una manera de hacerlo es sencillamente aplicar el mérada simplex desde el principio a cada nueva versién del modelo, aunque cada corrida pueda requerir,en problemas grandes, cientos 0 miles de ireraciones. Sin embargo, una forma mucho mde efciente xs la le reopuint. sar. La reoptimizacién deduce los cambios que deben introducirse ala tabla simplex final (como se estudiard en las sceciones 5.3 y 6.6). Esta rabla simplex revisada y la solucién dptima del modelo anterior se usan como la tabla iniial y la solucid basica inicial para resolver el nuc- vomodelo. Siesta solucién es factible para el nuevo modelo, se aplica el método simplex en la forma usual, a partir de esta solucién BF inicial. Sila solucidn no ¢s factible, tal vez se pueda aplicar un algotitmo similar llamado método simplex dual (descrito en la seccién 7.1) pata encontrar la nueva solucién éptima,! comenzande con esta sqlucién bisica inicial, La gran ventaja de la técnica de reoptimizacién sobre el hecho de volver a resolver el Problema desde el principio, es que quizd la solucién éptinta para el problema revisado esté ‘mucho mds cerca de la solucién éptima anterior que de una solucién BF inicial construida como siempre pata cl inétodo simplex. Asi, si se supone que las revisiones del modelo son moderadas, se requerirén s6lo unas cuantas iteraciones para reoptimizaren lugar de cientos 0 tal vez. miles que pueden realizarse al comenzar desde el principio. De hecho, las soluciones del modelo anterior y del revisado con frecuencia son las mismas, en cuyo caso, a técnica de reoptimizacién requiere s6lo una aplicacién de la prueba de optimalidad y ninguna iteracion, Precios sombra Recuerde que los problemas de programacién lineal con frecuencia se pueden interpretar como la asignacidu de recursos a las actividades. En particular, cuando las restricciones funcionales son de la forma s, las, (los lados derechos) se interpretaron como las cantidad de los respectivos recursos disponibles para las actividades bajo estudio. En muchos casos, pue- dc haber dudas respecto alas cantidades que estarin disponibles. Siasies, los valores, que se ‘san en el modelo inicial (validado), en realidad pueden representar una decisin inicial tenta- iva del gerente sobre la cantidad de recursos de la organizacién que se asignardn a las actividades consideradas en el modelo y no a otras que el gerente considere importantes, Desde esta perspectiva més amplia, algusnus valores de 6; se pueden inerementar en un modelo revisado, pero s6lo cuando se presenten razones poderosas en cuanto a que esta revisién serd be- néfica. En consecuencia, la informacién sobre la contribucién econémiica de los recursos a la ‘medida de desempeno (Z) para el estudio en curso casi siempre serd itil en extremo. El méto- do simplex proporciona esta informacién en forma de precios sombra para los recursus res pectivos. Los precios sombra para el recurso i(denotados por y) miden el valor marginal deeste recur- s0,es decir, larasaala que Z puede aumentars se incrementa (tn poco) la cantidad que se pro- "Elsinicorequisito para usar el método simplex dual aqui es que todavia se pas la prueba de opimalided laplcarla al ‘engin 0 dela tabla simplex final rida, Si no, cn su haga se pu sar Off algortmo lamado meade pri- mal-ual.154 4 Solucidn de problemas da pragramaciAn linaal: métoda simplex porciona de este recurso (b).!+2 El mérodo simplex identifica este precio sombra como yf = Coeficiente de la i-ésima variable de holgura en el rengion 0 de la tabla simplex final. Como ejemplo, en el problema de la Wyndor Glass Co., Recurso i = capacidad de produccién de la planta i ( para los dos nuevos productos bajo estudio, » 2, 3) que se proporciona 4, = horas del tiempo de produccién por semana que se proporcionan cn la planta i para estos nuevos productos. Proporcionar una cantidad sustancial de tiempo de produccién para los nuevos productos re- queriré un ajuste en los tiempos de produccidn para los productos actuales, asi que elegir los valores de b; es una decisién administrativa dificil. La decisién inicial tentativa ha sido b=4, by=12, b=18, como se refleja en el modelo bésico considerado en la seccién 3.1 y en este capitulo, Sin embargo, la gerencia desea ahora evaluar el efecto de cambiar cualquiera de los valores de lasb; . Los precios sombra para estos recursos proporcionan justo la informacion que necesita la gerencia, La tabla simplex final en la tabla 4.8 (vea la pagina 128) lleva a = precio sombra del recurso 1, precio sombra del recurso 2, 93 = 1 = precio sombra del recurso 3. Con sdlo dos variables de decisién, estos ntimeros se pueden verificar gréficamente si se observa que un incremento individual de 1 en cualquierb, de hecho aumentaria cl valor de Zen yf. Por ejemplo, la figura 4.8 muestra este incremento para el recurso 2 al volver a aplicar el metodo grafico que se presenté en laseccién 3.1. La solucién éptima, (2, 6) con Z= 36, cambia a (3, 18) con Z= 37} cuando b; aumenta en 1 (de 12 a 13), de manera que yi =0Z=37}-36=3. Como Z se expresa en miles de délares de ganancia semanal, yf = } indica que sie agre- gara una hora més de tiempo de produccién a la semana en la planta 2.para estas nuevos productos, aumentarfa la ganancia total en $1 500 a la semana. éDebe hacerse esto? Depende de Ja ganancia marginal de otros productos que por el momento usan este tiempo de produc cidn. Si existe un producto actual que contribuye con menos de $1 500 de la ganancia semanal por una hora de produccién ala semana en la planta 2, entonces valdrfa la pena algiin cambio en la asignacién del tiempo de produccién a los nuevos productos, Esta historia continuard en la seccién 6.7, donde el equipo de IO de la Wyndor utiliza los precios sombra como parte del andliss de sensibilidad del modelo. 'Blincremento en}, debe se suficientemente pequefio para que el conjunto actual de variables bdsicassiga siendo 6p- timo, ya que esa tsa (el valor marginal) cambia si el conjunto de variables bisicas cambia En caso de una restriccién funcional de a forma 2 0, su precio sombra se define de nuevo comollatasa ala que pue- {de aumentar Z al incrementar (un poco) el valor deé;, aunque la interpretacin usual deb, ahora seria algo diferente a Ja cantidad de recursos disponibles.4.7 _Anélsis poséptimo 155 af Z=3x +m a 2-139 2=3(5)+ 58) 373 | aa FIGURA 4.8 6 2a 12+ Z= 30) +56) 36 [A273 La grica muestra 2,6) precio sombraes y3=2 F arael recurso 2 del as4 problema de la Wyndor Glass Co. Los dos puntos son las soluciones éptimas para by=12 0b, =13, yal in- Sertar estas soluciones en la funcién objetivo se ve que un Incremento de | en by oca- siona un aumento de y' enz. 2 ¢ 6 * La figura 4.8 demuestra que y3 =} ¢s la tasa ala que aumentarfa Z sise incrementara un Poco 6, pero también demuestra el fendmeno general de que esta interpretacin es valida ada mas para aumentos pequefios en. Sise aumenta amés de 18 unidades, la solucién 6p. tima se queda en el punto (0, 9) sin que la atrmente mis. (En ese pranto cambia el conjunto de variables basicas en la soluci6n dptima y debe obtenerse una tabla simplex final con nuevos precios sombra, inchayendo y3 =0.) Ahora observe en la misma figura por qué yf =0. La restriccién sobre el recurso 1, #1 £4, noatan a la solucidn dptima, (2, 6), ya que existe un superavit de este recurso, Por Io tanto, sib; adquiere un valor mayor que 4, no se obtendré una nueva solucién éprimacon un valor mayor para Z, Por el contrario, as restricciones sobre los recursns 2 y 3,23 <12y8x; 1 2s) < 18, son restricciones de atadura (en las que se cumple la igualdad para lasolucin ptima), Debido a.que la disponibilidad limitada de estos recursos (by = 12,43 = 18) uta aZ para que no} pueda incrementarse, los precios sombra de estos recursos son positives. Los economistas se refieren acste tipo de recursos como bienesescasos, mientras que ls recursos disponibles con superdvit (como el recurso 1) son bienes libres (recursos con precios sombra de cero). El ipo de informacion que proporcionan los precios sombra es valiosa para la gerencia cuando examina la posibilidad de reasignar recursos dentee de la organizacién. También re- Sulta muy dtl cuando un aumento end; se puede lograr con sélosalira comprar un poco mis del recurso, Por ejemplo, suponga que Z representa ganancias y que las yanancias unitaras de las actividades (los valores dec) inclayen los costos (a precios normales) de todos los recur. $08 que se consumen. Entoness, un previo sombta positive de y7 para el recurso i significa que la ganancia total Z se puede aumentar en la cantidad y* comprando una unidad mas de este recurso a su precio normal. Asimismo, si se tiene que pagar in precio mayor al nominal130 ‘4 Solucion de problemas de programacion lineal: metodo simplex por la cantidad adicional del recurso, yf representard el precio maximo (cantidad adicional sobre el precio normal) que vale la pena pagar.! La tcorfa de dualidad proporciona cl fandamento teérico de los precios sombra y se describe en el capitulo 6. Andlisis de sensibilidad Cuando se examiné la suposicién de certidumbre para la programacién lineal al final dela seccidn 3.3, se hizo notar que los valores usados para los pardmetros del modelo (las a,b; ¥¢j qque se identifican en la tabla 3.3) casi siempre son sélo estimaciones de las cantidades cuyos verdaderos valores no se conocerin hasta que el estudio de programacién lineal se Heve ala préctica en cl faturo, El propdsito principal del anilisis de sensibilidad cs identificar los pardmetros sensibles (esto es, aquellos que no pueden cambiar sin cambiar la solucién éptima) Los parametros sensibles son los pardmetros que serd necesario controlar muy de cerca conforme el estudio se ponga en practica. Si se descubre que el valor verdadero de un parimetro sensitivo difiere de su valor estimado en el modelo, esto da la sefial inmediata de que la solu- cién debe cambiar. &Cémo se identifican los pardmetros sensibles? En el caso de las b;,, acaba de verse que esta informacién esté dada por los precios sombra que proporciona el método simplex. En. particular, si y? > 0, entonces la solucién éptima cambia sid; lohace, porlo ques; es un pars metro sensible. Sin embargo, ¥;° = 0 indica que la solucién éptima no es sensible al menos a cambios pequefios en b;.. En consecuencia, si el valor que se usa para b; es una estimacién de lacantidad de recurso que se tendré disponible (y no una decisién administrativa), los valores ded; que se deben controlar con més cuidado son aquellos con precios sombra positives, enes- pecial los que tienen precios sombra grandes. Cuando el problema tiene sélo dos variables, la sensibilidad de los distintos parimetros se puede analizar con una gréfica. Por ejemplo, en la figura 4.9 se puede observar que ¢ puede cambiar a cualquier otro valor dentro del intervalo de 0 a 7.5 sin que la solucién épti- ma (2, 6) cambie. (La razén es que cualquier valor de c, dentro de este intervalo mantiene la pendiente de Z= cx; + 5x) entre las pendientes de las lineas 2x, = 12y3x + 2x2 = 18.) De igual manera, sic) = 5¢s el tinico parémetro que se cambia, puede tomar cualquier valor mayor que 2 sin que afecte la solucién éptima. Ast, ni ¢ ni ¢, son pardmettos sensibles. ‘La manera mAs facil de analizar la sensibilidad de cada uno de las pardmetros ag es verificar sisu restriccién correspondiente es de atadura en la solucién éptima. Como x} < 40 es tuna restriccién de atadura, cualquier cambio suficientemente pequefio en sus coeficientes (a1: = 1,12 = 0) no cambiars la solucién dptima, asi que éstos no son parémetros sensibles. Por otro lado, tanto 2x3 s 12como3x; + 2x, $ 18, son restricciones de aradura, por lo que al cambiar cualquiera de sus coeficientes (a) = 0, @32 = 2, 41 = 3,39 = 2) tendrd que cambiar la solucién éptima, y por lo tanto, éstos son pardmetros sensibles. Es comin que se preste més atencién al andlisis de sensibilidad sobre los pardmetros b; y ¢, que sobre losa ;. Enlos problemas reales con cientos o miles de restricciones y variables, el efecto al cambiar una ay por lo general es despreci: le, mientras que el cambio en el valor de una b; 0 una c, puede tener un impacto real. Atin més, en muchos casos, los valores de las 3S as ganancias unitaras no incluyen los costos de los recursos consumidos, entonces x? representa el precio otal tunirario méximo que valdea la pena pagar para aumentarFIGURA 4.9 La grain muestra el nai de sensibiidad de cy cy para tt problema dela Wndor 8 Glass Co. Comenzando con 7 26-20 1 bu, ta recta ea uncon objetivo orginal en donde Gclyqenysckcor — Z=30203 45x ptimaos (2.6) is otras dos rectas muestran los extremos de cuanto puede ‘amblara pendiente dela funcin obletivo sin que cambie ta slucién Spema @2.6).AS. cone, Seal intervlo de valores peracet Oe qe7s Cong Sel interalo permisibe para ¢ perm eq22 4.7_Anilsis poséptimo 157 = 75, 45%, (0Z = R24 42m) (2, 6) Spina ‘44; quedan determinados por Ia tecnologta que se estd usando (a veces se les da el nombre de Coeficientes tecnol6gicos) por lo que puede que haya muy poca (o ninguna) incertidumbre respecto a sus valores finales. Esto resulta ventajoso ya que existen muchos més parimetros ‘y que b; yc; en problemas grandes. En problemas con mas de dos (0 tal vez tres) variables, no se puede analizat la sensibilidad de los parémetros en una gréfica como se hizo con el problema de la ‘Wyndor Glass Co. Sin embargo, se puede extraer el mismo tipo de informacién del método simplex. Para obte. nerla es preciso usar la idea fisndamental que se describe en la seccion 5.3 para deducir los cambios que se generan en la tabla simplex final como resultado de cambiar el valor de un pa. rimetro cn el modelo original. En las secciones 6.6 y 6.7 se describe y ejemplifica el resto del procedimiento, Uso de Excel para generar informacién para el andlisis de sensibilidad Es comtin que el andlisis de sensibilidad se incorpore en los paquetes de software hasado enel nérodo simplex. Por ejemplo, el Excel Solver genera informacion para el andlisis de sensibili- dadsise le pide. Como se muestra en la figura 3.19 (vea la pagina 72), cuando Solver produce cel mensaje de haber encontrado una solucién, también da a la derecha una lista de tres rest menes que puede proporcionat: Siseselecciona el segundo (llamado “sensibilidad”) despues de resolver el problema de la Wyndor Glass Co., se obtendré el informe de sensibilidad moxtra. do en Ia figura 4.10. La tabla superior ahf proporciona la informacién para el andlisis de sensi. bilidad acerca de las variables de decisiGn y sus coeficientes en la funcidn objetivo, La tabla inferior hace lo mismo para las restricciones funcionales y los lados derechos158 4. Solucin de problemas de programacién lineal: metodo simplex \Celdas cambiantes Valor Gradiente Coeficiente Aumento Disminucion Colda___Nombre__Iqual_reducido objetivo _permisible_permisible SCH _Solucion Puer'as 2 o 3 45 a $D$9_Solucién Ventanas 6 0 5 iew0 3 FIGURA 4.10° Informe de [Restricciones sensibilidad Valor Sombra Restriccién Aumento Disminucién proporcionado por Celda___Nomb Jqual__precio lado derecho permisible_permisible Excel Solver para el SESS Planta 1 Totales 2 a 416430 2 problema de la SES6 Planta? Totales 12 15 2 6 é ‘Wyndor Glass Co, SES7_Planta3 Totales 18 4 18 6 6 * N. de. Los encaberais de las columnas corresponden ala traduccin de Excel y Solver. En gener se conservarin as figuras como aparecen alco rer el programa. El exo expla qué correponden. Observe primero la tabla superior en esta figura. La columna del “valor igual” indica laso- lucién éptima. La siguiente columna contiene los cates redacidas 0 gradiente reducido. (No se estudiardn estos costos ahora debido a que la informacién que proporcionan también se puede obtener del resto de la tabla superior.) Las siguientes tres columnas proporcionan la infor- macién necesaria para identificar el intervalo permisible para conservar la optimalidad para cada cocfiviente ¢; en la funcién objetivo. Para cualquicr¢,, su intervalo permisible para consecvar la uptimalidad cs el intervalo de valores de este coeficiente en el cual a solucién éptima actual permanece Optima, suponiendo que xno hay cambios en lus vtros woeficientes. Ta columna del “coeficiente objetivo"da el valor actual de cada coeficiente y las dos columnas siguientes el aumento permisible y la disminucién permisible a partir de este valor para permanecer dentro del intervalo permisible. Por lo tanto, 3-35c,<3445, demaneraqne 0<¢<75 scl intervalo permisible para. en el cual la solucién 6ptima actual permanecerd Gptima (suponiendo que ¢ = 5), justo como se encontré con el método gréfico en la figura 4.9. De manera similar, como Excel usa 1E + 30(10*°) para representar el infinito, 8-35cS5+0, demancraque 2<¢ es el intervalo permisible para cy que conserva Sptima a la solucién, El hecho de el aumento y la disminucién permisibles sean mayores que cero para el coeficiente de ambas variables de decisién proporciona otra parte de la informacién itl, como se describe en seguida (Cuando la tabla superior del informe de anlisis de sensibilidad generado por Excel Solver indica que tanto el aumento permisible como la disminucién permisible son mayores que cero ppara todos los cocticientes objetivo, ¢s tuna seflal de que la solucién éptima en la columna de “valor igual” es la nica solucién éptima. Por el contrario, algiin aumento o disminucién per- ‘isible igual a cero indica que existen soluciones miiltiples. Al cambiar el coeticiente correspondiente en una cantidad muy pequefta a un valor mayor que cero y resolver de nuevo el problema se obtiene otra solucién FEV Optima para el modelo original.4.7__Anélisis poséptimo 159 Ahora considere la tabla inferior dela figura 4.10 que se centra en el andlisis de sensibilidad para la tres restricciones funcionales. La columna de “valor igual” proporciona el valor ‘el Tao isquierdo de cada estricci6n para la solucion éprima. Las dos columnas siguientes dan los precios sombra y cl valor actual de los lados derechos (b;) de cada restriccidn. Cuando ne cambia s6lo un valor b, las dos tltimas columnas proporcionan elaumento permitible lass ‘nimucitn permisible afin de permanecer dentro del interoalopermivible para seguir futile. Para cualquier 6,, su intervalo permicihle para coguie factible cs el iawea valu de valores para este lado derecho en el cual la solucién BF Optima actual (con valores ajustados! para las varia- bis bdsicas) permanece fartible, suponiendo que no eambian lus ons ladox deccchon Entonces, si se usa la tabla inferior de la figura 4.10, se combinan las dos tiltimas columnas on tos valores actuals de los lados derechos se obtienen los intervalos permisibles para se. guir factible: 256, 6 nivel minimo aceptable) como se hizo para el proble- ‘ma de centaminacién de la Nori & Lets Co. en la seccién 3.4. La programacién lineal para- meétrica permite entonces la investigacién sistemética de lo que ocurre cuando se cambia una decisién inicial tentativa sobre loc trueques (como el nivel ménimo aceptable para lor benefi- cios) a fin de mejorar un factor a costa de otro. La técnica algorfemica para programaci6n lineal paramétrica es una extensién natural del anilisis de sensibilidad, por lo que también esté basada en el método simplex. El procedimiento se describe en la seccién 7.2. PAQUETES DE COMPUTADORA Si la computacidn clectsdnica no se hubiera inventado, sin duda no sc oirfa hablar de progra- macién lineal y el método simplex. Aunque es posible aplicar el método simplex a mano para resolver problemas muy pequenos de programacién lineal, los célculos necesarios son demasiado tediosos para llevarlos a cabo de manera rutinaria. Sin embargo, el método simplex es unalgoritmo particularmente adecuado pata su ejecucién en computadora. La revolucién de las compuradoras ha hecho posible la amplia aplicacién de la programacién lineal en las ilti- mas décadas. Implantacién del método simplex Existe una amplia disponibilidad de programas del método simplex en esencia para casi todos los sistemas de cémputo madernas, Por lo general, estos prngramas son parte de paquetes de software complejos de programacién matemética que incluyen muchos procedimientos descritos en los capitulos subsecuentes (incluso los referentes a andlisis poséptimo). Estos programas de computadora no siempre siguen la forma tabular o la algebraica del meétodo simplex que se presentaron en las secciones 4.3 y 4.4. Estas formas se pueden simpli- ficar de manera significativa al levarlas a la computadora. Af los programas usan una forma matricial (que suele llamarse método simplex revisado) muy adecuada para computacién. Esta forma abpiene justo los mismos resultados que las formas tabular y algebraica, pero calcula y almacena s6lo los nimeros que necesita para la iteracién actual, y después guarda los datos ‘esenciales de manera més compacta. En la seccién 5.2 se describe este método. Elmétodo s{mplexse usa en forma rutinaria para resolver problemas de programacién lineal sorprendentemente grandes. Por ejemplo, algunas computadoras personales poderosas (en especial las estaciones de trabajo) pueden resolver un problema con varias miles de restricciones fancionales y un nimero mayor de variables de decision. En el caso de computadoras grandes se habla de diez mil restricciones funcionales.! Para ciettos tipos especiales de 'Nointenteestoencasa, Los problemas deste tiporequeren un sistema de programaci6n lineal complejo que wa ls téenicas modernas que aprovechan a proporcién de coeicentes en a mati y otras tecnica especiales (por ejemplo, donieas de qucbre para encontrar con rapidez una solucién BF incial avanzada). Cuando se resuelven problemas en forma peritlica deypucs Ualguaatulizacin menor dels dats, con frecuencia se ahorra mucho tempol user (o modifica) la ima solucién Sptima como soucin incl bisicafatble para la nueva cota4.8 Paquetes de computadora let roblemas de programacién lineal (como problemas de transporte, asignacién y flujo de cos- fo minimo que se describirén en secciones posteriores), ahora pueden resolverse problemas de tamafio mucho mayor con versiones epecializadas del método simplex. Varios factoresafectan el tiempo que tarda el método simplex yeneral en resolver un problema de programaci6n lineal. El mds importante es el nsimero de restriccionesfuncionales ordi. narias, De hecho, l tiempo de eilculo tiende a ser, a grandes rasgos, proporcional al cubo de este ntimero, por lo que al duplicarlo el tiempo puede quedar multiplicado por un factor spruninnady de 8. Por el contratio, el niimero de variables es un factor de importancia relati- Yamente menor! Ast, aunque se dupliquen, tal vez ni siquiera se chuplique el tiempo de edleu- los. Un tercer factor con alguna importancia ¢s la densidad de la tabla de coeficientes de las restricciones (es decir, laproporcién de cocficientes disintor de cero) ya que esto afecta cl tiem: po de cdlculo por iterncién. (En problemas grandes encontrados en la préctica, es comin que {a densidad esté por debajo de 5% e incluso sca mcuor al 1% y esta “proporcion” tiende a are. Jerar mucho el método simplex.) Una tegla empirica comiin para estimar el mimero burdo de itoracioncs cs que ticnde a ser el doble del mimero de restricciones funcionales, En problemas de programacién lineal grandes, es inevitable que al inicin se cometan al- unos errores y se tomen decisiones equivocadas al formular e! modelo ¢ introducitlo en la computadora. Entonces, como se estudié en la seccidn 2.4, se necesita un proceso exhaustive de pruebas y refinamiento (validacién del modelo). El producto terminal usual no es un mode. loestético que el méroda simplex resuelve una vez. Mis bien, elequipo de1O y casi siempre la Serencia toman en cuenta una larga serie de variaciones sobre el modelo basico (en ocasiones, ‘niles de variaciones) para examinar diferentes escenarios como parte del anilisis posdptimo. Este proceso completo se acelera mucho cuando se puede llevar a cabo de manera interactina 1 una compuradora personal, Con la ayuda de los lenguajes de modelado matemtico y de los avances en la tecnologia de computadoras esto es, cada vez. més, tina prictica comin. Hasta mediados de la década de los 80, los problemas de programacién lineal se resolvian casi exclusivamente en computadoras grandes. Un interesante desarrollo recicnte es la explo sion en la capacidad de ejecutar programas de programacin lineal en las computadoras personales, incluyendo las microcomputadoras y las ¢staciones de trabajo, Estas, que incluyen algunas con capacidad de procesamiento en paralelo, ahora se usan en lugar de las computadoras grandes para resolver modelos masivos. Las computadoras personales més ripidas o se quedan atrés aunque la solucién de modelos extensos suele requerir memoria adicional, Software de programacién lineal descrito en este libro Hoy se dispone de un gran mimero de paquetes de software para programacién lineal y sus extensiones, que satisfacen distintas ncvesidades. Uno que se considera en particular podero- soes CPLEX, un producto de LOG, Inc., con oficinas ea Silicon Valley. Durante més de una clécada, CPLEX ha marcadbo el camino de la solucién de problemas de programacion lineal cada veo. mis grandes. Los extensos esfuerzos de investigacién y desarrollo han permitido tuna serie de actualizaciones con inerementos drésticos en la eficiencia. CPLEX 65, libera do en marzo de 1999 proporciona otra mejora de un orden de magnitud. Este software ha te- suelto con éxito problemas de programacién lineal reales surgidos en la industria con tantas como 2 millones de restricciones funcionales y unt nimero comparable de variables de deci. sin. Con frecuencia, CPLEX 6.5 usa el método simplex y sus variantes (como el método simplex dual presentada en la secci6n 7.1) para resolver estos problemas masivos. Ademés "Esta aflrmacién supone que se estéutlizando el método simplex revisado descrito en la scccidn 8.2.162 4 Solucién de problemas de programacién lineal: método simplex del método simplex, CPLEX 6.5 cuenta con otras herramientas poderosas para tesolver problemas de programacién lineal. Una es un algoritmo répido como un rayo que usa el enfoyue dde punto interior introducido en esta seccién. Este algoritmo puede resolver algunos problemas de programacién lineal enormes que el método simplex no puede (y viceversa), Otra ca- racteristica es el método simplex de reds (descrito en la secci6n 9.7) que puede resolver tipos especiales de problemas de programacién lineal aun més grandes. CPLEX 6.5 también va ‘més alld de la programacién lineal ¢ incluye algoritmas madernas para pragramnciée estern (capitulo 12) y programacién cuadrdtica (seccién 13.7). Como a menudo se usa para resolver problemas realmente grandes, lo normal ¢s que CPLEX se use junto con un lenguaje de modelado de programacién matemitica. Como se des- cribié cn la secci6n 3.7, los lenguajes de modelado estan disefiados para formular con eficiencia modelos de programacién lineal grandes (y modelos relacionados) de manera compacta, después de lo cual, se corre un solucionador para resolver el modelo. Varios lenguajes de modelado sobresalientes trabajan con CPLEX como solucionador. ILOG introdujo hace pacn su propio lenguaje de modelado, llamado OPL Studio, que se puede usar con CPLEX. (Se puede encontrar una versién de evaluacién de OPL Studio en la pagina de Internet de ILOG, www.ilog.com.) ‘Como se mencions cn la seccién 3.7, la versin de estudlianes de CPLEX se incluye en el OR Courseware como ¢! solucionador de! lenguaje de modelado MPL. Esta versi6n trabaja con el método simplex para resolver problemas de programacién lineal. LINDO (iniciales de Linear INternctive and Discrete Optimizer) es otto prominente paquete de software para programacién lineal y sus extensiones. Un producto de LINDO Systems, con oficinas en Chicago, LINDO tiene una historia més antigata que CPLEX. Aun- que no tan poderoso como CPLEX, la versién completa de LINDO ha resuelto problemas con decenas de miles de restricciones funcionales y cientos de miles de variables de decisién. Suyya duradera popularidad se debe en parte aa sencillez de manejo. Para problemas relativamente pequefivs (tamafo libro de texto), el modelo se puede introducir y resolver de manera bastante intuitiva, por lo que se trata de una herramienta til para los estudiantes. Sin embargo, LINDO no cuenta con algunas caracteristicas de los lenguajes de modelado para el manejo de problemas de programacién lineal grandes. En esos casos, puede ser més eficiente usar cl lenguaje de modelado LINGO para formular el modelo y después correr el solucionador que comparte con LINDO para resolver el modelo. Se puede bajar la versién de estudiantes de LINDO de la pagina de Internet www.lin: do.com. Bl apéndice 4.1 proporciona una introduccidn al uso de LINDO, El CD-ROM tambign inchuye un tutorial de LINDO yas formulaciones en este formato de todos los ejemplos del libro a los que se puede aplicar. Los solucionadores basados en las hojas de caleulo cada vezson mejor recibidos para pro- gramacién lineal y sus extensiones. Entre los lideres se encuentran los solucionadores produ- cidos por Frontline Systems para Microsoft Fxcel, Lotus 1-2-3 y Corel Quattro Pro. Ademés del solucionador bisico que incluyen estos paquetes, se dispone de dos més poderosos: el Premium Solver y el Premism Solver Plus. Debido al amplio uso actual del software de hojas de céleulo como Microsoft Excel, estos solucionadores han hecho que un creciente niimero de personas conozcan el potencial de la programacién lineal. Para problemas tipo libros de texto (y algunos considerablemente mas grandes), las hojas de célculo proporcionan una manera conveniente de formular y resolver el modelo de programacién lineal, como se describe enlaseccién 3.6. Los solucionadores més poderosos pueden resolver modelos bastante grandes con varios miles de variables de decisién. Sin embargo, cuando la hoja de célculo crece a49 4.9 __ Enfoque de punto interior para resolver problemas de programacién lineal 163 lun tamafio dificil de manejar, un buen lenguaje de modelado y su sohucionador pueden pro- Porcionar un enfoque mds eficiente para formulat y resolver el modelo, Las hojas de céleulo proporcionan una excelente herramienta de comunicacién, en especial si se trata de aininistradores tipicos que se sienten a gusto con este formato pero no con tas formulaciones algebraicas de IO, Por esto, es comiin que los paquetes de optimizacién y {os lenguajes de modelado pueden importar y exportar datos y resultados al formato de uns hoja de célculo. Por ejemplo, el lnguaje de modelada MPL ahora incluye una mejors (lane da OptiMax 2000 Component Library) que permite creat la sensacién de un modelo en hoja de célculo para el usuario del modelo pero que usa MPL para formularlo de manera muy eficiente. (La versién de estudiate de OptiMax 2000 se incluye en el OR Courseware.) El Premium Solver es uno de los complementos de Excel incluido en el CD-ROM, Se puede instalar para obtener un desempefio mucho mejor que con el Excel Solver estindar. Entonees, todo el software, los tutoriales, y los ejemplos en el CD-ROM proporcionan varias opciones atractivas de paquetes para programacién lineal Opciones de software disponibles para programacién lineal, 1, _Ejemplos de demostraci6n (en OR Tutor) y rutinas interactivas para un aprendizajeefi- ciente del método simplex. 2. Excel el Premium Solver para formular y resolver modelos de PL en una hoja de célculo. 3. MPL/CPLEX para la formulacién y solucidn eficiente de modelos grandes de PL. 4. LINGO ysu solucionador (compartido con LINDO) que da una manera alternativa de formular y resolver modelos grandes de programacién lineal con eficiencia. 8. LINDO para formular y resolver modelos de programacién lineal cn forma directa, su profesor especifique qué software usar. Cualquiera que sea la eleccidn, adquirird ex Periencia con el tipo de software actual que usan los profesionales de IO. ENFOQUE DE PUNTO INTERIOR PARA. RESOLVER PROBLEMAS DE PROGRAMACION LINEAL El desarrollo de més impacto durante la década de 1980 en investigacién de operaciones fue cldescubrimiento del enfoque de punto interiot para resolver problemas de programacién lineal, Este descubrimiento se hizo en 1984, cuando un joven matcmatico de AT&T Bell La- boratories, Narendra Karmarkar, anuncié el desarrollo de un nuevo algoritmo para resolver problemas grandes de programacién lineal. Aunque el algoritmo experiment6 solo una mez~ cla de aceptacién y rechazo al competir con el método simplex, el concepto clave de solucién que se describird parecfa tener un gran potencial para resolver problemas de PL enormes mas alli del aleance del método simplex. Muchos investigadores de alto nivel trabajaron en modificaciones del algoritmo de Karmarkar para aprovechar su potencial completo, Se han logra- do grandes avances (y continyian) y se ha desarrollado varios algoritmos podcrosos que usan cl enfoque de punto interior. En la actualidad, los paquetes de software més eficaces diseiia- dos para resolver problemas muy grandes (cumo CPLEX) incluyen al menos un algoritmo que usa el enfoque de punto interior junto con el método simplex. La investigacién sobre es- toy algoritmos contintia y su implantacién en la computadora sigue mejorando, Esto ha reno- vado la investigacién sobre el método simplex lo mismo que sobre su implantacién en la computadora (recuerde el avance dréstico de CPLEX 6.5 citado en la seccidn anterior). Con-164 4 Solucién da problemas de programarién lineal: métado simplex ‘ima la competencia por la supremacia entre los dos enfoques para resolver problemas muy grandes. ‘Ahora se estudiarélaidea clave en que se apoya el algoritmo de Karmarkar y us variantes, subsecuentes que usan el enfoque de punto interior. El concepto de solucién clave ‘Aunque es radicalmente diferente al método simplex, el algoritmo de Karmarkar comparte algunas de sus caracteristicas. Fs un algoritmo iterative. Comienza por identificar unasolucion prueba factible, En cada iteracién, se mueve de una solucién prueba actual a una mejor solu- ‘cién prueba en la regién factible. Después contimta este proceso hasta llegar a una solucién prueba que es (en esencia) dptima, Lagran diferencia se encuentra en la naruraleza de estas soluciones prucba, Para el méto- do simplex, las soluciones prueba son soluciones FEV (0 soluciones BF en el problema aumentado), de manera que todos los movimientos se hacen por las aristas sobre la frontera de la regi6n factible, Para l algoritmo de Karmarkar, as soluciones prueba son puntos interiores, cs deci, puntos dentro de la frontera de la regi6n factible. Estas larazén por la que se hace referencia al algoritmo de Karmarkar y sus variantes como algoritmos de punto interior. Para ilustrar esto, la figura 4.11 muestra la trayectoria seguida por el algoritmo de punto imerior en cl OR Courseware cuando se aplica al problema de la Wyndor Glass Co., comen: GURA 4.11 ah Lacuna de (1,2) a (2,6) muestra una trayectoria ‘pica seguida por un algoritmo de punto Interior, através del interior de la region factible para el problema de la Wyndor Glass Co.4.9 Enfoque de punto interior para resolver problemas de programacién lineal 16s, TABLA 4.18 Salida del algoritmo de punto interior en OR Courseware ara el problema de la Wyndor Glass Ci x x Zz v 2 3 Lanse 4 23.8189 37744 5 29.1323 Vs«701 55 dare (80268 5.71816 33.989 192134 5.82908 34.9094 1.96639 5.90595 35.429 1.98385 5.95199 35.7115 1.99197 5.97594 35.8556 1.99599 5.98796 35.9278 1.99799 5.99398 35.9639 1999 5.99699 35.9819 19995, 5.9985 35.991 1.99975, 5.99925 35.9955 1.99987 5.99962 35.997 1.99994 5.999% 35.9989 -_-_ ges zando en la solucion prueba inicial (1, 2). Observe que todas la soluciones prueba (puntos) que aparecen en esta trayectoria se encuentran dentro de la frontera de la regidn factible cou forme la trayectoria se acerca a la solucién éptima (2, 6). (Todas las soluciones prueba subse Cuentes qué no se muestran estén también dentro de la fiuntera de la region factible.) Compare esta trayectoria con la seguida por el método simplex alrededor de la frontera de (0, 0) a (0, 6) a (2, 6). La tabla 4.18 muestra una salida real del OR Courseware para este problema.! (Inténte- 4o.) Observe como las soluciones prueba sucesivas se van acercando ala solucién Sptima pero en realidad nunca llegan, Sin embargo, la desviacién se vuelve infnitesimalmente pequetia Para propésitos practicos, la solucién prueba final puede tomarse como lasolucién Optima. La seccién 7.4 presenta los detalles del algoritmo de punto interior especifivu que se de- sarroll6 en el OR Courseware. Comparacién con el método simplex ‘Una manera significativa de comparar los algoritmos de punto interior con el método sim= plex es examinar sus propiedades tedricas en cuanto a complejidad computacional. Karmar- Kar demostré que la versiGn original de su algoritmo es un algoritmo de tiempo polino- ial; es decir, el tiempo que se requiere para resolver cualquier problema de programacién li neal se puede acotar por arriba por una funcién polinomial del tamafio del problema, Se han construido contracjemplos patoldgicos para demostrar que el mérodo simplex no posee esta propiedad y que cs un algoritmo de tiempo exponencial (esto cs, el tiempo requerido slo puede ser acotado por arriba mediante una funcién exponencial del tamaiio del problema). La diferencia en el desemperi en el peor de os casos es considerable. No obstante, esto nada dice “Laing e lama Sle Automatically by the Interior Point Algom (solucién automstica por el algoremo de punto interior). El meni de “option” da dos altemativas para cierto pardmetro a del algoritma (definide en laseecin 7-4, La cleccion usada aqui es el valor eseablecido dea = 05.166 4. Salueidn da penhlamae de programarién lingal: mbtnda simple sobre su comparacidn en el desemperio promedio en problemas reales, que es un asunto de ‘mayor importancia. Los dos factores bésicos que determinan el desempefio de un algoritmo para un proble- ‘ma real son el tiempo promedio de computadora por iteracién y el nsimero de iteraciones, Las siguientes comparaciones conciernen estos Factores. Los algoritmos de punto interior son mucho més complicados que el método simplex. Se requicren nucty und céleuluy cu Cada iteaci6ut para encontrar la siguiente solucidn prueba. Por lo tanto, el tiempo de computadora por iteracién para un algoritmo de punto interior es muchas veces mayor que para cl método simplex. ara problemas bastante pequefios, el niimero de iteraciones requeridas por un algorit- ‘mo de punto interior y por el método simplex tiende a ser comparable. Por ejemplo, en un problema con 10 restricciones fincionales, 20 iteraciones seria lo normal para los dos tipos de algoritmos. En consecuencia, en problemas de tamafio similar, el tempo total de computadora para un algoritmo de punto interior tenderé a scr mucho mayor que para cl nétodo simplex. Por otro lado, una ventaja de los algoritmos de punto interior es que los problemas grandes no requieren muchas més iteraciones que los problemas pequefios. Por ejemplo, un problema con 10 000 restricciones funcionales tal vez requiera menos de 100 iteraciones. Aun considerando el tiempo sustancial de computadora necesario por iteracién para un problema de este tamafo, un niimero de iteraciones tan pequefio hace que el problema sea muy maneja- ble. Por el contrario, el método simplex puede requerir 20 000 iteraciones con lo que puede no terminaren un tiempo razonable. Entonces, es muy probable que los algoritmos de punto interior sean més répidos que ¢l metodo simplex para problemas tan grandes. La razén de esta gran diferencia en el mimero de iteraciones en problemas grandes es la diferencia en las trayectorias seguidas. En cada iteraci6n el método simplex se mueve de la so- Jucién FEV actual a una solucién FEV adyacente por una arista de la frontera de la regi6n factible. Los problemas grandes tienen cantidades astronémicas de soluciones FEV. La trayectoria desde la solucién FEV inicial hasta una sohucidn éptima puede dar muchas vueltas por la frontera, tomando numerosos pasos a cada solucién FEV adyacente siguiente. En con- traste, un algoritmo de punto interior sc salta todo esto caminando por ¢l interior de la regign factible hacia la solucién éptima. Al agregar restricciones funcionales se agregan aristas a la frontera de la regién factible, pero esto tiene muy poco efecto sobre e! ntimero de soluciones prueba que se necesitan en la trayectoria a través de! interior. Esto hace posible que los algoritmos de punto interior resuelvan problemas con un niimero muy grande de restricciones fincionales. Una iltima comparacién importante se refiere a la habilidad para realizar los distintos tipos de andlisis posdptimo descritos en la seccién 4.7. El método simplex y sus extensiones son muy adecuados y su uso es muy extenso para este tipo de andlisis. Desafortunadamente, el enfoque de punto interior en la actualidad tiene una capacidad muy limitada en esta area. Dada la gran importancia del andlisis poséprimo, ésta es una falla crucial de los algoritmos de punto interior, Sin embargo, se estableceré una forma en que cl método simplex se puede combinar con el enfoque de punto interior para salvar este obstéculo. 'sin embargo, linvestigaciondiigidaaaumentar esa capacidad contnia avanzando. Por ejemplo, veaH. J. Green berg, “Matrix Sensitivity Analysis rom an interior Solution ofa Linear Program”, INFORMS Journalon Computing, 11 316-327, 1999 y sus referencias.4.9 _ Enfoque de punto interior para resolver problemas de pengramacién lineal 167 Papeles complementarios del método simplex y el enfoque de punto interior La investigacién que se realiza en la actualidad! contintia proporcionando mejoras sustancia- les ena implantacién en computadora del método simplex inchuidas sus varantes) ye alge, Dene gE Panto interior, Por lo tanto, cualquier prediccién sobre su pape futuro estes gos, De todas maneras, se dard un resumen de nuestra prediccidn actual arerea de sus pepeles complementarios, Elmétodo simplex (y sus variants) signe siendoelalgoritmo estindar paruel uso rutina- to de programacion lineal. Es el algoritmo més eficente para problemas con menos de unes Guanes clentos de restrccionesfuncionales. Tambign cs cl mas eficiente para algunos (pero no todos) los problemas con hasta varios miles de restrcciones funcionales y casi un numero, imitado de variables de decisién, por lo que la mayor parte de los usuarios lo siguen usando Para este tipo de problemas. Pero, cuando el nimero de restricciones funciomates aumenea, ada vez cs més probable que el enfoque de punto interior sea el mas eficiente, y ahora se usa con frecuencia. Cuando el tamatio llega a decenas de miles de restricciones funcronales, elem foque de punto interior puede ser el nico capaz.de resolver el problema, Aun asf, no siempre Ocurre esto, Como se mencions en a seccién anterior, el moderne suftware (CPLEX 6.5 ) ha fenido éxito en el uso del método simplex y su variantes para resolver algunos problemas ma, sivos con cientos de miles ¢ incluso millones de restricciones y variables de decision Estas generalizaciones sobre la comparacién entre el enfoque de punto interior y el méto- do simplex para distincas tamafios de problemas no se cumplirn en todos los casos, El sof Ware dado y el equipo de cémputo que se usan tienen un impacto importante. Eltipospeifico de problema de programacién lineal que se desea resolver afecta miicho la comparacion, Al Pasar el tiempo se sabré mds sobre cémo identificar los tipos de problemas que sun més adecuados para cada tipo de algoritmo. Uno de los productos secundarios del enfoque de punty interior ha sido la renovacién importante de los esfuerzos dedicados a mejorar laeficiencia de los programas de compu Fee Gel mérodo simplex. Se han lograto progresos impresionantes en los tltimos afios y habré mds por venir. Al mismo tiempo, lainvestigacién y desarrollo en marcha sobre el enfe. uc de punto interior aumentard todavia més su poder, y quiad a un paso mis acelerado que en el caso del método simplex. El mejoramiento de la tecnologia de las computadoras, como el procesamiento masivo ‘en paralelo (un gran nimero de unidades de computadora que operan en paralelo en distintas Parres del mismo problema), también significaré un aumento sustancial en eltamafio del pro- bblema que cualquiera de los dos tipos de alguritmos pueda resolver. Sin ‘embargo, por el momento parece que los enfoques de punto interior tienen mucho mayor potencial que el método simplex para aprovechar cl procesamiento en paralelo, Como ya se dijo, una desventaja grave del enfoque de punto interior es su limitada capacidad para realizar un andlisis pos6ptimo. Para compensar esta alla, los investigadores han in. tentado desarrollar procedimientos para cambiar al método simplex cuando cl algoritmo de Punto interior termina. Recuerde que las soluciones prueba obtenidas por éste se acercan cada ver més a una solucién éprima (la mejor solucién FEV) pero nunca Hegan a ella. Por ¢sto, un procedimiento para cambiar de enfoque requiere identificar la solucién FEV (o laso- lucién BF del problema aumentado) que ¢s muy cercana a la solucién prueba fina. Por ejemplo, si se observa la figura 4.11, es sencillo ver que la solucién prucha final en la tabla 4.18 es muy cercana.a (2,6). Desafortunadamente, en problemas con miles de variables168 4.10 4. Soluci6n de problemas de programacin lineal: método simplex de decisién (en los que no se dispone de una gréfica), laidentificacién de una solucién FEV (BE) cercana es una tarea dificil y tardada, No obstante, sc ha progresado bastante en el desarrollo de procedimientos para hacerlo, Una vez encontrada la solucién BF cercana, se aplica la prueba de optimalidad del méto- do simplex para verificar si se trata de la solucién BF éptima. Si no es éptima, se llevan a cabo algunas iteraciones del método simplex para moverla hacia el 6ptimo. En general, s6lo se ne- cetitan nae cuantae iteraciones (tal vez una sola) ya que el algoritmo de punta interior se acerca mucho a una solucién éptima. Estas iteraciones deben poderse realizar bastante répi- do, aun en problemas demasiado grandes para resolverlos desde el principio. Después de ubtener realmente una solucién éptima, se aplican el método simplex y sus extensiones para ayudar a realizar el anilisis posptimo. Debido a las dificultades que implica la aplicacién de un procedimiento de cambio (que incluye el tiempo adicional de computadora), algunos profesionales preferirin usar nada mis ‘el métoda simplex desde el principio. Esta parece una buena apcidn cuando sélo en algunas ‘ocasiones se encuentran problemas suficientemente grandes para que un algoritmo de punto interior sea un poco més répido (antes de hacer el cambio) que el método simplex. Esta mo- desta aceleracién no justificarfa ni el tiempo adicional de computadora para el procedimiento de cambio ni el alto costo de adquirir (y aprender a usar) el software basado en el enfoque de punto interior. Sin embargo, para las organizaciones que con frecuencia deben manejar problemas de programacién lineal extremadamente grandes, la adquisicién del nuevo software de este tipo (con el procedimiento de cambio) ral vez valga la pena. Cuando se trata de problemas enormes, la tinica forma de solucién disponible pueden ser estos paquetes. Las aplicaciones de los modelos de programacién lineal muy grandes algunas veces llevan a ahorros de millones de délares. Slo una de estas aplicaciones puede pagar varias veces el costo de los paquetes de software basados cn cl cnfoque de punto interior y cl cambio al método simplex al final. CONCLUSIONES El método simplex es un algoritmo eficiente y confiable para resolver problemas de progra- macién lineal. También proporciona la base para levar acabo, en forma muy cficiente, las distintas etapas del andlisis poséptimo. ‘Aunque tiene una interpretacién geométrica itil, el método simplex es un procedimien- to algebraico. En cada iteracién se mueve de la solucién BF actual a una adyacente mejor mediante la eleccién de la variable bésica entrante y la que sale; después usa la eliminacién de ‘Gauss para resolver cl sistema de ecuaciones lincalcs, Cuando la solucién actual no ticne una solucidn BF adyacente que sea mejor, la solucién actual es dptima yl algoritmo se detiene. Sc presenté la forma algebraica completa del método simplex para establecer su légica y se llevé el método a una forma tabular més conveniente. Para preparar el inicio del método simplex, algunas veces es necesario obtener una solucién bésica factible inicial para un problema artificial. En este caso se puede usar el método de la M, 0 bien, el método de dos fases, para asegurar que el método simplex obtenga una solucién éptima para el problema real. La implantacién en computadoras personales del método simplex y sus variantes sc han convertido en herramientas tan poderosas que se usan a menudo para resolver problemas de programaci6n lineal con cientos de restrieciones funcionales y variables decisiGn y en ocasio-Apéndice 4.1_Introduccién a uso de LINDO 169 ‘es, para problemas bastante més grandes. Los algoritmos de punto interior proporcionan luna nueva herramienta poderosa para resolver problemas muy grandes. APENDICE 4.1_INTRODUCCION AL USO DE LINDO i paquete de LUNDU est diserado para aprenderlo y usarlo con fcilidad, en especial con problemas Pequefios como los encontradas en este libro, Ademds de programacién lineal, ramhién se puede usar para resolver problemas de programacidn entera (capitulo 12) y euadrética(secciSn 13.7). Este apén. dice se cenera en st uso para programacién lineal. LINDO permite introducir un modelo en forma algebraica directa. Por ejemplo, éstaes una forma sencilla de escribir un modelo en LINDO para c ejemplo dela Wyndor Glass, Co. dea seccién 3.1 ! Problema de Wyndor Glass Ca. Modelo LINDO 1X1 = lotes del producto I por semana 1 X2.= lotes del producto 2 por semana ! Ganancia, en 1000 délares MAX Profit) 3X1 + 5X2 Subject to ! Tiempo de produccigs Plant 1) X1 Plant 2) 2X2 <= 12 Plant 3) 3X1 +2X2 <= 18 END Ademis del modelo bdsico, esta formulaciGn incluye varios comentarios aclaratorios, donde cada comentario se indica cuando inicia con un signo de exclamacién. As, los tres primeros renglones dan cl titulo ya definicién de la variables de decisién. Estas pueden estar en miniisculas 0 maytisculas, pero suelen usars ls maytisculas para que no se vean desproporcionadas con ls “subindices”. Otra opeion ¢s usar palabras sugestivos (0 abreviaruras), como el nombre del producto que se fabrca, para representar la variable de decisiéa en todo el modelo, siempre quc la palabra teuiga a lo mas ocho letras. La quinea linea de la formulacién LINDO indica que el objetivo de! modelo es maximizar la fn- cidn objetivo, 3x4 + 5x, La palabra Profit (ganancia) seguida de un paréntesisaclara que la cantidad que se maximiza es la ganancia. El comentario en el cuarto renglon explica que las unidades de la fun- 0 >= como. (Para sistemas que incluyen los simbolos < y>, LINDO no los recono- ceri.) El final de ls restricciones se indica con la palabra END. LINDO supone de modo automético las restricciones de no negatividad, Si, por ejemplo, x; notiene restriccidn de no negatividad, debe indicar- secon FREE X1 en el renglén que sigue a END.170 4 Solucién de problemas de programacién lineal: método simolex Pra resolver este modelo en la versiGn para Windows de LINDO, se selecciona el comando Solve del ment Solve o bien se oprimeel bordn Solve en la barra de herramicuras. En una plaraforma distinca a Windows, s6lo se escribe GO seguido de la tecla Intro donde esté el cursor. La figura A4.1 muestra el informe de solucion que entrega LINDO. ‘Tanto la primera como la Ultima linea en esta figura indican que se encontré una solucién dprima cn la iteracién 2 del método simplex. Después esta el valor de la funci6n objetivo para esta solucidn. En seguida, se tienen los valores de 3 y x, para la solucién dptima, La columna ala derecha de estos valores proporciona los costos reducidos. No se han estudiado en este capitulo porque la informacion que proporcionan se puede derivar del intervalo permisible para seguir éptima para los coeficientes de la funcién objetivo, y también se dispone de estos intervalos permisibles (como se verd en la siguiente figura). Cuando la variable es una variable bdsica en la solucién 0, x= Oy.x5>Oenka solucién éptima, 4) Describa como puede usar la informacién para adap- tar el método simplex a fin de resolver este problema én el ntimero minimo posible de iteraciones (si comienza con la solucién BF inicial de costumbre.) No realice iteraciones. 320, 20. 175 +) Utilice el procedimiento desarrollado en el inciso a) para resolver este problema a mano, (No use el OR Courseware.) 4-3-9. Diga si cada una de la siguientes afirmaciones es falsa o verdadera yjustifique su respuesta con la referencia alas citasespecificas (sequin el nvimero de pagina) en clea pitulo, 4) Lategla del método simplex para elegir la variable bé- sicaentrante se usa porqe siempre conduce a la mejor solucién BF adyacente (mayor valor de Z)) La regla de la razén minima del mérodo simplex para clegi la variable bisica que sale se usa porque al hacer otra eleccién con una raz6n mayor se lega a ui solu cidn que no es factible. ©) Cuandlo el método simplex obticne la siguiente solucin BE se usan operaciones algebraicas elementales para eliminar cada variable no basica de todas las ecu. ‘iones menos una (su ecuacién) y para darle un coef iente de +1 en esa couacidn, DA 44-1. Repita el problema 4.3-1, usando la forma ta- bbular del método simplex. DiC 44-2, Repita el problema 4 3 tabular del método simplex. Die 44-3. Repita el problema 4.3-3, usando la forma tabular del método simplex. D , usando la forma 4-4-4. Considere el siguiente problema, Maximizar Z~ 2a, + x, sujeta a Atms 40 44 +5 100 y 420, 20. 4) Resuelva este problema grificamente a mano. Identifi que todas las solueiones FEV. 4) Ahora repita el inciso @ usando una regla para dibujar la grifica con cuidado, De) Mediante célculos manuales resuelva este problema por el método simplex en forma algebraica rd) Ahora use el OR Courseware para resolver este probleuna inreractivamente por el método simplex en su forma algebraica. De) Mediante calculos manuales resuelva este problema or el método simplex en forma tabular. asf) Ahora uulice el OR Courseware para resolver este problema de manera interactiva por el método simplex en forma tabular, cg) Use un paquete de software basado en el método. simplex para resolver este problema.176 4-4-5. Repita el problema 4.4-4 para resolver el siguiente problema. Maximizar Z = 2 + 3, sujetaa 4, + 2x, $30 m+ 520 y 420, 420. 44-6. Considere el siguiente problema. Maximizar Z= 2x, + 4%) + 3%, sujeraa 3u + 4x + 2x 560 2x, + + 2x $40 w+ xy + 2x $80 y 420, 420, 420. ,1a) Trabaje el mérodo simplex paso a paso en la forma algebraica 1B) Trabaje el mérodo simplex en forma tabular. Ce) Use un paquete de software basado en el método simplex para resolver el problema. 44-7. Considere el siguiente problema. Maximizar Z =3x, + 5x + 6x, sujetaa Int gt mast Atlgt asd K+ mt dys 4 mt at ys3 y 420, 20, 20. a) Trahajeel mérodo simplex paso paso en forma al sgebraica rh) Trahaje el método simplex en forma tabular. Ce) Use un paquete de computadora basado en el méto- agi P dlo simplex para resolver el problema. 44-8, Considere el signiente poblema Maximizar Z = 2x, - x + 23, sujeta a rgt3ys 4 lytm $10 Kom RS 7 4 Solucién de problemas de programacién lineal: método simplex 420, Daa) Teabaje el gebraica 14) Trabaje el método simplex paso a paso en la forma tabular. ©e) Use un paguete de computadora basado en el metodo simplex para resolver este problema. Dy 44-9. Trabaje el método simplex paso a paso (en forma tabular) para resolver el siguiente problema, Maximizar Z = 2a ~xy +23) sujeta a Bytmt 4S 6 ay +2 51 Ktm- ms? HBO, 20, 20. DJ4.4-10, ‘Trabaje el mézodo simplex paso a paso para, resolver el siguiente problema Maximizar Z=~% +. + 2x5, sujeta a at2m- 4 < 20 2x, +44, +2 = 60 2x +34 xy < 50 420, 20, 20. 4.5-1. Considete las siguientes afitmaciones sobre pro- ‘gramacién lincal y cl método simplex. Esiquete cada una como falsa 0 verdadera y justifique su respuesta 1#) En una iteracién especifica del método simplex, si hay tun empate para la variable que debe salir de la base, entonces la siguiente solucién BF debe tener al menos, tuna variable basica igual a cero. 10 existe una variable basica que sale en alguna tera~ cin, entonces el problema no tiene soluciones facti- bies. 6) Sialmenos una de las variables bisicas tiene coeficiente de cero en el renglén 0 de la tabla simplex final, entonces el problema tiene soluciones éptimas miiltiples. 4) Sic problema tiene soluciones Sptimas multiples, entonces el problema debe tener una regién factible acotada, olProblemas del capitulo 4 45-2. Suponga que se proporcionan las siguientes restricciones para un modelo de programacién lineal con variables de decision 1 y 2, = + 3x 5 30 35+ 3 5 30 y 420, 420. 19) Demuestre en una grifiea que la vegidu faurible es no acotada. 4) Siel objetivo cs maximizat Z = ~x, + x, étiene cl modelo una solucién éptima? Si es asi, encuéntrela, Sino, explique por que. ©) Repita el inciso & si el objetivo es maximizar Z = x aa 4) Para funciones objetivo donde este modelo no tiene soluciones éprimas,ésignifica esto que no hay soluciones buenas segain el modelo? Explique. Qué pudo haber salido mal al formular el modelo? Die) Seleccione una funcién objetivo para la que este modelo no tenga solucién éptima. Después trabgje el meétodo simplex paso a paso para demostrar que Z es no acotada. Gf) Para la fancién objetivo seleccionada en el inciso e, Use un paquete de software basado en el método sim: plex para determinar que Z no es acotada. 4.5-3. Siga las instrucciones del problema 4.5-2 para las siguientes testriciones: 2x- 520 4-2 $20 y 420, 920. Dit 4.6-4. Considere el siguiente problema, Maximizar Z = 5m +, 43x +43, sujeta a 4 ~ Diy + 44 + 38x45 20 ~45) + 62+ 5x4, < 40 2x; ~3xy + 8x1 + Bx, < 50 "20, 420, 420, 420. ‘Trabaje el método s{mplex paso a paso para demostrar que 7 es no acotada, 4.5-5. Una propiedad bésica de cualquier problema de programacion lineal con una regién factible acotada es ue toda solucién factible se puede expresar como una combinacion convexa de las soluciones FEV (tal vez en mis de una forma). De igual manera, para la forma au- ‘mentada del problema, toda solucién factiblese puede ex- resar como una combinacién convexa de las soluciones BE, 177 #) Demuestre que cualguier combinacién convexa de ‘walguier conjunto de soluciones factibles debe ser una solucién factible (de manera que cualquier combina- in convexa de soluciones FEV debe ser factible). 4) Utilice el resultado establecido en el inciso a para demostrar que cualquier combinacién convexa de solu ciones BF debe ser una solucién factible. 45-6. Utilice los hechos dados en el problema 4.5-5 para demostrar que las siguientes afirmaciones dehen ser ‘iertas para cualquier problema de programacién lineal ue tiene una regién factible acotada y soluciones éprimas ‘mips: 4) Toda combinacién convexa de soluciones BF éptimas debe ser éptima. 4) Ninguna otra solucidn facible puede ser Sprima. 45-7. Considere un problema de programacién lineal de dos variables cuya soluciones FEV son (0, 0), (6, 0), (6, 3), (3, 3) y (0, 2). (Veaen el problema 3.2-2 la grafica dela region factible.) 4) Use la grafica de la regidn factible para identificar todas las restricciones del modelo. 6) Para cada par de soluciones FEV adyacentes, dé un «jemplo de una funcién objetivo tal que todos los puntos en el segmento entre esas dos soluciones en los vér- tices sean Soluciones éptimas. 4) Ahora suponga que la funcién objerivo es Z~—x, + 2x, Use el método gréfico para encontrar todas las soluciones éprimas. Dad) Para a funcién objetivo del inciso,trabaje el méto- do simplex paso a paso para encontrar todas las sol ciones BF éptimas. Después escriba una expresién algebraica que identifique todas las soluciones 6p DjI4.5-8. Considere el siguiente problema. Maximizar Z= x, + 2,45 + <), sujeta a 483 satay s2 y 4420, para j=1,2,3,4. ‘Trabaje el método simplex paso a paso para encontrar t- das las soluciones BF dptimas, 4.6-1.* Considere el siguiente problema Maximizar Z= 2x, + 3x). sujera a atlas 4 at a3 y #20, 20.178 48) Resuelva este problema grificamente. b) use el método de la M para construir la primera tabla, simplex completa para el método simplex ¢ identificar la solucién BI inicial (artificial) correspondiente. ‘Tambien identifique la variable basica entrante y la va rable basica que sale. 1) A partir del inciso 6 trabaje el método sfmplex pasoa paso para resolver el probleia 4.6.2. Considere el siguiente problema Maximizar Z = 44 +2) + 3m + 5x4, sujeta a 2a + Bay + 45 + 2x = 300 B+ mt mt Sey 300 “x;20, para j=1,2,3,4. 4) Useel méroda de la M para construir la primera tabla simplex completa para el método simplex ¢ identi ficat a solucién BF inicial (avficial) correspondiente dentfique también a variable bisicaentrante inicial y la variable bisica que sale. 16) Trabajeel método simplex paso a paso para resolver el problema, 6) Usilice el mérodo de dos fases para construir la primera tabla slmplex completa parala fase 1 eidentifique la soluciSn BF inicial (artificial) correspondiente. Identi- fiquc también la variable bisica enerante inicial yl va- Fiable bisica que sale 1) Trabaje la fase 1 paso a paso. ¢) Construya la primera tabla simplex completa para la fase 2. 1) Trabajela fase 2 paso apaso para resolver el problema, _g) Compare a serie de soluciones BF obtenidas ene inci- sob con as de los incisosd yf (Cuales de estas soluciones son factbles s6lo paral problema artificial obteni- doalineroducir las variables artficiales y cudles son de hecho factibles para el problema real? ch) Use un paquete de software basado en el método simplex para resolver el problema. 4.6-3. Considere el siguiente problema, Minimizar Z= 3x +2, sujeta a 2q+ 4210 Bn +2gs 6 H+ mz 6 y 420, 20. : 2) Resuelva este problema grificamente 1b) Useel método de la M para construir la primera tabla simplex completa para el método s{mplex ¢ identifi- 4. Solucién de problemas de programacién lineal: método simplex que la solucién BF inicial (artificial) correspondiente. Tdentifique rambién la variable bisica enerante inicial y la variable bisica que sale. 1) Trabaje el mérodo simplex paso a paso para resolver el problema. 4.6-4.* Considere el siguiente problema. Minimisar 2-20, + 3,4 My sujetaa xytdeyt2ay28 Bx +2x 26 y 420, 420. 4) Reformule este problema para que se ajuste a nuestra forma esténdar del modelo de programacién lineal presentado en la seccién 3.2. 1) Urilice el método de la Af para trabajar el mérodo simplex paso a paso para resolver el problema, 1) Unlice el metodo de las dos fases pata wabajar ol mé= todo simplex paso a paso para resolver el problema. 4) Compare la secuentia de soluciones BF obtenidas en los incisos by c. éCurdles de estas soluciones son facti- bies s6lo para el problema artificial obtenido al intro- dducir las variables artficiales y cudles son de hecho factibles para el problema real? ce) Useun software basado ene! método simplex para resolver el problema. 520, 4.6-8. Segiin el método de la M, explique por qué el mé- todo simplex nunca elegirfa una variable artificial como variable bisica entrante, una vez que todas las variables artificiales son no bésicas. 4.6-6. Considere el siguiente problema. Maximizar Z= 90. 1 70%, sujeta a Qe +452 mm 22 ¥ H20, 20. 48) Demuestre en una grifica que este problema no tiene soluciones factibles. ©) Use un paquete de computadora basado en el méto- do simplex para determinar que el problema no tiene soluciones factibles 1) Utiliceel método de la M para trabajar el método simplex paso a paso y demostrar que el problema no tiene soluciones factibles. 14) Repita el inciso para la fase 1 del método de las dos fases.Problemas del capitulo 4 4.6-7._ Siga las instrucciones del problema 4.6-6 para el siguiente problema. Minimizar Z= 500%, + 7000%,, sujeta a 2y+ 21 4-2m21 y 420, 420. 4.6-8. Considere el siguiente problema. Maximizar Z =m +52 +323, sujeta a 4 - 2x + 3x 220 2a + 4m + xy = 50 y 420, 20, 48) Use el método de la M para construir la primera tabla, simplex completa para ¢! método simplex e identificar la solucién BF inicial (artificial) correspondiente. ‘También identifique la variable bésica entrante inicial ylla variable bdsica que sale. 1b) Trabaje el mérodo simplex paso a paso para resolver el problema. 11¢) Use el método de dos fases para construir la primera tabla sfmplex completa para la fase I eidentificar la so- lucién BF inicial (artificial) correspondiente. También identifique la variable bisica entrante inical la variable bésica que sale. 1) Trabaje la fase 1 paso a paso. 6) Construya la primera tabla simplex completa para la fase 2. 1.) Trabajela fase 2 paso a paso para resolver el problema. 8) Compare la secuencia de soluciones BF obtenidasen el {nciso 4 con las de loa incisos @ yf (Cusles de estas so~ luciones son factibles sélo para el problema artificial obtenido af introducir las variables autfiviales y cules son factibles de hecho para el problema real? Gh) Use un paquete de software basalo en el mécodo simplex para resolver el problema. 4.6-9. Considere el siguiente problema. Minimizar Z= 2x + x,+3x, sjera a Sx + 2x, +72 420 3x + 2am + Sy 2 280 y 420, 320, 420, 420. 179 1a) Use el método de dos fases y trabaje la fase 1 paso a aso. Cb) Use un paquete de software basado en el mérodo simplex para formular y resolver la fase 1 del problema. 16) Trabaje la fase 2 paso a paso para resolver el problema original (Ca) Use tn programa de computadora basado en el mé- todo simplex para resolver el problema original. 4.6-10.* Consider el siguiente problema, Minimizar Z = 3x; +2) + 45, sujeraa 2s, + m+ 345-60 3x + 3x, + 5x2 120 y 120, 1) Utilice el método de la M para trabajar el método simplex paso a paso a fin de resolver el problema 18)Use el método de dos fases para trabajar el método simplex paso a paso y resolver el problem: ) Compare la serie de soluciones BF en los incisos a éCodles de estas soluciones son factibles sélo para el problema artificial obtenido al introducir las variables attificiales y cudles son de hecho factibles para el problema real? ) Use un paquete de software basado en ef metodo simplex para resolver el problema. 20, 20. 4.6-11. Siga las instrucciones del problema 4.6-10 para el siguiente problema. Minimizar Z = 34; + 2s + 7s, sujeta a +m =10 Ixy +45 210 y 420, 420, 420. 4.6212. Siga las instrucciones del problema 4.6-10 para el siguiente problema. Minimizar Z= 3x +25) + x3, sujetaa Sty 27 By + ant 210 y 420, 220, 420.180 4.6-13. Eiquete cada una de ls siguientes afirmaciones comb falsa 0 verdadera y justfique su vespuesta 2) Cuando un modelo de programacién lineal tiene una restricciOn de igualdad, se introduce una variable artificial a esta restricci6n con el fin de comenzar el méto- do simplex con una solucién basica micial obvia que sea factible para el modelo original ) Cuando se érea un problema artificial introductendo variables artificiales y usando el método de la M, sito- ddas la variables artificiales en una soluci6n éptima del problema artificial son iguales a cero, entonces el problema real no tiene soluciones factibles. ) En la préctica suele usarse el mérodo de dos fases porque, en general, se requieren menos iteraciones para legar auna solucién dptima que en el método de laM. 4.6-14. Considere el siguiente problema, Maximizar Z= 5 +4) + 2x3, sujetaa 4x-mt as 5 =x, -¥y + Dep < 10 y 20, 20 (sin restriceién de no negatividad sobre x) 12) Reformule este problema para que todas las variables tengan restricciones de no negatividad. Dt b)Trabaje el mézodo simplex paso a paso para resolver el problema. ‘© e)Use un payuete de sofware Lasadoen el método sim= plex para resolver el problema, 4.6-18.* Considere el siguiente problema, Maximnizar Z sujera a “3x + HS 6 yt tn, (sin restriccidn de cota inferior para x). 4) Resuelva este problema por el método gréfic. 4) Reformule este problema de manera que tenga solo dos restricciones funcionales y todas las variables tengan restricciones de no negatividad. 46) Trabaje el método simplex paso a paso para resolver este problema 4.6-16. Considere el siguiente problema, Maximizar Z = -x, + 23) + ¥3, sujeta a 3x, + 5 $120 m- H-4m 5 80 -3x, + x, + 2x $100 4. Soluci6n de problemas de programacién lineal: método simplex (sin restricciones de no negatividad). 1a) Reformule este problema para que todas las variables tengan restricciones de no negatividad. p46) Resuelva el problema por el métodto simplex. Ge) Useun paquete de computadora basado en el método, simplex para resolver el problema. 4.6-17. En este capitulo se deccribié el mérodo simplex segiin se aplicaa problemas de programacién lineal en los aque la funcién objetivo se debe maximizar. En la seceién 4.6 se describié cémo convertit un problema de minimi- zacién en uno equivalente de maximizacién para aplicarel método simplex. Otra opcién en los problemas de mini- izaciéin es hacer algunas modificaciones alas instrueuio- nes que se dieron para el método simplex, afin de aplicar el algoritmo directamemte, 44) Describa cules deberfan ser estas modificaciones, 6) Use el métoxto de la. para aplicar el algoritmo modi- ficado que desarrollé en el inciso a y_resuelva el siguiente problema directamente, a mano. (No use el ‘OR Courseware.) Minimizar Z sujeea a 3x + 4270 3x + Sy + 2332.70 y 420, 9, + Bx) + 5a, 420, 420. 4.6-18. Considere el siguiente problema. Maximizar Z = -2%, + x - 445 + 3%q sujeta a Kt yt8ytlys 4 Ro mt eed 2x + x <2 4 +2xy +x; 42x = 2 y 20, 420, 420 (sin restricciones de no negatividad para x) 1) Formule de nuevo este problema para que se ajuste a ‘nuestra forma estindar del modelo de programacién lineal que se presenté en la seccién 3.2 ) Use el método de la M para construir la primera tabla simplex completa para el método simplex e identifique la solucién BF inicial (artificial). Identifique tam- bin la variable basica entrante y la variable bésica que sale ©) Use el método de dos fases para construir ef renglén 0 de la primera tabla simplex para la fase 1. cd)Use un paquete de computadora basado en el método simplex para resolver este problema.Problemas del capitulo 4 14.6-19. Considere el siguiente problema, Maximizar Z = 4x +532 + 3x3, sujeraa y+ x4 2e4220 153; + 6x -55 < 50 + 3x, + 54x, © 30 a m3, 20, ‘Trabaje el método sfmplex paso a paso para demostrar que este problema no tiene soluciones tactibles. 420. A.7-1. Consulte el inzernalo permisible para seguir factble dado en la figura 4.10 para los lados derechos respectivos del problema de la Wyndor Glass Co. dado en la seccién 3.1. Utilice el método gréfico para demostrar que cada in- tcevalo permisible dado es correcto. 4.7-2, Reconsidere el modelo del problema 4.1-5. In- terprete los lados derechos de las restricciones funcionales como la cantidad disponible de los recursos respectivos 4a) Useel andlisis gréfico para determinar los precios sombra delos recursos respectivos, comocn la figura 4.8 ) Use el andlisis grafico para realizar un andlisis de sensibilidad sobre este modelo, En particular, verifique cada parmetro del modelo para detetminar si es un parimetro sensible (un pardmerro cuyo valor no puede cambiar sin que cambie la solucién éptima) examinan- do la gréfica que identifica la solucién dpeima. ©) Useel andlisisgréfico como en la figura 4.9 para deter- ‘inar cl intcrvalo permisible para cada valor ¢; (coefi- fies de TrendLines son que puede vender a fo mas 12 000 blusas y'15 000 camisolas. Los prondsticos de demanda también indican que los pantalones de lana, las faldas “ajustadasy Jos blazers de lana tienen una gran demanda porque son articulos bsicos necesarios en todo guardarropa profesional. En especial, la demanda de los pantalonesde lana ; &.7 000 pares ¥ la de'los sacos o blazers es 5 000. Katherine desca cumplir con al menos 60% de la demanda de estos dos articulos para mantener la least de su base de clientes y ‘no perdetlos en el Faeuro, Aung la demanda de las faldas no ge puede estimar, Katheritie) siente que debe producir al menos 2 800./. ~ 4 4) Ted intenta convenicet a Katherine de no producir camisas de terciopeto pues la demanda de esta moda novedosa es baja. Afirmia que «dla es responsable de $500 000 de los costos de diseiia y's ‘otros costos fijgs. La contribucién fers (previo del articulo.~ costos de matetiales ~ costo de" mano de obra) al vender la novedad debe cubvir estos costox fijas, Carlacamica de rerciopelo ge-!, ma que dada la contribucion neta, aun sisesaisace la nera una contribucién neta de $22. Brat demanda maxim no lard Wué piensa del argumento de demands méxina no lard ganancins, {Qué piensa del argument de"TedhCaso 4.2 Nuevas fronteras 185 ob), Formule y resuelva un problema de programacion lineal para maximizar la ganancia dadas la testrieciones de producci6n, recursos y demand, ‘Antes de tomar una decision final, Katherine planca expicnat las Siguicrive preguntas inde= Pendientes excepto cuando se indique otra‘cosa. > ue @), Hl distribnidor de textiles informa a Katherine que no puede regfesat c! terciopelo porque los Drondsticos de démanda shinestran que tarlermacds desta sels dismal en el fuenos Casncesy Katherine no obtendré el reembolso por el rerciopelo; én qué cambia este hecho el plan de pro duccién? ; 4) &Cuales ua explicaciGn eeonémica inenitiva para la diferencia entre las solciones enconteadas en los incisos h ye? x ¢) Ellpersonal de costura encuentra dificultades al coset los fortos de las mangas de los saéosde ied pues el pated siene una forma exteia ¥ el pesado mate ial de lana ex dificl de cottar ycoser. El ~ incremento-en el tiempo para coser tin saco de lana atimenta los.costos de mano de obray magi: ? nado para cada saco en $80. Dado esee nuty wsty, cums prenidas de cada tipo debe producir © TrendLines para maximizarla ganancia? ‘ F) Pldiseribuidor de ventiles infosias Katherine que como oro cliente caicelé st orden, ella pa." dc obtener 10 000 yardas adicionales de acecato, $725 Sophisticated Surveys explora las siguientes opciones de’ manera acimulada. #) Formule un modelo de programacién lineal para minimizar los costosal mismio tiempo que sc cumple con las restrieciones impuestas por AmeniBank, a 4) Siel margen de ganancia para Sophisticated Surveys ¢5.15% del costb! Zcital serd la cotizacion que presenten? 90520, eS Fe Ges et erie xy 2) Desputs de entregat st propiiesta, seinformia « Sophisticared Surveys que tiene el menor dacto” pero que a AmeriBank no le gust6 la solution, En especial Rob piensa que la poblacidnSeleccin. 4, “thidano es sificigntemente representativa dé la poblacién de clientes deta hanes Ftrlesea al mic- 4. tos 50 personas de cada grupo de edad entrévistadasen cada regidn, *Cudles lantievacotizacion © gue entrega Sophisticated Surveys? - 5 z ‘Rob siente que Sophisticated Surveys tiene una mnestea Major della necesaria pata la pobiacign de 18.2 25 atios y la poblacién de Silicon Valley. Eneonices impne!la nueva réstriceign de qué jo ms de 600 individuos de ln poblacién de 18 a 25 aftos deben entrevistarse yno mas de 650 per- % —sonas de la poblaciéin de Silicon Valley ‘Cites 1s sineva Satizacion® 3 : #) Cuando Sophisticated Surveys calcul el costo de llegar hasta f entrevista alos individuos espe ‘fens, lacompatia pensé que llegar hata los individuos de las poblacionesjSyonts sca los anda Sencillo, Sin embargo, en una investigacién reciente, determiné que esté suposicidn estaba equi Po¢ oracle Los auevos costos de ls enctiesa en poblaci6n dé 18 «25-08 sc propuiciois en latac bla que sigue. 2 wes ¢ Fae Coste por persona de fa encuesta regional —_—_————eaeeEH Silicon Valley» : $6.50 ‘Ciudadas grandes 900528 $6.75 5 Cludades pequenas : $7.00 4 Dados los nuevos costs, écual es la nueva propuesta? Sant bt rare ON188 CASO 4.3 4. Soluci6n de problemas de programacién lineal: método simplex. )) Para asegutar fa tuestra deseada de individuos, Rob impone requerimicntos todivia mis est tos Fijael porcenrajcexacto de personas que deben entrevstarse de cada poblacién, Los requeri * < mieotos se dan en fa siguiente rablar 1} Porcentaje de la poblacién ¢ de personas entrevistadas- PSs * ee erent » 18a2s : 25%: 26.240: 35% ‘i é 41250 20% Slomas 20% Siicon Valley 20%6 . : Cludades grandes @ 8 50% é é _ Ciudades pequerras 30% ie }éQudnro sictementan’el cxstu egios niievos reyuerinnicinoe Ia investigations pata So: isiated Survey? Sashes 9s At Mh rt ASIGNACION DE ESTUDIANTES A ESCUELAS Bt consejodifectivo de lh eseuela Spragield ha tomade la decision dle cera una de sass. cuelas de nivel medio (sexta, séprimo: 'y octave grados) al final del aii escolar y reasignar a todos los estudiantes del proximo afto a las tres escuelas restantes. El distrito escolar proporciona transporte para todos aquellos quie dehan trasladarse més de wna milla aproxirna- damente, por lo que el consejo directivo deséa'planear la reasignactén de manera que se ininimnive ef wsto (otalde uansporte. El costo anual de transporte por estudiante desde cada una de las seis Areas residenciales'a cada escuela s¢ muestra en la siguiente tabla (junto con offos datos bisicos para el siguiente ao), donde 0 indica que no és necesario cl trans: porte yun guidn indica que ly asignacién no ¢s factible, Tonv an | Porconaye[rorcomare Parctouye[Sotede tanmporte par esac | ‘Area _| estudiantes on 60. grado|en To, gradolen 80. grado) Escuela! | Escuela 2 | Escuela 3.) i OP Powe | Saf i008] of a7 poe a a 8 apropos mL ele | $00" 69 Be BRS Pe See PHP S Pato: | S200 2 4 350. 2 40. 32. $200, ‘$500 haar Foes | fom of | so. Bem fk Led seen | seo. fo de eset 9001100. 1000 ‘Laescuela también impone la restriccin de que cada gradodebe constitmix entre 30% 1 36% de cada poblacién escolar: La tabla anterior muestra el porcentaje de poblacién es: a dg nivel medio cn cada dea para cl siguiente afo, que cursard cada grado, ALE ROA ICA eaCaso43_Asignacin de estudiantes a escueas 189 fas de asistencia an esevela se pueden traac de manera ques dvidi cualqhies eer cheres ims de una escuela, pero suponga que los porcentajes dela tabla se mantendrdn para cual ‘quier asignacién parcial de un drea a\una escuela. - , El consejo directivolo contratd coma: cotisultor de investigacion de operaciones para ayndarle 9 determinat cudntos estudiantes cn cada dtea deben asignares a cada escuela. ‘@).. Formule un modelo dé programacién lineal para este:prohlems. © fox 8) Resuelva el modelo. : #) #Cudl es su recomendacién al consejo directivn de la'escuela? eet Después de estudiat'su recomendacién, el consejo directivo expresa sti preocupacidin sobre Ia division de las areas residenciales entre las escuelas. Le indican que “les pustaria “mantener cada colonia en tna escnela” Cae 1) Ajustesusrecomendaciories lo mejor que pried pard permitirquecida érea seasigne sdloa una. sacucla. (Agteyat. eta restriocion puede forzaloa maniptlar algunas otras restrcciones.) 3, estos mismos conceptos se generalzan a dimensiones mayores, s6lo que ‘as Fronteras de retricciGn son ahora biperplanos en lagar de planos, an resumir oiderecualquicr problema de programacién lineal conn variables de decisién y una regién Eactible acorada. Una solucién FEV se encuenta en la inereeeriae den gon we estrlc- Sig she cablen as otras esricciones), Unaatista de a region aedeece ‘un segmen- to de recta factible en la interseccién de n~ 1 fromterss de restriccién, doule cada punto Feo com ache uentra en una frontera de restrccién adicional (por lo que estos, Puntos termina A cambiar del punto de vista geomézticn al algebraica, la intersecién de fronteras de (eaurigciGn cambia asolucin simulténen de las ecnacione de Pontere. Lass conceos ek de fron- cra de restriccién que llevan a (definen) una solucién FEV. son las ecuaciones de definicién, y LrLr———“—™_—s_ONONNNsSOCOSC es una arista de la regién factible. En seguida se analizarén describiran las implicaciones de todos estos Propicdades de las soluciones FEV En este momento se dedica Ia atencién a tres propiculues fuandamentales de las soluciones FEV que se cumplen para eualguier problema de programacion linea! que tiene solncio- Nes factibles y una regidn factible acuta JTeePiedad 1: a) Sicl problema tiene exactamente una slucién 6ptima, entonces sta debe ser una solucién FEY; 6) siel problema tiene soluciones ptimas miiltiples (y re B8i6n factible acotada), entonces al menus dos deben ser soluciones FEV. adyacentes, Lapropiedad 1 es un concepro bastante intuitivo deste el punto de visa geométrico. Pri- BAO, considere el caso a, ilustrado con el problema de la Wyndor Glass Ce (vea la figura 5.1), donde la tinica solucién éptima (2, 6) es sin duda una solucién FEV. Note que nada es- Pectal hayenel ejemplo que lleve a este resultado. Para cualquier problemas. sola solu- ion éprima,sicoapre es posible seguir elevando la recta (hiperplano) des her objetivo hasta que toque sdlo un punto (la solucion Optima) en un vértice de la regién factible, Se dard ahora una demostracicn algebraica para este caso, Demostracidn del caso a de la propiedad 1: Se desarrolla una demostracd Por com- ‘radiccén suponiendo que existe exactamente una slucin éprimay” que noes una so-196 5. Teoria del método simplex lucién FEV. Después se demuestra que esta suposicién lleva a una contradiccién y por Jo tanto no puede ser cierta. (La solucién que se supone dptima se denota por x* y el valor correspondiente de la funcidu objetivo por Z*.) Recuerde la definicién de solucidn FEV (una solucién factible que no est en nin- giin segmento que conecta a otras dos soluciones factibles). Como se ha supuesto que Ia solucidn éptima x* no es una solucién EEV, esto implica que deben existir otras dos soluciones factibles tales que el segmento de recta que las une contiene la solucién p- ima. Sean x’ y x" estas otras dos soluciones factibles y sean 7; y Zs los valores respectivos de la funcién objetivo. Igual que para cualquier otro punto sobre el segmento de recta que conecta ax’ y x", x*eax"+(l-a)x' para algiin valor de @ tal que 0 < @ < 1, Entonces, 2 = 0%, +(\- az. Como las ponderaciones @ y 1 - a suman 1, las vinicas posibilidades que se tienen al compatar Z*,Z, yZq son: 1) Z* = 2, = Zy, 2)Z1Z*>Zq.1a primera posibilidad implica que x’ yx" también son éptimas, lo que contradice la su- posicién de que existe exactamente una solucién dptima. Las otras dos posibilidades contradicen la suposicién de que x* (no una solucién FEV) es éptima. En conclusién, ¢s imposible tener una solucién éptima que no sea una solucion FEV. ‘Ahora considere el caso b que se demostré en la seccién 3.2 bajo la definicién de solucién Jéptima con el cambio de la funcién objetivo del ejemplo a Z = 32x; + 2x2 (vea la figura 3.5 en la pagina 35). Lo que ocurrié en el procedimiento gréfico es que la recta que representa a la funcién objetivo se mueve ltacia arriba hasta que conticne el segmento de recta que conecta las dos soluciones FEV (2, 6) y (4, 3). Lo mismo pasa en dimensiones mayores, excepto que la funcién objetivo es un hiperplano que se mueve hasta que contiene el o los segmentos que conectan dos (0 mis) soluciones FEV adyacentes. Como consecuencia, es posible obte- net todas las sohiciones dptimas como promedios ponderados de soluciones FEV dptimas. (Esta situacién se describe con mds detalle en los problemas 4.5-5 y 4.5-6.) El significado real dela propiedad 1 es que simplifica mucho la busqueda de una solucién ptima, ya que ahora sélo tienen que tomarse en cuenta las soluciones FEV. La propiedad 2 pone de relieve la magnitud de esta simplificacién. Propiedad 2: Existe sélo un nimero finito de soluciones FEV. Esta propiedad sin duda se cumple en ls figuras 5.1 y 5.2, donde nada més se tienen 5 y 10 soluciones FEV, respectivamente. Para ver por qué en general este niuneto ¢s finito, recuerde que cada solucién factible en un vértice ¢s la solucién simultdnea de un sistema de mecuaciones elegidas entre m +n ecuaciones de frontera de restriccién. El ntimero de combi- naciones de las m + # ecuaciones tomadas n a la vez ¢s m+n) _ (m+n)! n } > mint quees un numero finito, Este nimero, a su vez, es una cota superior para el niimero de solucio~ nes FEV, En la figura 8.1, m=3 y -2, de manera que existen 10 sistemas diferentes5.1__Fundamentos del método simplex 197 de dos ecuaciones, pero s6lo la mitad de ellos dan soluciones FEV. En la figura 5.2, m=4y 28 de manera que hay 35 sistemas diferentes de tes ecuaciones, pero sdlo 10 conducen a soluciones FEV, {a propiedad 2 sugiere que, en principio, puede obtenerse una solucién ptima median- fia enumeracién exhaustva; esto es, se pueden encontrar y comparar todas las soluciones FEV, que son un miimerofinito. Desafornunadamente existent nimercs finitos que (para pro- Péaltos précticos)hien podrian zor infnisos. Pur jemplo, un probleme te rogramacién lineal bastante pequefio que consta de sélo m=60 testricciones y "=50 variables, tendria Propiedad 3: Si una solucién FEV no tiene soluciones FEV adyacentes que scaumejo- ‘es (cu términos del valor de Z), entonces no existen soluciones FEV que sean mejores, Por lo tanto, se garantiza que tal solucisn FEV es una solucién dprima (por la propie- lad 1), sise supone que el problema posee al menos una solucin 6ptima (lo que se farantiza si el problema tiene soluciones factibles y una region factible acotada), Parailustrar a propiedad 3 considere la figura 8.1 paral ejemplo dela Wyndor Glass Co, Tas soluciones FEV (0, 6) y (4, 3) son adyacentes ala solucion FEV (2, 6) y ninguna de las cis tene un valor mejor de 7. Esto implica que ninguna de las otras sake: FEV, (0,0) y (0,4), pueden ser mejores que (2, 6) y por lo tanto (2, 6) debe ser optima. FIGURA 5.3 2 Modificacion del problema de la ‘Wyndor Glass Co., ue viola tanto la rogramacin lineal 6 ‘como la propiedad 3 para las soluciones FEV en programacién lineal, Z = 36= 34 + Sx198 5. Teoria del método simplex aumenté la regién factible hacia la derecha de ($, 5). En consecuencia, las soluciones FEV adyacentes a (2, 6) son ahora (0, 6) y($,,5) y de nucvo ninguna de las dos es mejor que (2, 6). ‘Sin embargo, ahora otra solucidn FEV, (4, 5), ¢s mejor que (2, 6), lo que viola la propiedad 3. La raz6n es que la frontera de la regién tactible va hacia abajo de (2, 6) a ($,,5) y despues “dobla hacia afuera” hasta (4, 5), mis alld de la recta de la fiuncidn objetivo que pasa por (2,6). El punto clave es qn el ripe de simacién que se ilustra en la figura 5.3 no puede ocurrir en programacién lincal. La regién factible en esta figura implica que las restricciones 2x) < 12 y 3x, + 2x s 18 se cumplen para 0 x < §. Sin cmburg, bajo la condicion de que s x, <4,la restricci6n 3x, + 2x) <18 se elimina y la reemplaza x7, <5. Este tipo de “restricciones condicionales” no estén permitidas en programacién lineal. La razén basica para que la propiedad 3 se cumpla es que en cualquier problema de pro- ‘gramacién lineal, la regién factible siempre tiene la propiedad de ser un conjunto convex, se- tin se define en el apéndice 2 y se ilustra en varias figuras ah{ mismo. Para un problema de dos variables, esta propiedad de convexidad significa que el dmgulo dentro de la regién factible cn todas las soluciones FEV es menor que 180°. Esto sc ilustra en la figura 5.1, donde los én- gulos en (0, 0), ( 0,6) y (4, 0) son de 90° y aquellos en (2, 6) y (4, 3) tienen entre 90° y 180°. Por el contratio, la regién factible de la figura 5.3 n9 cs un conjunto convexo debido a que el Angulo en (§, 5)es mayor que 180°. Este es el tipo de “doblez hacia afuera” con un dngulo mayor que 180° que no puede ocurtr en programacion lineal. En problemas de n dimensiones se sigue aplicando este concepto intuitivo de “nunca doblar hacia afuera”” ara aclarar el significado de regidn factible convexa, considere el hiperplano de la fun- cién objetivo que pasa por una solucién FEY, y que es igual o mejor quc todas las soluciocs FEV adyacentes. [En el ejemplo original de la Wyndor Glass Co. este hiperplano es la recta de la funcién objerivo que pasa por (2, 6).] Todas estas soluciones adyacentes [(0, 6) y (4, 3) en el ejemplo] deben estar ya sea en el hiperplano o en el lado no favorable (seguin lo mide el valor de Z) del hiperplano. El que la regién factible sea convexa significa que su frontera no se puede “doblar hacia afuera” més alld de una solucién FEV adyacente para dar otra solucién FEV quescencuentre en el lado favorable del hiperplano, para que la propiedad 3 se cumpla. Extensiones a la forma aumentada del problema En cualquier problema de programacién lineal en nuestra forma estdndar (incluyendo las restricciones funcionales de la forma ¢), la apariencia de las restricciones funcionales después de introducir variables de holgura es la siguiente: (Yaa + ayaa Ht Many + Snot aby (2) ayy + 2g%2 ++ Bante + Xn aby (mn) yp X1+ yn X2 40+ nn Ky m1 dD donde sn 415 942-9 ¥nom SON Variables de holgura. En la seccién 4.6 se describié como puede obtenerse esta misma forma (la forma apropiada de eliminacién gaussiana) para otros problemas de programacién lineal, introduciendo variables artificiales, eteétera. Entances las soluciones originales (x1, %2 ..., #,) quedan aumentadas con los valores correspondientes de las variables de holgura o artificiales (415 %n42-+09 n+m) Y Qutizd tambign algunas variables de superdvit. A partir de este aumento, en la seccién 4.2 se definieron las soluciones basicas5.1 Fundamentos del método simplex 199 como soluciones en un vértice aumentadas y las soluciones bésicas factibles (soluciones BF) como soluciones FEV aumentadas. En consecuencia, las tres propiedades anteriores de las soluciones FEV también se cumplen para las soluciones BE En este punto deben aclararsc las relaciones algebraicas entre las soluciones basicas y las soluciones en los vértices. Recuerde que cada solucién en un vértice es la solucién simultanea de un sistema de » ecuaciones de frontera, alas que se dio el nombre de ecuaciones de defini- cién, La pregunta clave es: 2cémo puede distinguirse cuando una ecuacién de frontera en particular es una de las ecuaciones de definicidn siel problema se encuentra en la forma aumentada? Por formina, la respnesta es sencilla. Cada restriccidn tiene una variable indicativa que indica por completo (segiin si su valor es cero 0 no) cudndo la solucién actual satisface la ecuacidn de frontera de esa restriccibn. En la tabla 5.3 aparece un resumen, Para el tipo de res- triccién en cada renglén de la tabla, observe que la ecuacién de frontera de restriccién correspondiente (cuarta columna) se satisface si y s6lo si la variable indicativa de esta restriccion (quinta columna) es igual a cero. En el dltimo renglén (restriccién funcional de la forma >), de hecho, la variable indicativa ,,; ~ x,, esa diferencia entre la variable artificial Z,; ylava~ riable de superdvit x. ‘As{ pues, siempre que la ecuacién de frontera de restricci6n sea una de las ecuaciones de definicién para una solucién en un vértice, su variable indicativa tiene valor de cero en la forma aumentada del problema. Cada una de estas variables indicativas se lama variable no basica para la sulucién bisica correspondiente. En seguida se resumen las conclusiones y la terminologfa (que se introdujo en la seccién 4.2). Cada solucién bésica tiene m variables bésicas, y el resto son variables no bésicas iguales a cero. (El niimero de variables no basicas es igual an més el mimero de variables de superSvit.) Los valores de las variables bésicas constiruyen la sohucién simultinea del sistema de m ecuaciones del problema en la forma aumentada (después de igualara cero las variables no bisicas) Esta solucién basicaes la solucidn en el vértce aumentada cuyas m ecuaciones de definici6n son las indicadas por las variables wo bisicas. En particular, siempre que wna variable indicativa en Ja quinta columna de la tabla 5.3 sea una variable no bisica, la ecuacin de frontera de restriccidn en la cuarra columna es una ecuaciGn de definiciOn para la solucidn en el vércice, (Para restricciones funcionales de la forma 2, al menos una de las dos variables suplementarias Hy Y %, es siempre una variable no bisica, pero la ecuacion de frontera de restricciOnse convierteen una ecuacién de definicién sélo si ambas variables son no bésicas.) TABLA 5.3 Variables indicativas para las ccuaciones de frontera de restriecién* ipode | Formadela restriccion | _ restriccién No negatividad | x, 20 Funcional (s) Funcional (-) Funcional (2) "Variable indicative ~O = se satiaface [a ecuacin de rontara de restiecibn; ‘variable indicatva #0 = se viola a ecuacién de frontara de restriccion.200 5 Teoria del método si Ahora considere las soluciones bésicas factibles. Se puede observar que los inicos requisi- tos para que una solucién sea factible en la forma aumentada del problema son que satisfaga cl sistema de ecuaciones y que todas las variables sean no negativas. ‘Una solucién BF ¢s una solucién basica en la que las m variables basicas son no negativas (0) Se dice que una solucién BE es degenerada si cualquiera de estas m variables ¢ igual acero. Entonces, ¢s posible que una variable sea igual a cero y no sea una variable no bdsica para la solucién BE actual. (Este caso correspondea una solucién FEV que satisface otra ecuacién de frontera ademés de sus.» ecuaciones de definicién.) Por lo tanto, es necesario saber con exacti- tad cudl es el conjunto actual de variables no bésicas (0 ¢l conjunto actual de variables basicas) y no confiar en los valores de cero. ‘Ya se hizo notar que no todo sistema de» ecuaciones de frontera conduce a una solucién. en un vértice, ya sea porque el sistema no tiene soluciones o porque tiene soluciones mlti- ples. Por razones andlogas, no todo conjunto de n variables no bésicas conduce a una solucién bésica. Sin embargo, el método simplex evita estos casos. Para ejemplificar estas definiciones, considere una vez més el ejemplo de la Wyndor Glass Co. Sus ecuaciones de frontera y las variables indicativas se muestran eu la tabla 5.4. Alaumentar las soluciones FEV (vea la tabla 5.1) se obtienen las soluciones BF enumera- das cn Ja tabla 5.5. En esta tabla se han colocado. juntas las soluciones bisicas factibles adyacentes, excepto el par formado por la primera y la tltima. Note que en todos los casos, las variables no bésicas son necesariamente las variables indicativas de las ecuaciones de defini- cin, Entonces, las soluciones BF adyacentes difieren en qne tienen slo una variable no bési- ca distinta, También observe que cada solucién BF ¢s la solucién simulténea del sistema de ‘ecuaciones para el problema en forma aumentada (vea la tabla 5.4) cuando las variables nu bisicas se igualan a cero. ‘De igual manera, las otras tres soluciones no fiactibles en los vértices (ea la tabla 5.2) llevan a las otras soluciones bésicas no factibles que se muestran en la tabla 5.6. Los otros dos conjuntos de variables no bésicas, 1) x y x3 y 2) x2 y a4, no conducen a una solucién bésica porque al hacer cualquier par de variables igual a cero no se llega a tener una solucién al sistema formado por las ecuaciones (1) a (3) dadas en la tabla 5.4. Esta conclusién se equipara a la observacién que sc hizo antes respecto a que los conjuntus corres pondientes de ecuaciones de frontera de restriccién no conducen a una solucién. TABLA 5.4 Variables indicativas para las ecuaciones de frontera de restriccién del problema de la Wyndor Glass Co.* Restriccién en Ecuacién de frontera | Variable Restricci form: ntada de restricci6n indicativa m20 x20 n=0 x 20 20 x=0 xo ns4 oat on x4 % 2ns 12 Q me x ey =12 x 3x42 S18 @)3nt2at x52 18 34 +212 =18 Xs "Variable indicatva = 0 = Ia ecuacion de frontera de restriccion se satsfacer ‘variable indicatva #0.= la ecuacion de frontera de restrccion se viola.5.1__Fundamentos del método simplex 201 TABLA 5.5 _Soluciones BF para el problema de la Wyndor Glass Co, Ecuaciones de Variables Solucién FEV definicion Solucién BF no basicas (@.0) (0.0,4,12, 18) A % 06 (0.6,4,0,6) a x 26) 2.6,2,0,0) a 43) (4.3.0,6,0) x 4 (4.0) (4.0.0, 12,6) Eltodo simplex comienza en na olucién bisicafactible y se mueve en forma iterativaa tuna solucién basica factible adyacente mejor, hasta que logra una sulucion ptima. {Como se alcanza la solucién BE adyacente en cada iteracin? Recuerde que pars el problema original se obtiene una solucion facibleen un vérticead- Yaccare a partir de la solucién actual cuando: 1) se elimina una ecuacisn de fronter (ecuncion de definicién) del conjunto de » restricciones que definen la solucion actual, 2) se hace un Movimiento alejandose de la solucién actual, en la direccién factible alo largo de las Lies- \ricclones de Frontera (una arista de la regién factible)restantes y 3) el movimicmtose deine al encontrar la primera restriccién (ecuacidn de definicidn) nueva. JDe manera equivalent, en a terminologta nueva el método simplex lega a una soluciga BF adyacente a partir de la solucién actual cuando: 1) se elimina una variable (la variable bési- Fe esse Conjunto de m variables no bésicas que definen la solucién actual, 2) se aleja de la solucién actual al incremensar el valor de esta variable desde cero (y ajustando las otras variables bisicas para que sigan satisfaciendo el sistema de ecuaciones) al mismo. tiempo que se santienen lan ~ variables no bisicasrestantesanivel cero, y 3) se detiene cuandodl vatex de laprimera variable bisica (la variable hasica que sale) llega acero (a su estriccionde fivatn £2). Con cualquiera de estas dos interpretaciones, para clegir entre las malternativas del paso 1 Solucién no factible Ecuaciones de Solucién bisica en un vértice definicién no factible no basicas 0.9) (9, 4,-6, 0) % (4,6) (4.6.0, 0, 6) % % 6,0) (6.0.2, 12,0)202 5. Teoria del método simplex Ley TABLA 5.7. Secuencia de soluciones obtenidas por el método simplex para el problema de la Wyndor Glass Co. Solucién | Ecuaciones FEV | de definicion Variables |Restricciones funcionales no basicas | en la forma aumentada iteracién BF ° ©. (0.0,4, 12, 18) rr re] 2g tx4= 12 Big 1 Bagg a= 18 1 8) (0,6,4,0,6) my tKye 4 2x, + x42 12 Bx + 20g + 5 = 1B 2 (2.6,2,0,0) x tue 4 Dxeqt Ky= 12 3xj 42x, + 5=18 Ta tabla 5.7 ilustra la cercana correspondencia entre estas interpretaciones geométrica y algebraica del método simplex. Con los resultados presentados en las secciones 4.3 y 4.4, Ja cuarta columna resume la secuencia de soluciones BF encontradas para el problema de la Wyndor Glass Co., y la segunda columna muestra las soluciones FEV correspondientes. En atercera columna observe que en cada iteracién se climina una frontera de restriceién (ccua- idn de definicién) y se incluye otra para obtener la nueva solucién FEV, De manera similar observe en la quinta columna que cada iteracién elimina una variable bésica ¢ incluye otra para obtener la nueva solucién BE. Atin mds, las variables no bisicas que se quitan y se agre~ gan son las variables indicadoras de las ecuaciones de definicién que se eliminan y se incluyen en la tercera columna. La ultima columna muestra el sistema de ecuaciones inicial [sin incluir la ecuacién (0)] para la forma aumentada del problema, con las variables bésicas actuales en En cada caso, observe wm al hacer cero las variables no bésicas y resolver cl sistema de ecuaciones se obtiene la misma solucién para (x,, x) )que con el par de ecuaciones de defi- nicién correspondiente en la tercera columna. METODO PLEX REVISADO El método simplex, tal como se describié en el capitulo 4 (y que en adelante se Ilamard método simplex original) es un procedimiento algebraico directo. Sin embargo, esta forma de ¢jecutar el algoricmo (ya sea en forma algebraica o tabular) no cs cl procedimiento de céleulo més efi ciente cuando se trata de emplear una computadora, pues calcula y almacena muchos niimeros que no se necesitan para la iteracién actual y muchos que ni siquiera son pertinentes para latoma de decisiones en iteraciones subsecuentes. Las tinicas cifras importantes en cada itera cién son los coeficientes de las variables no bésicas en la ecuacién (0), los coeficientes de la variable bisica entrante en las otras ecuaciones y el lada derecho de las ecuaciones. Serfa muy ‘itl contar con un procedimiento que obtuviera esta informacién de manera eficiente sin tener que calcular y almtavenar los demas cocficientes. Como se mencioné en la seccién 4.8, estas ideas motivaron el desarrollo del método simplex revisado. Este método se ide6 para que lograra exactamente las mismas cosas que el méto- ddo simplex original, pero de manera més eficiente para su ejecucién en una computadora. Asi, se trata de una versién simplificada del procedimiento original. Calcula y almacena slo5.2. Método simplex revisado 203 la informacién que se necesita en el momento y guarda los datos esenciales de manera més compacta. Elmétodo simplex revisado usa operaciones explicitas con matrices, por lo que es importante describir el problema en notaciGn matricial. (Vea en cl apéndice 4 un repaso de matrices.) Para ayudar al lector a distinguir entre matrices, vectores y escalares, se usarn siempre letras MAYUSCULAS en negritas para representar matrices, letras mintisculas en negritas para representar vectores y letras cursinas normales en cl caso de los escalares. También se uusard el cero en negritas (0) para denotar el vector nulo (un vector cuyos elementos son todos cero) ya sea en forma de columna o de rengldn (lo que debe ser claro por Ia forma del problema), mientras que el cero normal (0) seguird representando el mimero cero. 'Si se emplean matrices, nucstra forma estandar del modelo general de programacién lineal establecido en la seccién 3.2 se convierte en: Maximizar Zax, sujeta a Axsb x20, donde c es un vector rengién C= [er F2y05 en) x, b y 0 son vectores columna tales que x, 0 x: x=|"? |, , o=|.), Ea y Acs la matriz a an Am fee ees oe Bm Ama A Para obtener la forma anmentada del problema se introduce el vector columna de las variables de holgura Ena Xn x, =|" Xam de manera que las restricciones se convierten en wnt | by [Ee204 5 Teoria del método simplex donde Tes la matriz identidad dem x my el vector nulo O ahora tiene» + elementos. (Alfi nal de la seccién se hacen comentarios sobre cmo manejar problemas que no estén en nuestra forma estindar.) Obtencién de una solucion basica factible Recuerde que el enfoque general del método simplex es obtener una sucesién de soluciones bd sicas factibles mejoradac hasta alearzza la solucién éptima, Una de las earacisfstivas clave del método simplex revisado ticne que ver con la forma cn que obtiene cada nueva solucién BE después de identificar sus variables bisicas y no bdsicas. Dadas estas variables, la solucién bé sica que resulta ¢s la solucién de las m ecuaciones wn |», cen las que las m variables no bdsicas de entre los m +m clementos de t| se igualan a cero. Cuando se eliminan estas n variables igualindolas a cero queda un conjun- 0 dem ecuaciones con m inedgnitas (las variables busiens). Este sistema de ecuaciones se puede denotar por Bxy=b, donde cl vectur de variables basicas a. xy=| Xm se‘obtiene al climinar las variables no bésicas de y la matriz base By Bi Buy se obtiene al climinar las colusmias correspondientes a los coeficientes de las variables no bés cas de [A, T]. (Atin mds, los elementos dex y, por lo tanto, las columnas de B pueden quedar colocadas en diferente orden al cjecutar el método simplex.) Elmeétodo simplex introduce sélo variables bisicas tales que R sea no singular, de manera que B™ siempre existe. Asi, para resolver Bx g = b, se premultiplican ambos lados porB™: BBx, = Bb.5.2 Método simplex revisado 205 Como BB = I, la solucién deseada para las variables bisicas es x, =B"b. Sea ¢p el vector cuyos elementos son ls coefcientes de la funcién objetivo (incluyendo los {0s Para las variables de holgura) que corresponden alos elementos de x, El valor de la fancién objetivo para esta soluciéin hisica es entonces Za e5Xy = cgBb. Ejemplo. Para ilustrar este método para obtener una solucién bisa facible, considere ‘otra vez cl problema de la Wyndor Glass Co., presentado en la seccidn 3.1 que se tesolvi6 em, Pleando el método simplex original cn la tabla 4.8. En este caso, 10100 4 s =(3,5), [A,1]=/0 2.01 of b=li2h x2} 32001 18 : Con referencia ala tabla 4.8, la serie de soluciones bisicas factibles obtenida con el método simplex (original o revisado) ¢s la siguiente: Iteracitn 0 ¥ 100 #3] [1 0 of 4] [4 Xs=|*4 B=|0 1 O/=B, asi ¥4/=|0 1 0//12/=/12], Ms 901 xs} [0 0 iflis} [is 4 x= (0, 0,0), esdeci, Z= (0, 0, 0]/12/=0. 18 Iteracién 1 3 to 6 Ho 0 xp=/} B=|0 2 of o + of Xs o 2 1 oO 7 1 de manera que *3] fl 0 off 4] [4 a |=|0 4 offiz|=l6), xs} [0 -1 iflis} [6 p= (0,5,0], esdeci, Z=(0, 5, 0]]6|= 6206 5 Teoria del método simplex Iteracién 2 dde manera que 1} =|0 } 0-4 x my x &p = (0, 5, 3), loo 7 1 =|o 2 of =|o } Oj 2 3 o - -$\) 4] |2 0{12}=\6|, dfs} [2 [2 es decir, Z= (0,5, as = 36. 2 Forma matricial del conjunto de ecuaciones actual Eltiltimo preliminar antes de resumir el método simplex revisado es mostrar la forma matricial del conjunto de ecuaciones que aparece en la tabla simplex en cualquier iteracién del mé- todo original. Para el conjunto original de ecuaciones, la forma matricial es 1 07 o a 1* Este conjunto de ecuaciones se exhibe también en la primera tabla simplex de la tabla 5.8. Las operaciones algebraicas rcalizadas por el inétodo simplex (multiplicar una ecuacién por una constante y sumar un miltiplo de una ecuacién a otra) se expresan en forma matti- TABLA 5.8 Primera y Ultima tabla simplex en la forma matricial Coeficiente de Variable Lado Neeracion| basica | Ec, | Z | Variables originales | Variables de holgura [derecho z lo 1 “ ° | 0 U xe | (t2...,m) | Oo A 1 b5.2. Método simplex revsado 207 cial premultiplicando ambos lados del conjunto original de ecuaciones por la matriz apropiada. Esta matriz tiene el mismo nimero de elementos que la matriz identidad, excepto que cada miiltiplo de una operacién algebraica se debe colocar en el lugar que se necesita para que la mulkiplicacién de matrices realice esta operacién. Adu despues de una serie de operaciones, algebraicas a través de varias iteraciones se puede deducir cual debe ser esta matriz (simbéli- camente) en cada paso, al usar lo que ya se sabe sobre el lado derecho del nuevo conjunto de ecuaciones. En particular, después de cualquier iteracién, x» = B™'b y Z=cgB™b. por lo que el lado derecho de las ecuaciones se converte en Z2)_[1 cgB" ][0]_[cgB 'b xe} [o Bt jib} | Bb Debido a que se realiza la misma serie de operaciones algebraicas en ambos lados del con junto original de ecuaciones, se usa esta misma matriz.que premultiplica el lado derecho original para premultiplicar el lado izquicrdo original. En consccuciia, como. 1 egB! V1 -¢ 0}_[1 csB1A-c c,B") o B! jo At} jo Bla Bt } la forma matricial que se busca para el conjunto de ecuaciones después de cualquier iteracion es La segunda tabla simplex de la tabla 5.8 también muestra este mismo conjunto de ecuaciones, Ejemplo. Pata ilustrar esta forma matricial para el conjunto actual de ecuaciones, considere el conjunto final de ecuaciones que se obtiene en la iteracién 2 para el problema de la Wyndor Glass Co. Si se emplea la By ¢g dadas en la iteracidn 2 al final de subseccién anterior, se tiene 1 0 0 1, 0 0. 1 cpB7 = (0, 5, 3}|0 0 00 csB'A-c={0, 5, 3]]0 1|-[3, 5]=(0, 0). 10208 Ademés, usando los valores de x = B'by Z = ¢gB™'b que se calcularon unas cuantas pigi- nas antes, estos resultados dan el siguiente conjunto de ccuaciones: como se observa en la tabla simplex final de la tabla 4.8, Procedimiento global Existen dos implicaciones importantes en la forma matricial del conjunto de ecuaciones actual mostrado en Ia tabla 5.8. La primera es que sdlo es necesario obtener B™ para poder calcular todos los mimeros de la tabla simplex a partir de los parémetros originales (A, b, es) del problema. (Esta implicacién es laesencia de la idea fundamental que se describe en la siguiente secci6n.) La segunda es que cualquiera de estos mimeros se puede obtener en forma individual al efectuar sola una muleiplicacién vectorial (un renglén por una columna) en lugar de multiplicar la matriz. completa. Por lo tanto, se pueden calculat los niimeros requeridas para evar a cabo una iteracién del método simplex conforme se necesiten sin dedicar el esfuuerz0 ‘omputacional que toma obtener sodas los ntimeros. Estas dos implicaciones clave se incor- poran en el siguiente resumen del procedimiento global. Resumen del método simplex revisado 1, Paso inicial: el mismo que en el método simplex original. 2. Iteracién: Paso 1 se determina la variable bésica entrante: igual que en el método simplex original. Paso2_se determine la variable bésica que sale: igual que en el método simplex ori nal, pero se calcula s6lo los niimeros que se necesitan para hacerlo [los coeficientes de la variable bisica entrante en todas las ecuaciones menos la ecuacién (0), y después, para cada cocficiente estrictamente positivo se calcula el lado derecho de esa ecuacién}.! Paso 3 se determina la nueva solucién basica facible: se obtiene B™ y el conjunto xp=B"b. 3. Prucbadeoptimalidad: 1a misma que en cl método simplex original, excepto que se calculan s6lo los mimeros necesarios para realizar esta prucba, es decir, los coeficientes de las ‘variables no bdsicas en la ecuacién (0). Enel paso 3 de una iteracién, B~! se puede obtener cada vez usando una rutina estandar de computadora para invertir matrices. Sin embargo, como B (y porlo tanto B™) cambia tan. poco de una iteracién a ou, resulta mds eficiente obtener la nueva B™ (denotada por B jteys) apartir de la B de la iteracién anterior (denotada por B ha): (Sise trata de la solucin BE inicial, B= 1= B~.) Un método para hacer esta derivacién se basa directamente en la inter- "Webido aque el valor de xp ese vector completo formado por ls lados derechos excepo la ecuacin (0), noes nece- sariocalcular ls ados derechos sixy se calcul6enel paso 3 dela iteraién anterior.5.2. Método simplex revisado 209 pretacién de los elementos de B™ [los coeficientes de las variables de holgura en las ecuaciones (1), (2), +5 (am) actuales} que se presentaré en la siguiente seccién, as{ como en el procedimiento usado por el método simplex original para ubtener el nucvo conjunto de ecuaciones a partir del anterior. Para describir formalmente este método, sea 4 = variable bésica entranre, a’, = coeficiente de x, en la ecuacién (i) actual, para i =1, 2,..., m (calculado en. el paso 2 de una iteracién), = mimero de ecuaciones que contienen a la variable basica que sale. Recuerde que el nuevo conjunto de ecuaciones [sin la ecuacién (0)] se puede obtener a partir del conjunto precedente restando la ecuaci6n (r) multiplicada por ay jay, de la ecuacién (#), para todai=l, 2,...,m exceptoi=r y después se divide la ecuacién (r) entre. Entonces, el clemento de Bs jy, en el renglény la columna j es Bibiga)y — 2A Brhinady sider oe ang) Bibevady = 1 Bihiga)s sié= Estas formulas en la notacién matricial se expresan como Brew = EBz) niga donde la matriz Kes una matria identidad excepto que su column, se sustituye porel vector m Sf n te sider, =|? |, donde n=} : site mn a Entonces E=[U,, Un y.oss Uys ty Upsts-+-3 Up}, donde los m elementos de cada vector columna U; son cero excepto por un 1 en la iésima posicién. Ejemplo. Sc ilustraré el método simplex revisado aplicéndolo al problema de la Wyndor Glass Co. Las variables basicas iniciales son las variables de bulgur Xs xp= (xa) 5 Iteracién 1 Como la matriz inicial B“! = I, no se necesitan célculas para obtener los nimeros requeridos que identifican la variable bisica entrante x, (~eq = 5 < -3= ~7))y la variable basica que sale 2 4(0 yy = 5 ba [it = HP <1 = by tgp, por lo que r=2). Ast, el nuevo conjunto de variables bisicas es * xp =| | Ey210 5 Teoria dal métadn imply Para obtener la nueva B™, 0 a= =| th a entonces 1 0 off1 0 0) [1 0 0 BI-|o } olfo 1 0/-jo 4 04 0 -1 10 0 if jo ad de manera que 1 0 oy 4] [4 xz=|0 } o}12}=|6). eee 6 Para probar siesta solucién es 6ptima, se calculan los coeficientes de las variables no basi- as (x; y #4) en la ecuacidn (0). Al realizar nada mds las partes relevantes de la multiplicacién de matrices, se tiene 1 cgB'A-c=(0, 5, 0)/0 S| cgB = [0, 8, 0}]— de manera que los coeficientes de x, y x4 son -3 y §, respectivamente. Como », tiene cocficiente negativo, esta soluci6n no es éptima. Iveracién 2 Con estos coeficientes de las variables no bdsicas en la ecuacién (0), como sdlo *;, tiene coeficiente negativo, la siguiente iteracién comienza por identificar x, como la variable bésica entrante. Para determinar la variable basica que sale se calculan los otros coeficientes de x) ° oy 1 ojo —|=|0 —} -1 13 3 1 B'A=|0 05.2 Método simplex revisado 2u1 ‘Usando la columna del lado derecho de la solucién BF actual (el valor de xg) que se acaba de obtener en laiteraci6n I, las razones 4/1 > 6/3 indican que x es la variable bésica que sale yel nuevo conjunto de variables bisicas es 7 a 1 ail |Z con Ta 0 -— m 1} at ar | | 3. Lan] 3 Por lo tanto, la nueva B ' es 10 -}]f1 0 o} fi 4-3 B'=/0 1 Oj/0 3 0}=|0 $ oO}, joo $ifo -1 1) jo -} 3 entonces 1 4-377 4] [2 xe=|0 $ Off12)=|6 jo -3 -3)h18] [12 Al aplicar la prueba de optimalidad se encuentra que los coeficientes de las variables no basicas (x4 y x5) en la ecuacién (0) son -— 3+ cB! =(0,5,3]}— 4 0 — -$ 4 Como ambos coeficientes (3 y 1) son no negativos, la solucién actual (x = 2, *) = 6, 4 =0, x5 = 0) es ptima y termina el procedimiento. Observaciones generales La presentacién anterior se limité al caso de problemas de programacién lineal que se ajustan nuestra forma estindar dada en la seccidn 3.2, pero las modificaciones para otras formas son, relativamente sencillas. E] paso inicial se Hevaria a cabo de manera idéntica que en el método simplex original (vea la seccidn 4.6). Cuando este paso comprende la introduccién de variables artificiales para obtener una solucién inicial BF (y por lo tanto para obtener la matriz, idéntica como matriz base inicial), estas variables se incluyen en los mt elementos de x, Ahora se haré un resumen de las ventajas que tiene el método simplex revisado sobre el original. Una de ellas es que puede reducirse el ntimero de célculos aritméticos. Esto es vilido en especial cuando Ja matriz A contiene un gran nimero de elementos iguales a cero (lo que por lo general ocurre con los problemas de gran escala que surgen en la practica). La cantidad de informacion que se tiene que almaccnar es menor, algunas veces mucho menor. El método simplex revisado también permite el control de los errores de redondeo que inevitablemente

Investigacion de Operaciones Hillier

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Investigacion de Operaciones Hillier

Uploaded by

Copyright:

Available Formats

You might also like