Investigación de Operaciones

FIGMM
 Casos especiales en el Método
Geométrico
Se presentan los siguientes casos(igual
se presentara en el método simplex)
Estos casos son:
- Degeneración
- Opciones óptimas
- Soluciones no acotadas
- Soluciones no existentes (o no factibles)
 Casos de degeneración
• En este caso se presenta cuando en la
solución óptima una de las variables básicas
(o de decisión) toma un valor estrictamente
igual a cero.
• Esta condición revela que el modelo tiene por
lo menos una restricción redundante.
 Ejemplo:
F.O. Max Z = 3x1 + 9x2
s.a.
x1 + 4x2  8
x1 + 2x2  4
X1,x2 >=0
Solucion
 Casos de opciones óptimas
• Este caso se
presenta cuando
la función
objetivo es
paralela a una
restricción.
Entonces la
función óptima
tomará el
mismo valor
óptimo en más
de un punto.
 Ejemplo:
F.O. Max Z = 2x1 +4 x2
s.a.
x1 + 2x2 <= 5
x1 + x2 <= 4

x1, x2  0
Solucion
 Casos de solución no acotada
• En algunos modelos los valores de las
variables pueden aumentar en forma
indefinida sin violar ninguna de las
restricciones.
• Esto significa que el espacio de soluciones es
no acotado cuando menos el alguna
dirección.
 Casos de solución no acotada
• Como resultado la función objetivo puede
crecer (caso de maximización) o decrecer
(caso de minimización) en forma indefinida.
• Las irregularidades más probables para que
un modelo sea no acotado son:
•No se determinan adecuadamente algunos
parámetros en alguna restricción.
•No se toman en cuenta una o más restricciones
redundantes.
 Ejemplo:
F.O. Max Z = 2x1 + x2
s.a.
x1 - x2 <= 10
2x1 <= 40

x1, x2  0
Solucion
 Casos de solución no factible
• Este caso se presenta en un modelo de
programación lineal cuando las restricciones
no se pueden cumplir simultáneamente
• Este caso no ocurre si todas las restricciones
son del tipo 
• Esto quiere decir que el modelo no se ha
formulado correctamente
 Ejemplo:
F.O. Max Z = 3x1 +2 x2
s.a.
2x1 + x2 <= 2

3x1 +4x2  12

x1, x2  0
Solucion
 3. Solución de Problemas
utilizando el método Simplex
 3.Solución de Problemas
de PL. con el Simplex
• A continuación se darán algunos enfoques
para resolver problemas con mayor cantidad
de variables y restricciones, que no se
pueden resolver por el método geométrico.
• Luego se resolverán los problemas con el
software Lindo o Tora.
• Se dará una pequeña guía para trabajar con
el software respectivo.
 3.1 Utilización del software
• Cualquier modelo de programación
lineal se puede resolver haciendo uso
de herramientas computacionales.
• El software, cualquiera que sea, hace
uso de iteraciones consecutivas.
• Estas iteraciones se hacen alrededor
de los puntos críticos. (vértices de la
región factible)
 3.1 Utilización del software
• Mediante el proceso iterativo el
software lo que hace es recorrer los
vértices de la región factible hasta
encontrar aquel vértice para el cual la
función objetivo alcanza su máximo (o
mínimo valor)
• Lo primero es convertir las
restricciones en igualdades.
 Restricciones convertidas en
igualdades

• El paso para convertir una restricción

comúnmente ( ,  ) desigualdad a
una igualdad es el siguiente:
 Cualquier restricción  puede ser convertida en
una igualdad sumando una variable de holgura no
negativa al lado izquierdo.

Cualquier restricción  puede ser convertida en

una igualdad sumando una variable de excedente no
negativa al lado izquierdo
 Variables de holgura
• Las variables de holgura se presentan
en las restricciones del tipo:
x1 + x2  cte.
• A la inecuación se le agrega una
variable no negativa, entonces
tenemos:
x1 + x2 + s = cte.
s0
 Variables de holgura
• La variable de holgura s será el
“faltante”, es decir la cantidad
adicional que debe ser sumada al lado
izquierdo para convertir la desigualdad
en igualdad.
• Cada restricción  tiene asociada una
variable de holgura diferente para
cada restricción del modelo
 Variables de exceso
• Para convertir una restricción  en una
igualdad, restamos una variable no
negativa en el lado izquierdo y la
desigualdad cambia a igualdad.
x1 + x2  cte.
• Esto genera las siguientes
condiciones:
x1 + x2 - s = cte.
s0
 Variables de exceso
• Una variable de exceso es el
excedente que debe ser reducido al
lado izquierdo de la restricción de la
desigualdad para convertirla en
igualdad.
• Cada restricción  tiene asociada una
variable excedente diferente para cada
restricción de este tipo.
 Valores óptimos de las variables de
holgura y exceso
• Las restricciones activas son
precisamente aquellas para los cuales
los valores óptimos de las variables de
excedente o de holgura son nulos
• Las restricciones inactivas son aquellas
para las que los valores óptimos de las
variables de excedente y de holgura
son positivos.
 Ejemplo:
F.O. Max Z = x1 + x2
s.a.
8x1 + 7x2  56 8x1 + 7x2 + s1 = 56

6x1 - 10x2  60 6x1 -10x2 – s2 =60

x1 6 x1 + s3 = 6
- x1 + x2 6 - x1 + x2 + s4 = 6

x1,x2  0 x1,x2,s1,s2,s3,s4  0
 Formato estándar
• La función objetivo debe maximizarse
o minimizarse.
• Todos los valores del lado derecho de
las restricciones son no negativas.
• El formato estándar es aquel donde las
restricciones están expresadas en
forma de igualdades. Se aprecian
variables de holgura y/o de exceso.
• Todas las variables son positivas.
 Ejemplo:
F.O. Max Z = x1 + x2
s.a.
8x1 + 7x2 + s1 = 56
6x1 -10x2 – s2 = 60
x1 + s3 = 6
- x1 + x2 + s4 = 6

x1,x2 ,s1,s2,s3,s4  0