You are on page 1of 157

INTRODUCCIN Actualmente existen muchas herramientas que ayudan a la toma de decisiones en la Ingeniera Industrial dentro de ellas est la Investigacin

de Operaciones. Este libro tiene un enfoque sencillo de la materia y apropiado para alumnos de la Licenciatura, que actualmente estn cursando Investigacin de operaciones I que estn interesados en el tema. Se pretende proporcionar una metodologa conceptual y los conocimientos bsicos para utilizar algunos criterios de optimizacin para la toma de decisiones de modelos matemticos de Investigacin de Operaciones. El contenido de este libro esta basado en la experiencia adquirida a lo largo de los aos en la imparticin de la materia, as como la consulta de varios autores e investigadores en el tema, en este libro el nico fin que persigue es ser una fuente de consulta para los alumnos del programa de la materia de Investigacin de Operaciones I de Ingeniera Industrial del ITP, y consta de 5 captulos los cuales estn divididos de la siguiente manera: En el capitulo I se analizan las fases de estudio de la Investigacin de Operaciones y la Metodologa para el planteamiento de Modelos Matemticos Lineales, en el captulo II se analizan conceptos del Mtodo Grafico y la metodologa y aplicacin del Mtodo Simplex, Doble Fase, Simplex Revisado, y casos especiales con Simplex Revisado, y en el capitulo III se hace un anlisis de la Teora de la Dualidad y Anlisis de Sensibilidad, en el captulo IV se desarrollar el Mtodo de Transporte y Asignacin, y finalmente en el captulo V se abordar el tema de la Programacin Entera. Para resolver e interpretar los problemas se recomienda el uso de la computadora, utilizar Solver, hoja de clculo usar paquetera. En este libro se usar el QSB. En la ltima parte del libro se adiciona un anexo que viene siendo un repaso de los conocimientos elementales de lgebra lineal que deben tener los alumnos para poder trabajar con los temas de Investigacin de Operaciones.

Captulo I

Metodologa de la investigacin de Operaciones y Formulacin de Modelos


Objetivo. Dar a conocer y aplicar la metodologa de la investigacin de operaciones para la formulacin y planteamiento de situaciones reales de una organizacin a modelos matemticos que sirvan para la toma de decisiones.

Contenido: 1.1 1.2 1.3 1.4 1.5 1.6 Definicin, desarrollo y tipos de modelos de la Investigacin de Operaciones Fases de estudio de la Investigacin de Operaciones Principales aplicaciones de la Investigacin de Operaciones Formulacin de Problemas Lineales Formulacin de problemas ms comunes Ejercicios

Bibliografa

1.1 Definicin, desarrollo y tipos de modelos de la Investigacin de Operaciones


El objetivo de este captulo es conocer y aplicar la Metodologa de la Investigacin de Operaciones sealando la importancia de las fases de estudio y la formulacin, justificacin y uso de los modelos matemticos que sirvan para la toma de decisiones dentro de los proceso de mejora en una organizacin. - Definicin de la Investigacin de Operaciones El concepto de la investigacin de operaciones toma auge a partir de la segunda guerra mundial en la planeacin, diseo y operacin de sistemas militares complejos. Atrados por el xito obtenido, el mundo industrial, despus de la guerra inici la aplicacin de esas tcnicas en la resolucin de sus ya complejos problemas tcnicos y administrativos. Asimismo los investigadores en esta rea desarrollaren tcnicas y procedimientos de optimizacin. Uno de ellos fue George Dantzing que en 1947 aporto el concepto de Programacin Lineal y Mtodo Simplex el cual es fundamental para la toma de decisiones de modelos matemticos. En la actualidad el nmero y la variedad de aplicaciones de la investigacin de operaciones, en organizaciones militares, industriales y gubernamentales es impresionante. La mayora de las grandes corporaciones y un buen porcentaje de las empresas incluyen en sus organizaciones a grupos de Investigacin de Operaciones (I.O). La investigacin de operaciones se puede definir como un mtodo cuantitativo til para tomar decisiones y que requiere la organizacin y operacin del sistema sean investigadas. Sin embargo esta definicin es muy general por lo que despus de analizar algunas con diferentes autores, la ms adecuada para este autor es la siguiente. A continuacin se dar la definicin de Investigacin de operaciones (IO) como la define Juan Prawda (referencia) que agrupa conceptos de Churchman, Ackoff y Arnof. ......La Investigacin de Operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas (Hombre-mquina) a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizacin.......

Desarrollo de la IO y tipos de modelos


Segn el autor Juan Prawda .....La investigacin de operaciones se remonta a los aos 1759 cuando el economista Quesnay empieza a utilizar modelos primitivos de programacin matemtica. Los modelos lineales de la Investigacin de operaciones tienen como precursores a Jordan en 1873, Minkowsky en 1896 y a Farkas en 1903. Los problemas de asignacin se estudian con mtodos matemticos por los hngaros Knig y Egervary en la segunda y tercera dcada del siglo XX. Los problemas de distribucin se estudian por el ruso Kantorovich en 1939. Von Neuman cimienta en 1937 la Teora de juegos y la Teora de Preferencias (esta ltima desarrollada en conjunto con Morgensten). Hay que hacer notar que los modelos matemticos de la investigacin de operaciones que utilizaron estos precursores estaban basados en el Clculo Diferencial e Integral (Newton,
3

Lagrange, Laplace, Lebesgue, Leibnitz, Reimman, Stieltjes, por mencionar algunos), la Probabilidad y la Estadstica (Bernoulli, Poisson, Gauss, Bayes,Gosset, Snedecor, etc) .Hasta la segunda guerra mundial fue cuando la Investigacin de Operaciones empez a tomar auge. Primero se le utiliz en la logstica estratgica para vencer al enemigo (Teora de Juegos) y, ms tarde al finalizar la guerra, en la logstica de distribucin de todos los recursos militares de los aliados dispersos por todo el mundo. Fue debido precisamente a este ltimo problema, que la fuerza norteamericana a travs de su centro de investigacin Rand Corporation, comision a un grupo de matemticos para que resolviera este problema que estaba consumiendo tantos recursos humanos, financieros y materiales...... Fue el doctor George Dantzig el que en 1947, inventara el mtodo Simple, con lo cual dio inicio la Programacin Lineal (P.L.). Dantzig es considerado como uno de los tres fundadores de la P.L. junto con Von Neuman y Kantorovich. A travs de su investigacin en teora matemtica, computacin, y aplicaciones de problemas industriales ha logrado contribuir ms que cualquier otro investigador al desarrollo de la Programacin lineal. La Investigacin de Operaciones para su estudio se divide en: 1. Modelos Determinsticos. Son aquellos en donde toda la informacin es conocida 2. Modelos Bajo Riesgo. Son aquellos en donde por lo menos un dato tiene un comportamiento probabilstica o algn parmetro estadstico. 3. Modelos Bajo incertidumbre. Son aquellos en donde se desconoce la informacin. Algunos de los ejemplos de la Investigacin de operaciones dentro de los modelos de decisin, segn su clase de incertidumbre y su uso en las organizaciones, estn daos en la siguiente tabla 1.1
Tabla 1.1 clasificacin del uso de la IO Programacin lineal Determinstico Redes Determinstico , Probabilstico Inventarios, Produccin Determinstico, Probabilstico Pronsticos Determinstico, Probabilstico Programacin Entera Determinstico Programacin Dinmica Determinstico, Probabilstico Programacin no lineal Determinstico Teora de Juegos Probabilstico Lneas de Espera Probabilstico Procesos de Markov Probabilstico Simulacin Determinstico, Probabilstico Anlisis de decisiones, rboles de Probabilstico decisin

Para hacer aprovechar la riqueza que nos ofrece la Investigacin de operaciones se requieren conocimientos de: matemticas, probabilidad y estadstica y un lenguaje cientfico de computacin.

1.2 Fases de estudio de la Investigacin de Operaciones


Las principales fases incluyen un trabajo en equipo dentro de la administracin que incluya al lder de la organizacin para poder plantear alternativas dentro de un plan estratgico de una situacin real de un problema y poderlo abstraer a un modelo matemtico para

alcanzar objetivos deseados y estratgicos de la organizacin, para ello se requiere de los siguientes puntos: 1. 2. 3 4. 5 6 7 Definir el problema Determinar el conjunto de soluciones alternativas que existan Determinar el criterio o criterios que se usarn para evaluar las Evaluar cada alternativa Elegir la mejor decisin Implementar la alternativa seleccionada Evaluar los resultados

alternativas

El punto 1 se refiere a definir el problema que quiere decir identificar el los objetivos de una situacin a mejorar. El punto dos se refiere a analizar las posibles alternativas de solucin que existan. El punto tres se refiere a identificar las interacciones que existan entre los diferentes criterios el criterio a usar y analizar sus ventajas y desventajas. El punto cuatro se refiere cuantificar cada alternativa a considerar que datos son pertinentes para la cuantificacin de dichas variables y determinar las interacciones entre ellas. El punto cinco se refiere a seleccionar la mejor decisin para la organizacin mediante un anlisis y juicio del administrativo. El punto seis se refiera a poner en prctica el proyecto. Y por ltimo el punto siete se refiere a retroalimentar al equipo con los resultados obtenidos para continuar dentro del proceso de mejora que tiene inicio pero no tiene fin En la figura 1.1 se representa un enfoque administrativo para la toma de decisiones para un modelo matemtico, dada una situacin administrativa real se disea un modelo matemtico de esa situacin real se ejecuta y se obtienen resultados, y para la toma de decisiones sta va estar en funcin de tres aspectos que son los resultados, el juicio de la organizacin y la intuicin de los lderes del proyecto.

Situacin administrativa real

Modelo matemtico

resultados

Juicio

decisin

intuicin

Figura 1.1 Esquema de la modelacin de un problema

Algunas razones por las cuales usar los modelos matemticos: El nmero de formas en que los modelos se utilizan es tan abundante como el de las personas que lo construyen, se pueden usar para vender una idea o un diseo, para produccin ptima, servicios. Los modelos obligan a definir explcitamente los objetivos a mejorar. Los modelos obligan a identificar y registrar los tipos de decisiones que influyen en dichos objetivos. Los modelos obligan a identificar y registrar las interacciones entre todas esas decisiones y sus respectivas ventajas y desventajas Los modelos permiten comunicar las ideas y conocimientos, lo cual facilita el trabajo de equipo. Los modelos lo obligan a pensar cuidadosamente en las variables que va a incluir, y a definirlas en trminos que sean cuantificables. Los modelos lo obligan a considerar que datos son pertinentes para la cuantificacin de dichas variables y a determinar las interacciones entre ellas. Los modelos lo obligan a reconocer las restricciones (limitaciones) pertinentes en los valores que esas variables cuantificadas puedan adoptar Los modelos permiten que usted comunique sus ideas y conocimientos, lo cual facilita el trabajo de equipo.

1.3 Principales aplicaciones de la Investigacin de Operaciones


Dentro de las aplicaciones est el dirigir y ser lder en una organizacin u operacin compleja, tal como una extensa planta manufacturera, una aerolnea, o la coordinacin precisa de los materiales, mquinas y gente. Los analistas de I.O. ayudan a las organizaciones a coordinar y operar de la manera ms eficiente aplicando mtodos cientficos y principios matemticos a los problemas organizacionales. Los ingenieros pueden evaluar alternativas y escoger el curso de la accin para la toma de decisiones. La investigacin de operaciones se usa en mltiples situaciones en donde se analizan una problemtica real y se crea un modelo matemtico que lo representa y que una vez que se conoce la solucin sta se suma al juicio y experiencia de la administracin para tomar la mejor decisin, algunas de las reas en donde se aplican estos modelos son: En la actualidad el nmero y la variedad de aplicaciones de la investigacin de operaciones, en organizaciones militares, industriales y gubernamentales es impresionante. La mayora de las grandes corporaciones y un buen porcentaje de las empresas incluyen en sus organizaciones a grupos de Investigacin de Operaciones (I.O).En un sistema de inventarios para la determinacin del lote econmico de compra, en sistemas de produccin para optimizar recursos, en un sistema de lnea de espera para optimizar el sistema de espera y minimizar los tiempos de espera en la cola y con esto lograr la satisfaccin del cliente, en la programacin de eventos de capacitacin para los trabajadores haciendo uso de clculos de tiempos sealando la ruta critica en cuanto a tiempo, recursos monetarios etc. En el anlisis de toma de decisiones para la apertura de estrategias de inversin. Actualmente tambin se emplea en la planeacin estratgica de una empresa, en la calidad de productos robustos, y se estn haciendo estudios con innovacin con TRIZ Dentro del campo educativo, una de las universidades ms importantes a nivel nacional e internacional como lo es la UNAM tiene el posgrado y doctorado en I. O. y cuenta con importantes lneas de investigacin y asociaciones entre ellas su pgina http://ideo.fi-p.unam.mx en la cual se encontrarn varios enlaces artculos, con lneas de investigacin en investigacin de operaciones, tambin en la UNAM se celebr el

pasado 28 de Septiembre de 2006 el 40 aniversario de la Maestra y Doctorado en Investigacin de Operaciones se llevo acabo la inauguracin y la presentacin de una serie de 6 cuadernillos de divulgacin de Investigacin de Operaciones.

1.4 Formulacin de Problemas lineales


En un problema lineal el proceso de mejora se plantea en el uso eficiente asignacin de recursos limitados para alcanzar los objetivos deseados. Estos problemas se caracterizan porque tienen muchas soluciones que satisfacen las condiciones del sistema y la seleccin de la mejor decisin depender del objetivo que se pretenda alcanzar dentro del proceso de mejora. Una solucin que satisfaga las condiciones del problema como el objetivo de la organizacin se denominar solucin ptima, por eso es interesante construir de manera correcta los modelos de Programacin lineal (P.L.). Cmo construir un modelo de P.L.? 1.- Estudie el ambiente de la situacin administrativa 2.- Formule una representacin selectiva de la situacin 3.- Construya y analice un modelo cuantitativo Creacin y formulacin de modelos matemticos. Un modelo es una abstraccin selectiva de la realidad. Muchas clases de modelos estn asociados a diversas clases de actividades. Los modelos de decisin designan objetivos. Un modelo es una representacin que idealiza, simplifica y abstrae selectivamente la realidad y esta representacin es construida por individuos. En la actualidad la creacin de modelos incluye una gran cantidad de arte e imaginacin as como de conocimientos tcnicos. Observaciones: La experiencia es primordial en estos casos. La formulacin es la expresin de las relaciones lgicas en el lenguaje de las matemticas Ningn modelo puede garantizar al planificador de alto nivel la mejor decisin. El modelo es slo una aproximacin simblica selectiva de la realidad. En general cuando se tiene un problema de optimizacin, consistente en asignar de manera ptima recursos limitados en tal forma que se cumpla con ciertos objetivos establecidos, se dice que es un problema de programacin lineal. Ejemplos tpicos: Determinar las cantidades a producir de varios artculos en tal forma que se maximice la utilidad, considerando las restricciones de: capacidad de producir materias primas mercado, etc. Cul es el programa de entrega de un producto que minimice los costos de transporte y

que adems cumpla con los requisitos de demanda de los centros de consumo y con las capacidades de produccin de la fbrica. Cul es el programa de compra de materias primas que nos minimice el costo total, considerando costos de compra y de manejo de inventarios tal que satisface los requisitos de produccin. Modelos lineales en trminos generales cuando tenemos un problema de optimizacin, consistente en asignar de manera ptima recursos limitados de tal manera que se cumpla con ciertos objetivos establecidos, se dice que es un problema de programacin lineal. De los problemas de programacin, los de tipo lineal son los ms sencillos y de gran aplicacin, pero a pesar de ser los ms sencillos, la optimizacin clsica no es de poca ayuda, razn por la cual son necesarios mtodos especiales de solucin. Un problema general de programacin consiste en optimizar una funcin objetivo formada por un conjunto de variables no-negativas, la cual esta sujeta a una serie de restricciones, es decir:

Optimizar

Z= s.a.

C1X1 + C2X2 + ..... + CnXn


< b1 > < a21X1 + a22X2 + ..... + a2nXn b2 > ... ... ... ... < am1X1 + am2X2 + ..... + amnXn bm > Xi j 0

a11X1 + a12X2 + ..... + a1nXn

i= 1,2,3,....., hasta n columnas j= 1,2,3,....., hasta m filas


Figura 1.2 representacin de un modelo matemtico de programacin lineal.

Optimizar la funcin objetivo Z quiere decir maximizar utilidades o minimizar costos. Xi = variables de decisin involucradas en el modelo o vector de actividades. aij = cantidad de recurso j que se necesita por unidad de la actividad i, es decir, (coeficiente tecnolgico del producto inherente a la variable de decisin). Ci = vector de precios o costos unitarios. bj = vector de disponibilidad de recursos. Xi 0 nos seala la condicin de no negatividad.

Representacin estndar de un problema lineal La representacin estndar de un modelo lineal se da cuando se quiere resolver el problema usando un mtodo de solucin, el mtodo que se explicara mas adelante es el mtodo Simplex por lo cual adicionar una matriz identidad al conjunto de desigualdades es importante para trabajar con una base inicial dentro de la solucin inicial del mtodo Simplex. Cuando se quieren convertir las desigualdades en igualdades se hace uso de las variables agregadas segn sea cada caso: Caso 1 Si la desigualdad se comporta como : a 11X1 + a12X2 + ..... + a1nXn b1 al pasar la desigualdad a la forma estndar se

le suma una variable denominada S llamada de holgura la cual absorber el valor mayor igual a cero para que la igualdad se satisfaga esto es: a 11X1 + a12X2 + ..... + a1nXn Caso 2 Si la desigualdad se comporta como a 11X1 + a12X2 + ..... + a1nXn b1 al pasar la desigualdad a la forma estndar se le la cual absorber el valor necesario
+

S1 = b1

resta una variable denominada S llamada superflua para que la igualdad se satisfaga esto es: a 11X1 + a12X2 + ..... + a1nXn - S1 = b1 Caso 3 Si lo que se tiene es una igualdad como = a 11X1 + a12X2 + ..... + a1nXn = b1 un modelo lineal. a 11X1 + a12X2 + ..... + a1nXn + R1 = b1

se trabaja directamente como tal adicionando una

variable artificial llamada R la cual cumplir para formar la base del problema estndar en

De tal manera que si el problema lineal es. Maximizar Z= s.a. a11X1 + a12X2 + ..... + a1nXn b1 a21X1 + a22X2 + ..... + a2nXn b2 ... ... ... ... C1X1 + C2X2 + ..... + CnXn

am1X1 + am2X2 + ..... + amnXn bm Xi j 0 i = 1,2,3,....., hasta n columnas j = 1,2,3,....., hasta m filas La representacin estndar quedara: Maximizar s.a. a11X1 + a12X2 + ..... + a1nXn + S1 a21X1 + a22X2 + ..... + a2nXn ... ... am1X1 + am2X2 + ..... + amnXn ... ... Xi j 0
.. +

Z = C1X1 + C2X2 + ..... + CnXn = b1 +S2 ... ... Sm = bm i = 1,2,3,....., n ; j=1,2,3,..m = b2

Una vez formulado el problema y resuelto por alguno de los mtodos conocidos se requiere hacer un estudio de anlisis de sensibilidad. El anlisis de sensibilidad en los modelos de programacin lineal se realiza sobre la solucin ptima y ofrece informacin complementaria que es de gran utilidad para quien toma las decisiones. Los cambios en los parmetros del problema nos permiten hacer una interpretacin econmica de lo que puede suceder si estos parmetros varan, estas variaciones pueden ser en la demanda, cantidades de materia prima, costos de produccin, mercados globales de mano de obra, los financiamientos, etc. Los tomadores de decisiones

10

podrn analizar como esos cambios afectan a la solucin actual y as poder planear y hacer cambios si son necesarios a futuro.

1.5 Formulacin de problemas ms comunes


Dentro de la modelacin lineal se cuenta con problemas tipo como son el problema de: La dieta, inversin, transporte, mezcla, recorte, asignacin, reemplazo y ruta ms corta los cuales se ejemplificarn para mayor entendimiento en el orden en que fueron sealados. Problema de la dieta Se quiere determinar una dieta de costo mnimo que rena los requisitos alimenticios siguientes: Al menos 5 mg de vitamina A, al menos 4 mg. De Vitamina D y al menos 12 mg. De vitamina B12. Se tiene varios alimentos con diferentes contenidos de vitaminas:
i 1 2 3 4 producto A1 B1 A2 B2 Costo($) 35 20 25 45 Contenido de* Vit. A Vit. D 0.50 0.40 0.40 0.20 0.40 0.20 0.50 0.60 Vit. B12 0.14 0.20 0.30 0.40

* contenido en mg. por gramo de producto

Cul es el modelo que nos conducir a la dieta de costo mnimo? Formulacin: La funcin objetivo representa el costo total de la dieta al determinar cuntos gramos es comprarn de cada producto. Sea Xi el nmero de gramos del producto i que se van a utilizar para la dieta. La funcin objetivo quedara de la siguiente manera: Min Z = 35X1 + 20X2 + 25X3 + 45X4 sujeta a las restricciones que impone la dieta Vitamina A: 0.50X1 + 0.40 X2 + 0.40 X3 + 0.50 X4 5 El nmero de miligramos de vitamina A en la dieta debe ser mayor igual a 5, y eso se lograr a travs del contenido que tiene cada uno de los productos multiplicado por el nmero de gramos que se compren. De manera similar se calcula para las vitaminas D y B12 Vitamina D: 0.40 X1 + 0.20 X2 + 0.20 X3 + 0.60 X4 4 Vitamina B12: 0.14 X1 + 0.20 X2 + 0.30 X3 + 0.40 X4 12

11

El modelo quedara: Min Z = 35X1 + 20X2 + 25X3 + 45X4 s.a. 0.50X1 + 0.40X2 + 0.40X3 + 0.50X4 5 0.40X1 + 0.20X2 + 0.20X3 + 0.60X4 4 0.14X1 + 0.20X2 + 0.30X3 + 0.40X4 12 Xi0 para i = 1, 2, 3, 4 Problema de Inversin Un inversionista cuenta a la fecha con $30,000.00 (de pesos) los cuales tendr que manejar durante 6 aos y obtener el mximo de efectivo al final de esos 6 aos para realizar una inversin mayor previamente determinada. Durante este periodo de 6 aos tiene las siguientes posibilidades de inversin: Alternativa A, B y C disponibles al principio de cada ao. Cada peso invertido en A produce 1.20 un ao despus (utilidad 0.20), cada peso invertido a B produce 1.60 dos aos despus y por ltimo en C se obtiene 2.10 tres aos despus. Alternativa D y E disponibles desde el principio del tercer y cuarto ao respectivamente producen 3.20 y 4.10 respectivamente tres aos despus. Cul es el plan de inversin que maximiza la cantidad disponible al principio del sptimo ao? Formulacin: Se examinar cada alternativa por separado. Alternativa A Estar disponible al principio de cualquier ao y produce 1.20 por peso invertido un ao despus.
Inversin

A 1*

A2 2

A3 3

A4 4

A5 5

A6 6 7 1.2A6 aos

Resultados 1

1.2A1 1.2A2 1.2A3 1.2A4 1.2A5 * A1 indica cantidad invertida en A, al principio del ao i

Alternativa B Esta disponible al principio de cada ao y produce 1.60 por peso invertido dos aos despus.
Inversin

B 1*

B2 2

B3 3

B4 4

B5 5 6 7 1.6B5 aos

Resultados 1

1.6B1 1.6B2 1.6B3 1.6B4 * B1 indica cantidad invertida en B, al principio del ao i

12

Alternativa C Esta disponible al principio de cada ao y produce 2.10 por peso invertido tres aos despus.
Inversin

C1

C2 2

C3 3

C4 4 5 6 7 2.1C4 aos

Resultados 1

2.1C1 2.1C2 2.1C3

Alternativa D Disponible al principio del tercer ao y produce 3.20 por peso invertido tres aos despus. D3 1 2 3 D4 4 5 6 3.2D3 7 3.2D4 aos

Alternativa E Disponible al principio del cuarto ao y produce 4.10 por peso invertido tres aos despus. E4 1 2 3 4 5 6 7 4.1E4 Designaremos la cantidad disponible al principio de cada ao por Xi(i es el ao) y ser la cantidad remanente al invertir en dicho ao. La cantidad disponible al principio del primer ao ser: X1 = 30,000 A1 B1 C1, debido a que solo es posible invertir en alternativas A, B y C. La cantidad disponible al principio del segundo ao ser: X2 = X1 A2 B2 C2 + 1.2A1, en este caso al disponible del ao anterior le sumamos el dinero producido por la inversin A1 y le restamos lo invertido en este ao (A2, B2 y C2) si hacemos lo mismo para cada ao tendremos la siguiente tabla: aos

13

ao 1 2 3 4 5 6 7

inversin A 1 - B 1 - C1 A 2 - B 2 - C2 A3 -B3 - C3 - D3 A 4 - B 4 - C4 - D 4 E4 A5 - B 5 A6 --

recuperacin 1.2A1 1.2A2, 1.6B1 1.2A3, 1.6B2, 2.1C1 1.2A4, 1.6B2, 2.1C2 1.2A5, 1.6B4, 2.1C3, 3.2D3 1.2A6, 1.6B5, 2.1C4, 3.2D4, 4.1E4

Cantidad disponible X1 = 30000 A1 - B1 - C1 X2 = X1 + 1.2A1 - A2 - B2 - C2 X3 = X2 + 1.2A2 + 1.6B1 - A3 - B3 - C3 - D3 X4 = X3 + 1.2A3 + 1.6B2 + 2.1C1 - A4 - B4 C 4 - D 4 - E4 X5 = X4 + 1.2A4 + 1.6B3 + 2.1C2 - A5 - B5 X6 = X5 + 1.2A5 + 1.6B4 + 2.1C3 + 3.2D3 A6 X7 = X6 + 1.2A6 + 1.6B5 + 2.1C4 + 3.2D4 + 4.1E4

Como el objetivo es maximizar la cantidad disponible al principio del sptimo ao, por lo tanto X7 ser la funcin objetivo y las dems cantidades (ecuaciones) sern las restricciones es decir: Mx. Z = X7 = X6 + 1.2A6 + 1.6B5 + 2.1C4 + 3.2D4 + 4.1E4 Sujeta a: X1 + A1 + B1 + C1 X2 - X1 - 1.2A1 + A2 + B2 + C2 X3 - X2 - 1.2A2 - 1.6B1 + A3 + B3 + C3 + D3 X4 - X3 - 1.2A3 - 1.6B2 - 2.1C1 + A4 + B4 + C4 + D4 + E4 X5 - X4 + 1.2A4 + 1.6B3 + 2.1C2 - A5 - B5 X6 - X5 - 1.2A5 - 1.6B4 - 2.1C3 - 3.2D3 + A6 Xi Aj Bk Cl D3, D4, E4 = 30,000 =0 =0 =0 =0 =0 0 i =1,2,..........7 0 j =1,2,..........6 0 k =1,2,... . .5 0 l =1,2, .........4 0

Problema de Transporte Una compaa distribuidora de cerveza desea saber que polticas de distribucin minimizar sus costos de distribucin, si cuenta con depsitos en: Monterrey, Mxico y Guadalajara, y los centros de consumo a los que tiene que surtir son: Tecate, Culiacn, Durango y Mrida. Los costos de distribucin entre centros de consumo y depsitos, as como las capacidades y demanda por periodo son: Centros de consumo Depsitos Tecate Culiacn Durango Mrida capacidad Monterrey 800* 300 400 500 550000 Mxico 700 600 500 200 300000 Guadalajara 200 400 300 300 250000 Demanda 250000 300000 200000 160000
*costo por mil cartones

14

Formular el modelo que cumpla con los requisitos anteriores Formulacin: Se designar Xij el nmero de miles de cartones que se envan del deposito i al centro de consumo j desde i = 1, 2, 3, y j = 1, 2, 3, 4 L funcin objetivo es minimizar el costo total de distribucin y las restricciones son la capacidad y la demanda. Centros de consumo Depsitos 1. Tecate 2. Culiacn 3. Durango 4. Mrida 1. Monterrey X11 X12 X13 X14 2. Mxico X21 X22 X23 X24 3. Guadalajara X31 X32 X33 X34 Formulacin del modelo Funcin objetivo: MinZ = 800X11 + 300X12 + 400X13 + 500X14 + 700X21 + 600X22 + 500X23 + 200X24 + 200X31 + 400X32 + 300X33 + 300X34 Sujeta las restricciones siguientes: X11 +X12 +X13 +X14 550000 X21 +X22 +X23 +X24 300000 X31 +X32 +X33 +X34 250000 X11 +X21 +X31 = 250000 X12 +X22 +X32 = 300000 X13 +X23 +X33 = 200000 X14 +X24 +X34 = 160000 Xij 0 para i=1,2,3 Problema de mezcla Una compaa desea aprovechar desea aprovechar al mximo su exceso en capacidad de produccin en dos de sus plantas. Con tal objeto el departamento de desarrollo del producto propone la fabricacin de un artculo llamado nivelador el cual se puede vender en tres tamaos: nivelador-familiar, nivelador-mediano y nivelador personal, produciendo una utilidad neta por unidad de: $12, $9 y $6 respectivamente. Las plantas tienen una capacidad de produccin de 800 y 500 unidades por da, sin importar el tamao combinacin de tamaos a producir. Cada una de las plantas tiene restricciones en cuanto a su capacidad de almacenamiento, 4,000 y 5,000 metros cuadrados de espacio disponible respectivamente. Cada unidad necesita 8, 6 y 4 metros cuadrados de espacio en el almacn. El departamento de ventas, basado en un pronostico indica que: 1000, 400 y 300 unidades por da de nivelador familiar, mediano y personal pueden ser colocadas en el mercado. Como poltica de personal de la compaa se tiene que ambas plantas utilizarn el mismo porcentaje de su exceso de capacidad de produccin.

depsitos centros de consumo y


j= 1,2,3,4

15

Se desea conocer el modelo que nos representa esta situacin con el objeto de poder maximizar la utilidad. Formulacin: El objetivo es maximizar utilidades. Utilizaremos dos subndices, para definir el tamao del artculo y la planta que lo produce: Xij = nmero de unidades del tamao j producidas en la planta i. Desde i =1, 2 y j =1, 2, 3 Es decir X12 ( es el nmero de artculos de tamao mediano 2 producidos en la planta 1) La funcin objetivo ser: Max. Z = 12 (X11 + X21) + 9 (X12 +X22) + 6 (X13 + X23) Sujeta a las restricciones de: - capacidad - almacenaje - ventas - carga de trabajo Capacidad- Las capacidades son 800 y 500 para cada una de las plantas. La suma de los artculos producidos no exceder a la capacidad, por lo tanto: X11 + X12 + X13 800 X21 + X22 + X23 500 Almacenaje. El rea disponible por planta es de 4,000 y 5,000 metros cuadrados, por lo tanto al rea utilizada vendr expresada por las siguientes desigualdades: 8X11 + 6X12 + 4X13 4,000 8X21 + 6X22 + 4X23 5,000 Ventas. La produccin de ambas plantas de cada tamao no debe exceder al pronstico: X11 + X21 1,000 X12 + X22 400 X13 + X23 300 Carga de trabajo. Para lograr la proporcionalidad que se pide es necesario establecer las siguientes relaciones: X11 + X12 + X 13 = X21 + X22 + X23 800 500 Esto es, el porcentaje de la capacidad empleada en la primer planta es el total de unidades fabricadas en ella, entre la capacidad potencial y esto debe ser igual al porcentaje de utilidades en la segunda. Resumiendo lo anterior el modelo matemtico de programacin lineal quedara representado por.

16

Max Z = 12 (X11 + X21) + 9 (X12 +X22) + 6 (X13 + X23) Sujeto a: X11 X21 8X11 8X21 +X12 +X22 + 6X12 +6X22 X11 X12 X13 +X12 +X13 +X23 +4X13 +4X23 +X21 +X22 + X23 +X13) 800 500 4,000 5,000 1,000 400 300 1/500
0 para

1/800

(X11

Xij

(X21
i =1, 2 j = 1, 2, 3

+X22 +X23) = 0

Problema de recorte Una fbrica de papel produce bobinas con una medida estndar de 1000 m de longitud y 1 m de ancho. Recibe semanalmente pedidos de diferentes centros de suministro. Para la semana entrante este pedido es de 320 bobinas de 20 cm. de ancho, 365 de 30 cm. 480 de 40 cm. y 176 de 70 cm. (todas con la misma longitud estndar de 1000 m). El fabricante debe cortar a lo ancho las bobinas de 1 m para satisfacer la demanda. Desea fabricar el mnimo nmero posible de bobinas de 1 m ( se supone que los sobrantes se reciclan, por lo que tienen un coto despreciable). Formular un programa lineal que responda a los deseos del fabricante. Si el papel sobrante tuviera un costo no despreciable, cul sera entonces la funcin objetivo? Formulacin: Xi = nmero de bobinas que se cortaran de acuerdo a la opcin i Definimos como variable de decisin las opciones de corte a lo ancho de cada bobina utilizable en produccin de los tipos de bobinas solicitadas. Las alternativas de cortes posibles son los siguientes: opcin 20 cm. 30 cm. 40 cm. 70 cm. Cm sobrantes 1 5 0 0 0 0 2 3 0 1 0 0 3 3 1 0 0 10 4 1 0 0 1 10 5 0 1 0 1 0 6 1 1 1 0 10 7 0 2 1 0 0 8 0 3 0 0 10 9 1 0 2 0 0 10 2 2 0 0 0

17

La funcin objetivo estar dada por: El objetivo es fabricar el menor nmero de bobinas que, matemticamente, se expresar como: Min Z = X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 Sujeta a: 5X1 + 3X2 X2 + 3X3 X3 + X4 X4 + X6 + X6 + X6 + X9 + 2X7 + 3X8 + X7 + 2X9 + 2X10 + 2X10 Xi 320 365 480 176 0
i = 1,....10

+ X5 + X5

Ahora bien si el papel sobrante tuviera un costo no despreciable (suponiendo que todo lo que se fabrica se vende), entonces la funcin objetivo sera: Min Z = 10X3 + 10X4 + 10X6 + 10X8 + 20(5X1 + 3X2 + 3X3 + X4 + X6 + X9 + 2X10 320) + 30(X3 + X5 + X6 + 2X7 + 3X8 + 2X10 365) + 40(X2 + X6 + X7 + 2X9 480) + 70(X4 + X5 176) Las restricciones son las mismas sealadas arriba Problema de asignacin Cierta compaa tiene que producir 4,000 unidades debido a un pedido especial, el problema es programar la produccin de esas unidades en tal forma que el costo total sea mnimo. Se cuenta con tres mquinas de capacidades y costos diferentes en las cuales se puede producir ese tipo de unidades. Mquina Costo de preparacin Costo por unidad capacidad 1 2,600. 10 2,600 2 1,000. 12 1,600 3 800. 14 2,400

Representar el problema como un modelo de programacin lineal La funcin objetivo a minimizar incluye el costo debido al nmero de unidades producidas en cada mquina mas un costo fijo que depender de si se producir no en una mquina. Sea Xi el nmero de unidades producidas en la mquina i, Yi la variable que nos indica si se produce o no en la mquina i, o sea: Si Yi = 0 entonces Xi = 0 (no se produce en mquina i)
18

Si Yi = 1 entonces Xi > 0 (si se produce en mquina i) La funcin objetivo es: Min Z = 2,600Y1 + 10X1 + 1,000Y2 + 12X2 + 800Y3 + 14X3 Sujeta a las restricciones: X1 + X2 + X3 X1 X2 X3 Xi Yi = = 4,000 2,600Y1 1,600Y2 2,400Y3 0 0,1 (restriccin de produccin) (restriccin de capacidad por mquina) para
i = 1,2,3

Explicacin de las restricciones. La restriccin de produccin es para 4,000 unidades Las restricciones de capacidad por mquina es por ejemplo X1 2,600Y1 nos indica que si Y1 es igual a cero, la mquina 1 no producir y por lo tanto X1 = 0, en cambio si Y1 es igual a 1, la mquina 1 si producir y entonces X1 > 0 las dems restricciones son similares. Problema de Reemplazo En un saln de banquetes se tienen programados banquetes durante los siguientes 5 das, lo requisitos de manteles por banquetes son: Banquete Nmero de manteles 1 80 2 60 3 4 5 100 130 200

El problema del administrador es que se requieren manteles diferentes a los que l usa, por lo que tendr que reemplazar comprando ese tipo de manteles, el costo de cada mantel es de $40 y el costo de mandarlo a la lavandera es de $10 por mantel y lo entregan a los dos das Cul es el modelo que le permitir al administrador cumplir con sus requisitos y adems minimizarle el costo total? Planteamiento del problema: La funcin objetivo est formada por el nmero de manteles que se compran ms los que se mandan a la lavandera. Si Xi es el nmero de manteles que se compran el da i y Yi es el nmero de manteles que se enviarn a la lavandera el da i La funcin objetivo quedar: Min Z = 40(X1 + X2 + X3 + X4 + X5) + 10(Y1 + Y2 + Y3)

19

Como se puede ver, slo se mandan manteles los 3 primeros das, ya que de mandar el cuarto da no recibiramos los manteles a tiempo para utilizarlos y despus de los 5 banquetes no interesa tener manteles de ese tipo limpios. Las restricciones son los requisitos de manteles de banquete a banquete. Al no tener manteles de ese tipo, tendremos que comprar los que se necesitan para el primer da y tambin para el segundo ya que los manteles que se mandan a la lavandera estn disponibles hasta 2 das despus. De donde X1 = 80 y X2 = 60 El requisito de 100 manteles para el tercer da se puede satisfacer mediante nuevos y los que lleguen de la lavandera. Por lo que X3 + Y1 = 100 De manera similar para el cuarto y quinto da: X4 + Y2 = 130 X5 + Y3 = 200 Ahora bien los valores de Y1, Y2, Y3 estarn dados por las siguientes restricciones: Y1 80 cuando mucho se enviar a la lavandera los 80 que se compren el primer da. Para el segundo da: Y2 80 Y1 + 60 los manteles comprados en los 2 primeros das menos los que se mandan a la lavandera el primer da. De manera similar obtenemos Y3. Y3 80 + 60 Y1 Y2 + Y1 = 140 Y2 La diferencia es que Y1 se contabiliza. La representacin resumida del modelo es la siguiente: Min Z = 40(X1 + X2 + X3 + X4 + X5) + 10(Y1 + Y2 + Y3) Sujeta a: +Y1 = 100 X3 X4 + Y2 = 130 + Y3 = 200 X5 80 Y1 Y1 +Y2 140 Y2 + Y3 140 = 80 X1 X2 = 60 X3,X4 0 ,X5 Y1,Y2 0 ,Y3

20

Problema de la ruta Se quiere determinar la ruta de ms corta a travs de la siguiente red que representa las operaciones de un proyecto, se incluye en cada operacin el tiempo necesario para realizarla en la grafica de la siguiente red. 10 1
1

5
6

Cul ser el modelo matemtico que represente esta situacin?

Formulacin: La manera de plantear este problema es suponer un flujo unitario que entra del nudo 1 y sale por el nudo 6, y determinar la ruta de 1 a 6 de menor duracin, obteniendo as la ruta de menor duracin. La funcin objetivo nos dar la duracin de la ruta seleccionada como la mejor, en este caso Xij nos indicar si el flujo para o no pasa por la rama de la red entre el nudo i y el nudo j. De donde Xij =0, 1. En otras palabras, si el flujo pasa por una rama significativa que esa operacin forme parte de la ruta, de la red. La funcin objetivo quedara: Min Z= 10X12 + 2X13 + 5X23 + 4X24 + 7X25 + 5X46 + 6X56 +8X35 Las restricciones son la conservacin del flujo a travs de cada nudo. X12 +X13 +X25 +X23 -X12 X35 -X13 -X23 X46 -X24 X56 -X25 -X35 X46 +X56 Xij =1 =0 =0 =0 =0 =1 = 0,1 equilibrio en: (nodo 1) (nodo 2) (nodo 3) (nodo 4) (nodo 5) (nudo 6) i= 1,2,3,4,5 y j = 2,3,4,5,6
*

X24

* el equilibrio en un nudo, se calcula igualado el flujo que entra con el flujo que sale del nudo. En caso de querer determinar la ruta mas larga, el problema se plantea de la misma manera nicamente que la funcin objetivo se cambiara a Minimizar.

21

1.6 Ejercicios capitulo I


Plantear los siguientes problemas como modelos matemticos de programacin lineal
Problema 1. Se envan automviles en camin de tres centros de distribucin a cinco distribuidores, el costo de envo est basado en la distancia recorrida entre las fuentes y destinos. El costo es independiente de si el camin hace el recorrido con carga parcial o completa. La siguiente tabla muestra un resumen de las distancias de recorrido entre los centros de distribucin y los distribuidores y tambin las cifras mensuales de oferta y demanda calculadas en nmeros de automviles. Cada camin puede transportar un mximo de 18 vehculos, dado que el costo de transporte por milla recorrida por le camin es $10.00 formule el problema como un modelo de matemtico de programacin lineal. . Distribuidores Centro de 1 2 3 4 5 Oferta distribucin 1 100 150 200 140 35 400 2 50 70 60 65 80 200 3 40 90 100 150 130 150 Demanda 100 200 150 160 140 Problema 2. Una fabrica produce cuatro productos a, b, c, d. cada unidad del producto a requiere de 2 horas de maquinado, una hora de montaje y vale 10 dlares en el inventario en proceso. Cada unidad del producto b requiere de 1 hora de maquinado, 3 horas de montaje y vale 5 dlares en el inventario en proceso. Cada unidad de c necesita 2 horas de maquinado, 2 horas de montaje y vale 2 dlares en el inventario en proceso. Finalmente, cada unidad del producto d requiere de 5 horas de maquinado, no necesita tiempo de montaje, y vale12 dlares en el inventario en proceso. La fabrica dispone de 1200 horas de maquinado y 1600 horas de montaje. Adems no puede disponer de ms de 10,000.00 dlares en el inventario en proceso. Cada unidad del producto a tiene una utilidad de $40 dlares, cada unidad de b, $24.00, cada unidad de c, $36, y cada unidad de d, $23. No pueden venderse mas de 200 unidades de a, no mas de 160 unidades de c, y pueden venderse cualquier cantidad de unidades de b, y d. sin embargo para cumplir con un contrato deben producirse y venderse por lo menos 100 unidades del producto d. el objetivo de la fabrica es maximizar la utilidad plantear el problema como un modelo lineal. Problema3.La compaa HYLSA de Puebla quiere disminuir los desperdicios de lmina, para lo cual encarga a su departamento de produccin que optimice el costo de las lminas de acuerdo a los requisitos de los consumidores. En particular se har con el consumidor ms importante al cual se le surten tres tamaos de lminas que son: tipo1 de 30cm x 60 cm. (el espesor es igual de 8mm) Tipo 2 de 30 cms 70 cm. Tipo 3 de 30 cm. x 50 cm. Las cantidades necesarias son 10 000, 15 000, y 5 000. por mes respectivamente. Si las lminas que produce la compaa son de las siguientes dimensiones: 30 cm. x 180 cm. Cul es el modelo que representa esta situacin? Problema 4. - Una fbrica produce una bebida con sabor a naranja llamada "oranj". Al mezclar refresco y jugo de naranja. Cada onza de refresco de naranja contiene 0.5 oz. de azcar y 1 mg. de vitamina c. Cada onza de jugo de naranja contiene 0.25 oz. de azcar, y 3 mg. de vitamina c. a la empresa le cuesta 2 centavos producir una onza de refresco de naranja y 3 centavos una onza de jugo de naranja. El departamento de mercadotecnia de la empresa ha decidido que cada botella de

22

10 onzas de "oranj" debe contener por lo menos 20 mg. de vitamina c, y a lo mas 4 onzas de azcar. Plantear el problema como un modelo lineal. Problema 5. Una fbrica de papel produce bobinas con una medida estndar de 1000 metros de longitud y 1 metro de ancho. Recibe semanalmente pedidos de diferentes centros de suministro. Para la semana entrante este pedido es de 320 bobinas de 20 cm. de ancho, 365 de 30 cm., 480 de 40 cm. Y 176 de 70 cm. (Todas con la misma longitud estndar de 1000 metros). El fabricante debe cortar a lo ancho las bobinas de 1 metro para satisfacer la demanda. Desea fabricar el mnimo nmero posible de bobinas de 1 metro. Formular un programa lineal que responda a los deseos del fabricante. Problema 6. Una empresa de seguridad tiene a su servicio la vigilancia de un aeropuerto y debe cubrir las necesidades de personal durante los seis periodos de 4 horas en que esta dividido el da como se muestra en la tabla. periodo de tiempo 1 2 3 4 5 6 duracin del periodo 12 am- 4am 4 am-8am 8am-12pm 12 pm-4pm 4pm-8pm 8pm-12am necesidades del personal 27 30 52 56 67 48

Los vigilantes trabajan en turnos de 8 horas seguidas con 6 cambios posibles de turno a lo largo de las 24 horas, correspondientes a las horas de comienzo y finalizacin de los periodos en la tabla anterior. El director de personal de la empresa desea conocer cuantos vigilantes deben trabajar en cada periodo de manera que todos queden cubiertos y el total de personal utilizado sea mnimo. Problema 7. Un camin puede transportar como mximo 9 Tm. Por viaje. En un viaje desea transportar al menos 4 Tm. De la mercanca A y un peso de la mercanca B que no sea inferior a la mitad del peso que transporta de A. Sabiendo que cobra 30 $/kilo de A y 20 $./kilo de B, cmo se debe cargar el camin para obtener la ganancia mxima? Problema 8. Una empresa proveedora de alimentos balanceados y maximizadora de beneficios ha obtenido una orden de compra para producir un compuesto con, por lo menos, 100 gramos de fibras, 300 gramos de protenas y 70 gramos de minerales. En el mercado puede obtener los siguientes productos con las siguientes caractersticas: Contenido de: Fibras Protenas Minerales Precio por Kg. 1 20% 60% 9% $10 Producto 2 30% 50% 8% $15 3 5% 38% 8% $8

Plantear el problema como un modelo de P.L.

23

Problema 9. Una firma productora de detergentes cuenta con dos procesos productivos para fabricarlos. Cada actividad utiliza enzimas, capacidad de planta de produccin y capacidad de planta de envasado. Las enzimas se pueden comprar en el mercado en cantidades ilimitadas a $100 por unidad. Las plantas de envasado y produccin tienen una capacidad mxima de procesado fija. El precio del detergente es de $4 por unidad y se puede vender toda la cantidad que se pueda fabricar. El primero de los procesos utiliza dos unidades de enzimas, 4% de la capacidad de la planta de produccin y 8% de la de envasado, por cada 100 unidades de detergente. El segundo proceso requiere dos unidades de enzimas, 2% de la capacidad de la planta de produccin y 12% de la de envasado, por cada 100 unidades de detergente. Formular el problema como un modelo lineal Problema 10. En el circuito elctrico de la sig. figura 1. it = corriente (en amperes) que circula por el resistor t, vt = cada del potencial (en volts) sobre el resistor t, y rt = la resistencia ( en ohms) del resistor t. las leyes de kirchoff de la tensin y la corriente, establecen que v1 = v2 = v3; i1+ i 2 + i 3 = i4 . la potencia disipada por la corriente que pasa por el resistor t es itrt. la ley de ohm dice que vt = itrt . Resolver cada inciso del problema) supngase que se necesita que i1 = 4, i2=6, i3= 8 e i4=18 .tambin la cada de potencial en cada resistor debe quedar entre 2 y 10 volts. el problema es escoger los valores de rt para minimizar la potencia total disipada. Formular el modelo que represente cada situacin. b) suponga que se necesita que v1 = 6,v2 =6, v3= 6 y v4 = 4. tambin, que la corriente que pasa por cada resistor tiene que quedar entre 2 y 6 amperes. El problema es escoger los valores de rt para minimizar la potencia total disipada. Formular el problema.

R1 I1
R4 I4

R3 I3
Figura 1. circuito elctrico

Problema 11. Un pequeo banco asigna un mximo de $20,000 para prstamos personales y para automvil. Durante el mes siguiente. El banco cobra una tasa de inters anual del 14% a prstamos personales y del 12% a prstamos para automvil. Ambos tipos de prstamos se saldan en perodo de tres aos. El monto de los prstamos para automvil debe ser cuando menos dos veces mayor que el de los prstamos personales. La experiencia pasada ha demostrado que los adeudos no cubiertos constituyen el 1% de todos los prstamos personales. Cmo deben asignarse los fondos? Problema 12. Cierta compaa tiene tres plantas con un exceso en su capacidad de produccin. Las tres pueden fabricar un determinado producto y la gerencia ha decidido usar parte de la capacidad adicional para esto, el producto puede hacerse en tres tamaos: grande, mediano y chico, que darn una ganancia neta de $420, $360 y $300, respectivamente. Las plantas tienen capacidad de mano de obra y equipo para producir 750, 900 y 450 unidades diarias cada una, sin importar el tamao o la combinacin de tamaos de que se trate. La cantidad de espacio disponible para almacenar material en proceso impone tambin una limitacin en las tasas de produccin del nuevo producto. Se cuenta con 13000, 12000 y 5000 pies cuadrados de espacio en las plantas 1, 2 y 3, para los materiales en proceso de la produccin diaria de este producto. Cada unidad grande, mediana y chica que se produce requiere 20, 15 y 12 pies cuadrados, respectivamente. Los pronsticos de mercado indican que se pueden vender 900, 1200 y 650 unidades diarias, correspondientes a los tamaos grandes,

24

mediano y chico. Con el fin de mantener una carga de trabajo uniforme entre las plantas y para conservar alguna flexibilidad, la gerencia ha decidido que la produccin adicional que se les asigne emplee el mismo porcentaje de la capacidad adicional con que cuentan. El gerente quiere saber cuntas unidades de cada tamao debe producir en cada planta para maximizar la ganancia. Formule el modelo de programacin lineal para este problema. Problema 13. Una compaa que fabrica partes electrnicas para aparatos de televisin y radio. La compaa ha decidido fabricar y vender radios de AM/FM y toca cinta. Ha construido una planta que puede operar 48 hora semanales con gastos fijos de $10,000 por semana. La produccin de un radio AM/FM requiere 2 horas de mano de obra y la produccin de un toca cintas requiere 3 horas de mano de obra. Cada radio contribuye con $20 a las utilidades y cada toca cintas con $25. El departamento de mercadotecnia de la compaa ha determinado que lo mximo que puede venderse por semana son 150 radios y 100 toca cintas. Plantee un problema de PL para determinar la mezcla ptima de produccin que maximice la contribucin a las utilidades.

25

Bibliografa.
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. Anderson, D.R.-Sweeny, D.J.-William, T.A. "Introduccin a los modelos cuantitativos para administracin". Ed. Iberoamericana. An-Min Chung Linear Programming Edit. Merrill Bazaraa, M.-Jarvis, J. "Programacin lineal y flujo en redes". Ed. Limusa. . Chang, Y.-Sullivan, R. "QSB+. Quantitative Systems for Business Aplications Plus". Prentice Hall. Fernndez Lechon, R.-Castrodeza Chamorro, C. (1989) "Programacin lineal". Ariel. Gass, S.I. "Programacin lineal". CECSA. Hillier, F.-Lieberman, G. "Introduccin a la investigacin de operaciones". Mcgraw-Hill. Infante Macias, R. "Mtodos de Programacin matemtica". UNED. Kaufmann A. Mtodos y Modelos dela Investigacin de Operaciones. Edit. CECSA Luenberger, D.E. "Programacin lineal y no lineal". Addison-Wesley Iberoamericana. Martn, Q. "Investigacin Operativa". Prentice Hall. Meredith. Administracin de operciones edit. Limusa Wiley Miguel A. Crdenas La ingeniera de Sistemas . Ed. Limusa Prawda Witemberg, J. "Mtodos y modelos de investigacin de operaciones". Vol I Limusa. Ravindran, A.-Phillips, D.-Solberg, J. "Operations research. Principles and Practice". Willey. Rios Insua, S. "Investigacin Operativa. Optimizacin". Ed. Centro de Estudios Ramn Areces. Sasini Yaspan. Investigacin de operaciones editorial Limusa Wiley Shamblin, J.E.-Stevens, G.T. "Investigacin de operaciones: un enfoque fundamental". Mcgraw-Hill. Simonnard, M. "Programacin lineal". Paraninfo. Taha, H. "Investigacin de operaciones". Alfaomega. Thierauf, R.J. "Introducin a la investigacin de operaciones". Ed. Limusa.. Wayne L. Winston Investigacin de Operaciones Aplicaciones y algoritmos Editorial Iberoamerica

26

Captulo 2

Los Mtodos: Simplex, Dos Fases, Simplex Revisado y Casos Especiales


Objetivo. Conocer y aplicar los conceptos de los Mtodos y algoritmos para resolver Problemas Lineales en situaciones de Maximizacin y Minimizacin as como algunos casos especiales, que servirn para la toma de decisiones en situaciones de una organizacin. Contenido: 2.1-Solucin Grfica de un problema lineal y casos especiales. 2.2 Teora del mtodo Simplex 2.3 Forma Tabular del Mtodo Simplex 2.4 El mtodo de las dos Fases 2.5 El mtodo Simplex Revisado 2.6 Casos Especiales. Simplex Revisado con Penalizacin Revisado con Dual Simplex 2.7 Ejercicios
Bibliografa

y Simplex

27

2.1-Solucin Grfica de un problema lineal.


El objetivo de presentar el mtodo grfico para la solucin de problemas de programacin lineal, es para aclarar algunos conceptos bsicos y no de presentarlo como un mtodo general de solucin, ya que su aplicacin es til para problemas de dos variables (dos dimensiones). Con un problema de P.L. de dos variables el procedimiento es el siguiente: 1. Se grafican todas las desigualdades, y se localiza una regin comn que satisfaga todo el sistema incluyendo la condicin de no-negatividad. 2. Se localizan los puntos extremos (lo forman dos mas rectas que se cortan) 3. Se grafica la funcin objetivo con un valor arbitrario de Z y se desplaza por los puntos extremos 4. En el punto donde Z se optimice (encontrar el punto mximo, el punto mnimo) ah se localiza la solucin ptima del problema lineal. A continuacin se ilustrar un ejemplo de solucin Grfica de un problema lineal Sea el problema de programacin lineal: Ejemplo 2.1: Una fbrica de Grabadoras desea maximizar sus utilidades en la venta de sus dos artculos principales: Grabadora A y Grabadora B. Una Grabadora A requiere en promedio 6 H-H en produccin de partes, 3 H-H para ensamble y 1 H-H para inspeccin. En cambio una Grabadora B requiere en promedio: 4 H-H en produccin de partes, 1100 H-H para ensamble y 300 H-H para inspeccin. La utilidad neta para cada grabadora A y B: $ 25.00 y $ 10.00 respectivamente. La formulacin del problema como un modelo matemtico es la siguiente: Mx Z = 25 X1 + 10 X2 s.a. 6 X1 + 4 X2 2500 3 X1 + 2 X2 1100 X1 +1/2 X2 600 X1, X2 0 Primero se graficarn las tres restricciones para ver cul es el conjunto rea de posibles valores que satisfacen al compuesto por las tres desigualdades. La primer desigualdad se satisface para los valores contenidos en el rea indicada 6 X1 + 4 X2 2500 si hacemos X1=0 entonces X2 = 625, y si X2 = 0 entonces X1 = 416.6 estos puntos estn representados en la grafica observe el sentido de la desigualdad por lo cual la ecuacin se desplaza hacia el origen. La regin sombreada representa la regin de factibilidad de la desigualdad ver figura 2.1.

28

X2 1086 4 2 0 2 4 6 8 10

Figura 2.1 grafica de la primera desigualdad

La segunda desigualdad se satisface para: X1 + 2 X2 1100 si hacemos X1=0 entonces X2 = 550, y si X2 = 0 entonces X1 = 366.6 estos puntos estn representados en la grfica observe el sentido de la desigualdad por lo cual la ecuacin se desplaza hacia el origen. La regin sombreada representa la regin de factibilidad de la desigualdad se representa en la grafica 2.2
X2 10 8 6 4 2 0 2 4 6 8 10 X1

Figura 2.2 grafica de la segunda desigualdad

29

La tercera desigualdad se satisface para: X1 +1/2 X2 300 Si X1 = 0 entonces X2 = 600 y si X2 = 0 entonces X1 = 300 estos puntos estn representados en la grafica observe el sentido de la desigualdad por lo cual la ecuacin se desplaza hacia el origen. La regin sombreada representa la regin de factibilidad de la desigualdad ver figura 2.3
X2 10 8 6 4 2 2 4 6 8 10 X1

Figura 2.3 grafica tercera desigualdad

L a representacin grfica del modelo se puede observar en la figura 2.4 en donde se localiza el rea de soluciones para el sistema formado por las cuatro desigualdades. Para maximizar Z, su tiene que encontrar los valores de X1 y de X2 para los cuales Z obtiene el valor mximo posible, siempre y cuando dicho valor cumpla con las tres restricciones, incluyendo la condicin de no negatividad. Graficando Z La recta que representa Z se identifica con lnea discontinua y se le dan valores arbitrarios Si se supone un valor arbitrario para Z, se puede graficar para ver la pendiente ejemplo Z1=3500 entonces X1= 140 y X2 = 350 en la grfica Z aparece con lnea discontinua, para diferenciarla de las desigualdades. Los cambios (aumentos disminuciones) en Z equivalen a desplazamientos de la ecuacin de Z y estos desplazamientos son paralelos entre si. Por lo tanto si se mueve de manera paralela la ecuacin de Z es posible determinar grficamente el valor valores que maximizan el valor de la funcin objetivo del problema esto ocurre en el punto extremo B

30

X2 X1 > 0 9 ecuacin3 8 7 6 C 5 4 3 2 1 A 1 2 Z=350 3 B 4 5 6 7 8 9 X1 ecuacin 2 Solucin ptima punto B(300,0) X2 > 0 ecuacin 1

Figura 2.4 Grafica final ptima

Z=15000

La funcin Z se grafica para ver la pendiente que tiene la ecuacin, en este caso le damos varios valores arbitrarios a Z para ver su pendiente en la grfica, recorremos a Z dentro de la regin solucin y tocando los puntos extremos de la regin solucin se puede ver que la solucin mxima existe para los valores del punto extremo B en el cual se localiza la solucin bsica factible y ptima como se puede ver en la figura 2.4. Conclusin. Como se puede ver en la figura de arriba, se identifica la solucin que esta formada por la regin que involucra los puntos extremos A, B. C Y si graficamos a la funcin objetivo Z Debemos producir nicamente 300 Grabadoras tipo A, y cero grabadoras tipo B con una utilidad de Z = $ 7 5000,000.

31

Comentarios al problema: La lnea discontinua nos muestra la pendiente de la funcin objetivo al recorrerla sobre el conjunto convexo o conjunto solucin, observamos que la solucin ptima se localiza en el punto B. Al sustituir las coordenadas del punto B ( 300, 0) en la forma estndar se puede observar que para que la igualdad se satisfaga en la ecuacin 1 nos sobra recurso b1 (S1 = 700), recurso b2 (S2 = 200), recurso b3 (S3 = 0) por lo que en los departamentos 1, y 2 tenemos exceso de recursos, no as con el recurso b3 en donde el recurso se usa al 100%. Que recomienda usted que se haga al respecto? (hacer comentarios en el aula) Analizando el problema en forma estndar y sustituyendo el resultado de la grafica se tiene: Como se dijo anteriormente la solucin ptima que arroja la grafica es el punto extremo cuyas coordenadas son B (300,0) Sustituyendo en la forma estndar del problema: Mx Z= 25 X1 + 10 X2 s.a. 6 X1 + 4 X2 + S1 = 2500 S2 = 1100 3 X1 + 2X2 + S3 = 600 X1 + X 2 X1 , X2 , S1 , S2 , S3 0

6 ( 300) + 4 ( 0 ) + S1 = 2500 1800 + 0 + 700 = 2500 3 ( 300 ) + 2 ( 0 ) + S2 = 1100 900 + 0 + 200 = 1100 300 + 1/2(0) + S3 = 300 300 + 0 + 0 = 300 Soluciones especiales en los problemas lineales representados grficamente A continuacin se definirn algunos casos tpicos con soluciones especiales en problemas lineales y que estarn representados grficamente usando el Software QSB. La solucin sombreada representa la regin de factibilidad esto se va explicar en cada tipo de solucin. - Solucin ilimitada Es cuando el especio de soluciones al sistema de desigualdades no est completamente delimitado y la funcin a optimizar (mximo mnimo) puede mejorar indefinidamente y estar siempre dentro del conjunto de posibles soluciones como se puede ver en la grafica 2.5, del ejemplo dado.

32

Ejemplo, representar grficamente el siguiente P.L. Max Z = 20X1 X1 3X1 3X1 +10X2 +3X2 +4X2 +X2 X 1, X 2 8 19 7 0

Figura 2.5 solucin ilimitada

- Solucin mltiple Se da cuando la funcin objetivo alcanza su valor ptimo y esto sucede para ms de un punto, grficamente (en dos dimensiones) sera cuando la funcin objetivo obtiene su mximo valor sobre una de las lneas que limita el espacio de soluciones (son paralelas la ecuacin objetivo y la lnea), como se puede observar en la grafica 2.6, del ejemplo dado. Ejemplo, representar grficamente el siguiente P.L. Max Z = X1 X1 X1 +2X2

6 +X2 2 +2X2 8 X1,X2 0

33

Figura 2.6 solucin mltiple

- Sin solucin Un sistema es inconsistente si no es posible encontrar al menos un punto que satisfaga al sistema. Es por esto que tambin se llama sistema sin solucin esto se observa en la figura 2.7.del ejemplo dado. Ejemplo, representar grficamente el siguiente P.L. Max Z = X1 X1 X1 +X2 +X2 4 4 X2 4 X 1, X 2 0

Solucin Redundante

Figura 2.7 sin solucin

34

Se da cuando el espacio de soluciones de un sistema puede representarse por otro sistema el cual es una parte del sistema de desigualdades original, se dice que el sistema incluye desigualdades restricciones redundantes ver figura 2.8 del ejemplo dado. Ejemplo, representar grficamente el siguiente P.L. Max Z = X1 2X1 X1 3X1 X1 +X2 +X2 + 3X2 +2X2 +X2 X 1, X 2 4 3 12 1/2 0

Figura 2.8 solucin redundante

35

Solucin degenerada

Cuando ms de dos ecuaciones se cortan en el mismo punto, el punto esta sobre definido, a esta situacin se le conoce como degeneracin y si la solucin ptima esta en ese punto, se dice que la solucin es degenerada ver figura 2.9 del ejemplo dado. Max Z = X1 X1 X1 X1 -X1 X1 6 12 4 2 20/3 X 1, X 2 0 +X2 +2X2 +2X2 -X2 +X2

Figura 2.9 solucin degenerada

2.2 Teora del mtodo Simplex


El mtodo Simplex es un mtodo general de solucin para optimizar problemas de programacin lineal, tambin se le conoce como algoritmo Simplex, y es un procedimiento algebraico con conceptos fundamentales geomtricos. A continuacin se harn algunas definiciones y propiedades bsicas con las que trabaja dicho mtodo.

36

Solucin factible. Es un valor del conjunto de variables (vector solucin) para el cual todas las restricciones se cumplen (incluyendo las de no negatividad) Regin de factibilidad. Es el conjunto de todas las soluciones factibles Conjunto convexo Es un conjunto de puntos en el cual, la lnea que une dos puntos cualesquiera de dicho conjunto esta contenida en el conjunto. Punto extremo Representa las soluciones bsicas y se define como la interseccin de dos ms lneas que se cruzan. Solucin ptima. Es una solucin factible que optimiza la funcin objetivo. Solucin bsica. En un sistema de m ecuaciones con n variables (n>m), una solucin bsica es aquella que se obtiene al fijar n-m variables del sistema iguales a cero y resolver el sistema en funcin de las m restantes. A estas variables se les llama variables bsicas. Solucin bsica factible Es aquella solucin bsica en la que todas las variables bsicas (m) son no- negativas (0). Solucin bsica factible degenerada. Es cuando una ms de las variables bsicas de una solucin bsica factible son iguales a cero. Propiedades en las que se basa el mtodo Simplex Las siguientes propiedades son lo que comnmente se llama teoremas bsicos de la programacin lineal para trabajar con el mtodo Simplex. I. II. III. IV. El conjunto de soluciones factibles es un conjunto convexo. Si existe una solucin factible, existir una solucin bsica factible. una solucin bsica factible corresponde a un punto extremo del conjunto de soluciones factibles( tambin llamado conjunto convexo) Existe un nmero finito de soluciones bsicas factibles (puntos extremos del conjunto convexo) Si la funcin objetivo posee un ptimo finito, entonces dicho ptimo estar dado por una ms soluciones bsicas factibles.

37

2.3 Forma tabular del Mtodo Simplex La forma tabular del mtodo utiliza una tabla llamada Simplex para representar en su forma completa el sistema de ecuaciones convertida en igualdades y que representa la solucin bsica actual del sistema. La representacin general de la tabla esta dada en la figura 2.10, esta consta de: las variables originales del sistema, ms las variables adicionadas para convertir las desigualdades en igualdades y que forman la solucin bsica del sistema. Esta solucin bsica como se dijo anteriormente esta justo en los puntos extremos de la regin solucin, los cuales se irn analizando hasta localizar el punto ptimo de Z y ah se detiene el algoritmo por que en ese momento se ha encontrado la solucin ptima de Z, esto se proceso se ilustrara mas adelante con un ejemplo. Otro de los requisitos que exige la aplicacin del mtodo Simplex para resolverse en forma manual es que todas las restricciones se conviertan en igualdades, y sus variables estn restringidas en signo (0). Por lo que es conveniente conocer algunas reglas de como transformar desigualdades en igualdades y variables no restringidas en signo, que satisfagan la condicin de no negatividad. 1. Desigualdades menor igual ( ). Sea la desigualdad: a1X1 + a2X2 + ............... +anXn b Para convertirla en igualdad, se debe adicionar una variable Xn+1 tambin representada por la letra S que se le llama variable de holgura y cuyo valor ser 0. la igualdad quedara representada por: a1X1 + a2X2 + ............... +anXn + S1 = b 2. Desigualdad mayor o igual () Sea la desigualdad: a1X1 + a2X2 + ............... +anXn b Para convertirla en igualdad, se debe restar una variable Xn+1 que se le llama variable superflua (estar arriba de) cuyo valor ser 0 representada por la letra S, la igualdad quedara representada por: a1X1 + a2X2 + ............... +anXn - S1 = b 3. Variable no restringida en signo Para transformar una variable no restringida en una variable restringida, es necesario representar a la variable no restringida como una diferencia entre dos variables cuyos valores son 0. Es decir:

38

Xi = Xi - Xi en donde Xi no esta restringida en signo pero Xi y Xi si lo estn Xi 0 , Xi 0 Un ejemplo sera X1 no restringida en signo lo cual quedara representada por X1 = X1- X1 ahora suponga que X1 = 0 y X1=4 entonces si sustituimos los valores el verdadero valor de X1 ser, X1= 0-4 = -4 pero observe que los valores de X1 y X1 son 0 Para resolver los modelos matemticos lineales se cuenta con un algoritmo llamado Simplex que sirve para resolver problemas de m x n. Se explica cmo se puede usar el algoritmo Simplex para resolver PL, en los cuales la meta es Maximizar la funcin objetivo es decir cuando el problema es de Maximizacin. Tambin resuelve problemas de Minimizacin (por el mtodo de penalizacin doble fase) las reglas son: Paso 1: Transforme el PL en la forma estndar. Paso 2: Vaciar el P.L. en una tabla Simplex y obtenga una Solucin bsica factible (si es posible) a partir de la forma estndar. Paso 3: Determine si la Solucin bsica factible es ptima. Paso 4: Si la Solucin bsica factible no es ptima, determine qu variable no bsica se tiene que convertir en una variable bsica y qu variable bsica se tiene que convertir en una variable no bsica para encontrar una nueva solucin bsica factible con un mejor valor de la funcin objetivo. (es decir, seleccionar variable de entrada y variable de salida) Paso 5: Use operaciones elementales de rengln y columna para encontrar la nueva Solucin bsica factible con un mejor valor de la funcin objetivo, y regrese al paso 3. En resumen: Para un problema de Maximizacin: Variable de entrada: se toma la mas negativa (Zi-Ci) 0 Variable de salida: se toma aquella cuya pendiente sea menor (pendiente (Xb/ aij, aij>0) Solucin ptima: esta se da cuando todos los multiplicadores (Zi-Ci) 0 la solucin es ptima Para un problema de Minimizacin: Variable de entrada: Se toma la mas positiva (Zi-Ci)0 Variable de salida: . la pendiente menor (pendiente (Xb/ aij ; aij>0) se toma la menor en valor absoluto. Solucin ptima: Esta se da cuando todos los multiplicadores (Zi-Ci) 0 Estructura de un problema de maximizacin Max. Z= CX s.a. AX b Xi 0

39

Estructura de un problema de minimizacin MIN Z= CX s.a. AX b X i 0 Ejemplo 2.3 Solucin de un problema de Maximizacin Max Z = 2X1 + X2 s.a. X1 + 4X2 24 X1 + 2X2 14 2X1 X2 8 X1 X2 3 Xi0 Paso 1. Transformar el P.L. en forma estndar , se adicionan las variables de holgura Z -2X1 X1 X1 2X1 X1 -X2 +4X2 +S1 +2X2 -X2 -X2 +S2 +S3 +S4
S2,S3,S4

=0 = 24 = 14 =8 =3
X1,X2,S1 0

Paso 2: Vaciar el P.L. en una tabla Simplex y obtenga una solucin bsica factible (si es posible) a partir de la forma estndar. Base Z S1 S2 S3 S4 Z 1 0 0 0 0 X1 -2 1 1 2 1 X2 -1 4 2 -1 -1 S1 0 1 0 0 0 S2 0 0 1 0 0 S3 0 0 0 1 0 S4 0 0 0 0 1 Solucin 0 24 14 8 3
Solucin bsica porque las variables agregadas forman una base (vectores unitarios) factible porque es la solucin es 0.

Figura 2.10 representacin de una tabla Simplex

40

Paso 3: Determine si la Solucin bsica factible es ptima. Recuerde que para un problema de maximizacin la solucin ptima: se da si todos los multiplicadores (Zi-Ci) 0 En este caso la tabla no es ptima ya que los coeficientes de X1, y X2 son negativas y el valor de Z se puede incrementar ver figura 2.10.

Base Z S1 S2 S3 S4

Z 1 0 0 0 0

X1 -2 1 1 2 1

X2 -1 4 2 -1 -1

S1 0 1 0 0 0

S2 0 0 1 0 0

S3 0 0 0 1 0

S4 0 0 0 0 1

Solucin 0 24 14 8 3

Figura 2.11 seleccionando variable de entra y salida

Paso 4: Si la Solucin bsica factible no es ptima, determine qu variable no bsica se tiene que convertir en una variable bsica y qu variable bsica se tiene que convertir en una variable no bsica para encontrar una nueva Solucin bsica factible con un mejor valor de la funcin objetivo. (es decir, seleccionar variable de entrada y variable de salida), en la figura 2.11 entra la variable X1 y sale la variable S4 Entra la mas negativa = (-2, -1,0,0,0,0) = -2 que corresponde a X1 Variable que sale pendiente mnima = (24/1,14/1,8/2, 3/1) = 3 sale S4 Ver figura 2.11 Base Z S1 S2 S3 X1 Z 1 0 0 0 0 X1 0 0 0 0 1 X2 -3 5 3 1 -1 S1 0 1 0 0 0 S2 0 0 1 0 0 S3 0 0 0 1 0 S4 2 -1 -1 -2 1 Solucin 6 21 11 2 3
Nueva ecuacin Z Nueva ecuacin S1 Nueva ecuacin S2 Nueva ecuacin S3 Nueva ecuacin pivote

Figura 2.12 clculos Simplex nueva tabla

41

Se hacen operaciones elementales de rengln y columna, observe que las variables bsicas deben formar vectores unitarios, estos clculos son los siguientes: Usando el mtodo de Gauss-Jordan se hacen los clculos elementales. Usando dos operaciones de clculo que son.

Nueva ecuacin pivote = ecuacin pivote anterior elemento pivote Las dems ecuaciones se calculan:
Nueva ecuacin = (ecuacin anterior) Coeficiente de la columna entrante X Nueva ecuacin pivote

Para hacer estos clculos lo fundamental es: la nueva ecuacin pivote y los coeficientes de la columna entrante, estos clculos tambin se pueden hacer por elemento con las mismas operaciones dependiendo de las habilidades del alumno. Como sale S4 y entra X1 el elemento pivote es 1 la nueva ecuacin pivote es Nueva ecuacin pivote = (1,-1,0,0,0,1,3) (1) = (1,-1,0,0,0,1,3) Nueva ecuacin Z = (-2,-1,0,0,0,0,0) - (-2)(1,-1,0,0,0,1,3) = (0,-3,0,0,0,2,6) Nueva ecuacin S1 = (1,4,1,0,0,0,24) - (1)(1,-1,0,0,0,1,3) = (0,5,1,0,0,-1,21) Nueva ecuacin S2 = (1,2,0,1,0,0,14) (1)(1,-1,0,0,0,1,3) = (0,3,0,1,0,-1,11) Nueva ecuacin S3 = (2,-1,0,0,1,0,8) - (2)( 1,-1,0,0,0,1,3) = (0,1,0,0,1,-2,2) Los resultados de estos clculos se representan en la tabla de la figura 2.12

Nuevamente se observa los multiplicadores de la funcin objetivo y si (Zi-Ci) 0 la solucin es optima, esto no sucede y la variable que entra en la tabla 2.12 es X2 y sale S3

42

Entra la mas negativa = (0,-3, 0, 0, 0, 2) = -3 que corresponde a X2 Variable que sale pendiente mnima = (21/5, 11/3, 2/1) = 2 sale S3; la relacin (3/-1) no se considera ya que el denominador de la relacin tiene que ser > 0, segn las reglas del Simplex. De la misma manera hacemos los clculos para la dems tablas y mostramos los resultados, en las figuras 2.13 y 2.14 respectivamente.

Base Z S1 S2 X2 X1

Z 1 0 0 0 0

X1 0 0 0 0 1

X2 0 0 0 1 0

S1 0 1 0 0 0

S2 0 0 1 0 0

S3 3 -5 -3 1 1

S4 -4 9 5 -2 -1

Solucin 12 11 5 2 5

Figura 2.13 solucin Simplex no optima

Nuevamente se observa los multiplicadores de la funcin objetivo y si los (Zi-Ci) 0 entonces la tabla actual es optima pero esto no sucede por lo que se selecciona Variable de entrada (la mas negativa) = (0, 0, 0, 0, 3, -4) = -4 que corresponde a S4 Variable que sale pendiente mnima = (11/9, 5/5) = 1 sale S2; la relacin (2/-2, 5/-1) no se consideran ya que el denominador de la relacin tiene que ser > 0, segn las reglas del Simplex.

Base Z X3 X6 X2 X1

Z 1 0 0 0 0

X1 0 0 0 0 1

X2 0 0 0 1 0

X3 0 1 0 0 0

X4 4/5 -9/5 1/5 2/5 1/5

X5 3/5 2/5 -3/5 -1/5 2/5

X6 0 0 1 0 0

Solucin 16 2 1 4 6

Figura 2.14 tabla Simplex ptima

43

Nuevamente se observa los multiplicadores de la funcin objetivo que si los multiplicadores de la funcin objetivo son (Si-Ci) 0 la solucin es optima, y esto sucede en la figura 2.13 por lo que ya no hay variable muy negativa que pueda mejora ms el valor de Z, por lo que el a solucin bsica factible y ptima es Z = 16, X1 = 6, X2 = 4, S1 = 2, y S4 = 1, los valores de S2, y S3 corresponden a variables no bsicas t tienen un valor de cero ya que no forman parte de la solucin. En la siguiente grafica 2.15 se muestra el comportamiento de la regin solucin y se indica la solucin ptima de acuerdo a las tablas anteriores

Figura. 2.15 representacin grafica del P.L.

La regin de factibilidad es aquella que satisface a todas las ecuaciones y en este caso el mximo valor que Z puede tomar es 16 con coordenadas para X1= 6 y X2= 4 como se puede ver en la grafica. 2.15

44

2.4 El mtodo de las dos fases


Para resolver problemas lineales de Minimizacin se conocen dos mtodos: El mtodo de Penalizacin y el Mtodo de las dos Fases, el cual se explicar a continuacin. Generalmente un problema de Minimizacin contiene por lo menos una desigualdad del tipo ( mayor que alguna igualdad) y en este caso se tendr que adicionar una variable artificial, pero debido a que una variable artificial, no tiene significado en el espacio de soluciones, es necesario que no forme parte de la solucin final del problema. Como aplicar el mtodo de las dos fases Mtodo de las dos fases: Las bases de ste mtodos son exactamente iguales a las de Mtodo simplex, solo que ahora se trabajar con dos funciones objetivos razn por lo cual el mtodo se llama de dos fases de doble fase. a. Funcin Objetivo de variables artificiales ( R ) b. Funcin objetivo original ( Z ) Primera Fase: Consiste en minimizar el valor de la funcin objetivo que involucra las variables artificiales. Se inicia con una tabla simplex partiendo de una solucin bsica factible, se hacen operaciones elementales de rengln y columna en donde se pueden presentar dos casos: a. Min R 0 b. Min R = 0 Cuando el mnimo R no es cero se dice que el sistema no tiene solucin ya que al menos una variable artificial forma parte de la solucin lo cual no tiene sentido. Cuando el mnimo de R es cero significa que las variables artificiales no forman parte de la solucin bsica factible y en este caso en este momento se termina la primera fase para dar inicio a la segunda fase y continuar la solucin del problema. Segunda Fase: En este caso se trabaja con la funcin objetivo original (Z). Min Z = C1X1 + C2X2 + ..... + CnXn En esta fase las columnas correspondientes a las variables artificiales se eliminan debido a que ya salieron de la base en la primera fase y se reestructura la solucin bsica y se hacen operaciones elementales de rengln y columna hasta encontrar la solucin bsica factible y ptima.

45

Sea el ejemplo 2.4 Min Z= X1 + 2X2 s.a X1 + X 2 2 X2 1 Xi 0 Pasando el P.L.. a la forma estndar. X1 +X2 X2 -S1 -S2 +R1 =2 +R2 =1 X1,X2 0 ,S1,S2 Donde R1 y R2 son variables artificiales que es necesario adicionar ya que S1 y S2 son variables superfluas. La funcin objetivo de variables artificiales estar dada por: Min Z = R1 + R2 al igual a cero quedar como: Min Z R1 R2 = 0 Primera Fase El problema se vaca a un atabla llamada Simplex, esto es: Base Z X1 Z R1 R2 1 0 0 0 1 0 X2 0 1 1 S1 0 -1 0 S2 0 0 -1 R1 -1 1(1) 0 + R2 -1 0 1(1) Solucin 0 + 2 1

En la tabla simplex se observa que la base no es correcta ya que R1 y R2 no forman vectores unitarios por lo que hay que reestructurar la base multiplicando por 1 el elemento pivote de R1 y R2 y sumarlo a los multiplicadores de toda la funcin objetivo (Zi-Ci ) para formar una base correcta. De tal forma que la tabla correcta esta representada de la siguiente manera: Observe que R1 y R2 ya forman una base correcta pero no es la solucin ptima ya que hay una variable muy positiva que disminuir el valor de Z ya que se trata de un problema de minimizacin (segn lo visto en las reglas del simplex).

46

entra Base Z R1 R2 Z 1 0 0 X1 1 1 0 X2 2 1 1 S1 -1 -1 0 S2 -1 0 -1 R1 0 1 0 R2 0 0 1 Solucin 3 2 1 sale

Se hacen operaciones elementales de rengln y columna y se obtiene la siguiente tabla

Base Z R1 X2

Z 1 0

X1 1 1 0

X2 0 0

S1 -1 -1

S2 1 1

R1 0 1

R2 -2 -1

Solucin 1 1 sale

-1

Se hacen operaciones elementales de rengln y columna y

como se puede observar en la variable de entrada y

tabla simples multiplicadores de la funcin objetivo (Zi-Ci) no hay Z es igual a cero por lo que finaliza la fase 1
Base Z X1 X2 Z 1 0 0 X1 0 1 0 X2 0 0 1 S1 0 -1 0 S2 0 1 -1 R1 -1 1 0 R2 -1 -1 1 Solucin 0 1 1

Z= 0 ya que R1 y R2 son iguales a cero por lo aqu finaliza la primera fase, por lo que aqu

47

Segunda fase Con el resultado de la tabla de la primera fase en los multiplicadores de la funcin objetivo (Zi-Ci) se vaca la informacin de la funcin objetivo original de Z. Observe tambin que las columnas de las variables artificiales ya no se consideran Es decir: Min Z= X1 + 2X2 Z-X1 - 2X2 = 0 Base Z Z X1 X2 1 0 0 X1 -1 1 0 X2 -2 0 1 S1 0 -1 0 S2 0 1 -1 Solucin 0 1 1

Como se puede observar en la tabla de arriba la base (X1, y X2) no forma vectores unitarios por lo que se deber reestructurar la tabla y partir de una base correcta. Base Z X1 Z X1 X2 1 0 0 -1 1(1) + 0 X2 -2 0 S1 0 -1 S2 0 1 -1 Solucin 0 1 1

1(2) + 0

Observe que la tabla ya forma una base correcta. Ya que X1, y X2 forman vectores unitarios y adems en esta tabla observamos que ya no hay variable muy positiva que pueda Minimizar mas el valor de Z por lo tanto como si todos los multiplicadores (Zi-Ci) 0 la tabla actual es ptima. Base Z Z X1 X2 1 0 0 X1 0 1 0 X2 0 0 1 S1 -1 -1 0 S2 -1 1 -1 Solucin 3 1 1

48

La tabla anterior refleja una solucin bsica factible y ptima con Z = 3 y X1 =1, y X2 = 1 y finaliza la segunda fase. En caso de que haya variable muy positiva que quiera entrar a base se hacen las iteraciones correspondientes hasta encontrar la solucin ptima. Este problema tambin se puede representar grficamente ver figura.

Mtodo de penalizacin
Existe otro mtodo para resolver los problemas de Minimizacin que se llama mtodo de penalizacin, debido a que a las desigualdades del tipo se le adiciona un variable superflua y por este echo se le debe adicionar una variable artificial para poder resolver un problema lineal con estas caractersticas, obviamente las variables artificiales no tienen significado en el espacio de soluciones, por lo que es necesario que no aparezcan en ninguna solucin factible. As, una vez formulada la solucin bsica inicial, es necesario eliminar a las variables artificiales (hacerlas iguales a cero), razn por la cual una vez que estn fuera de la solucin, ya no debern entrar a la base para asegurar esto se penalizan con un costo muy grande llamado (M) a dichas variables artificiales en la funcin objetivo, mas adelante en el subtema de Casos especiales se desarrollar un ejercicio para los interesados en este mtodo.

49

2.5 El mtodo Simplex Revisado


La base fundamental del Mtodo Simplex Revisado es la matriz inversa, este mtodo trabaja con los parmetros necesarios para ir actualizando la base del problema y poder llegar a una solucin bsica factible y ptima, Es muy frecuente que al estar aplicando el mtodo Simplex, normalmente en cada iteracin se tengan que actualizar todos los vectores de una tabla Simplex sin importar que existan variables que nunca van a entrar a la base, pero que de cualquier forma tienen que actualizarse. Sin embargo el mtodo Simplex Revisado al trabajar con la matriz ( B-1 ) inversa actualiza nicamente la informacin que es necesaria para encontrar la nueva solucin, y esto facilita el clculo hacindolo ms rpido y sencillo. Los pasos del mtodo simplex revisado son explicados a continuacin. Pasos: Paso 1. Escriba el problema lineal en la forma estndar. Opt Z = CX + 0S AX + S = b X,S 0 Paso 2. Determnese el vector de entrada Pj N-B (de la variables no bsicas) Calclese: Y= Cb B-1 Zi - Ci = YPj N-B - CN-B Cb = costo correspondiente a las variables bsicas. XBT =variables bsicas que forman parte de la solucin actual (vector transpuesto) B-1 = Inversa. CN-B = Costo correspondiste a las variables no-bsicas i. Pj N-B = Coeficiente correspondiente a las variables no-bsicas. Y= Multiplicadores correspondientes a la matriz inversa en la funcin objetivo. (Zi - Ci) = Multiplicadores de la funcin objetivo correspondiente a las variables no-bsicas actualizados. Si todos los (Zi - Ci) satisfacen la condicin de ptimalidad la solucin actual es bsica, factible y ptima, si no vaya al paso 3.

50

Condicin de optimalidad: Si el problema es de maximizacin, sta se satisface si todos los (Zi - Ci) 0. Si el problema es de minimizacin sta se satisface si todos los (Zi - Ci) 0. Paso 3. relacin: Determinacin del vector que sale Pr. Para seleccionar la variable de salida se tiene que hacer mediante la siguiente

( B 1 b i )k = m n kj k

j k

se debe de entender que los valores de B-1 b se tienen que actualizar con la inversa actual es decir: XB = B-1 b Los valores de jk se actualizan de la siguiente manera: j = B-1 Pj en donde j es la variable correspondiente al vector que va a entrar a la base y j son los valores de ese vector actualizados. Si todas las expresiones j 0 el problema no tiene solucin acotada. Paso 4. Determinacin de la nueva base. La actualizacin de la nueva matriz inversa se hace por producto, es decir: B-1 nueva = E B-1 anterior E es una matriz que incluye al vector y que se llama matriz elemental. es el vector correspondiente a la variable de salida actualizado (deja de ser vector unitario). Se hacen operaciones elementales de rengln y columna y se regresa al paso 2.

51

Ejemplo 2.5 usando el Simplex Revisado Max Z= 2X1 4X2 + 5X3 6X4 s.a X1 + 4X2 2X3 +8X4 2 -X1 +2X2 +3X3 + 4X4 1 X1, X2, X3, X4, X5 0 Paso 1 Z= 2X1 -4X2 +5X3 -6X4 +0S1 +S1 +0S2 =2 +S2 =1 X1 +4X2 -2X3 +8X4

-X1 +2X2 +3X3 +4X4 Xi, Si 0 Paso2 Primera iteracin XBT = ( S1, S2, ) CB = (0, 0) 1 B-1 = 0 0 1

XN-B = ( X1, X2, X3,X4 ) CN-B = ( 2, -4, 5, -6 )

Qu variable entra? hacer la prueba de optimalidad, como estamos en la primera iteracin los multiplicadores de la funcin objetivo se consideran los originales esto es: Zi - Ci = (-2,4,-5,6) por lo que entra la variable mas negativa ya que estamos maximizando Z, entra X3 Paso 3 qu variable sale de las bsicas? Como es la primera iteracin no es necesario actualizar el vector de salida = min 2 , 1 -2 3 ( 0, 1) 1 E= 0 sale S2

S2 bsico. 2/3 1/3

( 2/3, 1/3) ( no-bsico)

52

Paso 4. Determinacin de la nueva base B-1nueva = E B-1ant. Sustituyendo tenemos: 1 B


-1 nueva

2/3 1/3

segunda iteracin XBT = ( S1, X3 ) CB = (0, 5) 1 2/3 B = Y= Cb B-1 Zi - Ci = YPj N-B - CN-B sutituyendo 1 Y = (0,5) 0 2/3 1/3 1 Zi - Ci = (0,5/3) -1 = (0, 5/3) 4 2 0 1 8 4 - ( 2, -4, 0, -6) = ( -11/3, 22/3 , 5/3, 38/3 ) como se
-1

XN-B = ( X1, X2, S2, X4 ) CN-B = ( 2, -4, 0, -6 )

1/3

puede observar la variable que entrara a la base es X1 que es la mas negativa Paso 3. Determinacin del vector que sale Pr. Para calcular el valor de la pendiente se

debe actualizar el valor de XB, y j: XB = B-1 b j = B-1 Pj actualizando la informacin se tiene 1 XB = 0 2/3 1/3 2 1 = 8/3 1/3

53

1 j ( X1 ) = 0

2/3 1/3

1 -1 =

1/3 -1/3

= min 8/3 , 1/3 1/3 -1/3 ( 0, ( 3, 1) S1 bsico.

sale S1

1) ( no-bsico) 3 0 1

E=

B-1nueva = E B-1ant. Sustituyendo tenemos: 3 B-1nueva = 1 0 1 1 0 2/3 1/3 = 3 1 2 1

tercera iteracin XBT = ( X1, X3 ) CB = ( 2, 5 ) 3 B-1 = Y= Cb B-1 3 Y = (2, 5) 1 2 1 = ( 11, 9 ) 1 2 1 XN-B = ( S1, X2, S2, X4 ) CN-B = ( 0, -4, 0, -6 )

54

Zi - Ci = YPj N-B - CN-B sutituyendo

1 Zi - Ci = ( 11, 9 ) 0

4 2

0 1

8 4 - ( 0, -4, 0, -6) = ( 11, 66, 9, 130 )

como se puede observar los multiplicadores de la funcin objetivo son (Zi-Ci) 0 por lo que la actual es:

3 XB = B b =
-1

2 1

2 1 =

8 3

Por lo que la solucin bsica factible y ptima es X1 = 8, X2 = 3 y Z= 31

55

2.6 Casos Especiales: Simplex Revisado con Penalizacin Revisado con Dual Simplex

y Simplex

Se pueden resolver problemas usando el Mtodo de Penalizacin, Dual Simplex con el algoritmo Simplex Revisado Paramtrico. El mtodo de Penalizacin se trabajar con Simplex Revisado usando parmetros y con el Dual Simplex se har lo mismo. La ventaja del Simplex Revisado es que se trabaja con parmetros usando la matriz inversa para actualizar la informacin que es necesaria en el momento en que se necesita por ejemplo sealando la variable de entrada y salida que se requiere al ir iterando y no hacerlo para toda la tabla Simplex como ya se vio al inicio del capitulo e ir iterando hasta alcanzar la solucin optima del problema lineal, esto hace que las operaciones ocupen menos tiempo ya sea hacerla en forma manual de computadora esta tcnica es eficiente para problemas grandes. En esta parte del libro se analizaran dos casos especiales resolviendo un problema para cada situacin. Ejemplo 2.6.1 Resolver el siguiente problema usando el mtodo Simplex Revisado con el Mtodo de Penalizacin. Ejemplo: Resolver el siguiente problema usando el mtodo Simplex Revisado. Min Z = 2X1 + X2 Sujeto a: 3X1 + X2 = 3 4X1 + 3X2 6 X1 + 2X2 3 X 1, X 2 0 Min Z = 2X1 + X2 + MR1 + 0X3 + MR2 + 0X4 =3 3X1 + X2 + R1 4X1 + 3X2 - X3 + R2 =6 + X4 = 3 X1 + 2X2 X1, X2, X3, X4 0 Paso 2. XBT = ( R1, R2, X4 ) CB = ( M, M, 0 ) 1 B-1 = 0 0 0 1 0 0 0 1 XN-B = ( X1, X2, X3 ) CN-B = ( 2, 1, 0 )

Paso 1.

56

1 Y = CB B-1 = ( M, M, 0 ) Zj - Cj = Y Pj N-B - CN-B 3 Zj -Cj = ( M, M, 0 ) 4 1 1 3 2 0 0

0 1 0 0 -1 0

0 0 1 = ( M, M, 0 )

- ( 2, 1, 0 )

= ( 7M, 4M, -M ) - ( 2, 1, 0 ) = ( 7M - 2, 4M - 1, - M ) Entra a la base la variable X1 es decir el vector P1. Actualizando se tiene: 1 XB = B-1 b = 0 0 1 1 = B-1 P1 = B-1 X1 = 0 0 0 1 0 0 1 0 0 0 1 0 0 1 3 6 = 3 3 4 = 1 3 6 3 3 4 1

en estos casos nos da lo mismo debido a que B-1 = I sale = min 3 , 6 , 3 = 1 3 4 1 y corresponde a la variable R1 que debe salir de la base. Paso 4. Determinar la nueva matriz inversa. Recordando: sale R1 = min 3 , 6 , 3 = 1 3 4 1

57

pivote (1 ( 1/3 1/3 = - 4/3 - 1/3 B-1nueva = E B-1ant. Sustituyendo tenemos 1/3 B
-1 nueva

0 -4/3

0 ) R1 bsico. -1/3 ) (R1 no-bsico) 1/3 E= -4/3 -1/3 0 1 0 0 0 1

0 1 0

0 0 1

1 0 0

0 1 0

0 0 1

1/3 = -4/3 -1/3

0 1 0

0 0 1

-4/3 -1/3

al entrar X1 a la base y salir R1 de la base. la nueva base esta formada por: y se regresa al paso 2 Segunda Iteracin.

X1 R2 X4

Paso 2. Determnese el vector de entrada. Para esto se necesita la siguiente informacin: XBT = ( X1, R2, X4 ) CB = ( 2, M, 0 ) 1/3 B-1 = -4/3 -1/3 1/3 Y= CB B-1 = (2, M, 0) -4/3 -1/3 0 1 0 0 1 0 0 0 1 0 0 1 = ( 2/3 - 4/3 M, M, 0 ) XN-B = ( X2, X3, R1 ) CN-B = ( 1, 0, M )

58

Zi - Ci = Y Pj N-B - CN-B 1 = ( 2/3 - 4/3 M, M, 0 ) 3 2 entra X2 = ( 2/3 + 5/3 M, -M , 2/3 - 7/3 M ) Paso 3. Determinacin del vector Pr que sale. Actualizando se tiene: 1/3 XB = B-1 b = -4/3 -1/3 0 1 0 0 0 1 3 6 = 3 1 2 2 0 -1 0 1 0 0 - ( 1, 0, M )

1/3 2 = B-1 P2 = -4/3 -1/3

0 1 0

0 0 1

1 2

1/3 5/3

3 = 5/3

= min

sale 1 , 2 , 2 1/3 5/3 5/3

= 6 5

y corresponde a la variable artificial R2 que sale de la base. Paso 4. Determinacin de la nueva matriz inversa. Recordando: = min 1 , 2 , 2 1/3 5/3 5/3 pivote R2 = ( 0 (-1/5 1 3/5 0) -1 )

59

- 1/5 = 3/5 -1 E=

1 0 0

-1/5 3/5 -1

0 0 1

al entrar X2 a la base y salir R2. La nueva base est formada por: X1 X2 X4 y se regresa al paso 2

1 B-1 = EB-1 = 0 0

-1/5 3/5 -1

0 0 1

1/3 -4/3 -1/3

0 1 0

0 0 1

3/5 = -4/5 1

-1/5 3/5 -1

0 0 1

Tercera iteracin. Paso 2. Determnese el vector de entrada. Para esto se necesita la siguiente informacin

XBT = (X1 , X2 , X4) CB = (2 , 1 , 0)

XN-B = (X3 , R1 , R2) CN-B = ( 0 , M , M )

3/5 Y = CB B-1 = (2 , 1 , 0) -4/5 1

-1/5 3/5 -1

0 0 1 = ( 2/5 , 1/5 , 0 )

60

0 Zi - Ci = Y Pj N-B - CN-B = ( 2/5 , 1/5 , 0 ) -1 0

1 0 0

0 1 0 -(0,M,M)

Zi - Ci = ( -1/5 , 2/5 - M , 1/5 - M ) como se puede observar no hay ninguna variable muy positiva que quiera entrar a la base, por lo tanto la solucin actual es bsica, factible y ptima. Por lo tanto la solucin final es:

X1
-1

3/5 1

-1/5 3/5 -1

0 0 1

3 6 3

3/5 = 6/5 0

XB = B b = X2 = -4/5 X4

con Z = 2X1 + X2 = 2 (3/5) + 6/5 = 12/5

2.6.2 Algoritmo Dual-Simplex usando Revisado-Paramtrico. El algoritmo Simplex Revisado para su desarrollo es muy importante ya que tiene que ver con el anlisis de bj para cambios continuos. Los pasos son los siguientes: Existe una condicin muy importante para usar el algoritmo Dual-Simplex y es la siguiente: Se inicia con una condicin de optimalidad satisfecha, sea un problema de maximizacin o de minimizacin.

Paso 1. Se elige variable de salida en este caso la ms negativa en caso de empate este Se rompe en forma arbitraria.

61

XB = B-1 b se elige la mas negativa. Si todas las variables incluidas en la base XB son 0, la solucin actual es ptima si no continua a 2. Paso 2. Determinacin del vector de entrada Pj. Se elige el coeficiente mnimo en valor absoluto, en caso de empate este se rompe en forma arbitraria. De acuerdo a la siguiente relacin:

= min

(Zj - Cj) jr

jr < 0

se elige el mnimo en valor absoluto. Recordando tenemos que: Y = CB B-1 (Zi - Ci) = Y PjN-B - CN-B (Zi - Ci) = multiplicadores de la funcin objetivo (actualizados) de las variables nobsicas. jr = multiplicadores no-bsicos actualizados j correspondientes a la variable de salida r. Para su clculo se hace de la siguiente manera: r = (rengln B-1 asociada a la variable de salida) (matriz de vectores no-bsicos). Paso 3. Clculo de la nueva matriz inversa por producto. Teniendo el vector de entrada y de salida se determina este vector corresponde a la variable que deja de ser vector unitario y se sustituye en la matriz E. La matriz E es una matriz I que incluye nicamente a y en ese momento deja de ser matriz I y se le llama matriz elemental. Recordando tenemos:
j

62

B-1 nueva = E B-1 anterior y se regresa al paso 1. Ejercicio 2.6.2 Simplex Revisado usando el algoritmo Dual-Simplex. Max Z = sujeto a: 3X1 + 2X2 3X1 + X2 3 4X1 + 3X2 6 X1 + X 2 3 X 1, X 2 , 0

el cual en forma estndar quedara: Min Z = 3X1 + 2X2 + 0X3 + 0X4 + 0X5 =-3 sujeto a: -3X1 - X2 + X3 -4X1 - 3X2 + X4 =-6 + X5 = 3 X1 + X2 X1, X2, X3, X4, X5 0 Primera iteracin. Nota: de antemano se ve que el problema si satisface la condicin de optimalidad para un problema de minimizacin y nuestro objetivo es lograr la factibilidad. Paso 1. Seleccinese la variable de salida. XBT = (X3 , X4 , X5) CB = (0 , 0 , 0) XN-B = (X1 , X2) CN-B = (3 , 2)

1 B = 0 0
-1

0 1 0

0 0 1 XB =

X3 X5

-3 sale 3

X4 = -6

63

como se puede ver, la solucin es infactible por lo tanto la variable que sale es la mas negativa en este caso X4. Paso 2. Determinacin del vector de entrada Pj. 1 Y = CB B-1 = (0 , 0 , 0) 0 0 0 1 0 0 0 1 -3 (Zi - Ci) = Y Pj N-B - CN-B = (0 , 0 , 0) -4 1 Determinacin de jr -1 -3 1 - (3 , 2) = ( -3 , -2 ) = (0 , 0 , 0)

en donde r es la variable que sale, en este caso X4 y j son los

candidatos de entrada que en este caso son la variable X1 y X2. Recordando: X3 X4 X5 y B-1 1 0 0 0 1 0 0 0 multiplicadores 1

1,24 = (rengln B-1 asociada a la variable de salida 4) ( matriz de vectores no-bsicos 1,2 ).

P1 -3 1,24 = (0 , 1 , 0) -4 1

P2 -1 -3 1 = (-4,-3)

recordando: = min (Zj - Cj) jr jr < 0

64

jr < 0 tiene que ser negativo ya que lo que se busca es llegar a la factibilidad del problema.

sustituyendo: entra X2 = min -3 -4 , -2 -3 = 0.6 entra la variable X2

en este caso el signo del numerador lo nico que debe lograr es que se satisfaga la condicin de optimalidad y puede ser negativo o positivo. Paso 3. Se calcula la nueva base. B-1nueva = E B-1 anterior. La matriz E incluye el vector que deja de ser vector unitario ya que sali de la base. Para hacer esto se necesita actualizar el vector de entrada en este caso P2. entra X2 1 2 = B-1 P2 = 0 0 por lo que: -1/3 = -1/3 -1/3 1 E= 0 0 -1/3 -1/3 1/3 0 0 1 0 1 0 0 0 1 -1 1 -1 1 0 1 0 pivote. -3 = -3 sale X4

65

1 B-1 = E B -1 = 0 0

-1/3 -1/3 1/3

0 0 1

1 0 0

0 1 0

0 0 1

1 = 0 0

-1/3 -1/3 1/3

0 0 1

y esta es la nueva matriz inversa, es decir la nueva base y regrese al paso 1 Segunda iteracin. Paso 1. Se elige variable de salida para este caso. Recuerde que: XB = B-1 b XBT = (X3 , X2 , X5) CB = (0 , 2 , 0) 1 B-1 = 0 0 X3 XB = X 2 X5 -1/3 -1/3 1/3 1 0 0 0 0 1 -1/3 -1/3 1/3 0 0 1 -3 3 -1 1 sale XN-B = (X1 , X4) CN-B = (3 , 0)

-6 = 2

como se puede observar la variable que sale es la mas negativa en este caso es X3 o sea el vector P3. Paso 2. Determinacin del vector de entrada Pj.

= min

(Zj - Cj) jr

jr < 0

actualizando:

66

1 = CB B-1 = (0 , 2 , 0) 0 0

-1/3 -1/3 1/3

0 0 1 = (0 , -2/3 , 0)

-3 Zi - Ci = Pj N-B - CN-B = (0 , -2/3 , 0) actualizando jr en este caso 1,43. Recordando: X3 X2 X5 P1 -3 1,43 = (1 , -1/3 , 0) -4 1 P4 0 1 0 = ( - 5/3 , - 1/3 ) y B-1 1 0 0 -1/3 -1/3 1/3 -4 1

0 1 0 - (3 , 0) = ( -1/3 , -2/3 )

0 0 1

multiplicadores actualizados

sustituyendo en la relacin tenemos: = min -1/3 - 5/3 , - 2/3 - 1/3 = 2/5 entra Xl o sea P1

Paso 3. Clculo de la matriz inversa de la base siguiente: Recordando: determinar 1 1 actual = B-1 P1 = 0 0 -1/3 -1/3 1/3 0 0 1 -3 -4 1 -5/3 = 4/3 -1/3

67

X1 entra -5/3 4/3 -1/5 1 0 0

sale X3 -3/5 = 4/5 -1/5

-3/5 B-1nueva = EB-1ant = 4/5 -1/5 y se regresa al paso 1. Tercera iteracin.

0 1 0

0 0 1

1 0 0

-1/3 -1/3 1/3

0 0 1 =

-3/5 4/5 -1/5

1/5 -3/5 2/5

0 0 1

Paso 1. Se elige variable de salida para este caso, recuerde que: XB = B-1 b XBT = (X1 , X2 , X5 ) CB = (3 , 2 , 0) X1 XB = X 2 X5 -3/5 4/5 -1/5 1/5 -3/5 2/5 0 0 1 -3 -6 3 3/5 = 6/5 3/5

observando la nueva base tenemos que la solucin actual es bsica factible y ptima ya que no hay una variable muy negativa que quiera salir de la base. Z * = 3 ( 3/5 ) + 2 ( 6/5 ) = (21) / 5

68

2.7 Ejercicios del captulo 2.


Problema 1. Representar grficamente el siguiente problema lineal y encontrar a) Regin de factibilidad b) Solucin bsica factible ptima y tipo de solucin Mx Z= 5X1 + 6X2 s.a. X1 + -2X2 2 -2X1 + 3 X2 2 X1, X2 irrestricta en signo. Problema 2. Representar grficamente el siguiente problema lineal y encontrar a) Regin de factibilidad b) Solucin bsica factible ptima y tipo de solucin Min Z = 20X1 + 10X2 s.a. X1 + 3X2 8 3X1 + 4 X2 19 3X1 + X2 7 X1, X2 0 Problema 3. Representar grficamente el siguiente problema lineal y encontrar a) Regin de factibilidad b) Solucin bsica factible ptima y tipo de solucin Max Z= 5X1 + 2X2 s.a. X1 + 3X2 10 X1 =4 X1, X2 0 Problema 4. Resolver los siguientes problemas lineales usando el Mtodo Simplex a) Max. Z= 5X1 + 8X2 6X1 + 5X2 30 9X1 + 4X2 36 X1 + 2X2 10 X 1, X 2 0

b) Max. Z= 3X1 + 4X2 X1 + 2X2 2 4X1 + 3X2 12 X1, X2 0 c) Max. Z= 3X1 + 2X2 X1 + 2X2 40 2 X1 + X2 50 X 1, X 2 0

69

Problema 5. Resolver el siguiente problema usando el mtodo de dos Fases Max Z = 3X1 + 4X2 + X3 sujeto a X1 + X2 + X3 50 2X1 - X2 + X3 15 = 10 X1 + X2 X1, X2, X3 0 Problema 6. Considere el conjunto de restricciones que sigue y resuelva usando Doble Fase. Max. Z = 2X1 + 3X2 5X3 SA. X 1 + X2 + X 3 = 7 2X1 5X2 + X3 10 X1, X2, X3 0 Problema 7. Considere el problema determinar la solucin optima mediante el uso de X3, X4 como la solucin bsica inicial. Max. Z = 2X1 + 4X2 + 4X3 3X4 s.a. X1 + X2 + X3 = 4 X1 + 4X2 + X4 = 8 X1, X2, X3, X4 0 Problema 8. Considere el problema y mediante la aplicacin de la tcnica de doble fase n, demuestre que la sol. ptima puede incluir una variable bsica artificial en el nivel cero. Por lo tanto concluya que existe una solucin ptima factible. Max. Z= 3X1 + 2X2 + 3X3 s.a. 2X1 + X2 + X3 2 3X1 + 4X2 + 2X3 8 X1, X2, X3 0 Problema 9. Considere el problema determinar la solucin optima mediante el uso de X3, y R como variable para una solucin bsica inicial en la primera y segunda ecuacin respectivamente. Max. Z= X1 + 5X2 + 3X3 s.a. X1 +2X2 + X3 = 3 2X1 - X2 =4 X1, X2, X3 0 Problema 10. Resolver usando el mtodo Simplex Revisado Max. Z= 3X1 + 2X2 X1 + 2X2 40 2 X1 + X2 50 X 1, X 2 0 Problema 11. Resolver usando el mtodo Simplex Revisado Max Z= 5X1 + 2X2 s.a. X1 + 3X2 10 X1 =4 X1, X2 0

70

Bibliografa. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. Anderson, D.R.-Sweeny, D.J.-William, T.A. "Introduccin a los modelos cuantitativos para administracin". Ed. Iberoamericana. An-Min Chung Linear Programming Edit. Merrill Bazaraa, M.-Jarvis, J. "Programacin lineal y flujo en redes". Ed. Limusa. . Chang, Y.-Sullivan, R. "QSB+. Quantitative Systems for Business Aplications Plus". Prentice Hall. Fernndez Lechon, R.-Castrodeza Chamorro, C. (1989) "Programacin lineal". Ariel. . Gass, S.I. "Programacin lineal". CECSA. Hillier, F.-Lieberman, G. "Introduccin a la investigacin de operaciones". Mcgraw-Hill. Infante Macias, R. "Mtodos de Programacin matemtica". UNED. Kaufmann A. Mtodos y Modelos dela Investigacin de Operaciones. Edit. CECSA Luenberger, D.E. "Programacin lineal y no lineal". Addison-Wesley Iberoamericana. Martn, Q. "Investigacin Operativa". Prentice Hall. Meredith. Administracin de operciones edit. Limusa Wiley Miguel A. Crdenas La ingeniera de Sistemas . Ed. Limusa Mora, J.L. "Investigacin de operaciones e informtica". Ed. Trillas. Prawda Witemberg, J. "Mtodos y modelos de investigacin de operaciones". Vol I Limusa. Ravindran, A.-Phillips, D.-Solberg, J. "Operations research. Principles and Practice". Willey. Rios Insua, S. "Investigacin Operativa. Optimizacin". Ed. Centro de Estudios Ramn Areces. Sasini Yaspan. Investigacin de operaciones editorial Limusa Wiley Shamblin, J.E.-Stevens, G.T. "Investigacin de operaciones: un enfoque fundamental". Mcgraw-Hill. Taha, H. "Investigacin de operaciones". Alfaomega. Thierauf, R.J. "Introducin a la investigacin de operaciones". Ed. Limusa.. Wayne L. Winston Investigacin de Operaciones Aplicaciones y algoritmos Editorial Iberoamerica

71

Captulo 3 Teora de la Dualidad y Anlisis de Sensibilidad


Objetivo. Conocer y aplicar la teora Primo - Dual, para simular diferentes situaciones de variacin de parmetros de los modelos lineales y con esto optimizar de manera eficiente los recursos econmicos para la toma de decisin en la organizacin. Contenido: 3.1 3.2 3.3 3.4 3.5 Formulacin del Problema dual Relacin primo dual Interpretacin econmica del dual Dual Simplex Condiciones de Khun Tucker

3.6 Cambios en el vector recursos de restricciones y lmites. 3.7 Cambios en el vector costos: de variable bsica y no bsica 3.8 Cambios en los coeficientes aij de variable bsica y no bsica 3.9 Adicin de una variable 3.10 Adicin de una restriccin 3.11 Ejercicios
Bibliografa

72

TEORA DE LA DUALIDAD Y ANLISIS DE SENSIBILIDAD La teora dual, junto con el anlisis de sensibilidad de un problema lineal nos conduce hacer algunos cambios en la estructura del problema original y tambin nos conduce a hacer interpretaciones econmicas y hacer todo un anlisis para la toma de decisiones situando el problema lineal en un entorno de conocer sus recursos, sus lmites, los cambios en sus coeficientes etc. Los parmetros del problema nos permiten hacer una interpretacin econmica de lo que puede suceder si estos parmetros varan, estas variaciones pueden ser en la demanda, cantidades de materia prima, costos de produccin, mercados globales de mano de obra, los financiamientos, etc. Los tomadores de decisiones podrn analizar como esos cambios afectan a la solucin actual y as poder planear y hacer cambios si son necesarios a futuro.

3.1 Formulacin del problema dual


El dual es una representacin matemtica de un problema de P.L. que se obtiene de un modelo primal dado. Los problemas primo y dual estn relacionados de tal manera que la solucin Simplex ptima de cualquiera de los dos problemas conduce en forma automtica a la solucin optima del otro. Es decir para cada problema de programacin lineal existe otro problema asociado llamado dual, ya que un problema genera otro con el cual tiene una relacin general que bajo ciertas circunstancias nos facilita su solucin anlisis. Al problema original se le llama Primo y al asociado Dual, aunque esto podra ser al revs. En la funcin objetivo al problema primo se identificar con Z y al problema dual la funcin objetivo se identificar con G. Maximizar Z= s.a. a11X1 + a12X2 + ..... + a1nXn b1 a21X1 + a22X2 + ..... + a2nXn b2 ... ... ... ... am1X1 + am2X2 + ..... + amnXn bm Xi j 0 i= 1, 2, 3 ,..... , hasta n En forma abreviada Mx Z = CX s.a AX b X0 El problema Dual se forma al transponer el sistema y definir variables duales llamadas Yj y se minimiza en lugar de maximizar, tambin es conveniente comentar que el problema dual es la representacin transpuesta del problema primo esto quiere decir que por cada C1X1 + C2X2 + ..... + CnXn

73

restriccin del primo se tendr una variable Y dual, stas variables tienen un gran significado el cual se dar en la interpretacin econmica del dual: Minimizar G = b1Y1 + b2Y2 + ..... + bnYm s.a. a11Y1 + a21Y2 + ..... + am1Ym C1 a12Y1 + a22Y2 + ..... + am2Ym C2 ... ... ... ... a1nY1 + a2nY2 + ..... + amnYm Cn Yj 0 , j =1,2,3..m En forma abreviada se escribe: Min Z = bt Y s.a A t Y Ct Y0 (t quiere decir transpuesta) Ejemplo de un problema primo para encontrar el dual. Problema Primo Max Z = 3X1 + 5X2 s.a. X1 4 X2 6 X1,X2 0 Problema Dual

Min G = 4Y1 + 6Y2 s.a Y1 3 Y2 5 Y1,Y2 0

Maximizar un problema primo es equivalente a minimizar el problema dual ya que los valores de la funcin objetivos son los mismos La solucin grfica del problema primo y dual estn dados en las figura 3.1 y 3.2 respectivamente:

Figura 3.1 Representacin grfica de un problema primo

74

Segn la grafica la solucin bsica factible y ptima del primo esta dada por X1= 4 y X2 = 6 con Z= 42 La solucin grfica del problema dual esta dada:

Figura 3.2 representacin grafica de un problema dual

Segn la grafica la solucin bsica factible y ptima del primo esta dada por Y1= 3 y Y2 = 5 con G= 42 3.2 Relacin Primo-Dual En general es posible construir el dual de cualquier problema observando las siguientes reglas: a. Un problema de Maximizacin genera uno de Minimizacin b. Se arregla el sistema en tal forma que todas sus desigualdades sean en el mismo sentido. Al maximizar sern Al minimizar sern c. Por cada variable del primo se tendr una restriccin en el dual d. Por cada ecuacin se tendr una variable en el dual e. Una igualdad genera una variable no restringida en signo en el dual f. Una variable no restringida en signo genera una igualdad en el dual Ejemplo. Sea el siguiente problema Primo de Programacin Lineal encontrar la representacin Dual Max z= X1 + 2X2 s.a 3X1 + X2 5 6X1 + 7X2 = 8 X1, X2 0
75

Primero se transformar la igualdad en dos desigualdades (recuerde que una igualdad se puede descomponer en dos desigualdades). Max z= X1 + 2X2 s.a 3X1 + X2 5 6X1 + 7X2 8 6X1 + 7X2 8 (cambiando el sentido queda - 6X1 - 7X2 - 8 ) X1, X2 0 Por lo cual el dual esta representado por: Min G = 5Y1 + 8Y2 8Y3 s.a 3Y1 + 6Y2 - 6Y3 1 2 Y1 + 7Y2 - 7Y3 Y1, Y2, Y3 0 El sistema anterior tambin puede quedar de la siguiente manera: Min G = 5Y1 + 8Y2* s.a 3Y1 + 6Y2* Y1 + 7Y2*

1 2

Y1, 0 Y2* no restringida en signo, esto es porque Y2* = Y2-Y3 y esta diferencia puede generar nmeros positivos y negativos, por lo tanto Y2* no esta restringida en signo. Para ver la relacin de ambos problemas y que ya fueron resueltos grficamente ahora se resolvern por el Simplex. Para el problema Max Z = 3X1 + 5X2 4 s.a. X1 X1, X2
X2 6

0 Sol. 42 4 6

La Tabla Simplex final ptima esta representada en la figura 3.3 Base Z X1 X2 S1 S2 Z 1 0 0 3 5 X1 0 1 0 1 0 X2 0 0 1 1 1


Figura 3.3 tabla Simplex ptima del problema primo

Para el Problema Dual Min G = 4Y1 + 6Y2 s.a Y1 3 Y2 5 Y1,Y2 0


76

La tabla Simplex final ptima del dual se puede ver en la figura 3.4 Base G Y1 Y2 G 1 0 0 Y1 0 1 0 Y2 0 0 1 S1 -4 -1 0 S2 -6 0 -1 solucin 42 3 5

Figura 3.4 Tabla Simplex ptimo del dual

Observando las tablas finales de estos dos problemas se puede observar que en la tabla de la fig.3.3 en los multiplicadores de la ecuacin objetivo del primo se encuentra la solucin del dual (Y1 = 3, Y2 = 5 con Z = 42) y en los multiplicadores de la ecuacin objetivo del dual ver fig. 3.4 se puede localizar la solucin del primo (X1=4, X2 =6 con G=42), adems es importante sealar que: A una variable original del primo le corresponde una variable de holgura agregada del dual y viceversa Una variable de holgura asociada a una ecuacin del primo esta directamente relacionada a la variable original del dual asociada a dicha ecuacin La relacin entre variables se puede ver en la figura 3.5 Primo X1 X2 S1 S2 Z Dual S1 S2 Y1 Y2 G

Figura 3.5 tabla de relacin primo-dual

3.3 Interpretacin Econmica del Dual En forma abreviada Max Z = CX s.a AX b X0 Problema primo primal Xi = Nivel de la actividad i Ci = Ganancia unitaria debida a la actividad i Z = Ganancia total debida a todas las actividades bj = cantidad disponible del recurso j aij = Cantidad de recurso j consumido por cada unidad de la actividad i

77

PROBLEMA DUAL Min Z = bt Y s.a A t Y Ct Y0 (t quiere decir transpuesta)

Y = precios duales, el precio dual representa el valor unitario de un recurso; es decir proporciona la contribucin a la funcin objetivo resultante de un aumento o una disminucin unitaria en la disponibilidad de un recurso. Tambin se le llama, precios sombra y multiplicadores Simplex, los precios sombra miden el valor marginal de este recurso, es decir la tasa a la que Z puede aumentarse si se incrementa la cantidad que se proporciona de este recurso Min. Z = bt Y significa la contribucin a la ganancia por disponer de bj unidades de recurso j tambin se entiende como Minimizar el valor total implcito de los recursos consumidos por las actividades At Y Ct significa la contribucin actual a la ganancia de la mezcla anterior de recursos y debe ser por lo menos, tan grande como si 1 unidad de la actividad i la utilizara, ya que de otra manera no se estara llevando a cabo la mejor utilizacin de estos recursos. Dicho de otro modo: el valor marginal de los recursos debe ser igual a la ganancia. Por ltimo se puede decir que la relacin Primo Dual y su interpretacin econmica son de gran de utilidad para hacer un Anlisis de sensibilidad ya que ayuda a la toma de decisiones, por lo cual se hacen los siguientes comentarios, una variable de P.L. se considera como una actividad econmica que consume recursos (entrada) para el propsito de producir una utilidad (salida) Una tabla Simplex del primo ofrece informacin adicional: La situacin de los recursos El valor por unidad de los recursos (precios duales) todos los datos requeridos para hacer el anlisis de sensibilidad sobre la solucin ptima. El costo reducido en el rengln Z nos representa el incremento de la utilidad por unidad de Xi. El costo reducido es =0 si la variable es bsica y es >0 si la variable es no bsica entonces el costo de los recursos consumidos por unidad. Es mas elevado que su utilidad por unidad, y no debe emprenderse esta actividad (variables no-bsica). Por cada variable del primo se tendr una restriccin en el dual Y por cada ecuacin del primo se tendr una variable en el dual, una igualdad en el primo genera una variable no restringida en signo en el dual y una variable no restringida en signo en el primo genera una igualdad en el dual. Las ventajas que proporciona el saber construir el Dual de un problema as como la relacin entre las soluciones ptimas es que: 1. en ciertas situaciones es mas conveniente trabajar el dual que el problema original (cuando el nmero de ecuaciones es mayor que el de variables)

78

2. En problemas en los cuales se desea conocer como se modifica la solucin ptima obtenida, al cambiar uno de los parmetros del sistema. El utilizar el dual es de mucha ayuda para el anlisis de sensibilidad Existe un mtodo llamado dual Simplex que se utiliza bajo circunstancias especiales y que es usa mucho para hacer Anlisis de Sensibilidad y que evita el uso de variables artificiales el cual se presentar a continuacin. 3.4 Mtodo Dual- Simplex Se usa en situaciones en las cuales la funcin objetivo satisface la condicin de optimalidad y la solucin bsica es no factible. Pasos del mtodo 1. Pasar el P.L. a la forma estndar en donde las desigualdades del tipo ( ) a1X1 + a2X2 + ............... +anXn b se cambie a su equivalente ( ) es decir - a1X1 - a2X2 - ............... -anXn - b y vaciar la informacin en la tabla Simplex 2. Determinar la variable que saldr de la base, seleccionando la mas negativa en caso de que todas sean positivas ( Xb 0) la tabla actual es ptima. 3. Determinar la variable que entrara a la base seleccionando aquella cuya pendiente sea la menor en valor absoluto de dividir el multiplicador de Zj-Cj y los multiplicadores correspondientes a la variable de salida (Xj) es decir: Mn = | Zi-Ci / arj | ; arj < 0 4. Hacer operaciones elementales de rengln y columna y regresar al paso 3. Ejercicio 3.4 Aplicacin del Mtodo Dual Simplex Max - Z= - 3X1 - 2X2 - 4X3 X 1 + 2 X2 + X 3 4 X2 + 4X3 8 X1, X2, X3 0 Paso 1 Pasar el P.L. a la forma estndar en donde las desigualdades del tipo ( ) a1X1 + a2X2 + ............... + anXn b se cambie a su equivalente ( ) es decir - a1X1 - a2X2 - ............... -anXn - b y vaciar la informacin en la tabla Simplex Max Z = - 3X1 - 2X2 - 4X3 - X 1 - 2 X2 - X3 - 4 - X2 - 4X3 - 8 X1, X2, X3 0

79

Max Z + 3X1 + 2X2 + 4X3 - X1 - 2 X2 - X3 + S1 - X2 - 4X3 +S2 X1, X2, X3 0 = -4 =- 8

=0

Tabla simplex Regla para usar el mtodo: Dual-Simplex la funcin objetivo debe satisfacer la condicin de optimalidad Base Z X1 X2 X3 S1 S2 SOL Z 1 3 2 4 0 0 0 S1 0 -1 -2 -1 1 0 -4 S2 0 0 -1 -4 0 1 -8 Paso 2. Determinar la variable que saldr de la base, seleccionando la mas negativa en este ejemplo (S1= -4; S2 = -8), sale S2 que es la mas negativa Paso 3. Determinar la variable que entrara a la base seleccionando aquella cuya pendiente sea la menor en valor absoluto de dividir el multiplicador de Zi-Ci y los multiplicadores correspondientes a la variable de salida (Xj) es decir: Mn = | Zi-Ci/ arj | ; arj < 0 Mn = | 2/-1; 4/-4 | = 1 por lo tanto entra X3 a la base X2 X3 S1 S2 SOL Base Z X1 Z -1 3 2 4 0 0 0 S1 0 -1 -2 -1 1 0 -4 S2 0 0 -1 0 1 -8 -4 Paso 4. Hacer operaciones elementales de rengln y columna y regresar al paso 2 Como se puede observar las variables bsicas son positivas ( Xb 0) la tabla actual es ptima Base Z X1 X2 X3 S1 S2 SOL Z -1 3 1 0 0 1 -8 S1 0 -1 -7/4 0 1 -1/4 -2 X3 0 0 1/4 1 0 -1/4 2 Paso 2. Determinar la variable que saldr de la base, seleccionando la mas negativa en este ejemplo (S1= -2; X3 = 2), sale S1 que es la mas negativa Paso 3. Determinar la variable que entrara a la base seleccionando aquella cuya pendiente sea la menor en valor absoluto de dividir el multiplicador de Zj-Cj y los multiplicadores correspondientes a la variable de salida (Xj) es decir: Mn = | Zj-Cj/ arj | ; arj < 0 Min. = | 3/-1; 1/(-7/4) | = 4/7 por lo tanto entra X2 a la base

80

Paso 4. Hacer operaciones elementales de rengln y columna y regresar al paso 2.


Base Z X2 X3 Z -1 0 0 X1 17/7 4/7 -1/7 X2 0 1 0 X3 0 0 1 S1 4/7 -4/7 1/7 S2 6/7 1/7 2/7 SOL 64/7 8/7 12/7

Como se puede observar en la tabla ya no hay variable muy negativa que quiera salir de la base por lo tanto la solucin es bsica factible y ptima con Z= 64/7; X2 = 8/7; X3= 12/7 A continuacin se desarrollar un ejemplo tomado del libro: Wayne L. Winston Investigacin de Operaciones Aplicaciones y algoritmos Editorial Iberoamrica Problema. Una fbrica de juguetes fabrica 2 tipos de juguetes de madera: soldados y trenes. Un soldado se vende a 27 dlares y se usan 10 dlares de materia prima cada soldado que se produce aumenta los costos variables de mano de obra y los costos generales en 14 dlares, un tren se vende a 21 dlares y se usan 9 dlares de materia prima. Cada tren producido aumenta los costos variables de mano de obra y los costos generales en 10 dlares. La produccin de soldados y trenes de madera necesita dos tipos de trabajo especializado: carpintera y acabado, un soldado requiere 2 horas de acabado y 1 hora de carpintera, un tren requiere 1 hora de acabado y 1 hora de carpintera, Cada semana la fbrica puede conseguir toda la materia prima que se necesita, pero solamente dispone de 100 horas de acabado y 80 horas de carpintera. La demanda de los trenes no tiene lmite, pero se venden a lo ms 40 soldados semanalmente. La fbrica quiere maximizar su ganancia semanal (considere ingresos -costos). Resolver el problema como un modelo de P.L. a) Plantear el problema como un modelo matemtico de P.L. Primo y Dual. b) Encontrar la solucin del Primo e interpretarla. c) Encontrar la solucin del Dual e interpretarla. a) Problema de programacin lineal Primo MAX Z = 3X1 + 2X2 X2 100 X2 80 40 X 1, X 2 0 Problema de programacin lineal Dual 2X1 + X1 + X1 Min G. = 100Y1 + 80Y2 + 40Y3 2Y1 + Y2 + Y1 + Y 2 Y1,Y2,Y3 Y3 3 2 0

b) Solucin del primo por el Mtodo Simplex

81

Pasar la forma estndar = 0 Z- 3X1 2X2 2X1 + X2 + S1 = 100 = 80 X1 + X2 + S2 + S3 = 40 X1 X1, X2, S1, S2 ,S3 0 Base Z S1 S2 S3 Base Z S1 S2 X1 Z 1 0 0 0 Z 1 0 0 0 X1 -3 2 1 1 X1 0 0 0 1 X1 0 0 0 1 X2 -2 1 1 0 X2 -2 1 1 0 X2 0 1 0 0 S1 0 1 0 0 S1 0 1 0 0 S1 2 1 -1 0 S2 0 0 1 0 S2 0 0 1 0 S2 0 0 1 0 S3 0 0 0 1 S3 3 -2 -1 1 S3 -1 -2 1 1 SOL 0 100 80 40 SOL 120 20 40 40 SOL 120 20 20 40
variables duales

Base Z Z 1 X2 0 S2 X1 0 0

Base Z X2 S3 X1

G S1 S2 Z X1 X2 1 0 0 1 0 0

Y1 Y2 S1 S2 1 -1 -1 1 1 2 1 -1

Y3 S3 1 2 1 -1

SOL 180 40 20 20
Solucin Dual

0 0 0 0 0 1

Solucin Primo

La solucin que presenta la tabla final es Z= 180 con X1= 20, X2 = 40 quiere decir que se van producir 20 soldados y 40 trenes con una utilidad de 180 dlares, S3 = 20 quiere decir que el recurso 3 se tiene en exceso ya que ventas permite vender como mximo 40 soldados y solamente se estn vendiendo 20 esta restriccin no es activa por eso S3 = 20. Tambin se puede leer la solucin Dual en la tabla ptima del Primo leyendo la solucin en los multiplicadores de Z esto es: el valor del recurso 1 el precio sombra de Y1 = 1 y el valor del recurso 2 del primo el precio sombra dual es Y2 = 1, con una G= de 180.

82

c) Encontrar la solucin del Dual e interpretarla. Min G. = 100 Y1 + 80 Y2 + 40 Y3 Y3 3 2 Y1 + Y2 + 2 Y1 + Y 2 Y1, Y2, Y3 0 Resolviendo el problema por el mtodo Dual Simplex: Regla para usar el mtodo: Dual-Simplex la funcin objetivo debe satisfacer la condicin de optimalidad Paso 1 Cambiar el sentido de las desigualdades y vaciar la informacin a la tabla simplex Min G 100 Y1 - 80 Y2 - 40 Y3 = 0 -2 Y1 - Y2 - Y3 - 3 -2 - Y1 - Y 2 Y1, Y2, Y3 0 Forma estndar =0 Min G 100 Y1 - 80 Y2 - 40 Y3 -2 Y1 - Y2 - Y3+ S1 =-3 - Y1 - Y2 + S2 = -2 Y1, Y2, Y3 , S1, S2 0 Tabla Simplex Regla para usar el mtodo: Dual-Simplex la funcin objetivo debe satisfacer la condicin de optimalidad Base G S1 S2 G 1 0 0 Y1 -100 -2 -1 Y2 -80 -1 -1 Y3 -40 -1 0 S1 0 1 0 S2 0 0 1 Sol. 0 -3 -2

Paso 2. Determinar la variable que saldr de la base, seleccionando la ms negativa: (-3,-2) sale S1 Base G G 1 S1 0
S2 0

Y1 -100 -2 -1

Y2 -80 -1 -1

Y3 -40 -1 0

S1 0 1 0

S2 0 0 1

Sol. 0 -3 -2

Determinar la variable que entrara a la base seleccionando aquella cuya pendiente sea la menor en valor absoluto: Min = | Zi-Ci/ arj | ; arj < 0 Min = | - 100/-2; -80/-1; -40/-1 | = 40 que corresponde a Y3

83

Base G S1 S2

G 1 0 0

Y1 -100 -2 -1

Y2 -80 -1 -1

Y3 -40 -1 0

S1 0 1 0

S2 0 0 1

Sol. 0 -3 -2

Se hacen operaciones elementales de rengln y columna y se obtiene la siguiente tabla y se puede observa que todava hay variable muy negativa que sale de la base S2 =-2 y la variable que entra es Min = | - 20/-1; -40/-1 | = 20 que corresponde a Y1 Base G Y3 S2 G 1 0 0 Y1 -20 2 -1 Y2 -40 1 -1 Y3 0 1 0 S1 -40 -1 0 S2 0 0 1 SOL 120 3 -2

Se hacen operaciones elementales de rengln y columna y se obtiene la siguiente tabla y se puede observa que todava hay variable muy negativa que sale de la base Y3 = -1 y la variable que entra es Min = | - 20/-1; -40/-1 | = 20 que corresponde a Y2 Base G Y3 Y1 G 1 0 0 Y1 0 0 1 Y2 -20 -1 1 Y3 0 1 0 S1 -40 -1 0 S2 -20 1 -1 SOL 160 -1 2

Se hacen operaciones elementales de rengln y columna y se obtiene la siguiente tabla y se puede observa que ya no hay variable muy negativa que saga de la base por lo tanto la tabla actual es ptima. BASE
G 1 Y2 Y1 0 0 0 0 1 0 1 0 -20 -1 1 -20 1 -1 -40 -1 0 180 1 1

Z G

X1 Y1

X2 Y2

X3 Y3

S1 S1

S2 S2 SOL

Variables Primo

Sol. primo

Sol. dual

La tabla actual representa la solucin optima del problema Dual ya que no hay variable muy negativa que quiera salir de la base ya que Y1, y Y2 0

84

La solucin que presenta la tabla final es G= 180, el valor del recurso 1 el precio sombra de Y1 = 1 y el valor del recurso 2 del primo el precio sombra dual Y2 = 1, con una G= de 180.En los multiplicadores de la funcin objetivo del dual se puede leer la solucin del primo, se van producir X1 = 20 soldados y X2 = 40 trenes con una utilidad de 180 dlares, S3 = 20 quiere decir que el recurso 3 se tiene en exceso ya que ventas permite vender como mximo 40 soldados y solamente se estn vendiendo 20 esta restriccin no es activa por eso S3 = 20. 3.5 Condiciones de Khun Tucker Las condiciones de Khun Tucker se usan para la programacin No-Lineal y lo que sigue en este captulo del libro es el tema sobre Anlisis de Sensibilidad que viene despus de haber visto la relacin Primo-Dual, que sigue siendo programacin lineal por lo hago la sugerencia que este punto de condiciones Khun-Tucker se vea al final de libro como un tpico. Sin embargo abordare el tema ya que este avance corresponde a mi actividad de ao sabtico. En 1950, Khun y Tucker descubrieron la teora de la programacin no-lineal programacin matemtica y establecieron las bases para una nueva metodologa de optimizacin, mucho ms eficiente que el mtodo de Sustitucin, el mtodo de Multiplicadores de Lagrange Optimizacin con restricciones de desigualdad - optimizacin no clsica Si la restriccin contiene mayor cantidad de variables que la funcin objetivo, o la restriccin contiene restricciones de desigualdad, existen mtodos en los que en algunos casos se pueden encontrar los valores mximos o mnimos. Si tanto restricciones como funcin objetivo son lineales PL, la existencia de mximo (mnimo), esta asegurada, y el problema se reduce a la aplicacin de unos simplex algoritmos de lgebra lineal elemental los llamados Mtodo simples y Mtodo dual y. Sin embargo, si estas condiciones no se cumplen, existen, las llamadas condiciones de Khun y Tucker, las cuales en algunos casos, pueden ser utilizables, para probar encontrar puntos crticos, mximos o mnimos. Sin embargo, esta es un rea an muy poco desarrollada de la matemtica, frecuentemente, las condiciones de Khun y Tucker fallan, o no son suficientes, para la existencia de extremos Dado un problema de optimizacin Min (X) Sa. gi (X) = 0 , i = 1,......m, X En , La condicin necesaria para un ptimo local, es que el gradiente del Lagrangeano sea igual a cero, es decir: V L(X,i ) = 0 Donde el Lagrangeano L(X,i ) se define como L(X,i ) = (X) + i gi(X) Y las variables i son los multiplicadores de Lagrange. Si (X) es convexo, entonces V L(X,i ) = 0 es una condicin necesaria y suficiente y el mnimo es global. Aunque en teora, el procedimiento es muy sencillo de entender, en la practica es muy difcil de

85

aplicar, debido a la solucin del sistema de ecuaciones no lineales generadas por el gradiente del Lagrange igualado a cero. Sin embargo, el mtodo de los Lagrangeanos que convierte a un problema restringido en uno no restringido es un mejoramiento del proceso de sustitucin. La optimizacin tambin denominada (programacin matemtica) intenta dar respuesta a un tipo general de problemas de la forma: Max. Min (X) Sa. X C Rn Donde X = (X1,.............,Xn) es un vector y representa variables de decisin, (X), es llamada funcin objetivo y representa o mide la calidad de la decisiones (usualmente nmeros enteros reales ) y es el conjunto de decisiones factibles restricciones del problema. Algunas veces es posibles expresar el conjunto de restricciones como solucin de un sistema de igualdades desigualdades. g(X1,.............,Xn) h(X1,.............,Xn) = Un problema de optimizacin trata entonces de tomar una decisin ptima para maximizar (ganancias, velocidad, eficiencia, etc.) minimizar (costos, tiempo, riesgo, error, etc.) Las restricciones significan que no cualquier decisin es posible. En matemticas las condiciones de Kuhn-Tucker son condiciones necesarias y suficientes para que la solucin de una programacin no lineal sea ptima. Es una generalizacin del mtodo de los Multiplicadores de Lagrange. Las condiciones de Kuhn-Tucker necesarias para problemas con restricciones de desigualdad fueron publicadas por primera vez en la Tesis doctoral de W. Karush, auque fueron renombradas tras un artculo en una conferencia de Harold W.Jun and Albert W. Tucker. .... [13 ..Las condiciones derivadas de la teora de Kuhn-Tucker dicen que en un ptimo local de un problema de optimizacin restringido, cualquier cambio pequeo en las variables del problema no cambian en lo absoluto el valor de la funcin objetivo. Estas condiciones vinieron a establecer las bases de una nueva metodologa de optimizacin, mucho ms eficiente que los multiplicadores de Lagrange el mtodo de Sustitucin. Sin embargo dista mucho de ser cien por ciento eficiente y efectiva, no obstante, a medida que el tiempo avanza estas tcnicas tienden a mejorar.... [13]

86

Anlisis de sensibilidad
OBJETIVO: Proporcionar una metodologa conceptual y los conocimientos bsicos para utilizar algunos criterios de optimizacin para la toma de decisiones de modelos matemticos de Investigacin de Operaciones. En muchos casos, despus de tener la solucin ptima de un problema, podemos hacer cambios a los parmetros del modelo matemtico y con estos supuestos hacer interpretaciones econmicas del modelo, tambin se pueden conocer los limites de los recursos disponibles y de los parmetros de la funcin objetivo sin que se modifique la factibilidad del problema esto es muy interesante porque se pueden interpretar diferentes situaciones, tambin estos cambios pueden obedecer a que nos encontramos con que uno de los datos originales estaba equivocado, o que se nos dio mal la informacin y esto se puede corregir mediante el anlisis de sensibilidad. El Anlisis de Sensibilidad puede dividirse para su estudio en: Cambios en el vector recursos de restricciones y lmites. Cambios en el vector costo de variable bsicas y no bsica y lmites en cada caso Cambios en los coeficientes aij. De variable bsica y no bsica Adicin de una variable. Adicin de una restriccin. Para ello se requieren conocimientos bsicos de matemticas y computacin. Se tratar lo relativo al anlisis de Sensibilidad para los modelos lineales, en forma discreta. Cuando se usa el enfoque cuantitativo el analista se concentra en los datos asociados al problema y desarrolla expresiones matemticas que describen los objetivos, las restricciones y las relaciones existentes en el problema. Despus, usando uno o ms mtodos cuantitativos, el analista ofrece una recomendacin con base al modelo matemtico desarrollado Los parmetros del problema nos permiten hacer una interpretacin econmica de lo que puede suceder, si estos parmetros varan, estas variaciones pueden ser en la demanda, cantidades de materia prima, costos de produccin, mercados globales de mano de obra, los financiamientos, etc. Los tomadores de decisiones podrn analizar como esos cambios afectan a la solucin actual, y as poder planear y hacer cambios si son necesarios a futuro. En este capitulo se analizarn los cambios de parmetros usando la parte fundamental del anlisis de sensibilidad a travs de la matriz Inversa (B-1) y mediante un ejercicio, se explicar para cada caso a continuacin. Los cambios que se estudiaran son: Cambios en bj y lmites, o sea, cambios en la disponibilidad de recursos. Cambios en Ci, o sea, cambios en los precios o costos unitarios. Cambios en aij, o sea cambios en los coeficientes tecnolgicos. Adicin de una variable. Adicin de una restriccin.

87

3.6 Cambios en bj, es decir, cambios en el vector recursos de restricciones y lmites.


Un cambio en bj afectar el valor de la solucin de Z pero puede suceder que la base no cambie si es que la condicin de factibilidad se satisface por la tabla Simplex. Si la nueva solucin no es factible ser necesario hacerla factible y despus ver si es o no ptima la tabla ( en este caso se usar el algoritmo Dual-Simplex). Si b cambiara a b en el sistema original es posible calcular el valor de b en la tabla final ya que la inversa (B-1) nos indica los cambios que ha sufrido el sistema o sea: B-1 b = bj* donde bj* es el valor de b en la tabla final. Limites: Los lmites nos indican en que rango Inferior y Superior la solucin se mantiene bsica, factible y ptima. Esto es importante conocerlo porque as podemos planear y tomar mejores decisiones. Es decir suponga que la situacin en una empresa se torna crtica entonces conociendo los lmites de bj podemos pensar en reducir la mano de obra, el presupuesto, la materia prima, etc..., sin que esto afecte a la base (a la solucin actual del problema). En este caso si hacemos reduccin en los recursos disminuye Z. La relacin que se trabajar para determinar estos lmites es: B-1 ( bk + k) 0 Ejemplo: Una empresa siguientes requisitos: Recurso Materia prima Depto. de produccin Depto. de acabado Precio de venta produce tres productos del tipo 1, 2, y 3 y est sujeto a los Tipo 1 1 ud 2 1 3 Tipo 2 1ud -1 1 4 Tipo 3 1ud 1 0 1 Cantidad disponible del recurso 50 uds 15 (cuando menos) 10 (unidades disponibles)

Determinar: a) La formulacin del problema como un modelo de programacin lineal y encontrar la solucin ptima. b) Qu sucede si el recurso b1 cambia de 50 a 30. Encuentre la nueva solucin si existe. c) Encontrar los lmites de bj. Solucin: a) El modelo matemtico quedara formulado como: Max Z = 3X1 + 4X2 + X3 sujeto a: X1 + X2 + X3 50 2X1 - X2 + X3 15 = 10 X1 + X2 X1, X2, X3 0 X1 = no. de unidades del Tipo 1 que se van a producir. X2 = no. de unidades del Tipo 2 que se van a producir. X3 = no. de unidades del Tipo 3 que se van a producir.

88

Usando el software adecuado trabajando en forma manual, usando el algoritmo de Penalizacin obtenemos la solucin ptima. Tabla final ptima: Base Z X1 Z 1 1 0 -3 X5 X3 0 0 0 1 X2 X2 0 0 0 1 X3 0 0 1 0 X4 1 1 1 0 X5 0 1 0 0 R2 M -1 0 0 R3 M+3 -2 -1 1 Sol 80 15 40 10

Se puede observar en la Tabla ptima que la solucin bsica, factible y ptima nos indica que debemos producir 2 modelos, esto es X2 = 10 y X3 = 40 y que en el recurso 2 tenemos una variable superflua con valor de X5 = 15, el producto X1 no es atractivo para que se produzca y est fuera de la base el valor de la solucin ptima es Z = 80. b) Recordando bj* = B-1 bj y como b1 cambia de 50 a 30 tenemos: 1 Se identifica la matriz inversa de la tabla ptima: 1 B = 1 0
-1

-1 0 0

-2 -1 1

Se usa la inversa incluyendo los multiplicadores de la funcin objetivo para actualizar el multiplicador de Z, los valores de M no se consideran debido a que las variables artificiales ya salieron de la base estos es: 1 0 0 0 1 1 1 0 0 -1 0 0 3 -2 -1 1

B-1 =

Considerando la nueva informacin de b1 tenemos: 1 La nueva solucin = B-1 bj = 0 0 0 1 1 1 0 0 -1 0 0 3 -2 -1 1 0 30 = 15 10 20 10 60 -5

Esta nueva solucin es no factible, por lo tanto tendremos que aplicar el algoritmo DualSimplex y encontrar la nueva solucin. Recordando el Dual-Simplex sale de la base la

89

variable ms negativa es decir X5 y entra aquella cuya relacin sea la mnima en valor absoluto es decir: entra esto es 1 , M , M+3 Zi - Ci / j < 0 min -3 -1 -2 min j Entra X1 que es la mnima relacin en valor absoluto: entra Base Z Z 1 X5 0 0 X3 0 X2 Iterando se tiene: Base Z Z 1 X1 0 0 X3 X2 0 X1 1 -3 0 1 X1 0 1 0 0 X2 0 0 0 1 X2 0 0 0 1 X3 0 0 1 0 X3 0 0 1 0 X4 1 1 1 0 X4 4/3 -1/3 1 1/3 X5 0 1 0 0 X5 1/3 -1/3 0 1/3 R2 M -1 0 0 R2 M-1/3 1/3 0 -1/3 R3 M+3 -2 -1 1 R3 M+4/3 2/3 -1 1/3 Sol 60 -5 20 10 Sol 58 1/3 5/3 20 8 1/3 sale

Como se puede observar en la tabla, ya no hay variable que quiera salir de la base por lo que la tabla actual nos presenta la solucin bsica, factible y ptima. Se puede ver que al disminuir el recurso b1 de 50 a 30 disminuye la produccin de X3 = 20 y X2 = 8 1/3 y la utilidad disminuye de 80 a 58 1/3, el producto X1 es atractivo para que se produzca es decir X1 = 5/3 y no tenemos exceso de ningn recurso. c) Determinacin de los lmites de b1, b2, y b3 de tal manera que en estos lmites superior e inferior la solucin siga siendo bsica, factible y ptima, es decir que la base no se modifique. Para determinar los lmites de los recursos lo podemos hacer mediante el desarrollo de la siguiente expresin: B-1 = ( b + ) 0 desde i = 1, ... , n. se determina el lmite para cada recurso bi en forma individual, es decir: 1 B-1 = 1 0 Analizando b1 tenemos: 1 1 0 -1 0 0 -2 -1 1 50+ 15 10 0 0 0 -1 0 0 -2 -1 1

90

1 (50+ ) -1 (15) -2(10) 0 50 + - 15 - 20 0 15 + 0 -15

1 (50+ ) - 1(10) 0 50 + - 10 0 40 + 0 -40

Como su puede observar el valor de b1 original es 50, entonces de los negativos el valor mximo es 15 por lo que tomamos 15 que podemos restar a 50 como lmite inferior, es decir: 35 b1 ya que no tenemos lmite superior este puede llegar hasta infinito. Lo mismo hacemos con b2 y b3. 1 1 0 -1 0 0 -2 -1 1 50 15+ 10 0 0 0

50 -1 (15+ ) -2 (10) 0 50 - 15 - -20 0 15 - 0 - -15 15 1 1 0 -1 0 0 -2 -1 1 50 15 10+ 0 0 0

50 -15 -2(10+ ) 0 50 - 15 -20 -2 0 15 - 0 -2 -15 15/2 1 ( 10 + ) 0 10 + 0 -10

1 (50) - 1(10+ ) 0 50 - 10 - 0 - -40 40

91

Tabla de resultados: bj b1 = 50 b2 = 15 b3 = 10 lmites valor de -15 35 b1 - 15 0 b2 30 - 15/2 0 b3 35/2

Conociendo los lmites de bi nos permite manejar los recursos sin que cambie la base y la solucin se mantiene bsica, factible y ptima.

3.7 Cambios en el vector costos: de variable bsica y no bsica es decir, cambios en Ci.
Este caso visto a travs del dual sera lo mismo que el caso anterior. Puede ser que un cambio en este parmetro afecte a los multiplicadores de la funcin objetivo (Zi - Ci) y en este caso el mtodo a usar es el simplex. La manera de calcular el nuevo valor de Ci es mediante: Ci* ( 1 - Cb B )
-1

Ci aj

B =

-1

1 - Cb B-1 0 B-1

Los cambios pueden ser en los coeficientes de variables bsicas o tambin pueden ser en variables no-bsicas. Cambios en Ci Variable NO - BASICA. En este caso puede afectar o no a los multiplicadores de la funcin objetivo. Ejemplo: Suponga que C2 cambia de $ 3 a $ 6/unidad producida. Encuentre la nueva solucin. El problema ser: Max Z = sujeto a: 6X1 + 4X2 + X3 X1 - X2 + X3 50 2X1 - X2 + X3 15 X1 + X2 = 10 X1, X2, X3 0

Haciendo uso de la Inversa de la tabla ptima original tenemos: C1* = (1-Cb B )


-1

Cj aj

-6 = ( 1, 1, 0, 3 ) 1 2 1

= ( -2 )

92

Como se puede observar el valor ( -2 ) nos determina que esta variable no satisface la condicin de optimalidad para un problema de maximizacin, por lo que la variable X1 tiene que entrar a la base. entra X2 X3 X4 X5 R2 R3 Sol Base Z X1 Z 1 -2 0 0 1 0 M M+3 80 0 -3 0 0 1 1 -1 -2 15 X5 X3 0 0 0 1 1 0 0 -1 40 0 1 1 0 0 0 0 1 10 sale X2 Iterando tenemos: Base Z X1 X2 X3 X4 X5 R2 R3 Sol Z 1 0 2 0 1 0 M M+5 100 X5 0 0 3 0 1 1 -1 1 45 0 0 0 1 1 0 0 -1 40 X3 0 1 1 0 0 0 0 1 10 X2 Como se puede observar esta tabla es bsica, factible y ptima, el valor de Z se increment de 80 a 100 y la base se modific. Cambio en Ci Variable Bsica Este cambio afecta a los coeficientes de los multiplicadores de la funcin objetivo. Ejemplo: suponga que C2 cambia de 4 a 2 encuentre la nueva solucin: El problema ahora es: Max Z = 3X1 + 2X2 + X3 sujeto a: X1 + X2 + X3 50 2X1 - X2 + X3 15 = 10 X1 + X 2 Xj 0 j = 1, 2, 3 recordando tenemos: C2* = (1-Cb B-1 ) Cj aij 1 - Cb B-1 B-1 = 0

B-1

-2 1 C2* = (1, 1, 0, 3) 1 1

= ( +2 )

Como se puede observar el valor ( +2 ) nos determina que la solucin no es bsica, as que hay que hacerla bsica y despus revisar la condicin de optimalidad para ver si no se altera la solucin actual. Es decir:

93

Base Z X5 X3 X2

Z 1 0 0 0

X1 1 -3 0 1

X2 2 0 + 0 1 (-2)

X3 0 0 1 0

X4 1 1 1 0

X5 0 1 0 0

R2 M -1 0 0

R3 M+3 -2 -1 1

Sol 80 15 40 10

Se multiplica el pivote (1) por (-2) y se le suma a la funcin objetivo ya que X2 debe formar un vector unitario la tabla queda como: entra Base Z X1 X2 X3 X4 X5 R2 R3 Sol Z 1 -1 0 0 1 0 M M+1 60 0 -3 0 0 1 1 -1 -2 15 X5 X3 0 0 0 1 1 0 0 -1 40 0 1 1 0 0 0 0 1 10 sale X2 Como se puede observar, al formar correctamente la base los multiplicadores de la funcin objetivo se alteran de tal manera que la tabla actual deja de ser ptima por lo que la variable que entra a la base es X1 y sale X2. Iterando tenemos: Base Z X1 Z 1 0 0 0 X5 X3 0 0 0 1 X1 X2 1 3 0 1 X3 0 0 1 0 X4 1 1 1 0 X5 0 1 0 0 R2 M -1 0 0 R3 M+2 1 -1 1 Sol 70 45 40 10

Como se puede ver la tabla actual presenta la solucin bsica factible y ptima en donde el valor de Z disminuye de 80 a 70 y la solucin actual es: X1 = 10 y X3 = 40 ya que X2 sali de la base.

3.8 Cambios en los coeficientes aij de variable bsica y no bsica


En este caso el posible efecto en la solucin ptima sera:

1. Si el coeficiente aij que cambia es el de una variable bsica, es necesario ver si no afecta a la solucin bsica, incluyendo el coeficiente en la funcin objetivo de dicha columna. 2. Si el coeficiente pertenece a una variable no bsica, con revisar su valor en la ecuacin objetivo ser suficiente para ver si se mantiene la condicin de optimalidad, si sta no se satisface, el mtodo a usar es el simplex.

94

Cualquier cambio podr ser encontrado por: Pj* = B-1 Pj

donde Pj* es la columna de coeficientes modificados de la variable Xj.

1.3.1. Ejemplo: Cambio en aij de una Variable Bsica. Sea el problema: Max Z = sujeto a: 3X1 + 4X2 + X3 X1 + X2 + X3 50 2X1 - X2 + X3 15 = 10 X1 + X 2 X1, X2, X3 0 X2 0 0 0 1 X3 0 0 1 0 X4 1 1 1 0 X5 0 1 0 0 R2 M -1 0 0 1 -1 1 R3 M+3 -2 -1 1 1 a 0 1 Sol 80 15 40 10 Encuentre la

Cuya tabla ptima es: Base Z X1 Z 1 1 X5 0 -3 0 0 X3 0 1 X2

Suponga que los coeficientes de la variable X2 cambian de nueva solucin. El nuevo problema a resolver es: Max Z = 3X1 + 4X2 + X3 sujeto a: X1 + X2 + X3 50 + X3 15 2X1 X1 + X 2 = 10 X1, X2, X3 0 el nuevo vector P2 actualizado es: 1 P2* = B P2 =
-1

1 1 1 0

0 -1 0 0

3 -2 -1 1

-4 1 = 0 1

0 -1 0 1

0 0 0

95

introduciendo el nuevo vector a la tabla se tiene: Base Z X5 X3 X2 Z 1 0 0 0 X1 1 -3 0 1 X2 0 -1 0 1(1) X3 0 0 1 0 X4 1 1 1 0 X5 0 1 0 0 R2 M -1 0 0 R3 M+3 -2 -1 1 Sol 80 15 40 10

Como podemos observar en el multiplicador (-1) tenemos que hacer un cero por lo que tomando el elemento pivote que es 1 lo multiplicamos por (1) y lo sumamos al elemento (-1) y la tabla quedara como: Base Z X5 X3 X2 Z 1 0 0 0 X1 1 -2 0 1 X2 0 0 0 1 X3 0 0 1 0 X4 1 1 1 0 X5 0 1 0 0 R2 M -1 0 0 R3 M+3 -1 -1 1 Sol 80 25 40 10

Se puede observar en la tabla que sta no se altera por lo que la solucin sigue siendo bsica, factible y ptima. Cambio en aij Variable NO - BASICA. Recordando: cualquier cambio podr ser encontrado por: Pj* = B-1 Pj donde Pj* es la columna de coeficientes modificados de la variable Xj.

Ejemplo: supngase que en el problema original se va a modificar el vector correspondiente 1 a 1 a X1 es decir cambia de: 2 1 . 1 0 Encuentre la solucin: El problema a resolver es: Max Z = sujeto a: 3X1 + 4X2 + X3 X1 + X2 + X3 50 X1 - X2 + X3 15 = 10 X2 X1, X2, X3 0

96

1 P1* = B-1 P1 = 0 0 0

1 1 1 0

0 -1 0 0

3 -2 -1 1

-3 1 = 1 0

-2 0 1 0

Como se puede observar el coeficiente ( Zi - Ci ) es -2 y como se trata de un problema de maximizacin, la tabla actual deja de ser ptima por lo que: X1 entra a la base y sale X3. entra Base Z X1 X2 Z 1 -2 0 X5 0 0 0 0 1 0 X3 0 0 1 X2 Iterando tenemos: Base Z X1 Z 1 0 0 0 X5 X3 0 1 0 0 X2

X3 0 0 1 0

X4 1 1 1 0

X5 0 1 0 0

R2 M -1 0 0

R3 M+3 -2 -1 1

Sol 80 15 40 10

sale

X2 0 0 0 1

X3 2 0 1 0

X4 3 1 1 0

X5 0 1 0 0

R2 M -1 0 0

R3 M+1 -2 -1 1

Sol 120 15 40 10

Se puede observar que la base cambi, ya que la solucin actual es: X5 = 15, X1 = 40 y X2 = 10 y un aumento en la utilidad de Z = 120. 3.9 Adicin de una variable Cuando es necesario agregar una variable a un problema, antes de incorporarla al sistema es necesario que se le transforme a como debera estar en la tabla final, de haber estado en el sistema original y despus ver si se mantiene la condicin de optimalidad es decir: Pj* = B-1 Pj

97

Ejemplo: suponga que el problema original es: Max Z = 3X1 + 4X2 + X3 sujeto a: X1 + X2 + X3 50 2X1 - X2 + X3 15 = 10 X1 + X 2 X1, X2, X3 0 Cuya tabla ptima es: Base Z X1 Z 1 1 X5 0 -3 0 0 X3 X2 0 1 X2 0 0 0 1 X3 0 0 1 0 X4 1 1 1 0 X5 0 1 0 0 R2 M -1 0 0 R3 M+3 -2 -1 1 Sol 80 15 40 10

Suponga que estamos en la siguiente situacin: Conviene producir una nueva actividad cuyo precio unitario es $3 y su vector de 1 coeficientes tecnolgico a6 es: 1 1 Se adiciona una nueva variable llamada X6 y el nuevo problema a resolver es : Mx Z = 3X1 + 4X2 + X3 + 3X6 Sujeto a X1 + X2 +X3 + X6 50 X1 + X2 + X3 + X6 15 X1 + X2 + X6 = 10 X1, X2, X3, X6 0 1 0 P6* = 0 0 1 1 1 0 0 -1 0 0 3 -2 -1 1 -3 1 = 1 1 0 1 1 -2

Como se puede observar el multiplicador (Zi - Ci) = (+1) por lo que esta variable no significa que se produzca por lo que la solucin sigue siendo bsica, factible y ptima. En caso de que el multiplicador de la nueva actividad en la funcin objetivo hubiera dado negativa, la variable tendr que entrar a la base usando el mtodo simplex.

98

3.10

Adicin de una restriccin

Al agregar una nueva restriccin al sistema ya existente pueden suceder dos cosas: 1. Que la solucin ptima no se vea afectada por la nueva restriccin debido a que es redundante o que al reducir el espacio de soluciones el ptimo localizado se mantenga en el espacio de soluciones del nuevo sistema. 2. Puede suceder que la solucin ptima se vea afectada al quedar el punto ptimo fuera del nuevo espacio de soluciones. Ejemplo: a) Suponga que al problema original se le agrega una nueva restriccin del tipo X3 30. Encuentre la nueva solucin. Sea el problema original: Max Z = 3X1 + 4X2 + X3 sujeto a: X1 + X2 + X3 50 2X1 - X2 + X3 15 X1 + X 2 = 10 X1, X2, X3 0 Cuya tabla ptima es: Base Z X1 Z 1 1 X5 0 -3 0 0 X3 0 1 X2 X2 0 0 0 1 X3 0 0 1 0 X4 1 1 1 0 X5 0 1 0 0 R2 M -1 0 0 R3 M+3 -2 -1 1 Sol 80 15 40 10

si agregamos X3 30. Preguntamos: 40 30, la respuesta es no, por lo tanto, la nueva restriccin es activa y se tiene que introducir a la tabla es decir: X3 + X6 = 30. Base Z X5 X3 X2 X6 Z 1 0 0 0 0 X1 1 -3 0 1 0 X2 0 0 0 1 0 X3 0 0 1(-1) 0 + 1 X4 1 1 1 0 0 X5 0 1 0 0 0 X6 0 0 0 0 1 R2 M -1 0 0 0 R3 M+3 -2 -1 1 0 Sol 80 15 40 10 30

Se puede observar que el vector X3 corresponde a una variable bsica y sin embargo no forma vector unitario por lo que se debe volver vector unitario. Esto se realiza de la siguiente manera: se multiplica la posicin 1 de X3, por (-1) y se suma a la nueva restriccin de la tabla, esta operacin se hace para todos los elementos afectados en la tabla. La tabla quedara de la siguiente manera.

99

Base Z X5 X3 X2 X6

Z 1 0 0 0 0

X1 1 -3 0 1 0

X2 0 0 0 1 0

X3 0 0 1 0 0

X4 1 1 1 0 -1

X5 0 1 0 0 0

X6 0 0 0 0 1

R2 M -1 0 0 0

R3 M+3 -2 -1 1 1

Sol 80 15 40 10 -10

Como se puede observar la solucin es infactible de tal manera que aplicando el DualSimplex la solucin nueva es : Base Z X5 X3 X2 X4 Z 1 0 0 0 0 X1 1 -3 0 1 0 X2 0 0 0 1 0 X3 0 0 1 0 0 X4 0 0 0 0 1 X5 0 1 0 0 0 X6 1 1 1 0 -1 R2 M -1 0 0 0 R3 M+4 -1 0 1 -1 Sol 70 5 30 10 10

Como se puede ver en esta tabla la solucin actual es bsica, factible y ptima. Cuyo valor en Z= 70 y valores de X2 = 10, X3 = 30 . b) Suponga que agregamos una nueva restriccin del tipo X3 60. Tomando el valor de X3 que es X3 = 40 en la tabla original sustituyendo tenemos: 40 60 ? La respuesta es si por lo que la restriccin no es activa y el problema queda igual.

100

3.11 Ejercicios
Problema 1. Dados los siguientes problemas primarios encontrar el dual de cada uno de ellos. Max Z = 2X1 + X2 5X1 + 10X2 8 X1 + X2 1 X1, X2 0 Min Z = X1 + 2X2 X 1 + X2 2 X2 1 X1, X2 0 c ) Max Z= X1 + X2 + X3 . X1 - X2 + X3 8 2X1 + 3X2 - X3 12 = 6 X 1 + X2 X1, X2 0 ; X3 No restringida en signo Problema 2. Sea el siguiente problema cuya solucin ptima es: MAX Z= 9X1 +8X2 +5X3 S.A. 2X1 + 3X2 + X3 4 5X1 + 4X2 + 3X3 11 Xi 0 cuya tabla final ptima es: X2 X3 BASE Z X1 Z 1 0 A 0 X1 0 1 B 0 X3 0 0 C 1 Determinar: La solucin optima del dual sin resolver el dual La columna faltante A, B, C.

S1 2 3 -5

S2 1 -1 2

SOL 19 1 2

Problema 3. Sea el siguiente problema, de respuesta a las preguntas dadas usando la idea fundamental del simplex revisado. MAX Z= 5X1 + 2X2 + 3X3 X1 + 5X2 + 2 X3 b1 X1 - 5X2 -6X3 b2 X1, X2, X3, 0 Donde b1, b2 son recursos, para valores especficos de b1, b2 la solucin ptima es: X2 X3 S1 S2 SOL. BASE X1 Z 0 A 7 D E 150 X1 1 B 2 1 0 30 S2 0 C -8 -1 1 10 a) Determinar los valores de a, b, c, d, que son constantes b) Determinar los valores de b1, b2 del problema original y que dan la solucin ptima dada en la tabla. c) La solucin dual ptima en la tabla ptima del primo. d) Si se requiriera aumentar la Z ptima, debera aumentarse b1, b2?..por qu?

101

Problema 4. Considere el siguiente problema y utilizando la idea fundamental del simplex Revisado (actualiza informacin) a) Encontrar las columnas faltantes b) La solucin ptima del dual en la tabla ptima del primo Mx Z= 4X1 + 3X2 + X3 + 2X4 4 X1 + 2X2 + X3 + X4 5 3X1 + X2 + 2X3 + X4 4 X1, X2, X3, X4 0 BASE Z X2 X4 X1 X2 X3 X4 S1 1 1 -1 S2 1 -1 2 SOL

Problema 5. Considere el siguiente problema MAX Z = 2X1 + 4X2 + 3X3 X1 + 3X2 + 2X2 = 20 10 X1 + 5X2 X1, X2, X3 0 BASE Z X1 S1 X1 X2 X3 R1 M+2 1 1 S1 0 0 1 R2 M 0 -1 SOL

Encontrar las columnas faltantes La solucin ptima del dual en la tabla ptima del primo Problema 6. Resuelva los siguientes problemas usando el mtodo Dual- Simplex Maximizar Z = -2X1 5X2 3X1 + 2X2 5 4X1 - X2 2 X1, X2 0 Problema 7. Resuelva los siguientes problemas usando el mtodo Dual- Simplex Minimizar Z = 5X1 + 6X2 X1 + X2 2 4X1 + X2 4 X 1, X 2 0 Problema 8 Considere el siguiente problema lineal Min. G = Y1 - 5Y2 + 6Y3 s.a 2Y1 + 4Y3 50 Y1 + 2Y2 30 Y1, Y2 irrestrictas en signo, Y3 0 Demuestre que la solucin a este problema es no acotado, mostrando que la solucin al problema dual correspondiente es no factible.

102

Problema 9. Dado el siguiente problema lineal Mx. Z = X1 + 5X2 5X1 + 6 X2 30 3X1 + 2 X2 12 - X1 + 2X2 10 X1, X2 0 La tabla final ptima es: X2 base Z X1 Z 1 0 0 X1 0 1 0 S2 0 0 0 X2 0 0 1 a) b) c) d)

S1 7/16 1/8 -1/2 1/16

S2 0 0 1 0

S3 19/16 -3/8 5/16

Sol. 0 2 5

Cul es el problema dual? Cul es la solucin ptima del problema dual sin resolver el dual? Las soluciones ptimas a los problemas primal y dual son degeneradas? Compruebe que la solucin dual dada en el inciso (b) es factible y ptima.

Problema 10. Considere el problema de programacin de la produccin de un producto para cada una de las prximas 4 semanas. El costo de la produccin de una unidad es $100 para las 2 primeras semanas y $150 para las ltimas 2. Las demandas semanales son 7, 8, 9 y 10 unidades y tienen que ser satisfechas. La planta puede producir un mximo de 9 unidades semanales. Adems, se pueden emplear horas extras durante la tercera y cuarta semana; esto incrementa la produccin semanal en 2 unidades ms, pero el costo de produccin tambin sube en $58 por unidad de hora extra. El exceso de produccin puede ser almacenado a un costo unitario de $3. Cmo programar la produccin de tal manera que minimice los costos totales? Formule este problema como un modelo de programacin lineal. a) Formular el problema como problema primario b) Escribir el dual de l problema plantado en el inciso (a) Problema 11. Una fabrica produce cuatro productos A, B, C, D, cada unidad del producto A requiere de 2 horas de maquinado, una hora de montaje y vale 10 dlares en el inventario en proceso. Cada unidad del producto B requiere de 1 hora de maquinado, 3 horas de montaje y vale 5 dlares en el inventario en proceso. Cada unidad de C necesita 2 horas de maquinado, 2 horas de montaje y vale 2 dlares en el inventario en proceso. Finalmente, cada unidad del producto D requiere de 5 horas de maquinado, no necesita tiempo de montaje, y vale 12 dlares en el inventario en proceso. La fabrica dispone de 1200 horas de maquinado y 1600 horas de montaje. Adems no puede disponer de ms de 10,000.00 dlares en el inventario en proceso. Cada unidad del producto A tiene una utilidad de $40 dlares, cada unidad de B, $24.00, cada unidad de C, $36, y cada unidad de D, $23. No pueden venderse ms de 200 unidades de A, no ms de 160 unidades de C, y pueden venderse cualquier cantidad de unidades de B, y D. Sin embargo para cumplir con un contrato deben producirse y venderse por lo menos 100 unidades del producto D. El objetivo de la fbrica es maximizar la utilidad. Contestar las siguientes preguntas. Plantear el problema como un modelo matemtico y encontrar la solucin. a) Cunto es el valor de 1 hora adicional de maquinado?, de montaje? b) Cunto el de $$1 adicional en el capital de trabajo para el inventario en proceso?

103

c) Si el contrato para el producto D fuera de 130 unidades en lugar de 100 Qu efecto tendra en la utilidad? d) Si la utilidad por unidad del producto C fuera $46 y no de $36. cmo cambiara la solucin? es decir, cunto se producira de cada articulo? en cunto cambiara la utilidad? e) Suponga que el producto A tiene una nueva de restriccin de venta de no ms de 100 unidades. Cambia la solucin actual? En cunto? f) Cules son los lmites de los coeficientes Ci, y bj del problema original? g) Un nuevo producto esta en consideracin y se llama producto E, requiere de 2 horas de maquinado, 5 horas de montaje y $20 en capital de trabajo, la utilidad por unidad es de $50. Debe producirse alguna unidad del producto E? Problema 12. Resolver e interpretar el siguiente problema. Sugarco produce tres tipos de barra de caramelo. Cada barra esta hecha totalmente de azcar y chocolate. En la siguiente tabla, se muestran las composiciones de cada barra y la utilidad obtenida con cada barra. Se disponen de 50 onzas de azcar y 100 onzas de chocolate. El problema es el siguiente: Max Z = 3X1 + 7X2 + 5X3 s.a. X1 + X2 +X3 50 2 X1 + 3 X2 + X3 100 X1, X2, X3, 0 a) Resolver el problema en forma manual o computadora b) Para que valores de la ganancia de la barra de caramelo tipo 1, la base actual permanecer optima?, s la utilidad para una barra de caramelo tipo1 fuera de 7 centavos cul seria el solucin optima de la empresa? c) Para qu valores de la ganancia de la barra de caramelo tipo 2 la base actual permanecer optima?. Si la utilidad para una barra de caramelo tipo 2 fuera de 13 centavos cul seria la nueva solucin ptima?. d) Para que cantidad de azcar disponible la base actual permanecer optima? e) Si se dispusiera de 60 oz. de azcar Cul sera la ganancia de la empresa?, cuntas barras tendran que producirse de cada tipo? se podran contestar estas preguntas si solamente se dispusieran de 30 onzas de azcar?. f) Suponga que para cada barra de caramelo tipo 1 se usa solamente 0.5 oz. de azcar y 0.5 oz. de chocolate tendra la empresa que fabricar barras de caramelo tipo 1? g) La empresa considera la posibilidad de fabricar barras de caramelo tipo 4, una barra de caramelo tipo 4 tiene una utilidad de 17 centavos y requiere 3 oz. de azcar y 4 oz. de chocolate. cuntas barras del nuevo chocolate se debern fabricar? Problema 13. Un pequeo taller fabrica dos tipos de radios. El nico recurso escaso que se necesita para producir los radios es la mano de obra. Actualmente la compaa tiene 2 trabajadores. El trabajador uno (mano de obra uno) esta dispuesto a trabajar hasta 40 horas a la semana. El trabajador 2 (mano de obra 2) esta dispuesto a trabajar hasta 50 horas a la semana. En la siguiente tabla se ve la informacin para el planteamiento del problema.
radio1 recursos requeridos 1 hora mano de obra1 2 horas mano de obra 2 utilidad de radio1 $35 radio2 recursos requeridos 2 horas mano de obra1 1hora mano de obra 2 utilidad de radio2 $25

Modelo matemtico lineal Max Z = 35X1 + 25X2 X1 + 2X2 40 X1 + X2 50 X1, X2 0

104

Tabla final optima base Z Z 1 X1 0 X2 0

X1 0 1 0

X2 0 0 1

S1 ? ? ?

S2 ? ? ?

Sol. 950 20 10

a) Encontrar los multiplicadores faltantes en la tabla final b) Si el trabajador 1 (mano de obra 1) estuviera dispuesto a trabajar solamente 30 horas a la semana Permanecera optima la tabla actual? Demuestre su respuesta y encuentre la nueva solucin. c) Calcular los limites de horas entre los cuales el trabajador 1 y 2 podran trabajar sin modificar la base d) Para qu valores de la utilidad del radio tipo 1 y 2 la base actual permanece ptima? e) La empresa esta considerando la posibilidad de producir un radio tipo3. las especificaciones para un radio tipo3 son las siguientes: utilidad $70. El radio 3 se lleva 2 horas de mano de obra.1 y 2 horas de mano de obra 2 tendra que producir la empresa el radio tipo3? Demuestre su respuesta y explique. f) Suponga que por polticas de la empresa los radios pasarn por un inspector de calidad que hace retrabajos y puede checar radios de 15 piezas por semana para radio tipo 1, y 15 por semana de tipo 2 para cada tipo de producto. Determinar si la base se modifica para que tipo de radio y encontrar la nueva solucin si existe .

105

Bibliografa
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. Anderson, D.R.-Sweeny, D.J.-William, T.A. "Introduccin a los modelos cuantitativos para administracin". Ed. Iberoamericana. An-Min Chung Linear Programming Edit. Merrill Bazaraa, M.-Jarvis, J. "Programacin lineal y flujo en redes". Ed. Limusa. . Chang, Y.-Sullivan, R. "QSB+. Quantitative Systems for Business Aplications Plus". Prentice Hall. Fernndez Lechon, R.-Castrodeza Chamorro, C. (1989) "Programacin lineal". Ariel. . Gass, S.I. "Programacin lineal". CECSA. Hillier, F.-Lieberman, G. "Introduccin a la investigacin de operaciones". Mcgraw-Hill. Infante Macias, R. "Mtodos de Programacin matemtica". UNED. Kaufmann A. Mtodos y Modelos dela Investigacin de Operaciones. Edit. CECSA Luenberger, D.E. "Programacin lineal y no lineal". Addison-Wesley Iberoamericana. Martn, Q. "Investigacin Operativa". Prentice Hall. Meredith. Administracin de operciones edit. Limusa Wiley Miguel A. Crdenas La ingeniera de Sistemas . Ed. Limusa Mora, J.L. "Investigacin de operaciones e informtica". Ed. Trillas. Prawda Witemberg, J. "Mtodos y modelos de investigacin de operaciones". Vol I Limusa. Ravindran, A.-Phillips, D.-Solberg, J. "Operations research. Principles and Practice". Willey. Rios Insua, S. "Investigacin Operativa. Optimizacin". Ed. Centro de Estudios Ramn Areces. Sasini Yaspan. Investigacin de operaciones editorial Limusa Wiley Shamblin, J.E.-Stevens, G.T. "Investigacin de operaciones: un enfoque fundamental". Mcgraw-Hill. Taha, H. "Investigacin de operaciones". Alfaomega. Thierauf, R.J. "Introducin a la investigacin de operaciones". Ed. Limusa.. Wayne L. Winston Investigacin de Operaciones Aplicaciones y algoritmos Editorial Iberoamerica

106

Captulo 4 Transporte y Asignacin


Objetivo. Conocer y aplicar la metodologa para el planteamiento de modelos de distribucin y asignacin de recursos, y que estos resultados optimicen los objetivos de una organizacin.

Contenido:
4.1-Definicin del problema de transporte. 4.2 Mtodo de la Esquina Noroeste y Mtodo de aproximacin de Vogel 4.3 Mtodo MODI: distribucin modificada, tambin denominada U-V 4.4 Procedimiento de optimizacin 4.5 Definicin del problema de asignacin 4.6 El Mtodo Hngaro 4.7 Ejercicios
Bibliografa

107

TRANSPORTE Y ASIGNACIN 4.1 Definicin del problema de transporte.


En la formulacin de problemas de programacin Lineal es frecuente encontrar problemas con estructuras particulares que permitan la utilizacin de mtodos especiales de solucin. A continuacin explicaremos algunos de los mtodos ms comnmente utilizados como son: Mtodo de Transporte Mtodo de Asignacin El Mtodo de Transporte, el nombre de este mtodo se debe a que se desarroll para un caso de distribucin entre fbricas y centros de consumo en tal forma que se minimizaran los costos de distribucin. Muchos problemas tienen estructura similar por lo que se resuelven mediante este mtodo a pesar de no ser problemas de distribucin. Puesto que el problema de transporte es un caso especial de un problema de programacin lineal, puede ser resuelto aplicando el mtodo simples tal y como se describi en captulos anteriores, sin embargo en este capitulo se presenta un procedimiento simplificado para resolver problemas con la estructura antes mencionada, y es conocido como mtodo de transporte. Modelo Matemtico Antes de presentar el modelo matemtico del problema de transporte, es necesario conocer la nomenclatura que se va a utilizar a lo largo de este capitulo. m = nmero de fuentes distribuidoras n = nmero de destinos receptores ai = capacidad de la fuente i bj = demanda del almacn j Cij = costo de enviar una unidad de la fuente i al destino j Xij = nmero de unidades enviadas de la fuente i al destino j Z = costo total de distribucin (transporte) La tabla de la figura 4.1 proporciona toda la informacin necesaria en un problema de transporte. Destino Costo unitario 1 2 3 n Capacidad de transporte C12 C1n a1 1 C11 C22 C2n a2 2 C21 Fuente : : : : : : Cmn am m Cm1 Cm2 Demanda b1 b2 b3 bn

Fig. 4.1 matriz con informacin de un problema de transporte.

108

El modelo matemtico correspondiente al problema de transporte es el siguiente: Encontrar los valores de Xij tales que minimicen el costo total de la distribucin de productos de la fuente i al destino j. Es decir: La formulacin general del problema de transporte sera: Min Z =
m

i=1

j=1 n

CijXij = ai

Xij
j=1 m

i=1,2,..,m son las restricciones de capacidad

Xij = bj
i=1

j = 1,2,.,n

son las restricciones de demanda

Xij

Para toda i, j restricciones de no-negatividad

Existe una condicin que se debe satisfacer y es que el problema debe estar balanceado es decir: ai
m n =

i=1

j=1

bj

ya que

Xij =
i j

ai
i

Xij =
i j

bj
j

Al hablar de balance quiere decir que la capacidad total debe ser igual a la demanda total Si el problema no esta balanceado una fuente o un destino ficticio se aade con el fin de absorber la diferencia y as convertir las desigualdades en igualdades y satisfacer la condicin de factibilidad (balance). O sea este sistema de m + n ecuaciones incluye una ecuacin dependiente debido a que
m i=1

ai = bj
j=1

Por lo tanto como se dijo al inicio un problema de transporte es un problema de programacin lineal con m + n 1 ecuaciones independientes y m, n variables. Considerando lo anterior, se tiene que una solucin bsica de dicho sistema tendr m + n 1 variables bsicas y el resto iguales a cero (no-bsicas (m-1) (n-1)). En general, la manera de resolver problemas de este tipo se puede resumir en el siguiente diagrama donde se pueden visualizar las etapas a seguir para obtener la solucin ptima. En la figura 4.2 se muestra un diagrama de flujo del algoritmo de transporte en donde se incluyeron las letras A, B, C, D, E que indican las etapas para mejor explicacin del procedimiento.

109

A: Sistema original

B: Generar una solucin bsica factible

D: Mejorar la sol. Cambiando la base

no

C: Solucin ptima?

si

E: Solucin optima Min Z

Fig. 4.2 diagrama de flujo del algoritmo de transporte

Sealando los pasos se desarrollar el procedimiento llevando el orden de la figura 4.2 A continuacin se ilustrara el procedimiento con un ejemplo. Problema 1: Se cuenta con 4 fbricas que en enviaran productos a 4 centros de consumo con los respectivos costos y capacidad y oferta de cada planta y centro de consumo respectivamente. Ver datos en la fig. 4.3 Pasos del algoritmo de transporte PASO A. Representacin del sistema original de problema de transporte y debe estar balanceado
m j=1

ai

i=1

bj Centro de consumo 2 3 6 2 X12 X13 4 0 X22 X23 20 10

1 Fabricas 1 * X11 2 X21 Demanda 40

Capacidad 3 45 5 25 70 (balanceado) 70

Fig. 4.3 datos de del problema * el nmero en esta casilla indica el costo C11 de mandar una unidad de la fabrica 1 al centro de consumo 1 que es $2.00 por unidad transportada, y as sucesivamente.

110

Paso B. Generar una solucin bsica factible Existen varios mtodos para general la solucin factible inicial estos son: B1.- Esquina noroeste B2.- Mtodo de Vogel Existen otros mtodos pero nicamente se explicaran estos dos. Estos 2 mtodos son algoritmos heursticos, el primer mtodo es rpido pero no garantiza una buena solucin inicial, el segundo mtodo se lleva ms tiempo en los clculos porque analiza los costos y nos aproxima a una mejor solucin.

4.2 Mtodo de la Esquina Noroeste y Mtodo de aproximacin de Vogel


B1.- Mtodo de la Esquina Noroeste. Este mtodo no analiza costos, por eso es sumamente sencillo y consta de los siguientes pasos. 1.- Seleccionar la celda de la esquina superior izquierda. 2.- asignar la cantidad mxima posible (segn lo permita la capacidad disponible del rengln o la demanda de la columna) 3.- Moverse una celda a la derecha si todava existe capacidad (ai disponible). Si no moverse una celda hacia abajo si an hay demanda (bj no satisfecha). Si ninguno de los dos es posible, hacer Stop de lo contrario regresar al paso 2. Al terminar (el numero de variables finales que deben quedar en la base debe ser m+n-1) A continuacin se presenta el procedimiento con los datos del problema 1 ver figura 4.4 1 Fabricas 1 40 2 40 Demanda 15
Fig. 4.4 solucin inicial bsica factible del ejemplo 1, utilizando el mtodo de la Esquina Noroeste.

Centro de consumo 2 3 2 6 5 0 4 15 10 20 10

capacidad 3 45 5 25 10 70 (balanceado) 70 5

Nota: el nmero de variables bsicas debe ser m+n-1 = 2+3-1= 4 y estas son: X11 = 40 , X12 = 5, X22 = 15, X23 = 10 con un costo de Z = 2*40 + 6*5+4*15+5*10 = $220.00 B2.- Mtodo de Vogel Este mtodo considera un anlisis de costos mnimos, y por eso tiene ms fundamento que el anterior, puesto que est basado en la penalidad unitaria mnima en la que se incurre por dejar de hacer una asignacin en la celda de costo ms pequea en un rengln o columna dados. En general este mtodo obtiene la solucin bsica mas cercana a la solucin optima y los pasos son los siguientes: 1.- Partiendo del problema en su forma tabular aadir columna y un regln para calcular diferencias.

111

2.- Para cada columna y regln calcular las diferencias absolutas entre los dos valores menores de Cij y anotarla en el lugar correspondiente. 3.- Escoger el rengln o columna con la diferencia mayor (los empates se rompen arbitrariamente) y se asigna, en aquella columna rengln donde se localice el costo mas bajo un valor de Xij permitido segn la capacidad y demanda del problema. 4.- Despus de la asignacin se vuelve a calcular diferencias para los renglones y columnas que todava no satisfacen sus capacidades y demandas del problema. No se consideran renglones columnas donde las demandas y capacidades ya estn satisfechas. Se repite el paso 3 hasta satisfacer las demandas y capacidades del problema obteniendo as la solucin bsica inicial. Tomando los datos del problema 1 Paso 1. 1.- Partiendo del problema en su forma tabular aadir columna y un regln para calcular diferencias Destino Fabricas 1 2 3 Capa Dif. Dif cidad 1 2 6 3 45 2 0 4 5 25 Deman 40 20 10 da Dif Dif Paso 2. Para cada columna y regln calcular las diferencias absolutas entre los dos valores menores de Cij y anotarla en el lugar correspondiente. Fabricas 1 2 Deman da Dif. 40 2 1 Destino 2 2 0 20 2 6 4 10 2 3 3 45 5 25 4 Capa cidad Dif. 1

3.- Escoger el rengln o columna con la diferencia mayor (los empates se rompen arbitrariamente) y se asigna, la mayor cantidad posible Xij (en este caso mnimo Cij de la columna rengln seleccionado).

112

Fbricas 1 2

1 2

2 6 0 20
2

Destino 3 3 4 10
2

Capa cidad 45 5 25

Dif. 1
Mxima diferencia

25 Deman 40 da 15
2

Paso 4.- Despus de la asignacin se vuelve a calcular diferencias para los renglones y columnas que todava no satisfacen sus capacidades y demandas del problema. No se consideran renglones columnas donde las demandas y capacidades ya estn satisfechas. Fbricas 1 25 40 15 2 2 1 2 0 Deman da Dif.1 Dif.2 20 2
6

2 6 4

3 3

Capa cidad 45 5 25

Dif. 1 1
4

Dif.2 1

10 2 3

Paso 4.- Despus de la asignacin se vuelve a calcular diferencias para los renglones y columnas que todava no satisfacen sus capacidades y demandas del problema. No se consideran renglones columnas donde las demandas y capacidades ya estn satisfechas. Fbricas 1 Deman da Dif.1 Dif.2 40 15 2 2
6

1 2

2 6 20 20 2
Max. Diferencia

3 3

Capa cidad 45 25

Dif. 1 Dif.2 1 1

10 2 3

Paso 3.- Escoger el rengln o columna con la diferencia mayor (los empates se rompen arbitrariamente) y se asigna, la mayor cantidad posible Xij (en este caso mnimo Cij de la columna rengln seleccionado).

113

Fabricas 1 Deman da Dif.1 Dif.2 Dif. 3

1 2 40 15 2 2 2

3 3 10 10 2 3
3

Capa cidad 45 25 15

Dif. 1 1

Dif. 2 1

Dif.3 1

Paso 4.- Despus de la asignacin se vuelve a calcular diferencias para los renglones y columnas que todava no satisfacen sus capacidades y demandas del problema. No se consideran renglones columnas donde las demandas y capacidades ya estn satisfechas. Fabricas 1 Deman da Dif.1 Dif.2 Dif. 3 Dif. 4 15 40 15 2 2 2
2

1 2

Capa cidad 45 25 15

Dif. 1 1

Dif. 2 1

Dif.3 1

Dif.4 2

La tabla final quedara: Destino Fabricas 1 15 2 Deman da 25 40 0 20 1 2 20 4 10 2 6 10 5 25 3 3 45 Capa cidad

Nota: el nmero de variables bsicas debe ser m+n-1 = 2+3-1= 4 y estas son: X11 = 15, X12 = 20, X13 = 10, X21 = 25 con un costo de Z = 2*15 + 6*20+3*10+25*0 = $180.00. Como se puede observar esta solucin inicial es mejor que la calculada anteriormente.

114

4.3 Mtodo MODI (distribucin modificada, tambin denominada U-V)


Este Mtodo es parte del algoritmo de transporte que se ha venido explicando y es el clculo de variables duales del modelo de transporte y corresponde a la siguiente pregunta del inciso C. C.- solucin ptima? Hacer la prueba de optimalidad su objetivo es verificar si la solucin actual es ptima. Antes de enunciar el criterio de optimizacin se deben mencionar las variables duales Ui y Vj asociadas con las fuentes y los destinos respectivamente. Cijn-b representa el costo de variable no bsica y Cijb representa el costo de variable bsica. Lo que hay que hacer es encontrar los valores Ui y Vj para la solucin actual. Dado que (Cijb - (Ui+Vj)) = 0, los valores de Ui y Vj deben satisfacer el conjunto de ecuaciones: Cijb = Ui + Vj para cada Xij de variable bsica. Puesto que hay m+n-1 variables bsicas, debe haber tambin m+n-1 ecuaciones. Sin embargo el nmero de variables Ui y Vj es m+n, por lo que se asigna un valor arbitrario a una de las variables y se resuelve el sistema de ecuaciones para encontrar el valor de los m+n-1 variables restantes. Un criterio que se recomienda es seleccionar el rengln que tenga asociada Ui asignarle un valor de cero. Enseguida se encuentra algebraicamente el resto de valores Ui y Vj. Criterio de optimalidad.- una solucin es bsica factible y ptima si satisface la condicin de optimalidad siguiente: Que los multiplicadores de la funcin objetivo de las variables no bsicas sean mayores iguales a cero es decir: Zij-Cij = Cij- (Ui+Vj) 0 si alguna de las variables no bsicas es negativa, indica que la solucin actual no es optima, por lo que hay que ir al paso iterativo D, para encontrar una mejor solucin factible. 4.4 Procedimiento de optimizacin Una vez calculas las variables U y V, se continua con el proceso de optimizacin haciendo la prueba y modificar la base si es necesario, la cual se explicara a continuacin con la siguiente pregunta. De hecho el punto 4.3 y 4.4 van juntos dentro del procedimiento. D.- mejorar la solucin cambiando la base. El paso iterativo del algoritmo de transporte consta de tres partes Identificar la variable de entrada Identificar la variable que sale Iterar para encontrar la nueva base ( solucin) Se explicara cada paso. Paso 1.- Identificar variable de entrada Con los datos de la prueba de optimalidad que se hace para las variables que no forman parte de la solucin, se toma como variable de entrada la ms negativa de estas variables y se indica con un signo en la celda, en caso de empate ste se rompe de manera arbitraria. Paso 2.- Identificar la variable que sale. Al dejar de ser cero el valor de la variable que entra se origina una reaccin en cadena de cambios en otras variables bsicas (en celdas con asignacin, sumando y restando , formando un ciclo o circuito balanceado) para poder seguir cumpliendo con las restricciones de oferta y demanda.

115

Las celdas receptoras son aquellas que reciben su asignacin adicional en alguna de las celdas donantes. Por tanto, despus de identificar la cadena, la celda donante que tenga la asignacin (con el valor negativo mas cercano a cero) ser la variable que sale (en caso de empate, ste se rompe de manera arbitraria) Parte 3.- nueva solucin factible. Se encuentra aadiendo el valor de la variable que sale a la asignacin de cada celda receptiva, y restando la misma cantidad a la asignacin de cada celda donante. Una vez hecho lo anterior se regresa al paso C. Ahora seguimos con el ejercicio y vamos a partir de la solucin bsica inicial que nos arroj el mtodo de Vogel. C.- solucin ptima? Destino Fbricas 1 2 3 Capa cidad 1 2 6 3 15 20 10 45 2 0 4 5 25 25 Deman 40 20 10 da Hacer la prueba de optimalidad conociendo los valores de Ui y Vj. Se calcula de la siguiente manera: Fbricas 1 2 3 Capa cidad 1 2 6 3 15 20 10 45 U1* = 0 2 0 4 5 25 25 U2 = -2 Deman 40 20 10 da V1 = 2 V2= 6 V3= 3 *valor arbitraro de cero Cijb = Ui + Vj de donde Ui = Cijb - Vj y Vj = Cijb Ui ejemplo sustituyendo en las frmulas. V1 = 2-0 = 2 ; V2 = 6-0 = 6 ; U2 = 0 2 = -2 Prueba de optimalidad para variables no bsicas: Zij-Cij = Cij- (Ui+Vj) Z22-C22 = 4 -(6-(-2))= 0 Z23-C23 = 5- (3-(-2)) = 0 Como se puede observar todas las variables no bsicas son 0 por la tanto la tabla actual muestra una solucin bsica factible y optima con un costo de $180.00 par distribuidor productos del centro de consumo i al destino j es decir: X11 = 15, X12 = 20, X13 = 10, X21 = 25. Como con el mtodo de Vogel se obtuvo la solucin ptima y para poder explicar en este ejercicio todo el procedimiento vamos a considerar la solucin bsica factible que nos arrojo el mtodo de la esquina Noroeste.

116

C.- solucin ptima? Si se toma la tabla de la Esquina Noroeste y partimos de la siguiente solucin bsica factible: Hacer la prueba de optimalidad conociendo los valores de Ui y Vj. Se calcula de la siguiente manera: 1 Fbricas 1 40 2 Demanda 0 40 V1=2 *valor arbitrario de cero Cijb = Ui + Vj de donde Ui = Cijb - Vj y Vj = Cijb Ui ejemplo sutituyendo en las frmulas. V1=2-0=2 ; V2=6-0=6; U2= 4-6=-2 ; V3= 5-(-2)=7, etc. Prueba de optimalidad para variables no bsicas: Zij-Cij = Cij- (Ui+Vj) Z13-C13 = 3-(0+7)= -4 Z21-C21 = 0 (-2+2)= 0 Como se puede observar hay una variable muy negativa que es la X13, por lo tanto la solucin que muestra a tabla actual no es ptima y por lo tanto se debern hacer cambios. D.- mejorar la solucin cambiando la base. Identificar la variable de entrada es la ms negativa en este caso la X13 Identificar la variable que sale (hacer la cadena recorrido) X12 Iterar para encontrar la nueva base (Presentando la nueva tabla) 1 Fbricas 1 40 2 Demanda 40 0 15+ 20 2 5- 4 10- 10 2 6 + 5 25 3 3 45 Capa cidad 0 15 20 V2=6 2 5 4 10 10 V3=7 2 6 -4 5 25 U2=-2 3 3 45 U1*=0 Capa cidad

Como se observa en la tabla se form un ciclo balanceado con - y + y donde se resta se toma el valor mayor mas cercano a cero en este caso es 5 por lo que la variable que sale de la base es X12. La nueva solucin se muestra a continuacin y nuevamente se hace la prueba de optimalidad.
117

C.- solucin ptima? Hacer la prueba de optimalidad conociendo los valores de Ui y Vj. Se calcula de la siguiente manera: 1 Fbricas 1 40 2 Demanda -4 40 V1=2 *valor arbitraro de cero Prueba de optimalidad para variables no bsicas: Zij-Cij = Cij- (Ui+Vj) Z12-C12 = 6-(0+2)=4 Z21-C21= 0 (2+2)=-4 Como se puede observar hay una variable muy negativa que es la X21, que entra a la base, por lo tanto la solucin que muestra a tabla actual no es optima y por lo tanto se debern hacer cambios. D.- mejorar la solucin cambiando la base. Identificar la variable de entrada es la ms negativa en este caso la X21 Identificar la variable que sale (hacer la cadena recorrido) sale X23 Iterar para encontrar la nueva base (Presentando la nueva tabla) 1 Fbricas 1 40- 2 Demanda + 40 0 20 20 4 5- 10 2 2 6 5+ 5 25 3 3 45 Capa cidad 0 20 20 V2=2 2 4 4 5 10 V3=3 2 6 5 5 25 U2=2 3 3 45 Capa cidad * U1=0

Como se observa en la tabla se form un ciclo balanceado con - y + y donde se resta se toma el valor mayor mas cercano a cero en este caso es 5 por lo que la variable que sale de la base es X23. La nueva solucin se muestra a continuacin y nuevamente se hace la prueba de optimalidad.

118

C.- solucin ptima? Hacer la prueba de optimalidad conociendo los valores de Ui y Vj.y se hace la prueba de Destino optimalidad.
1 Fbricas 1 35 2 Demanda 5 40 V1=2 *valor arbitrario de cero 0 20 20 V2=6 4 10 V3=3 2 2 6 10 5 25 U2=-2 3 3 45 Capa cidad * U1=0

Prueba de optimalidad para variables no bsicas: Zij-Cij = Cij- (Ui+Vj) Z12-C12 = 6-(0+6)= 0 Z23-C23= 5 (-2+3)= 0 Como se puede observar no existe ninguna variable negativa que quiera entrar a la base por lo tanto la tabla actual muestra una solucin bsica factible y optima. Es decir X11=35, X13=10, X21= 5, X22=20 con un valor de Z= $180.00, quiere decir que la fabrica 1 surtir con 35 unidades al centro de consumo 1, y 10 unidades al centro de consumo 3. La fabrica 2 surtir con 5 unidades al centro de consumo 1, y 20 unidades c Al centro de consumo 2, con un costo total mnimo para la solucin de este problema de $180.00 Nota este problema tiene dos soluciones ptimas alternativas que son la actual presentada y la que dio de manera directa el mtodo de Vogel

4.5 Definicin del problema de asignacin


METODO DE ASIGNACIN Este tipo de problemas son de programacin lineal, y el modelo matemtico se asemeja a un problema con una estructura de transporte, solo que la oferta en cada origen es de valor uno y la demanda en cada destino es tambin de valor uno. Los problemas de asignacin cuentan con mtodos especiales de solucin llamado algoritmo de asignacin y que es muy eficiente ya que si estos problemas se resuelven por le mtodo simples o transporte resultara muy ineficiente. El planteamiento de manera general de un problema de asignacin es. Min Z =
m

i=1

j=1 n

CijXij =1

Xij
j=1 m

i=1,2,..,m son las restricciones de capacidad

Xij = 1
i=1

j = 1,2,.,n

son las restricciones de demanda

Xij

Para toda i, j restricciones de no-negatividad

119

Las variables Xij slo pueden tomar el valor 0 1. Toman el valor 1 si el origen i se hace corresponder al destino j, y 0 en caso contrario. Una condicin necesaria y suficiente para que este tipo de problemas tenga solucin, es que la oferta total y la demanda total estn balanceadas, que m orgenes y n destinos sean iguales. A un problema de asignacin desbalanceado se le balancea del mismo modo que un problema de transporte. El algoritmo para resolver problemas de asignacin se le conoce como algoritmo Hngaro, debido a que fueron dos matemticos Hngaros, Knig y Egervary los que aportaron las teoras que sirven de base a este mtodo.

4.6 El Mtodo Hngaro


El mtodo Hngaro consta de los siguientes pasos: Paso 1. Dada una matriz de costos de un problema de asignacin balanceado, reste en cada columna el nmero ms pequeo correspondiente a cada columna. Se hace lo mismo por cada rengln. Paso 2.- Se examina la nueva matriz de costos seleccinese un cero en cada rengln y columna. Elimine durante el proceso de seleccin la columna y el rengln al que pertenece el cero seleccionado. Si al finalizar este paso se ha hecho una asignacin completa de ceros, es decir cada origen tiene asignado un solo destino y cada destino tiene asignado un solo origen, se ha encontrado la asignacin ptima. En caso contrario contine con el paso 3. Paso 3. Se cubren todos los ceros de la matriz con el mnimo numero de lneas posibles (el nmero de lneas necesarias es igual al nmero de asignaciones posibles) Para lograr lo anterior es necesario hacer lo siguiente. a) Trazar una lnea a todas las columnas que tengan ceros. b) Trazar una lnea a todos los renglones que tengan ceros. c) Repetir los pasos a y b hasta que no quede ningn cero sin marcar. Paso 4. De los elementos no cubiertos seleccinese el nmero menor y rstelo a cada uno de los elementos no cubiertos. Sume este nmero a cada elemento en la interseccin de dos lneas y regrese al paso 2. Ejemplo 2. Encontrar la asignacin ptima de 4 puestos a cuatro personas teniendo como informacin los costos estimados de entrenamiento segn la persona y el puesto ver figura. Puesto I II III A 80 * 100 70 Persona B 30 80 50 C 100 120 110 D 60 130 90 Fig. 4.5 datos del problema 2. IV 90 60 90 70

*Cij = costo en miles de asignar la persona i al trabajo j (entrenamiento, manejo de equipo especializado, capacitacin, etc. etc.)

120

Xij = es la variable de decisin que nos indica la asignacin de la persona i al puesto j, con respuesta cero si no se asigna y 1 cuando se asigna. La razn de que las sumatorias sean iguales a 1 es que slo puede asignarse una persona a un puesto y a que slo puede ser asignado un puesto por persona. Solucin aplicando el mtodo Hngaro. Se observa que el problema esta balanceado el numero de renglones = al nmero de columnas .En caso contrario el problema se debe balancear colocando una columna rengln artificial con costos ceros. Paso 1. Dada una matriz de costos de un problema de asignacin balanceado, reste en cada columna el nmero ms pequeo correspondiente a cada columna. Se hace lo mismo por cada rengln Construyendo ceros en cada columna. I II III IV A 50 * 20 20 30 Persona B 0 0 0 0 C 70 40 60 30 D 30 50 40 10 Y despus ceros en cada fila o rengln. I II III IV A 30 0 0 10 Persona B 0 0 0 0 C 40 10 30 0 D 20 40 30 0 Paso 2.- Se examina la nueva matriz de costos seleccinese un cero en cada rengln y columna. Elimine durante el proceso de seleccin la columna y el rengln al que pertenece el cero seleccionado. Si al finalizar este paso se ha hecho una asignacin completa de ceros, es decir cada origen tiene asignado un solo destino y cada destino tiene asignado un solo origen, se ha encontrado la asignacin ptima. En caso contrario contine con el paso 3. Una posible asignacin es: A-II B-III C-IV El puesto I no tiene asignacin y la persona de no esta asignada. Se contina al paso 3 Paso 3. Se cubren todos los ceros de la matriz con el mnimo numero de lneas posibles (el nmero de lneas necesarias es igual al nmero de asignaciones posibles) En este ejercicio son 3 lneas porque se pueden hacer 3 asignaciones Para lograr lo anterior es necesario hacer lo siguiente. a) Cubrir con una lnea todas las columnas que tengan ceros b) Cubrir con una lnea todos los renglones que tengan cero. c) Repetir los pasos a y b hasta que no quede ningn cero sin marcar.

121

I A 30 Persona B 0 C 40 D 20

II 0 0 10 40

III 0 0 30 30

IV 10 0 0 0

Paso 4. De los elementos no cubiertos seleccinese el nmero menor y rstelo a cada uno de los elementos no cubiertos. Sume este nmero a cada elemento en la interseccin de dos lneas y regrese al paso 2. El nmero menor no cubierto es 10 la nueva matriz queda. I A 30 Persona B 0 C 30 D 10 30 20 0 0 20 0 0 0 10 II 0 III 0 IV 20

Paso 2.- Una posible asignacin es: Se da prioridad a aquella columna o rengln que cuenta con un solo cero (es decir una sola asignacin). Persona D al puesto IV Persona C al puesto II Persona A al puesto III Persona B al puesto I El costo total es de $ $290,000.00 por la asignacin de 4 personas a 4 puestos de trabajo.

122

4.7 Ejercicios
1.- La compaa Azrec Silver Mine tiene dos minas de operacin en Chile y tres almacenes de distribucin localizados en diferentes partes de Sudamrica. La compaa enva el mineral por camiones. La capacidad de la mina 1 es de 500 toneladas a la semana y la de la mina 2 es de 1300 toneladas por semana. El potencial de ventas semanales de los tres almacenes es de 1200 toneladas, 500 toneladas y 700 toneladas. El costo de envo por tonelada desde cada mina a cada almacn est dado en la tabla dada. Encuentre el mejor programa de envos posible si el objetivo de la compaa es minimizar el costo de transporte. Formule el problema como un modelo de transporte y resulvalo (comience con la esquina noroeste) De la mina Al almacn Costo de envo nmero nmero (pesos por tonelada) 1 1 8 1 2 13 1 3 9 2 1 11 2 2 14 2 3 5 2. Se envan automviles en camin de tres centros de distribucin a cinco distribuidores. El costo de envo est basado en la distancia recorrida entre las fuentes y destinos. El costo es independiente de si el camin hace el recorrido con carga parcial o completa. La siguiente tabla muestra un resumen de las distancias de recorrido entre los centros de distribucin y los distribuidores y tambin las cifras mensuales de oferta y demanda calculadas en nmeros de automviles. Cada camin puede transportar un mximo de 18 vehculos, dado que el costo de transporte por milla recorrida por el camin es 10.00 USD. a) Formule el problema como un modelo de transporte. b) Encuentre la solucin ptima usando Vogel como sol. Inicial bsica. Centro de distribucin 1 2 3 Demanda 1 100 50 40 100 Distribuidores 2 3 150 70 90 200 200 60 100 150 4 140 65 150 160 5 35 80 130 140 Oferta 400 200 150

5. Una empresa que fabrica un solo producto tiene tres plantas y cuatro clientes. Las plantas respectivas podrn producir 60, 80 y 40 unidades, durante el siguiente periodo. La empresa se ha comprometido a vender 40 unidades al cliente 1, 60 unidades al cliente 2 y por lo menos 20 unidades al cliente 3. Tanto el cliente 3 como el 4 desean comprar tantas unidades como sea posible de las restantes. la utilidad neta asociada con el envo de una unidad de la planta i al cliente j esta dada en la tabla:

123

Cliente Planta 1 2 3 4 1 $800 $700 $500 $200 2 $500 $200 $100 $300 3 $600 $400 $300 $500 El gerente desea saber cuantas unidades debe vender a los clientes 3 y 4, y cuantas unidades conviene mandar de cada planta a cada cliente, para minimizar sus costos de transporte. A) formule este problema como un problema de transporte construyendo la tabla de parmetros apropiada. B) formule este problema de transporte con el objetivo usual de minimizar el costo total. C) encontrar la solucin ptima. 5. Una compaa tiene tres plantas que fabrican carriolas de beb que deben mandarse a cuatro centros de distribucin necesita recibir 10 cargas al mes, la distancia de cada planta a los respectivos centros de distribucin es la siguiente: Centros de distribucin y distancia (millas) Planta 1 2 3 4 1 800 1300 400 700 2 1100 1400 600 1000 3 600 1200 800 900 el costo del flete por embarque es de $100 USD mas $0.50/milla Cuntas cargas deben mandarse desde cada planta a cada centro minimizar el costo total de transporte? Ejercicio 6. Determinar la solucin ptima del siguiente problema: Destino Origen 1 2 3 4 1 8 6 3 7 2 5 12 8 4 3 6 3 9 6 demanda 25 25 20 10 de distribucin para

5 5 7 8 20

Recursos 20 30 30

Ejercicio 7. Considere el siguiente problema de asignar 5 operadores a 5 mquinas. Los costos de asignacin son: Mquinas 1 1 2 3 4 5 2 5 5 2 6 Operador 3 7 4 2 3 4 4 9 3 5 3 5 7 2 6 7 2 6 5 7 9 1 El operador 1 no puede operar la mquina 3; el operador 3 no puede operar la mquina 4

124

Bibliografa. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. An-Min Chung Linear Programming Edit. Merrill Bazaraa, M.-Jarvis, J. "Programacin lineal y flujo en redes". Ed. Limusa. . Chang, Y.-Sullivan, R. "QSB+. Quantitative Systems for Business Aplications Plus". Prentice Hall. Fernndez Lechon, R.-Castrodeza Chamorro, C. (1989) "Programacin lineal". Ariel. Garcia, J.-Fernandez, L.-Tejera, P. "Tcnicas de Investigacin Operativa". Ed. Paraninfo. Gass, S.I. "Programacin lineal". CECSA. Hillier, F.-Lieberman, G. "Introduccin a la investigacin de operaciones". Mcgraw-Hill. Infante Macias, R. "Mtodos de Programacin matemtica". UNED. Kaufmann A. Mtodos y Modelos dela Investigacin de Operaciones. Edit. CECSA Luenberger, D.E. "Programacin lineal y no lineal". Addison-Wesley Iberoamericana. Martn, Q. "Investigacin Operativa". Prentice Hall. Meredith. Administracin de operciones edit. Limusa Wiley Miguel A. Crdenas La ingeniera de Sistemas . Ed. Limusa Mora, J.L. "Investigacin de operaciones e informtica". Ed. Trillas. Prawda Witemberg, J. "Mtodos y modelos de investigacin de operaciones". Vol I Limusa. Ravindran, A.-Phillips, D.-Solberg, J. (1987) "Operations research. Principles and Practice". Willey. Rios Insua, S. "Investigacin Operativa. Optimizacin". Ed. Centro de Estudios Ramn Areces. Sasini Yaspan. Investigacin de operaciones editorial Limusa Wiley Shamblin, J.E.-Stevens, G.T. "Investigacin de operaciones: un enfoque fundamental". McgrawHill. Simonnard, M. "Programacin lineal". Paraninfo. Taha, H. "Investigacin de operaciones". Alfaomega. Thierauf, R.J. "Introducin a la investigacin de operaciones". Ed. Limusa.. Wayne L. Winston Investigacin de Operaciones Aplicaciones y algoritmos Editorial Iberoamerica

125

Captulo 5

Programacin Entera
Objetivo. Conocer la importancia del los mtodos que existen en la programacin lineal para resultados enteros y binarios as como aplicar estos algoritmos que conduzcan a la toma de decisiones con resultados de enteros.

Contenido: 5.1 Introduccin y casos de aplicacin 5.2 Definicin y modelos de programacin entera 5.3 Mtodo de ramificar y acotar (Branch and Bound) 5.4 Mtodo de planos cortantes 5.5 Algoritmo aditivo de Balas 5.6 Ejercicios
Bibliografa

126

PROGRAMACIN ENTERA 5.1 Introduccin y casos de aplicacin


Es frecuente al tener que resolver problemas en los cuales las soluciones tienen que ser valores enteros como por ejemplo: nmeros de unidades a producir por mquina, nmero de mquinas necesarias, etc. Casos de la programacin entera (binaria) Esto sucede cuando en el modelo lineal ponemos condiciones, entonces se deber definir una nueva variable con resultados 0,1 Ejemplo 1. Modelo de costo fijo. En muchas de las aplicaciones, el costo de produccin tiene dos componentes: un costo de puesta en marcha, que es un cargo fijo que no esta relacionado con el volumen de produccin, y un costo variable, o utilidad, que esta relacionado directamente con dicho volumen. El uso de la variable 0-1 hace posible la inclusin del costo de puesta en marcha fijo en la mezcla de productos o en el problema de programacin de produccin. Ver el siguiente ejemplo. Un producto tiene una utilidad de $120/unidad. Sin embargo se cuenta con un costo de mantenimiento de la maquina de $2450.00 por tanda de produccin. Este costo seria cero si no se produce ninguna unidad. Representacin de la situacin: Max Z= 120X 2450Y Y1 X MY X0; Y=0,1 Sea X el nmero de unidades producidas en donde Z es > 0 si X > 0, y Z = 0 si X = 0 Sea Y valor de una nueva variable que toma los valores 0 1 Cuando Y = 0, la segunda restriccin obliga a que X sea 0 y Z sea tambin 0; cuando Y = 1, no existe lmite practico sobre X; adems el costo del cargo fijo $2450.00 se deduce de la utilidad .Por lo tanto, el uso de cero/uno o de la variable binaria con enteros Y permite formular este tipo de problemas con restricciones lineales. Ejemplo 2. Presupuesto de capital. Gran parte de la flexibilidad de modelos obtenida mediante la programacin lineal de enteros se debe al uso de las variables 0-1. En muchas aplicaciones, las variables 0-1 aportan selecciones o elecciones con el valor de la variable igual a uno si una actividad correspondiente se efecta e igual a cero si la actividad correspondiente no se efecta. Ver el siguiente ejemplo. Una compaa constructora esta pensando en invertir en varios proyectos que tienen necesidades de capital a lo largo de los siguientes tres aos. Los datos de entrada esperados de cada proyecto y los gastos anuales (en millones de pesos) se encuentran en la siguiente tabla.
Proyecto Ao 1 Ao 2 Ao 3 Rendimiento

A B C
Fondos disponibles

15 10 15 30

10 15 10 50

10 20 10 30

60 40 35

El modelo de programacin lineal de enteros 0-1, en millones de pesos esta representado de la siguiente manera:

127

X1 = 1 si se acepta efectuar el proyecto A y 0 si no se acepta X2 = 1 si se acepta efectuar el proyecto B y 0 si no se acepta X3 = 1 si se acepta efectuar el proyecto C y 0 si no se acepta La funcin objetivo de la empresa es maximizar el valor del rendimiento en todos los proyectos aceptados. El problema tiene 3 restricciones ya que esta sujeto a fondos disponibles para realizar los proyectos por ao. Mx Z = 60 X1 + 40X2 + 35 X3 Sujeto a 15X1 + 10X2 + 15X3 30 10X1 + 15X2 + 10X3 50 10X1 + 20X2 + 10X3 30 X1, X2, X3 = 0,1 La solucin para este problema usando el QSB determina lo siguiente: X1 = 1; X2 = 1; X3 =0 y Z = 100. Esto quiere decir que se aceptan los proyecto A, y B, pero no el C con un valor mximo de Z = 100 Ejemplo 3. Restriccin tipo Y/O. Algunas veces en una situacin de toma de decisiones, debe mantenerse una u otra de las restricciones, pero no ambas. Ver el siguiente ejemplo. 2X1 + 3X2 5 4X1 +2X2 7 Pero no ambas Se identifica una nueve variable llamada Y cero/uno de tal manera que quedara la restriccin 2X1 + 3X2 5 + MY 4X1 +2X2 7 + M (1-Y) Cuando Y = 0, la primera restriccin es obligatoria; pero el lado derecho de la segunda se vuelve muy grande y por lo tanto no es obligatoria. Al contrario, cuando Y = 1, la segunda restriccin obliga, pero la primera no, porque MY es muy grande. Ejemplo 4. Ubicacin de una planta. Algunas empresas se pregunta donde localizar su prxima empresa, y haciendo uso de la programacin con enteros podemos solucionar este tipo de problemas. Ver el siguiente ejemplo. El servicio de estudios de una empresa pretende construir nuevas fbricas en las ciudades A y B. Desea adems, construir un nuevo almacn, pero ste debe hacerse en una de las ciudades donde se construya una fbrica. La tabla siguiente muestras los datos de valor actual neto, el costo de la inversin, en millones de pesos. El problema se representa de la siguiente manera. Tabla de datos Construccin Valor actual neto Costo de inversin Fabrica en A 12 9 Fabrica en B 8 6 Almacn en A 9 8 Almacn en B 7 5 El presupuesto es de 13 millones de pesos La formulacin del problema usando programacin entera. X1 = 1 si se construye la fabrica en la ciudad A y 0 si no se construye X2 = 1 si se construye la fabrica en la ciudad B y 0 si no se construye X3 = 1 si se construye el almacn en la fbrica A y 0 si no se construye X4 = 1 si se construye el almacn en la fbrica B y 0 si no se construye

128

Max Z = 12 X1 + 8X2 + 9X3 + 7X4 (maximizar el mximo valor neto) Sujeto a 9X1 +6X2 +8X3 +5X4 13 (presupuesto de inversin) X3 +X4 1 (construccin de a lo sumo un almacn) X3 X1 (solo se puede construir un almacn en A (B) si se construye una fabrica en A (B)) X4 X2 (idem) X1=X2 = X3 = X4 = 0, 1 La solucin para este problema usando el QSB determina lo siguiente: X1 = 0, X2 = 1, X3 = 0, X4 = 1, con un valor de Z = 15. Esto quiere decir que se va a construir la fbrica en la ciudad B y el almacn en la fbrica B.

5.2 Definicin y modelos de programacin entera


Parte del problema de la programacin entera radica en la diferencia esencial que existe la programacin lineal y la entera, en la programacin lineal se maximiza o minimiza una funcin sobre una regin de factibilidad convexa, mientras que al usar los mtodos de programacin entera se maximiza una funcin sobre una regin de factibilidad que generalmente no es convexa. De tal manera que la programacin entera tiene ms complicaciones que la programacin lineal. Este tipo de problemas se pueden resolver mediante el uso de algoritmos especiales A continuacin se presentaran los tres problemas con estructura entera. Problema Entero (PE) Opt Z = cX AX b X 0, entero Problema entero-mixto (PEM) Opt Z = AX + cX + dY BY b < X 0, Y 0, entero

Problemas entero-cero-uno (PECU) o problema binario (PB) Opt Z = cX + AX b < X = 0, 1

5.3 Mtodo de BRANCH AND BOUND (ramificar y acotar)


Este mtodo algoritmo se desarroll con el con el objeto de resolver el problema del agente viajero. El problema consiste en encontrar la ruta que debe de seguir el agente en tal forma que minimice el costo del viaje despus de visitar n ciudades volviendo al punto de partida sin pasar dos veces por la misma ciudad.

129

Supongamos que se tiene 4 ciudades con los correspondientes costos de viaje entre ciudades.
1 2 3 4 1 * 7 11 6 2 10 10 12 3 12 4 8 4 18 10 8

*costo infinito ya que no tiene sentido ir de la ciudad i a la ciudad i

El problema se reduce a realizar una asignacin entre ciudades obteniendo as la ruta deseada. Un ejemplo sera el indicado en la matriz de costos: De 1 2 3 4 A 2 3 4 1
1 2

4 Costo 23 unidades

Este problema no es un caso de asignacin comn y corriente ya que es posible que al aplicar el algoritmo de asignacin lineal se genere una solucin que no cumple con el requisito de un viaje completo, como sera el caso siguiente: 1 2 3 4 1 * 4 6 5 2 3 8 4 3 8 5 1 4 7 6 2

De 1 a 2 y de 2 a 1; de 4 a 3 y de 3 a 4 El algoritmo de Branch and Bound ayuda en la solucin de este tipo de problemas al examinar el conjunto de soluciones factibles en busca de la solucin optima. Este algoritmo se basa en subdividir el conjunto de posibles soluciones en subconjuntos mutuamente exclusivos: Ver fig. 5.1

Todos los viajes i,j i.j m,n m,nl


K,l K,l

Fig.4.1modelo general ramificar y acotar

130

El nodo i, j indica los viajes que incluyen ir de la ciudad i, a la ciudad j, en cambio el nodo i, j indica los viajes que no incluyen ir de la ciudad i a la ciudad j. Los dems nodos se pueden interpretar de manera similar. Para cada rama (nodo) se obtiene el lmite inferior el cual sirve como base para el algoritmo al indicar cual es el conjunto de posibles viajes con mejores posibilidades. Este conjunto se divide en nuevos subconjuntos calculando sus lmites inferiores y en cada nueva subdivisin seleccionamos como origen el nodo con mejores posibilidades hasta obtener la solucin ptima. A partir del siguiente problema ilustraremos el algoritmo ver datos en la fig. 5.2 Paso I. Es necesario generar un cero en cada rengln y columna registrando el total de unidades en que se redujo la matriz ver fig. 5.3
1 2 3 4 1 5 8 6 2 4 10 5 3 9 6 2 4 8 7 4 1 2 3 4 1 0 4 4 2 0 6 3 3 5 1 0 4 4 2 0 reduccin (4) (5) (4) (2) Total =15

Fig.5.2 datos del problema original

Fig.5.3 primer calculo de reduccin

Paso II. Se calculan los costos de excluir algn par de ciudades. O sea cual es el costo en el que se incurrir al no seleccionar ese par de ciudades en la ruta. Esto se hace para los ceros ya generados (los pares de ciudades de costo menor). Por ejemplo: si de 1 nos vemos a 2 (excluir 1 2 de la ruta) lo menos que nos costar esta decisin es: de 1 ir a 4 cuyo costo es el menor (4) y llegar a 2 de 4 (3) en total 7 unidades, este es el costo de exclusin para (1,2) En general el mnimo costo de excluir un par de ciudades se calcula de la siguiente forma: Para el par (i, j), el costo de exclusin es la suma del elemento menor de la columna j y del elemento menor del rengln i. (se excluye la celda i, j) Aplicando la anterior se tendr la siguiente tabla:
1 2 3 4 1 0 4 4 2 *0 6 3
7

3 5 1 0 4

4 4 2 06

*costo de exclusin

Paso III Se selecciona el par de ciudades con costos de exclusin mayor (para minimizar el costo del viaje) Se cancelan el rengln i y la columna j y se cambia el costo de ir de j i ya que es imposible realizar eses viaje puesto que se volvera al punto de partida lo cual no es factible por lo que el costo de j i ser infinito para asegurar que no se seleccionar ese par como parte de la ruta.

131

LI =15 Todos los viajes 1,2 LI=22 1,2 +5 LI=20

Los lmites inferiores de (1,2) y de (1,2) son: El lmite inferior de (1,2) es de 15+7 ya que al no incluir (1,2) lo menos que nos costar ser 7 unidades ms. El lmite inferior de (1,2) es de 15 ms las unidades que sean necesarias para que la matriz que incluye el par (1,2) tenga ceros en sus columnas y renglones.
1 2 1 ~ * 4 4 2

~ 1 0

~ 2 0

*de 2 a 1 no es factible. Como el segundo rengln y la primer columna no tiene ningn cero es necesario reducir la matriz
1 1 2 3 4 * 0 0 (4) 2 3 0 0 4 1 0 reduccin (1) Total=5

Por lo tanto el lmite inferior para (1,2) es: LI = 15 + 5 = 20 Paso IV. Se investiga el subconjunto (rama) que tenga el lmite inferior menor. En este caso ser el conjunto de viajes que incluyen el par (1,2) = LI =20 Paso V. Los costos de exclusin considerando como parte de la ruta a (1,2) se calculan de la matriz en la que marcamos ese par (se elimin)
1 1 2 3 4 * 00 00 2 3 01 0 4 1 01

El par con costo de exclusin mayor es: (2,3) y (3,4) con un costo de una unidad. Seleccionando el par (2,3), (arbitrariamente) se tiene:

132

Todos los viajes 1,2 LI=22 aan 2,3 LI=21

15

20 1,2 2,3 LI=20

El lmite inferior de (2,3) es 21 debido a que al no incluir el par (2,3) el costo ser aumentado en una unidad. El lmite inferior de (2,3) depender de si al eliminar el segundo rengln y la tercer columna, no es necesario reducir la matriz para tener ceros en columnas y renglones.
1 1 2 3 4 00 0 2 3 4 0

Reduccin = cero El lmite inferior de (2,3) ser: LI= 20+0=20 Paso VI. De las ramas la que tiene el lmite inferior es la rama que incluye a (2,3), LI= 20 El par con costo de exclusin mayor ser: (3,4) y (4,1) con un costo infinito. ( de la matriz V) se tiene.
Todos los viajes

15

1,2 LI=22 aan LI=21 2,3

20 1,2 2,3 LI=20 LI=2 3,4 3,4 LI=20

El lmite inferior de (3,4) es infinito debido a que el costo de excluir (3,4) es infinito. El lmite inferior de (3,4) es:
1 1 2 3 4 2 3 4

Reduccin = cero De donde: LI=20+0 =20

133

VII. El l {imite inferior es el de la rama que incluye a (3,4) y la nica seleccin posible es el par (4,1), por lo tanto se tiene que ver grafica: 15

Todos los viajes

1,2 LI=22 aan LI=21 2,3

20 1,2 2,3 LI=20 LI=2 3,4 4,1 LI= 3,4 LI=20 4,1 LI=20

El lmite inferior de (4,1) es 20, ya que con la seleccin ya no es necesario seguir analizando la matriz porque esta rama representa una ruta completa. Paso VIII. La rama con lmite inferior menor es la que incluye a (4,1) y como representa una ruta completa por lo tanto ser solucin ptima. El costo del viaje es de 20 unidades. Ir de 4 a 1 de 4 a 3, de 1 a 2 y de 2 a 3 Si solucionamos el problema por enumeracin se tendrn las siguientes rutas: ruta costo 12341 20* 12431 21 13241 33 13421 23 14231 27 14321 25 *costo optimo Se puede ver que el ptimo coincide con el encontrado. La razn por la cual en el anlisis original no se desarroll la rama (2,3) fue porque su limite inferior era de 21 unidades y el de (2,3) era de 20 unidades, y esto significa que lo mejor que se puede obtener desarrollando esa rama es una ruta con un costo de 21 unidades, en cambio si se desarrolla la de (2,3) lo mejor que se puede obtener es una ruta con un costo de 20 unidades.

134

A continuacin se presentar el algoritmo de Branch and Bound aplicado a un problema de asignacin y a uno de programacin entera.
I. II. III. Algoritmo de Branch and Bound para el problema de asignacin lineal (Caso Minimizar) Establecer como lmite superior inicial de la funcin objetivo (LS0 = ) Encontrar el lmite inferior inicial de la funcin objetivo al examinar la matriz de costos del problema: seleccionar de cada columna el costo menor y sumar los costos seleccionados. (LI= mnimo posible, no necesariamente factible). Partir del origen o conjunto que representa todas las soluciones y descomponerlo en varios subconjuntos (ramas), al asignar el primer trabajo a diferentes trabajadores.

origen

A-1..

C-1... X-1

Cada asignacin posible representa un nodo en el diagrama

IV.

Determinar el lmite inferior de cada rama o subconjunto o sea el mnimo valor posible (no necesariamente factible), para lo cual se elimina de la matriz de costos la columna del trabajo asignado y el rengln del trabajador asignado y se repite lo explicado en el paso dos, obteniendo el costo mnimo posible con respecto a las columnas no asignadas; la suma de este costo y el de asignacin hecha hasta el momento nos darn el lmite inferior de la rama analizada. Cuando uno de los lmites calculados represente una solucin factible se marcar con una F. V. Determinar el nuevo lmite superior, para esto es necesario examinar los lmites inferiores de las soluciones factibles, seleccionando el menor de ellos como nuevo lmite superior. LS= Min {LI(factible)} VI. Omitir de posterior investigacin aquellas ramas cuyo lmite inferior sea mayor que el nuevo lmite superior Si al terminar este paso no queda ninguna rama excepto la rama que nos indica el lmite superior, entonces sta ser la solucin ptima. De lo contrario pasar al paso VII porque an no se obtiene el ptimo. VII. Iniciar la siguiente descomposicin en el nodo con menor lmite inferior. Esto se logra asignando el siguiente trabajo a cada uno de los trabajadores disponibles (sin trabajo asignado). Se ilustrar el algoritmo a travs del siguiente ejemplo: se quiere asignar de manera ptima 4 trabajadores a 4 tareas los costos de adaptacin y preparacin se indican a continuacin:

135

A trabajadores B C D Paso I. LS0 = Paso II. LI= 5+6+4+3=18 Paso III. (asignar el trabajo 1)

Tareas 1 2 3 5 6 4 10 7 8 5 6 4 5 7 4

4 8 9 3 6

origen

A-1 B-1

C-1 X-1

Paso IV. Lmites inferiores: 1 5 7 6 7 LI=18 8 4 4 9 3 6 B 1 6 10 6 7 LI=23 4 4 3 6 C 5 7 LI=21 4 6 D 5 LI=18 4 8 1 6 7 4 8 8 9 1 6 7 6 4 8 4 8 9 3

Paso V. Nuevo lmite superior LS=23 Paso VI. No podemos eliminar ninguna rama. Paso VII. Iniciar siguiente ciclo comenzando en A-1 B-2 18 A1 B-1 23(F) C-1 21 D-1 18 D-2 C-2

136

Paso IV.

A B

1 5

2 A 7 6 7 4 4 3 6 C

1 5 5

2 8 6 1 4 9 6 A 1 D

1 5 7

2 8 4 9 3

LI=5+7+(4+3) LI=19(F)

LI= 5+6+(4+6) LI=21

LI= 5+7+(4+3) LI=19

Paso V. Nuevo lmite superior LS= Mn LI (F)=19 Paso VI. Eliminar las ramas que no se considerarn
B-2 A-1 B-1 23(F) C-1 D-1 18 21 C-2 D-2 19F 21 19

Paso VII. Iniciar el siguiente ciclo en D-1 (o sea asignar trabajo 2)


B-2 A-1 B-1 X D-1 18 C-1 X A-2 D-2 C-2 C-2 D-2 19F X 19

Paso IV.

1 A D 5

2 6 B 8 4 9 3 D

2 4 7 8 3 C D

2 4 8 6 8 9

5 LI= 5+6+(4+8) LI=23

LI=5+6+(4+3) LI=18

LI= 5+7+(4+3) LI=19(F)

137

Paso V. Nuevo lmite superior


B-2 A-1 B-1 X C-1 X A-2 D-2 C-2 23 X C-2 D-2 19F X 19

D-1

18

18 19(F)

Paso VI. Se elimina D-1, C-2 Paso VII. Iniciar siguiente ciclo en D-1, A-2 (asignar trabajo 3)
B-3 D-1 18 A-2 C-3

Paso IV. 1 A B D 5 LI=22(F) 2 6 3 A 8 3 C D 5 1 2 6 3 9 4 LI= 24(F)

Paso V. Nuevo lmite superior


B-2 A-1 B-1 X C-1 X A-2 18 C-2 D-2 B-3 C-3 24 X D-2 C-2 23 X 19(F) 19F X 19 X 22

D-1

18

138

Paso VI. Se eliminarn D-1, A-2, B-3 y D-1.A-2, C-3 Paso VII. Iniciar siguiente ciclo en A-1, DA-1 D-2 19 B-3

C-3

Paso IV.
A B C D

1 5

3 9 4 A B C D

1 5

3 8 3

7 LI=25 (F)

7 LI= 23 (F)

Paso V. Nuevo lmite superior


B-2 A-1 B-1 C-1 D-1 A-2 18 D-2 19(F) C-2 23 X X X B-3 C-3 C-2 19F X 23 F X

D-2 19 25F X 22 X 24 X

Paso VI. Se eliminan B-3 y C-3 Paso VII. Como las dos ramas faltantes son factibles e iguales al lmite superior concluimos que tenemos la solucin ptima y que es mltiple.
A B C D 1 5 2 7 3 4 Costo = 19 Solucin 1 3 4 A B C D 1 2 7 3 5 Costo =19 Solucin 2 3 4 4

Nota: Si se trata de un problema de maximizacin todo sera igual excepto que se buscara los valores mayores y los lmites seran: lmite inferior en cada ciclo y lmite superior en cada rama.

139

I.

Mtodo de Ramificar y acotar tambin llamado ALGORITMO DE BRANCH AND BOUND para problemas de Programacin Entera. Se encuentra la solucin ptima del problema original sin tomar en cuenta que las variables tiene que ser enteras. Si los valores de las variables restringidas a ser enteras resultan enteros el problema se termina. En caso contrario se toma como lmite superior la solucin obtenida. Y se va haciendo un diagrama arbolar para llevar un seguimiento de las ramas, analizando el problema por nivel. Se introduce al sistema original la restriccin de que una variable (de las que tienen que ser enteras) estar definida en un rango determinado dependiendo del valor obtenido para esa variable en el paso I. Estableciendo un particin en el rango tomando como base el valor obtenido en la solucin anterior. En este caso para valores de X1, ..Xn. por lo que un conjunto ser valores mayores, partiendo del entero ms cercano y el otro conjunto ser de valores menores que, partiendo del entero ms cercano. Se resuelve por dual simplex Se obtiene la solucin de ambos problemas aplicando el mtodo simplex ya que cada rama representa un nuevo problema pues se adiciona una restriccin diferente. Si en la solucin obtenida el valor de X1 es entero se incorpora la restriccin de otra variable (digamos X2) de manera similar a lo hecho en II y se repite el paso III hasta obtener una solucin entera cuyo lmite superior sea mayor (en cada nodo el lmite superior es el valor de la funcin objetivo). En caso que no se obtenga una solucin entera de X1 se siguen restringiendo los valores posibles de X1 cada vez en base a la ltima solucin obtenida. Cuando el sistema se vuelva inconsistente, es decir que una de las restricciones sea imposible, el nodo correspondiente representa un absolucin no factible y su LS tendr que ser inconsistente sin solucin.

II.

III. IV.

V.

Ejercicio para ilustrar el procedimiento: +2X2 Max Z = X1 +X2 9 2X1 +4X2 12 X1 X1, X2 0 y enteros Paso I Se encuentra la solucin ptima del problema original sin tomar en cuenta que las variables tienen que ser enteras. En este caso se usa el Mtodo Simplex ver la tabla 5.1 siguiente Base Z X1 X2 X1 0 1 0 X2 0 0 1 S1 2/7 4/7 -1/7 S2 3/7 -1/7 2/7 Sol. (54)/7 7.71 (24)/7 3.42 (15)/7 2.14

Tabla 5.1 solucin no entera usando el Mtodo Simplex

Como se puede observar en la tabla 1 simplex la solucin X1 y X2 no es entera. Sol Z= 7.71, X1=3.42, X2 = 2.14
140

Paso II y III Restringir a valores enteros el valor de X1 (puede tomarse cualquiera de las dos pero para seguir un orden se inicia con X1 ver grafica 5.4 de niveles X 1 3
Z= 7.5 X1=3 ; X2=2.25 Tabla 2 Z= 7.71 X1=3.42 X2 = 2.14 Tabla 1

X 1 4
Z= 6 X1= 4; X2= 1 Sol. Entera Tabla 3

Nivel 1

X2 2
Z= 7 X1=3 ; X2=2 Tabla 4

X23
Z= 6 X1= 0; X2=3 Tabla 5

Nivel 2 Nivel 3

Grafica 5.4 Diagrama arbolar de niveles

Se inserta la restriccin X1 3; X3 + S3 = 3 en la tabla 1 Base Z X1 X2 S3 X1 0 1(-1) 0 1+ X2 0 0 1 0 S1 2/7 4/7 -1/7 0 S2 3/7 -1/7 2/7 0 S3 0 0 0 1 Sol. (54)/7 (24)/7 (15)/7 3

Observe que el rengln correspondiente a la nueva restriccin no forma vector unitario con respecto a la variable bsica X1, por lo que hay que hacer el vector de la columna X1 unitario, arreglando la tabla quedara. Base Z X1 X2 S3 X1 0 1 0 0 X2 0 0 1 0 S1 2/7 4/7 -1/7 -4/7 S2 3/7 -1/7 2/7 1/7 S3 0 0 0 1 Sol. (54)/7 (24)/7 (15)/7 -3/7

Aplicando el dual simplex para encontrar la nueva solucin: Sale S3 y entra S1 iterando por Dual- Simplex se tiene como resultado la tabla 5.2 Base Z X1 X2 S1 X1 0 1 0 0 X2 0 0 1 0 S1 0 0 0 1 S2 4/7 0 1/4 -1/4 S3 1/2 1 -1/4 -7/4 Sol. (105)/14 3 (63)/(28) 3/4

Tabla 5.2 Solucin ptima no entera

Como se observa en la tabla anterior la solucin no es entera por lo que se analiza el otro valor de X1 para terminar el nivel 2. Esto es se adiciona la restriccin X1 4 a la tabla 1. X1 -4, -X1 + S3 = -4, insertada a restriccin a la tabla y haciendo arreglos bsicos se tiene:

141

Base Z X1 X2 S3

X1 0 1 0 0

X2 0 0 1 0

S1 2/7 4/7 -1/7 4/7

S2 3/7 -1/7 2/7 -1/7

S3 0 0 0 1

Sol. (54)/7 (24)/7 (15)/7 -4/7

Iterando por Dual Simplex se obtiene la tabla siguiente Base Z X1 X2 S2 X1 0 1 0 0 X2 0 0 1 0 S1 2 0 1 -4 S2 0 0 0 1 S3 3 -1 2 -7 Sol. 42/7 4 1 4

Tabla 5.3 Solucin ptima entera pero con valor de Z= 6, menor para el nivel 2

Segn el resultado de la tabla 5.3 la solucin es ptima y entera pero si vemos en el diagrama arbolar de la grafica 5.4 se trata del nivel 2 y Z = 7.5 tiene un valor mayor en la tabla 2 cuya solucin no es entera y debido a esta situacin se busca el entero para ese lado de la rama, continuando el anlisis del problema pasando al nivel 2 abriendo cortes para el valores de X2 2 y X2 3. Se continua haciendo iteraciones como se explicaron los pasos del nivel 2. En el desarrollo del problema se encontraron 3 soluciones enteras y se toma como la ptima aquella con un valor de Z mayor para este caso de maximizacin por lo tanto la solucin bsica, factible ptima y entera es, Z= 7 X1=3; X2=2, como se puede observar en la tabla 5.4, y esta se localiza en el nivel 3 de la grafica 5.4. En caso de tratarse de un problema de minimizacin se toma el valor mnimo de Z. Base Z X1 X2 S1 S2 X1 0 1 0 0 0 X2 0 0 1 0 0 S1 0 0 0 1 0 S2 0 0 0 0 1 S3 15/14 1 0 -2 -1 S4 16/7 0 1 -1 -4 Sol. 7 3 2 1 1

Tabla 5. 4 Solucin final ptima entera con valor de Z= 7

5.4 ALGORITMO DE PLANOS DE CORTES DE GOMORY Este mtodo fue de los primeros que abrieron brecha en la programacin entera. La ventaja del mtodo es que ilustran de manera sencilla lo que se pretende hacer con la regin de factibilidad del problema entero para lograr su solucin. La desventaja es que resulta ineficiente para resolver problemas enteros de tamao mediano. Utiliza como punto de partida la solucin ptima del problema sin incluir las restricciones de que ciertas o todas las variables deben ser enteras, y por medio de cortes al espacio de soluciones se va reduciendo dicho espacio hasta encontrar la solucin ptima del problema que cumpla con las restricciones de las variables enteras.

142

Modelo general Opt Z = cX AX= b X 0, entero Pasos del algoritmo I. Encontrar la solucin del problema original por algn Mtodo conocido; si la solucin es entera quiere decir que se ha encontrado la solucin ptima. En caso contrario pasar al paso II II. Seleccinese el mximo (XBi [XBi]) fraccionario. III. Generar el corte o nueva restriccin del problema. (aij - [aij])Xj (XBi [XBi]), Adase este corte como un restriccin adicional. Para facilitar las operaciones de la tabla Simplex, se recomienda cambiar el sentido de la desigualdad y adicionar la variable de holgura correspondiente. IV. Debido a que al agregar la ecuacin anterior se tiene solucin bsica ptima no factible es necesario hacerla factible usando el Mtodo dual Simplex y ver si es ptima entera en caso contrario vyase al paso II. Ejemplo. resolver el siguiente problema lineal encontrando la solucin bsica factible entera y ptima. Max Z = X1+ 2X2 sujeto a 2X1 7 2X2 7 X1 + X2 5 X1, X2 0 y enteros Paso I. Encontrar la solucin del problema original por algn Mtodo conocido. Resolviendo por simplex se puede ver en la tabla 5.5 la solucin no entera al problema Base Z S1 X2 X1 X1 0 0 0 1 X2 0 0 1 0 S1 0 1 0 0 S2 1/2 1 -1/2 S3 1 -2 0 1 Sol. 17/2 4 7/2 3/2

Tabla 5.5. Simplex ptima no entera

Como se puede observar en la tabla la solucin es bsica factible ptima pero no entera. X1= 3/2; X2 = 7/2; S1 = 4 con Z = 17/2 Paso II. Seleccinese el mximo (XBi [XBi]) fraccionario 7/2 = 3(1/2) 3/2 = 1(1/2) Se selecciona cualquiera de las dos fracciones ya que hay empate. Para este problema seleccionamos la correspondiente a X2 Paso III. Generar el corte o nueva restriccin del problema. (aij - [aij])Xj (XBi [XBi]) 1/2S2 ... -1/2 S2 -1/2, cambiando a (1-1)X2 + (1/2-0)S2 (17/2- 16/2) ; igualdad -1/2S2 + S4 = - 1/2 y se adiciona al sistema, ver tabla 5.6
143

Base Z S1 X2 X1 S4

X1 0 0 0 1 0

X2 0 0 1 0 0

S1 0 1 0 0 0

S2 1/2 1 -1/2 -1/2

S3 1 -2 0 1 0

S4 0 0 0 0 1

Sol. 17/2 4 7/2 3/2 -1/2

Tabla 5.6. Aplicando dual-simplex, para encontrar factibilidad

En la tabla 5.6 debido a que al agregar la ecuacin anterior se tiene solucin bsica ptima no factible es necesario hacerla factible. Aplicando dual-simplex. Sale de la base S4 y entra S2 Base Z S1 X2 X1 S2 X1 0 0 0 1 0 X2 0 0 1 0 0 S1 0 1 0 0 0 S2 0 0 0 0 1 S3 1 -2 0 1 0 S4 -1 2 1 -1 2 Sol. 8 3 3 2 1

Tabla 5.7 Solucin Simplex ptima y entera

En la tabla 5.7 se puede observar la solucin bsica factible ptima y entera. Con valores X1=2; X2 = 3 y Z= 8 Grficamente el problema se representa con las ecuaciones 1/2X4 se puede transformar mediante la ecuacin 2X2 + S2 = 7 en donde S2 = 7-2X2; sustituyendo: (7-2X2) 7-2X2 1 de donde 2X2 6, el alumno deber hacer la grfica y explicar su contenido con el profesor.

5.5 Algoritmo Aditivo de Balas


Este mtodo sirve para resolver problemas binarios (cero-uno) por enumeracin implcita. El modelo matemtico esta representado de la siguiente manera, (como lo define Juan Prawda): ... Mn Z = cjXj Sujeto a aijXj bi , i = 1,..,m Xj = 0 1 , j = 1,..,n Supuestos para trabajar con el algoritmo: a) La funcin objetivo debe ser de maximizacin en caso contrario usar reglas de equivalencia para cambiarla. b) Se requiere que todas las cj 0, en caso contrario entonces la variable Xj se sustituye por otra Xj, donde Xj = 1-Xj. Es decir, Xj es el complemento de Xj Con estas dos suposiciones se puede garantizar la existencia de una solucin inicial que sea bsica factible y dual. Los coeficientes Cj y aij no necesitan ser nmeros enteros. Sea para j = 1,2,,n

144

Xj+ =

Xj, si Xj>0, 0 si Xj0,

X- =

0 si Xj>0 Xj si Xj0,

A un conjunto especfico de variables que describen un problema se le denominar solucin parcial, ya que de aquellas se generarn las soluciones completas del problema. Se denota a una solucin parcial cualquiera por ( j1++, j2--, j3-, j4-, j5+, j6-, j7++,, jp- ) Cuyo significado es el siguiente: Jk++ significa que Xjk ha sido seleccionada con valor uno. significa que Xjk ha sido seleccionada con valor cero. Jk- + significa que Xjk, es igual a uno, como consecuencia de la continuacin de una Jk solucin parcial previa. significa que Xjk es igual a cero, como consecuencia de la continuacin de una Jk solucin parcial previa. tambin puede significar qye Xjk, es uno, debido a que todas las posibles Jk+ continuaciones de (j1, j2, , jk--) han sido implcitamente analizadas. tambin puede significar que Xjk, es cero, debido a que todas las posibles Jkcontinuaciones de (j1, j2, , jk++) han sido implcitamente analizadas. Cuando en una solucin parcial aparece un elemento sin signo entonces este representa a cualquiera de los siguientes: jk++, jk- -, jk+, jk-. El mtodo generalizado de Balas requiere que todos los costos cj 0, las restricciones de igualdad se trabajan como igualdad, las dems restricciones deben plantearse como de la siguiente forma. aijXj bi 1 = 1,2,...,m. Se supone que existe una solucin parcial sin signos asociados. Inicialmente se hace Z* igual a a M. Pasos. Paso 1.a) Si la solucin parcial actual satisface las restricciones del problema, complete la solucin parcial asignando cero a todas las variables libres. Haga Z* igual al valor de la funcin objetivo correspondiente a la solucin parcial. Vaya al paso 5. b) Si la solucin parcial actual no satisface las restricciones del problema, haga Z igual al valor de la funcin objetivo correspondiente a la solucin parcial y vaya al paso 2. Paso 2. Para las variables libres Xj tal que a) Z + Cj < Z* y examinar las b) Aij < 0 por lo menos parta una restriccin, bi - aijkXjk < 0 relaciones aij < bi - aijkXjk
jN

Donde N es el conjunto de variables libres que satisfacen (a) y (b) y aij, si aij<0, 0, si aij0, aij, si aij>0 0, si aij0,

aij- =

aij+ =

145

Si ninguna de estas restricciones se viola, entonces no existe una continuacin factible y vaya al paso 5. De otra manera vaya al paso 3. Paso 3. a) Si todas las relaciones las relaciones se satisfacen como una estricta desigualdad, determine cul variable libre del conjunto N, al tener valor igual a uno, reduce considerablemente la infactibilidad total. Por infactibilidad total se entiende la suma, en valor absoluto de las cantidades en las cuales se viola cada restriccin. Sea esta variable la Xjp+1N. Entonces Xjp+1=1. Se ha maximizado la siguiente expresin: (bi - aijkXjk)- la nueva solucin parcial es (j1, j2, , jp, jp+1++ ,). Vaya al paso 1.
i=1 K=1 m p+1

c) Si para alguna restriccin esta se comporta como una igualdad, denote F al conjunto de variables libres de esa restriccin que tengan aij < 0. Examine la relacin Cj < Z*-Z y vaya al paso 4
jF

Paso 4. a) Si la relacin Cj < Z*-Z se satisface, entonces Xj = 1, jF es la nica continuacin factible que es posible (dada la solucin parcial actual). La siguiente solucin parcial que se debe analizar es: (j1, , jp, jp+1+,,jp+q+), en que jp+1,, jp+qF Regrese al paso 1 b) Si la relacin Cj < Z*-Z no se satisface, entonces no existe una posible continuacin de la solucin parcial. Vaya al paso 5 Paso 5 a) Dada la solucin parcial actual encuentre el elemento jk++ a la extrema derecha y elimine a todos los elementos que se encuentran a la derecha. Reemplace este elemento (el jk++) por jk-. Esta es la nueva solucin parcial. Regrese al paso 1. c) Si no existe un elemento jk++ en la solucin parcial actual, la enumeracin implcita se ha completado y la solucin que se tiene en el paso 1 (a) es ptima. Si Z* = , o M, el problema original es inconsistente y por lo tanto no tiene solucin. Ejemplo. Resolver por el mtodo aditivo de Balas el siguiente problema binario. +7X2 +10X3 +3X4 +X5 Mn Z = 5X1 +3X2 -5X3 -X4 +4X5 -2 -X1 2X1 -6X2 +3X3 +2X4 -2X5 0 -2X3 +X4 +X5 -1 X2 X 2, X 3, X4 , X5 =0 1 X 1, Se cumple con las condiciones Cj 0 para toda j, y las restricciones son , Expresando a las restricciones en la forma gi 0, i = 1,2,3 se tiene: g1 = -2 + X1 3X2 + 5X3 + X4 -4X5 0 g2 = -2X1 + 6X2 -3X3 -2X4 + 2X5 0 -X2 + 2X3 - X4 X5 0 g3 = -1 Supngase arbitrariamente una solucin (X1 = 0, X2 = 0, X3 = 0, X4 = 0, X5 = 0). Esto implica que Z* = y g1 = -2 0 g2 = 0 0 g3 = -1 0 Por lo que la infactibilidad total es de 3. Para que esta infactibilidad se reduzca es necesario aumentar al valor de ciertas variables libres a uno.
146

Con X = 1 y todas las dems igual a cero, se tiene. g1 = -1 0 g2 = -2 0 g3 = -1 0 Por lo que la infactibilidad total es de 4 , por lo que hay que reducirla. La variable X2 no tiene caso aumentarla a 1, porque perjudicara an ms a g1 y g2, que ya de hecho son violadas cuando X2 = 0. Si se hace X3 = 1 y las dems variables se mantienen en cero, se tiene g1 = 3 0 g2 = -3 0 g2 = 1 0, para una infactibilidad total de 3. Con X4 = 1 y las dems variables igual a cero se obtiene g1 = -1 0 g2 = -2 0 g3 = -2 0 Para una infactibilidad total de 5. La variable X5 no tiene caso aumentarla. Por lo tanto, lo que ms conviene es hacer X3 = 1, y se tiene la primera solucin parcial (3++). Con X3 = 1 las tres restricciones se convierten en g1 = 3 + X1 3X2 + X4 -4X5 g2 = -3 -2X1 + 6X2 -2X4 + 2X5 - X2 - X4 - X5. g3 = 1 La solucin parcial (3++), no es factible, puesto que g2 = -3 0, para eliminar la violacin de la segunda restriccin g2 es necesario analizar las posibles continuaciones de (3++). Observando a g2, se concluye que se puede corregir esta violacin analizando lo que sucede si aumenta a uno el valor de las variables libres que tengan a+2j, en este caso X2 y X5. Con X2 = 1, (3++) y el resto de las variables libres igual a cero se tiene: g1 = 0 0 g2 = 3 0 g3 = 0 0 Con X5 = 1, (3++) y el resto de las variables libres igual a cero se tiene: g1 = -1 0 g2 = -1 0 g3 = 0 0 Por lo tanto, hacer X2 = 1, despus de haber hecho X3 = 1 da una solucin parcial (3++, 2++), que es factible. El valor de Z asociada a esta solucin parcial factible es Z* = 17, cualquier continuacin de ( 3++, 2++) que quiere decir (X3 = 1, X2 =1) aumentara el valor de Z y por lo tanto se les puede eliminar. Es decir que implcitamente se eliminan las siguientes combinaciones. (X3 = 1, X2 = 1, X1 = 1, X4 = 0, X5 = 0) (X3 = 1, X2 = 1, X1 = 0, X4 = 1, X5 = 0) (X3 = 1, X2 = 1, X1 = 0, X4 = 0, X5 = 1) (X3 = 1, X2 = 1, X1 = 1, X4 = 0, X5 = 1) (X3 = 1, X2 = 1, X1 = 0, X4 = 1, X5 = 1) (X3 = 1, X2 = 1, X1 = 1, X4 = 1, X5 = 0) (X3 = 1, X2 = 1, X1 = 1, X4 = 1, X5 = 1)

147

Se analiza ahora la solucin parcial (3++, 2-) que significa (X3 = 1, X2 = 0), y que genera g1 = 3 0 g2 = -3 0 g3 = 1 0 Como esta es una solucin parcial no factible, se puede rechazar implcitamente las siguientes continuaciones de (3++, 2-). (X3 = 1, X2 = 0, X1 = 0, X4 = 0, X5 = 0) (X3 = 1, X2 = 0, X1 = 1, X4 = 0, X5 = 0) (X3 = 1, X2 = 0, X1 = 0, X4 = 1, X5 = 0) (X3 = 1, X2 = 0, X1 = 0, X4 = 0, X5 = 1) (X3 = 1, X2 = 0, X1 = 1, X4 = 1, X5 = 0) (X3 = 1, X2 = 0, X1 = 1, X4 = 0, X5 = 1) (X3 = 1, X2 = 0, X1 = 0, X4 = 1, X5 = 1) (X3 = 1, X2 = 0, X1 = 1, X4 = 1, X5 = 1) La solucin parcial que se tiene es (3++, 2-). Se analiza por lo tanto la solucin (3-), es decir X3=0 con el resto de las variables cero, lo que origina que g1 = -2 0 g2 = 0 0 g3 = -1 0 Como esta solucin no es factible se pueden eliminar implcitamente todas las soluciones que contengan X3 = 0, es decir (X3 = 0, X1 = 0, X2 = 0, X4 = 0, X5 = 0) (X3 = 0, X1 = 1, X2 = 0, X4 = 0, X5 = 0) (X3 = 0, X1 = 0, X2 = 1, X4 = 0, X5 = 0) (X3 = 0, X1 = 0, X2 = 0, X4 = 1, X5 = 0) (X3 = 0, X1 = 0, X2 = 0, X4 = 0, X5 = 1) (X3 = 0, X1 = 1, X2 = 1, X4 = 0, X5 = 1) (X3 = 0, X1 = 1, X2 = 0, X4 = 1, X5 = 0) (X3 = 0, X1 = 1, X2 = 0, X4 = 0, X5 = 1) (X3 = 0, X1 = 0, X2 = 1, X4 = 1, X5 = 0) (X3 = 0, X1 = 0, X2 = 1, X4 = 0, X5 = 1) (X3 = 0, X1 = 0, X2 = 0, X4 = 1, X5 = 1) (X3 = 0, X1 = 1, X2 = 1, X4 = 1, X5 = 0) (X3 = 0, X1 = 1, X2 = 1, X4 = 0, X5 = 1) (X3 = 0, X1 = 1, X2 = 0, X4 = 1, X5 = 1) (X3 = 0, X1 = 1, X2 = 1, X4 = 1, X5 = 1) (X3 = 0, X1 = 0, X2 = 1, X4 = 1, X5 = 1) Como ya se han eliminado implcitamente 31 soluciones, y la trigsima segunda (X3 =1, X2 = 1, X1 = 0, X4 = 0, X5 = 0) es factible y solo hay 2n ( 25 = 32 en este caso) posibles soluciones, se concluye que (X3 =1, X2 = 1, X1 = 0, X4 = 0, X5 = 0) es ptima ..

148

5.6 Ejercicios Problema 1. Considere el siguiente programa lineal de todos enteros. Max. Z = 5X1 + 8X2 Sujeto a 6X1 + 5X2 30 9X1 + 4X2 36 X1 + 2X2 10 X1, X2 0 y enteros a) Haga una grfica de las restricciones de este problema. Utilice puntos para indicar todas las soluciones de enteros factibles b) Encuentre la solucin ptima a la relajacin de programacin lineal. Redondee hacia abajo para encontrar una solucin de enteros factible. Problema 2. Resuelva el siguiente problema Max. Z = 2X1 + 3X2 Sujeto a 5X1 + 7X2 35 4X1 + 9X2 36 X1, X2 0 y enteros a) Usando el algoritmo de ramificar y acotar (Brach and Bound) b) Usando el algoritmo de Gomory c) Hacer la representacin grfica y explicar la respuesta. Problema 3. Resuelva el siguiente problema Min Z = 4X1 + 3X2 Sujeto a 4X1 + 2X2 6 2X1 + 3X2 8 X1, X2 0 y entero a) Usando el algoritmo de ramificar y acotar. b) Usando el algoritmo de Gomory c) Hacer la representacin grfica Problema 4. Utilizando el algoritmo aditivo de Balas, resuelva Min. Z = 10X1 -5X2 + 3X3 Sujeto a X1 + 2X2 - X3 2 2X1 + X2 + X3 3 X1, X2 = 0,1 Problema 5. Sea el problema Min. Z= 2X1 - 4X2 S. A. 2X1 + X2 5 -4X1 + 4X2 5 X1, X2 0 u enteros Cuya tabla ptima es: Base Z Z 1 X1 0 X2 0 X1 0 1 0 X2 0 0 1 S1 -2/5 1/3 1/3 S2 -5/6 -1/12 1/6 Sol. (-15/2) 5/4 5/2
149

a) Determinar por cualquiera de los dos mtodos siguientes : Mtodo de planos cortante ramificacin y acotamiento la solucin entera al problema b) Graficar el problema con los nuevos cortes ecuaciones encontradas. Problema 6.- Suponga que X1, X2 y X3, son variables cuyos valores son 1, si se va a abrir una planta en particular y 0 en cualquier otro caso. Escriba una restriccin lineal separada para cada una de las siguientes restricciones de palabra. ( Solamente una restriccin lineal para cada inciso ) a) Si se abre la planta 1, entonces la planta 2 no debera abrirse. b) Si se abre la planta1, entonces la planta 2 debera abrirse c) Al menos una de las tres plantas debera abrirse Problema 7.- Representar grficamente el problema y encontrar la solucin entera en forma grfica. Haciendo cortes. Max. Z=2X1 + 3X2 5X1 + 7X2 35 4X1 + 9X2 36 X1, X2 0 y enteros Problema 8. Dado el siguiente problema cuya tabla ptima esta dada en la tabla siguiente. a) Hacer dos cortes usando el mtodo de Planos cortantes (si es posible) y encontrar las ecuaciones originales de dichos cortes. Sin graficar Max. Z= X1 7X2 + 3X3 2X1 + X2 - X3 4 2 4X1 3X2 -3X1 + 2X2 +X3 3 X1, X2., X3 0 Tabla ptima pero no entera. X2 Base X1 Z 0 5..5 X4 0 2.25 X1 1 -0.75 X3 0 -0.25 X3 0 0 0 1 X4 0 1.0 0 0.0 X5 2.5 0.25 0.25 0.75 X6 3.0 1.0 0.0 1.0 SOL 14.0 7.50 0.50 4.50

150

Bibliografa. 1. Anderson, D.R.-Sweeny, D.J.-William, T.A. "Introduccin a los modelos cuantitativos para administracin". Ed. Iberoamericana. 2. An-Min Chung Linear Programming Edit. Merrill 3. Bazaraa, M.-Jarvis, J. "Programacin lineal y flujo en redes". Ed. Limusa. . 4. Chang, Y.-Sullivan, R. "QSB+. Quantitative Systems for Business Aplications Plus". Prentice Hall. 5. Fernndez Lechon, R.-Castrodeza Chamorro, C. (1989) "Programacin lineal". Ariel. 6. Garcia, J.-Fernandez, L.-Tejera, P. "Tcnicas de Investigacin Operativa". Ed. Paraninfo. 7. Gass, S.I. "Programacin lineal". CECSA. 8. Hillier, F.-Lieberman, G. "Introduccin a la investigacin de operaciones". Mcgraw-Hill. 9. Infante Macias, R. "Mtodos de Programacin matemtica". UNED. 10. Kaufmann A. Mtodos y Modelos dela Investigacin de Operaciones. Edit. CECSA 11. Luenberger, D.E. "Programacin lineal y no lineal". Addison-Wesley Iberoamericana. 12. Martn, Q. "Investigacin Operativa". Prentice Hall. 13. Meredith. Administracin de operciones edit. Limusa Wiley 14. Miguel A. Crdenas La ingeniera de Sistemas . Ed. Limusa 15. Mora, J.L. "Investigacin de operaciones e informtica". Ed. Trillas. 16. Prawda Witemberg, J. "Mtodos y modelos de investigacin de operaciones". Vol I Limusa. 17. Ravindran, A.-Phillips, D.-Solberg, J. "Operations research. Principles and Practice". Willey. 18. Rios Insua, S. "Investigacin Operativa. Optimizacin". Ed. Centro de Estudios Ramn Areces. 19. Sasini Yaspan. Investigacin de operaciones editorial Limusa Wiley 20. Shamblin, J.E.-Stevens, G.T. "Investigacin de operaciones: un enfoque fundamental". Mcgraw-Hill. 21. Simonnard, M. "Programacin lineal". Paraninfo. 22. Taha, H. "Investigacin de operaciones". Alfaomega. 23. Thierauf, R.J. "Introducin a la investigacin de operaciones". Ed. Limusa.. 24. Schrage, L. "Linear,Integer, and Quadratic Programming with LINDO". The Scientific Press, Palo Alto, California. 25. Wayne L. Winston Investigacin de Operaciones Aplicaciones y algoritmos Editorial Iberoamerica

151

ANEXO

152

REPASO DE MATEMATICAS Para entender de manera correcta los conceptos bsicos de la IO se deber recordar algunos de los conceptos matemticos por lo cual a continuacin se presenta un repaso de matemticas lineal. Conceptos: Vector: Se llama vector al conjunto ordenado de n nmeros reales X1, X2, .Xn y se escribe X = (X1, X2,,Xn)
Vector Unitario ei es aquel cuyos componentes son ceros a excepcin de la posicin i, (i=1,...,n) que es uno. Matriz.- se define como matriz a un arreglo rectangular de nmeros escritos de la siguiente forma: A11 A= A21 Am1 Tipos de matrices: Matriz cuadrada.- Es aquella matriz en donde m = n Matriz rectangular.- Es aquella matriz en donde m n Matriz identidad.- Es aquella matriz cuadrada donde: m = no. De filas n = no. De columnas Aij = 0 si i j y Aij = 1 si i = j, i=1,... , n; j=1...,n. A12 A22 Am2 ...... ...... ...... A1n A2n Amn

Ejemplo de matriz Identidad de mxn=4x4: 1 0 I= 0 0 0 0 1 0 0 1 0 1 0 0 0 0

153

Multiplicacin de matrices. El producto de la matriz A por la matriz B, escrito AB est definido nicamente en el caso en que el nmero de columnas de A sea igual al nmero de filas de B. El producto AB no es conmutativo o sea AB BA.

Matriz inversa. Si A y B son dos matrices cuadradas no-singulares de orden n por n tal que AB = BA = I, se dice que B es la inversa de A y se escribe A-1, o bien que A es la inversa de B y se escribe B-1. TEOREMA. Si AB = I y B es no singular entonces B = A-1. prueba: AB = I A-1AB = A-1I IB = A-1 B = A-1 Mtodos para calcular la inversa: 1) transformaciones u operaciones matriciales elementales 2) mtodo de matrices adjuntas 3) mtodo de particin A continuacin se explicara nicamente el primer mtodo que es el que se usa para trabajar con el mtodo simplex con el cual se resolvern problemas de Programacin lineal. Ejemplo del clculo de una matriz inversa usando el mtodo de transformaciones u operaciones matriciales elementales: 2X1 + 4X2 + 2 X3 = b1 X2 + X 3 = b 2 + 6 X3 = b 3 2X1 + Paso 1. Usando la matriz aumentada tenemos:

154

X1 2 0 2

X2 4 1 0 A I

X3 2 1 6

S1 1 0 0 I B-1

S2 0 1 0

S3 0 0 1 = b1 b2 b3

Paso 2. Se va a iterar por medio de operaciones matriciales elementales transformando a la matriz A en una matriz I (identidad) formando vectores unitarios ordenados para eso hay que identificar el elemento pivote e ir haciendo operaciones elementales de rengln y columna como las que a continuacin se detallan. 1. Ecuacin pivote: el elemento pivote es ( 2 ) ya que en esa posicin se va a formar el vector unitario ordenado Nueva ecuacin pivote = ecuacin pivote elemento pivote Nueva ecuacin pivote (primera fila) = ( 2,4,2,1,0,0 ) (2) = ( 1,2,1, ,0,0 ) 2. Las dems ecuaciones se actualizan de la siguiente manera Nueva ec. = (ecuacin anterior) - coeficiente de la columna que se esta formando de manera ordenada columna pivote x nueva ecuacin pivote

Esto es: Nueva ecuacin (segunda fila) = (0,1,1,0,1,0)- (0)(1,2,1,1/2,0,0) = (0,1,1,0,1,0) y as sucesivamente para la tercera fila Nueva ecuacin(tercera fila) = (2,0,6,0,0,1)-(2)(1,2,1,1/2,0,0)= (0,-4,4,-1,0,1) Estos clculos se representan en la matriz siguiente y nuevamente se identifica el elemento pivote en este caso es el 1 por lo cual se divide la segunda fila entre 1 y se calculan los nuevos valores de las nuevas ecuaciones filas

155

1 0 0

2 11 -4

1 1 4

1/2 0 -1

0 1 0

0 0 1

y continuamos con los clculos, se tiene:

1 0 0

0 1 0

-1 1 8

1/2 0 -1

-2 1 4

0 0 1

al final del anlisis se obtiene, el siguiente resultado de la matriz inversa y la matriz identidad: 1 0 0 0 1 0 I Recordando que Ax B-1 = I bien: Ax B-1 = I = B-1 x A 0 0 1 3/8 1/8 -1/8 B-1 -3/2 1/2 1/2 1/8 -1/8 1/8

156

Combinacin lineal. Si X1, X2, .Xn son vectores y 1, 2, ..,n son escalares no todos nulos, entonces, Y = 1X1 + 2X2 + .+ nXn Es una combinacin lineal de los vectores X1, X2, .., Xn . en este caso se ha expresado Y en trminos de X1, X2, ..,Xn. Base. La base de un espacio vectorial es cualquier conjunto de vectores que pertenezcan al espacio y adems. a) sean linealmente independientes b) que sean un conjunto generador del espacio vectorial.

157