P. 1
TESIS RECOPILADA

TESIS RECOPILADA

|Views: 1.614|Likes:

More info:

Published by: Ricardo Soto Avendaño on Oct 23, 2010
Direitos Autorais:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

04/23/2013

pdf

text

original

Sections

  • 1.1 ANTECEDENTES
  • 1.2 EL PUENTE AEREO DE BERLIN
  • 2.1 OPTMIZACION DE PROYECTOS
  • 2.2 SIMPLIFICACION DEL MODELO MATEMATICO
  • 3.1 MODELO DE TRANSPORTE
  • 3.2. MODELO DE ASIGNACIÓN
  • 3.3 FORD - FULKERSON
  • 3.4 CAMINOS HAMILTONIANOS DE COSTO MINIMO
  • 3.5 KRUSKAL
  • 3.6 PERT – CPM
  • 4.1. MÉTODO DE REPRESENTACIÓN GRÁFICA
  • 4.2 METODO SIMPLEX
  • 4.3 METODO DE LAS DOS FASES
  • 4.4 CAMBIOS DE VARIABLE
  • 5.1 COSTOS RELATIVOS O SOMBRA
  • 5.2. LAS VARIABLES DE HOLGURA
  • 5.3. INCLUSIÓN DE VARIABLES
  • 5.4. MODIFICACIÓN DE COEFICIENTES DE VARIABLE NO BÁSICA EN RESTRICCIONES
  • 5.5. AÑADIR NUEVAS RESTRICCIONES
  • 6.1 TEOREMA FUNDAMENTAL DE LA DUALIDAD
  • 7.1 ANÁLISIS DE SENSIBILIDAD

“APLICACIÓN DE LA PROGRAMACIÓN LINEAL EN LA INGENIERÍA CIVIL”

INTRODUCCION

2

JUSTIFICACIÓN DEL TEMA DE TESIS
El motivo principal que tengo para desarrollar este tema de tesis, es que su contenido es de suma importancia para la formación de ingenieros con un enfoque más práctico y fundamentado a la hora de tomar decisiones al desempeñar un trabajo que tenga que ver con cualquier proceso constructivo. No se trata solo de recopilar información acerca de este tema, mas bien lo que pretendo es aplicar los procedimientos que ya existen de programación lineal a la problemática que nos enfrentamos como ingenieros civiles. Es muy importante que seamos parte del desarrollo de nuevos temas de investigación que puedan ayudar a nuestra facultad para estar siempre a la vanguardia y pueda crear en sus alumnos el deseo de la innovación y así cumplir con la tarea que demanda la carrera de ingeniería.

3

1 ANTECEDENTES 1.1 MODELO DE TRANSPORTE 3.4 CAMBIOS DE VARIABLE CAPITULO V ANALISIS DE SENSIBILIDAD 5.1 TEOREMA DEL METODO DUAL CAPITULO VII ALGORITMO SIMPLEX DUAL 4 .5 AÑADIR NUEVAS RESTRICCIONES CAPITULO VI DUALIDAD 6.1 METODO DE LA REPRESENTACION GRAFICA 4.2 EL PUENTE AÉREO DE BELÍN CAPITULO II METODOLOGIA PREVIA 2.FULKERSON 3.3 FORD .6 PERT – CPM CAPITULO IV METODOS PARA LA RESOLUCION DE PROBLEMAS EN PROGRAMACION LINEAL 4.1 COSTOS RELATIVOS O SOMBRA 5.2 MODELO DE ASIGNACION 3.4 MODIFICACION DE COEFICIENTES DE VARIABLE NO BASICA EN RESTRICCIONES 5.4 CAMINOS HAMILTONIANOS DE COSTO MINIMO 3.2 METODO SIMPLEX 4.3 INCLUSION DE VARIABLES 5.INDICE CAPITULO I BREVE HISTORIA DE LA PROGRAMACION LINEAL 1.1OPTIMIZACIÓN DE PROYECTOS 2.2 SIMPLIFICACIÓN DEL MODELO MATEMÁTICO CAPITULO III MODELIZACION 3.5 KRUSKAL 3.3 METODO DE LAS DOS FASES 4.2 LAS VARIABLES DE HOLGURA 5.

1 ANALISIS DE SENSIBILIDAD CAPITULO VIII PROBLEMAS APLICADOS A LA INGENIERIA CIVIL 8. CATORCENAL O MENSUAL PARA ALCANZAR VOLUMENES ESTIMADOS EN OBRA. CUMPLIENDO CON LAS NORMAS ESTABLECIDAS 8.2 REDUCCION DE COSTOS DE PRODUCCION DE CONCRETO.6 ARRENDAMIENTO DE MAQUINARIA 8. 8.3 ANALISIS DE FACTIBILIDAD DE OBRA 8.7 DISMINUCION DE COSTOS POR FLETE 8.7.4 OPTIMIZACION DE FACTOR HORA – MAQUINA 8.8 MANTENIMIENTO DE CARRETERAS CONCLUSIONES BIBLIOGRAFIA ANEXO I PROBLEMAS RESUELTOS ANEXO II METODOS DE SOLUCION POR COMPUTADORA 5 .5 RUTA CRÍTICA DE OBRA 8.1 PRODUCCION DIARIA.

CAPITULO I BREVE HISTORIA DE LA PROGRAMACION LINEAL 6 .

7 . razón por la cual se suele conocer con el nombre de problema de Koopmans-Kantarovitch. Leibnitz. En los siglos XVII y XVIII. Lagrange. para dar una solución matemática a estas situaciones surgió la programación lineal. tal vez se quiera maximizar las ganancias en cierta empresa pero nos topamos con limitaciones que condicionan dicha acción.1 ANTECEDENTES Muchos problemas de la vida cotidiana comprenden maximizar o minimizar una función sujeta a ciertas restricciones. En este año. se ocuparon de obtener máximos y mínimos condicionados de determinadas funciones. Posteriormente el matemático francés Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir. En 1941-1942 se formula por primera vez el problema de transporte. aunque de forma imprecisa. Si exceptuamos al matemático Gaspar Monge (1746-1818).1. sobre todo. que tanto habían contribuido al desarrollo del cálculo infinitesimal. quien en 1776 se interesó por problemas de este género. debemos remontarnos al año 1939 para encontrar nuevos estudios relacionados con los métodos de la actual programación lineal. grandes matemáticos como Newton. programación lineal . Bernouilli y. hoy en día. el matemático ruso Leonodas Vitalyevich Kantarovitch publica una extensa monografía titulada Métodos matemáticos de organización y planificación de la producción en la que por primera vez se hace corresponder a una extensa gama de problemas una teoría matemática precisa y bien definida llamada. estudiado independientemente por Koopmans y Kantarovitch. los métodos de lo que actualmente llamamos programación lineal y la potencialidad que de ellos se deriva.

Paralelamente a los hechos descritos se desarrollan las técnicas de computación y los ordenadores. John Von Neumann. quien publicó el algoritmo símplex. demostró que el problema de la programación lineal era resoluble en tiempo polinomial. en 1947. Los fundadores de la técnica son George Dantzig. a Fourier. En 1979. La programación lineal se plantea como un modelo matemático desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los retornos. El problema de la resolución de un sistema lineal de inecuaciones se remonta. Leonid Khachiyan. Stigler plantea otro problema particular conocido con el nombre de régimen alimenticio optimal. en 1984. Narendra Karmarkar introduce un nuevo método del punto interior para resolver problemas de programación lineal. que su resolución y simplificación pasaba necesariamente por los modelos de optimización que resuelve la programación lineal. un matemático ruso. En estos años posteriores a la Segunda Guerra Mundial. que utiliza técnicas similares en la economía antes de Dantzig y ganó el premio Nobel en economía en 1975. en Estados Unidos se asumió que la eficaz coordinación de todas las energías y recursos de la nación era un problema de tal complejidad. lo que constituiría un enorme avance en los principios teóricos y prácticos en el área.Tres años más tarde. que desarrolló la teoría de la dualidad en el mismo año. al menos. Más tarde. instrumentos que harían posible la resolución y simplificación de los problemas que se estaban gestando. después de quien nace el método de eliminación de FourierMotzkin. El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a 70 puestos de trabajo es un ejemplo de la utilidad de la programación 8 . a fin de reducir los costos al ejército y aumentar las pérdidas del enemigo. muchas industrias lo usaron en su planificación diaria. G. y Leonid Kantoróvich. En la posguerra. Se mantuvo en secreto hasta 1947. otro matemático ruso.

toma sólo un momento encontrar la solución óptima mediante el planteamiento del problema como una programación lineal y la aplicación del algoritmo símplex. Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente aéreo de Berlín. dependiente del Carnegie Institute of Technology. con Tucker y Kuhn. En 1947 conjetura la equivalencia de los problemas de programación lineal y la teoría de matrices desarrollada en sus trabajos. entre otros. con Dantzig. Los fundamentos matemáticos de la programación lineal se deben al matemático norteamericano de origen húngaro Janos Von Neuman (1903-1957). junto con una serie de investigadores del United States Departament of Air Force. catedrático de la Universidad 9 . Hacia 1950 se constituyen. así como la Escuela Graduada de Administración Industrial. discípulo de David Hilbert en Gotinga y. Orchard-Hays. Cabe citar. formarían el grupo que dio en denominarse SCOOP (Scientific Computation of Optimum Programs). en términos matemáticos muy precisos. con Charnes y Cooper. G. Fulkerson y Gale. Sin embargo. el departamento de Matemáticas de la Universidad de Princenton. La teoría de la programación lineal reduce drásticamente el número de posibles soluciones óptimas que deberán ser revisadas.B. fundamentalmente en Estados Unidos. La influencia de este respetado matemático. En 1947.lineal. quien en 1928 publicó su famoso trabajo Teoría de Juegos. el número de posibles configuraciones excede al número de partículas en el universo. Se continuó con infinidad de aplicaciones de tipo preferentemente militar. Rand Corporation. desde 1930. Dantzig. el enunciado estándar al que cabe reducir todo problema de programación lineal. La potencia de computación necesaria para examinar todas las permutaciones a fin de seleccionar la mejor asignación es inmensa. Dantzig formula. Ford. distintos grupos de estudio para ir desarrollando las diferentes ramificaciones de la programación lineal.

que si un país subdesarrollado utilizase los métodos de la programación lineal.de Princenton de Estados Unidos. su producto interior bruto (PIB) aumentaría entre un 10 y un 15% en tan sólo un año. Se ha estimado. de una manera general. su estudio comenzó en el año 1951 y fue desarrollado por Dantzig en el United States Bureau of Standards SEAC COMPUTER. Respecto al método del símplex. En 1858 se aplicaron los métodos de la programación lineal a un problema concreto: el cálculo del plan óptimo de transporte de arena de construcción a las obras de edificación de la ciudad de Moscú. hace que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina. El plan óptimo de transporte. rebajó un 11% los gastos respecto a los costes previstos. calculado con el ordenador Strena en 10 días del mes de junio. En este problema había 10 puntos de partida y 230 de llegada. 10 . ayudándose de varios modelos de ordenador de la firma IBM.

1.2 EL PUENTE AEREO DE BERLIN
En 1946 comienza el largo período de la guerra fría entre la antigua Unión Soviética (URSS) y las potencias aliadas (principalmente, Inglaterra y Estados Unidos). Uno de los episodios más llamativos de esa guerra fría se produjo a mediados de 1948, cuando la URSS bloqueó las comunicaciones terrestres desde las zonas alemanas en poder de los aliados con la ciudad de Berlín, iniciando el bloqueo de Berlín. A los aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la fuerza, o llegar a Berlín por el aire. Se adoptó la decisión de programar una demostración técnica del poder aéreo norteamericano; a tal efecto, se organizó un gigantesco puente aéreo para abastecer la ciudad: en diciembre de 1948 se estaban transportando 4500 toneladas diarias; en marzo de 1949, se llegó a las 8000 toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de las comunicaciones. En la planificación de los suministros se utilizó la programación lineal. (El 12 de mayo de 1949, los soviéticos levantaron el bloqueo). Los aliados se decidieron por una atrevida aventura, sin precedentes en toda la historia de la humanidad. Había sólo una vía de salvación: la provisión desde arriba. Los americanos junto con los ingleses consiguieron con una logística magistral que aterrizase cada tres minutos un avión en uno de los tres aeropuertos de Berlín. En los 322 días del bloqueo y gracias a un plan operativo sofisticado, los aliados lograron aumentar su capacidad de transporte de 4.500 a 11.200 toneladas diarias. Trajeron aviones de todo el mundo; en los días cúspide había un total de 400 aviones en uso constante. Enormes petroleros atravesaban el Atlántico cargados de gasolina y queroseno. Según un acuerdo con los soviéticos sólo se podían emplear tres corredores o caminos aéreos. Cinco diferentes alturas de vuelo aprovechaban los corredores al máximo. Por medio de este truco lograron poner la distancia de seguridad entre los aviones que volaban a la misma

11

altura, en 15 minutos, a pesar de que cada 3 minutos podía aterrizar un avión en el aeropuerto de Tempelhof. Los esfuerzos para mantener el puente aéreo fueron inmensos. En una red logística mundial había 150.000 personas trabajando. Unas tres cuartas partes de los materiales los volaron los americanos, y una cuarta parte los ingleses. En los casi 280.000 vuelos transportaron 2,3 millones de toneladas de mercancías a Berlín. El récord de un día fue el 16 de abril con 12.940 toneladas, que son 22 trenes de mercancía con 50 vagones cada uno. Si sumamos las horas de vuelo, serían 35 años de tiempo de vuelo. La distancia total recorrida de todos los vuelos del puente aéreo asciende a 175 millones de kilómetros, esto es 456 veces la distancia de la tierra a la luna, o 1,17 veces la distancia de la tierra al sol. Durante el puente aéreo murieron 76 personas. La operación "puente aéreo de Berlín" costó 200 millones de dólares. Y hay que tener en cuenta que en aquel entonces el dólar tenía un valor de 10 Euros.

12

CAPITULO II METODOLOGIA PREVIA

13

Por ejemplo: Si estamos en obra construyendo un camino tendremos una variable X que será el número de metros cúbicos de concreto asfáltico que queremos aplicar durante el día y una variable Y que será la lluvia.2. luego la variable X será una variable interna de nuestro problema. El conjunto de todas las variables internas X nos define el conjunto o dominio donde estará nuestra solución óptima. Sabiendo el rumbo que tomara nuestra función objetivo. lo haremos como un conjunto de ecuaciones o inecuaciones matemáticas que representaran las limitaciones de nuestro problema. en todo sistema existirá un conjunto de variables y las relaciones entre dichas variables. Los valores de la variable X los podemos controlar. y la variable Y será una variable externa. pero no los de la variable Y. 14 . Una vez conocido el dominio de nuestro problema definiremos la función objetivo. cabe destacar que la función objetivo nos sirve también para minimizar en otras situaciones.1 OPTMIZACION DE PROYECTOS Es el conjunto de acciones que nos permiten plantear de forma abstracta los problemas mediante una modelización matemática que nos permitirá resolverlos de manera numérica. definiremos todas las restricciones que debemos tomar en cuenta para llegar a nuestro objetivo (maximizar o minimizar). para nuestro ejemplo seria maximizar la cantidad de metros cúbicos de concreto asfáltico a aplicarse diario en el camino. este dominio estará definido por el conjunto de premisas de nuestro problema. Se trata de optimizar sistemas partiendo de premisas. que es aquello que queremos optimizar. de ahí la expresión de “maximizar la producción minimizando costos”.

La solución factible será aquella que cumpla las condiciones planteadas por nuestro problema y llamaremos solución óptima a aquella solución que nos optimice en mayor medida el objetivo de nuestro problema. puede darse el caso en el que existan 2 ó mas soluciones optimas. entonces el criterio de elección de una solución será ajeno a nuestros cálculos 15 .Las restricciones son de la forma: Σ ai * Xi ≤ bi Σ ai *Xi ≥ bi Siendo ai y bi coeficientes. y Xi variables. definiéndose entonces: Para todo i: Xi ≥ 0. En la programación lineal siempre esta implícita la restricción de que las variables de la función objetivo sean siempre mayores o iguales a cero (positivas). De esta manera la solución optima no tiene por que ser única.

Por ejemplo.2 SIMPLIFICACION DEL MODELO MATEMATICO Una vez establecido correctamente el modelo matemático de nuestro problema.2. 16 . es lógico pensar en su anulación. Si alguna restricción está incluida en otra. si tenemos las siguientes restricciones: (X1/a11) + (X2/b11) ≤1 (X1/a21) + (X2/b21) ≤1 Si se cumple: A11/a21>1 B11/b21>1 Gráficamente se representa en la figura1. deberemos tener en cuenta una serie de consideraciones que simplificarán nuestro trabajo: 1) Eliminación de restricciones redundantes.

aparecen variables no sujetas a restricciones (variables que no aparecen en las restricciones). 4) División en subproblemas. (X1/a11) + (X2/b11) ≤ 1 2) Eliminación de restricciones obvias. Por ejemplo. Si al modelizar nuestro problema. en nuestra función objetivo. podemos obviar las restricciones del tipo: a * X1 + b * X2 ≥ 0 Ya que siempre se cumplirá 3) Eliminación de variables inútiles. La modelización de un problema es: Función objetivo: Max 2 X1 + 4 X2 + 3 X3 + 8 X4 Sujeto a: X1 + 9X2 ≤ 7 5X1 + 7X2 ≥ 9 17 . La solución de nuestro problema original será la unión de las soluciones de los subproblemas tratados. ya que el valor de estas variables no condiciona la solución del problema. observamos que se pueden dividir las restricciones en conjuntos distintos (de tal forma que no tengan variables comunes) también podremos dividir nuestro problema en tantos subproblemas como conjuntos de restricciones tengamos. las podremos eliminar de nuestro problema. es evidente que podremos eliminar la restricción.figura 2. Si al analizar un problema. Dado que la restricción de para todo i: Xi ≥ 0 va implícita en nuestros problemas.1 Si nuestra función objetivo trata un problema de maximización.

ya que podemos encontrarnos con restricciones del tipo: Σ ai * Xi ≥ -bi Σ ai * Xi ≤ -bi Σ ai * Xi = -bi Podremos homogenizar nuestro sistema. para poder resolver los problemas de programación lineal por el método Símplex.2X3 + X4 ≤ 3 4X3 + 6X4 ≥ 12 Podemos dividir nuestro problema en subproblemas: A) Función objetivo: Max 2 X1 + 4 X2 Sujeto a: X1 + 9 X2 ≤ 7 5X1 + 7 X2 ≥ 9 B) Función objetivo: Max 3 X3 + 8 X4 Sujeto a: 2X3 + X4 ≤ 3 4X3 + 6X4 ≥ 12 Es lógico pensar que si en nuestro problema tenemos n variables y n restricciones linealmente independientes y sin contracciones (que no estén unas contenidas en otras). 18 . será conveniente tener las restricciones de nuestro problema de tal forma que los términos “bi” sean mayores o iguales a cero. 5) Homogenización de restricciones. Como veremos más adelante. Es decir: Σ ai * Xi ≥ -bi → Σ (-1) * ai * Xi ≤ bi Donde se mantendrán las condiciones de la restricción y se posibilitará la resolución del problema mediante el método Simplex. convirtiéndolo al tipo: Σ -ai*Xi ≤ bi Σ -ai*Xi ≥ bi Σ -a*Xi = bi Con sólo multiplicar por –1 y cambiar el sentido de nuestra desigualdad. Por ello. sólo existirá una única solución a nuestro problema.

CAPITULO III MODELIZACIÓN 19 .

La definición de “unidad de transporte” variará dependiendo de la “mercancía” que se transporte. Como solo hay una mercancía un destino puede recibir su demanda de una o más fuentes. Los datos del modelo son: 1.3.1 20 . Figura 3..El costo de transporte unitario de la mercancía a cada destino. La suposición básica del modelo es que el costo del transporte en una ruta es directamente proporcional al número de unidades transportadas..Nivel de oferta en cada fuente y la cantidad de demanda en cada destino. tal que se minimice el costo del transporte total. 2. El objetivo del modelo es el de determinar la cantidad que se enviará de cada fuente a cada destino.1 MODELO DE TRANSPORTE El modelo de transporte busca determinar un plan de transporte de una mercancía de varias fuentes a varios destinos.

1 se representa el modelo de transporte como una red con m fuentes y n destinos. el modelo general de PL que representa el modelo de transporte es: Minimiza Z = Σ Sujeta a: Σ Σ j=1 n i=1 m Σ j=1 n C ijX ij X i j <= ai . Σ X i j = bj. Si Xi j representa la cantidad transportada desde la fuente i al destino j. entonces... en forma análoga. y la demanda en el destino j es bj. es decir: Σ X i j = ai.. n 21 .. X I j >= bj . i=1. la formulación resultante recibe el nombre de modelo de transporte equilibrado..2.En la figura 3. Este difiere del modelo solo en el hecho de que todas las restricciones son ecuaciones... m j=1. n i=1 m X i j >=0 para todas las i y j El primer conjunto de restricciones estipula que la suma de los envíos desde una fuente no puede ser mayor que su oferta.2.…. El modelo que se acaba de escribir implica que la oferta total Σ cuando menos igual a la demanda total Σ j=1 n i=1 m ai debe ser bj. el arco que une fuente y un destino representan la ruta por la cual se transporta la mercancía. La cantidad de la oferta en la fuente i es ai. i=1. el segundo conjunto requiere que la suma de los envíos a un destino satisfaga su demanda. m j=1.2. Cuando la oferta total es igual a la demanda total. Una fuente o un destino esta representado por un nodo. El costo de transporte unitario entre la fuente i y el destino j es Cij.…..2.

22 .2. Se quiere estudiar cómo cubrir estos puestos de forma que se optimice una variable que sea significativa. Función objetivo: Maximizar Σ aij * Vij Sujeto a: Para todo i: Σ aij = 1 Para todo j: Σ aij ≤ 1 La primera restricción indica que un señor sólo ocupará un puesto. MODELO DE ASIGNACIÓN. La segunda indica que un puesto sólo lo ocupará un señor o bien no estará ocupado. llamada variable dual que la representaremos por aij y su funcionamiento es el siguiente: Figura 3.3. Se llama variable dual porque sólo puede tomar dos valores: 1 ó 0 (figura 3.valor de la persona i para el puesto j.2 Si aij = 1 entonces el señor i ocupa el puesto j.2) En nuestro problema tendremos que definir: Vij ---. Supone que tiene unos puestos de trabajo y unos candidatos. Para este tipo de modelización necesitamos definir una nueva variable. Si aij = 0 entonces el señor i no ocupa el puesto j.

Empiece por encontrar el elemento mas pequeño en cada renglón de la matriz de costos. todas las variables en la solución óptima deben ser valores enteros.. 23 . al restar de cada costo. en el cual todas las ofertas y todas las demandas son iguales a uno.Encuentre el menor elemento no cero (llame su valor k en la matriz de costos reducidos. Construya una nueva matriz (la matriz de costos reducidos) al restar de cada costo el costo mínimo de su columna. La matriz de costos del problema de asignación se llama: matriz de costos. Se puede resolver eficientemente un problema de asignación m x m mediante el método Húngaro: Paso 1. Regrese al paso 2. el costo mínimo de su renglón.. Construya una nueva matriz. Ahora reste k de cada elemento no cubierto de la matriz de costos reducidos y sume k a cada elemento de la matriz de costos reducidos cubierto por dos líneas. para esta nueva matriz el costo mínimo en cada columna. Se caracteriza por el conocimiento del costo de asignación de cada punto de oferta a cada punto de demanda. Encuentre. Si se requieren m líneas para cubrir todos los ceros. Paso 2. Como todas las ofertas y demandas para el problema de asignación son números enteros. Paso 3..Un problema de asignación es un problema de transporte balanceado. que no esta cubiertos por las líneas dibujadas en el paso 2.Dibuje el mínimo numero de líneas (horizontales o verticales) que se necesitan para cubrir todos los ceros en la matriz de costos reducidos.

bits por un cable de fibra óptica) desde el origen o fuente al destino. En el caso de que el origen o el destino no existan en el problema. también denominado sumidero o vertedero. y se trata de enviar desde la fuente al sumidero la mayor cantidad posible de flujo. El flujo a través de un arco es menor o igual que la capacidad.3. se añaden ficticiamente utilizando arcos unidireccionales de capacidad infinita.3 24 .FULKERSON MODELO DEL FLUJO MÁXIMO: En algunas redes circula por los arcos un flujo (envío o circulación de unidades homogéneas de algún producto: automóviles en una red de carreteras.3) Figura 3. de tal manera que: El flujo es siempre positivo y con unidades enteras.3 FORD . Los arcos tienen una capacidad máxima de flujo. (figura 3. litros de petróleo en un oleoducto. El flujo que entra en un nodo es igual al que sale de él.

el límite de flujo es de 10 unidades de 3 a 4 y de 5 unidades de 4 a 3. el corte con la menor capacidad proporciona el flujo máximo en la red. La figura 3. Todo lo que podemos obtener de los 3 cortes es que el flujo máximo en la red no excede de 60 unidades.Un corte define una serie de arcos cuya supresión de la red causa una interrupción completa del flujo entre el origen y el destino. el Corte 2 con capacidad 110 y el Corte 3 con capacidad 70.4 Las capacidades se identifican como sigue: por ejemplo. La capacidad de corte es igual a la suma de las capacidades de los arcos asociados. No podemos saber cual es el flujo máximo hasta que se hayan enumerado todos los cortes en la red: Figura 3.4). para el arco (3. 25 . Entre todos los cortes posibles en la red.4 ilustra 3 cortes: el Corte 1 con capacidad 60.

vamos al paso 5. ni encontrar algún nuevo camino.i]. 26 . Paso 2: Determinamos la solución inicial (SI) como un conjunto que contendrá los nodos a los que podemos acceder directamente desde i por medio de un arco con capacidad positiva. Es decir. Paso 3: Obtenemos kЄSI como el nodo destino del arco de mayor capacidad que salga de i hacia un nodo perteneciente a SI. entonces hemos encontrado una ruta de penetración. Si k es igual al nodo destino o sumidero. Hacemos ak=cik y clasificamos el nodo k con [ak. las representaremos como cij y cji. denominaremos capacidades residuales a las capacidades restantes del arco una vez pasa algún flujo por él. Para un nodo j que recibe el flujo del nodo i. En caso contrario continuamos con el camino.i] donde aj es el flujo del nodo i al nodo j. hasta que se alcance el flujo máximo. hacemos a1=∞ y clasificamos el nodo origen con [∞. Tomamos i=1. Si Si contiene algún nodo vamos al paso 3. hacemos (cij. Los pasos del algoritmo se definen como sigue: Paso 1: Inicializamos las capacidades residuales a las capacidades iniciales. Paso 4 (retroceso): Si i=1. Estas capacidades iniciales irán variando a medida que avanza el algoritmo. en el caso de que el conjunto sea vacío saltamos al paso 4.cji)=(Cij. Suponiendo el nodo 1 como el nodo origen. definimos una clasificación [aj. y que no formen parte del camino en curso. hacemos i=k y volvemos al paso 2. y como SI es vacío. estamos en el nodo origen.-]. entonces no podemos acceder a ningún nodo. La idea es encontrar una ruta de penetración con un flujo positivo neto que una los nodos origen y destino. cik = max{cij} con jЄSI. vamos al paso 6.El algoritmo de Ford-Fulkerson propone buscar caminos en los que se pueda aumentar el flujo. Consideraremos las capacidades iniciales del arco que une el nodo i y el nodo j como Cij y Cji.Cji) para todo arco de la red.

eliminamos i del conjunto Si actual y volvemos al paso 2. Cji-cji).Cji) y (cij. es decir..n}.. le damos al valor i el del nodo que se ha clasificado inmediatamente antes.cji+fp) si el flujo es de i a j. Teniendo en cuenta que las capacidades residuales inicial y final del arco (i. esta será la p-ésima ruta de penetración desde el nodo origen al nodo destino. si β>0. j) las dan (Cij. La capacidad residual de cada arco a lo largo de la ruta de penetración se disminuye por fp en dirección del flujo y se incrementa por fp en dirección inversa. es decir: F=f1+f2+.ak2. i≠1.. Paso 6 (solución): Una vez aquí.cji) actual a (cij-fp. El flujo máximo a lo largo de esta ruta será la capacidad mínima de las capacidades residuales de los arcos que forman el camino. de lo contrario..ak1. hemos determinado m rutas de penetración.. β)=(Cij-cij.En caso contrario.k2.+fm. El flujo máximo en la red será la suma de los flujos máximos en cada ruta obtenida. es decir: fp = min{a1. 27 .an}.. el flujo máximo para cada arco se calcula como sigue: sea (α.cji-fp) si el flujo es de j a i Inicializamos i=1 y volvemos al paso 2 para intentar una nueva ruta de penetración. para los nodos i y j en la ruta.k1.. el flujo óptimo de j a i es β. Es imposible lograr que tanto α como β sean positivas..cji) respectivamente. Paso 5: Llegados a este paso tenemos un nuevo camino: Np={1. si α>0. el flujo residual se cambia de la (cij. el flujo óptimo de i a j es α.. ó (cij+fp..

un camino hamiltoniano en un grafica es un camino. una sucesión de aristas adyacentes. pero esta solución no se generaliza a todos las graficas.5) El problema de encontrar un camino hamiltoniano en una grafica arbitraria se sabe que es NP-completo. Los caminos y ciclos hamiltonianos fueron nombrados después que William Rowan Hamilton.3.5 aij =0 el arco (i. 28 . el camino es un ciclo hamiltoniano (figura 3. Hamilton resolvió este problema usando cuaterniones. inventor del juego de Hamilton. lanzara un juguete que involucraba encontrar un ciclo hamiltoniano en las aristas de una grafica de un dodecaedro.j) forma parte del camino. Figura 3.j) no forma parte del camino. que visita todos los vértices de la grafica una sola vez. aij =1 el arco (i. FUNCION OBJETIVO: Min Σ Cij * aij Sujeto a: para todo i: Σ aij =1 sólo sale un arco de cada nodo.4 CAMINOS HAMILTONIANOS DE COSTO MINIMO En el campo matemático de la teoría de graficas. Si además el último vértice visitado es adyacente al primero.

incluyen todos los vértices y donde el valor total de todas las aristas del árbol es el mínimo.Para todo j: Σ aij =1 sólo llega un arco de cada nodo. El algoritmo de Kruskal es un ejemplo de algoritmo voraz. Se usa el Algoritmo para buscar las distancias más cortas (árbol expandido) que conectan todos los puntos o vértices.5 KRUSKAL El algoritmo de Kruskal es un algoritmo de la teoría de graficas para encontrar un árbol recubridor mínimo en una grafica conexa y ponderada. el cual puede ser un árbol por sí mismo. Cada punto representa un vértice. Es decir.6 En la figura 3. FUNCION OBJETIVO: Min Σ Cij * aij Sujeto a: para todo i: Σ aij ≥ 1 Al menos llega una arista y al menos sale otra Para todo j: Σ aij ≥ 1 29 . 3. De manera que: Cij---. busca un subconjunto de aristas que.costo arista entre el nodo i y el nodo j. Si la grafica no es conexa. formando un árbol. entonces busca un bosque expandido mínimo (un árbol expandido mínimo para cada componente conexa). Figura 3.6 se observa un ejemplo de árbol expandido mínimo.

Este algoritmo fue publicado por primera vez en Proceedings of the American Mathematical Society. 30 .aij ≤ 1 Funciona de la siguiente manera: • Se crea un bosque B (un conjunto de árboles). pp. se desecha la arista • • Al acabar el algoritmo. y fue escrito por Joseph Kruskal. el cual forma un árbol de expansión mínimo de la grafica. donde cada vértice de la grafica es un árbol separado Se crea un conjunto C que contenga a todas las aristas de la grafica mientras C es no vacío *eliminar una arista de peso mínimo de C *si esa arista conecta dos árboles diferentes se añade al bosque. 48–50 en 1956. el bosque tiene un solo componente. combinando los dos árboles en un solo árbol *en caso contrario.

algunas actividades en paralelo que originan una tercera. y otras múltiples aplicaciones en las cuales se requiera una planificación adecuada. Si bien es cierto que. Admitiendo que la ejecución de un proyecto o elaboración se puede subdividir en planear. Diseño y control de epidemias. y hablando de manera clásica.) que son los mas usuales para un primer cometido. las cuales no necesariamente son secuenciales. y aun en este caso estas actividades son interdependientes. Construcción de plantas. los administradores deben programas. Diseño e instalación de sistemas nuevos. En general estas técnicas resultan útiles para una gran variedad de proyectos que contemplen: Investigación y desarrollo de nuevos productos y procesos. realizar una labor más eficiente permitiendo una óptima aplicación de los recursos en las mismas y logrando una maximización de los mismos. y carreteras. coordinar las diversas tareas o actividades a desarrollar un proyecto. programar y controlar. edificios. Actualmente se han logrado perfeccionar herramientas que permiten a los administradores de dichos proyectos. si no que desde tiempos pasados nuestros antepasados han enfrentado emprendimientos de gran envergadura que significaron una problemática desde el punto de la planificación.3. En los proyectos como estos. 31 . Diseño de equipo grande y complejo. podemos considerar las técnicas PERT(Program Evaluation aand review Technique) y el CPM (Critical Path Method.6 PERT – CPM La problemática de la planeación de proyectos no ha sido una problemática reciente.

7 32 . Consideremos un proyecto que consta de solo dos actividades A y B. cada actividad es representada como un arco y cada nodo ilustra la culminación de una o varias actividades. La representación grafica de este proyecto se muestra en la figura. Se considera que el proyecto esta terminado cuando todas las actividades han sido completadas. puede existir un conjunto de actividades predecesoras que deben ser completadas antes de que comience la nueva actividad. Supongamos que la actividad A es predecesora de la actividad B. Se construye una malla o red del proyecto para graficar las relaciones de precedencia entre las actividades. Así. Para cada actividad. En dicha representación grafica. el nodo 2 representa la culminación de la actividad A y el comienzo de la actividad B. A 1 B 2 3 Figura 3.Las preguntas esenciales de la elaboración de un proyecto comprenden: *¿Cual es el tiempo que se requiere para terminar el proyecto? *¿Cuales son las fechas programadas de inicio y finalización del proyecto? *¿Que actividades son críticas y deben terminarse exactamente según lo programado para poder mantener el proyecto según el cronograma? *¿Cuales actividades pueden ser demoradas sin afectar el tiempo de terminación del proyecto? PROCEDIMIENTO PARA TRAZAR UN MODELO DE RED Para aplicar CPM o PERT se requiere conocer la lista de actividades que incluye un proyecto.

Proyecto de tres actividades 1 A B 1 C 1 Figura 3.8b Dado un conjunto de actividades y sus relaciones de predecisión. en este caso. Por lo tanto. el nodo representa que las actividades A y B se han terminado.9. la malla del proyecto queda como se muestra en la figura 3.8. Una actividad no puede ser representada por más de un arco en la red. las actividades que parten del nodo 1 no pueden tener predecesoras.Si suponemos ahora que las actividades A y B deben ser terminadas antes que una actividad C pueda comenzar. además del inicio de la actividad C. la red quedara como se muestra en la figura 3.8a 1 A 1 B C Figura 3. se puede construir una representación grafica de acuerdo a las siguientes reglas: • • • • El nodo 1 representa el inicio del proyecto. Si la actividad A fuera predecesora de las actividades B y C. El nodo Terminal o final del proyecto debe representar el término de todas las actividades incluidas en la red. Dos nodos deben estar conectados por a lo mas un arco. 33 .

a veces es necesario introducir una actividad artificial o “Dummy” que posee tiempo de duración nulo. se deben agregar actividades artificiales para no violar la regla 3.9 viola la regla 4. supongamos que las actividades A y B son predecesoras de la actividad C y además comienzan al mismo tiempo. En este caso. Por ejemplo.8b. Sin embargo.Para no violar las reglas 3 y 4. A 1 C 2 B Figura 3. 34 .10 Incorporación de una actividad artificial. Para corregir este problema. una primera representación podría ser la indicada en la figura 3. pero sin violar la regla 4.9 A y B predecesoras de C A C Dummy C Figura 3. En otros casos. se introduce una actividad artificial indicada con un arco segmentado en la figura La red de la figura 3.10 refleja el hecho de que la actividad C tiene como predecesoras a A y B. la red de la figura 3.

11 enlista la lógica seguida para la construcción de una red 35 .11 En la figura 3.• Figura 3.

36 . Estime la época de la terminación para cada actividad.PASOS EN EL PLANEAMIENTO DEL PROYECTO DEL CPM 1. 3. Dibuje un diagrama de la red. 7. *DETERMINE LA SECUENCIA DE LAS ACTIVIDADES Algunas actividades son dependientes en la terminación de otras. pero algunos planificadores del proyecto prefieren especificar las actividades en los arcos. Este listado se puede utilizar como la base para agregar la información de la secuencia y de la duración en pasos más últimos. El CPM fue desarrollado originalmente como actividad en red del nodo (AON). 4. 5. *DIBUJE EL DIAGRAMA DE LA RED Una vez que se hayan definido las actividades y el su ordenar. un listado se puede hacer de todas las actividades en el proyecto. Especifique las actividades individuales. 2. el diagrama del CPM puede ser dibujado. Determine la secuencia de esas actividades. Ponga al día el diagrama del CPM como progresa el proyecto. Identifique la trayectoria crítica (la trayectoria más larga a través de la red) 6. Un listado de los precursores inmediatos de cada actividad es útil para construir el diagrama de la red del CPM. Especifique las actividades individuales DEFINICION DE LOS PASOS EN EL PLANEAMIENTO *ESPECIFIQUE LAS ACTIVIDADES INDIVIDUALES. De la estructura de la interrupción del trabajo.

es decir. Principio temprano. terminación tardía. Debido a su impacto en el proyecto entero. o entre su tiempo más temprano y más último del final. tan solamente un número se utiliza para la estimación del tiempo de una actividad. principio tardío. *IDENTIFIQUE LA TRAYECTORIA CRÍTICA (LA TRAYECTORIA MÁS LARGA A TRAVÉS DE LA RED) La trayectoria crítica es la trayectoria del largo-duración a través de la red. El CPM es un modelo determinista que no considera la variación en el tiempo de la terminación. el análisis de trayectoria crítica es un aspecto Importante del planeamiento del proyecto. LF. La holgura es la cantidad de tiempo que una actividad se puede retrasar más allá de su comienzo más temprano o final más temprano sin delaying el proyecto. La trayectoria crítica es la trayectoria a través de la red del proyecto en la cual ningunas de las actividades tienen holgura. La época floja para una actividad es el tiempo entre su hora de salida más temprana y más última. LS. EF.*ESTIME LA ÉPOCA DE LA TERMINACIÓN PARA CADA ACTIVIDAD. Semejantemente. acelere el proyecto que es necesario reducir el tiempo total requerido para las actividades en la trayectoria crítica. la trayectoria para la cual ES=LS y EF=LF para todas las actividades en la trayectoria. 37 . terminación temprana. Retrasa en la trayectoria crítica retrasa el proyecto. La significación de la trayectoria crítica es que las actividades que mienten en ella no se pueden retrasar sin delaying el proyecto. El tiempo requerido para terminar cada actividad se puede estimar usando experiencia previa o las estimaciones de personas bien informadas. La trayectoria crítica puede ser identificada determinando los cuatro parámetros siguientes para cada actividad: • • • • ES.

38 . Para cada activad. que permite que una gama de duraciones sea especificada para cada actividad. El valor más probable de la duración de la actividad. se requiere estimar las siguientes cantidades: a = Tiempo Optimista. *LIMITACIONES DEL CPM El CPM fue desarrollado para el complejo pero los proyectos bastante rutinarios con incertidumbre mínima en los tiempos de la terminación del proyecto.*PONGA AL DÍA EL DIAGRAMA DEL CPM Pues progresa el proyecto. Claramente. en muchas ocasiones este supuesto no es valido. METODO PERT (Program Evaluation and Review Technique) En CPM se asume que la duración de cada actividad es conocida con certeza. Una alternativa al CPM es el modelo del planeamiento del proyecto del PERT. Duración de la actividad bajo las condiciones más desfavorables m= Tiempo Normal. Para menos proyectos de la rutina hay más incertidumbre en los tiempos de la terminación. y límites de esta incertidumbre la utilidad del modelo determinista del CPM. Una trayectoria crítica nueva puede emerger. PERT intenta corregir este error suponiendo que la duración de cada actividad es una variable aleatoria. y los cambios estructurales se pueden realizar en la red si los requisitos del proyecto cambian. los tiempos reales de la terminación de la tarea serán sabidos y el diagrama de la red se puede poner al día para incluir esta información. Duración de la actividad bajo las condiciones más favorables b = Tiempo Pesimista.

De modo similar.12 tiempo más probable es el tiempo requerido para completar la actividad bajo condiciones normales.La forma de la distribución se muestra en la figura 3. la media (esperada) y la desviación estándar. Figura 3. Los tiempos optimistas y pesimistas proporcionan una medida de la incertidumbre inherente en la actividad. una suposición fuertemente cuestionable). a + 4m + b 6 b −a σ( Z ) = 6 Te ( Z ) = El tiempo esperado de finalización de un proyecto es la suma de todos los tiempos esperados de las actividades sobre la ruta crítica. la varianza del proyecto es la suma de las varianzas de las actividades en la ruta crítica. respectivamente. suponiendo que las distribuciones de los tiempos de las actividades son independientes (realísticamente. 39 . retardo en los materiales y otros factores. incluyendo desperfectos en el equipo. disponibilidad de mano de obra. del tiempo de la actividad para la actividad Z puede calcularse por medio de las fórmulas de aproximación.12 Con la distribución definida.

6. 40 . determine la trayectoria critica. Ponga al día la carta del PERT según como progresa el proyecto. *DETERMINE LA SECUENCIA DE LA ACTIVIDAD Este paso se puede combinar con el paso de la identificación de la actividad puesto que la secuencia de la actividad es evidente para algunas tareas. *DEFINICION DE LOS PASOS DE PLANEAMIENTO IDENTIFIQUE LAS ACTIVIDADES Y LOS PRECEDENTES Las actividades son las tareas requeridas para terminar el proyecto. Es provechoso enumerar las tareas en una tabla que en pasos mas últimos se pueda ampliar para incluir la información sobre secuencia y duración. Identifique las actividades y duración especifica. construya un diagrama de red. determine el tiempo requerido para cada actividad. 4.PASOS EN EL PROCESO DE PLANEAMIENTO DEL PERT 1. Los precedentes son los acontecimientos que marcan el principio y el final de una o más actividades. Otras tareas pueden requerir más análisis para determinar el orden exacto en la cual deben ser realizadas *CONSTRUYA EL DIAGRAMA DE RED Usando la información de la secuencia de la actividad. El planeamiento del PERT implica los pasos siguientes: 2. determine la secuencia apropiada de las actividades. 3. 7. un diagrama de la red se puede dibujar demostrando la secuencia de actividades seriales y paralelas. 5.

PERT asume que Tij sigue una distribución Beta.*TIEMPOS DE ACTIVIDAD DE ESTIMACION Para cada activad. m = Tiempo Normal. Es un tiempo excepcionalmente grande que pudiera presentarse ocasionalmente como consecuencia de accidentes. etc. El que representa el tiempo mínimo posible sin importar el costo o cuantía de elementos materiales y humanos que se requieran. es simplemente la posibilidad física de realizar la actividad en el menor tiempo b = Tiempo Pesimista. se puede demostrar que el valor esperado y la varianza de la variable aleatoria Tij quedan definidas por: a + 4m + b 6 2 (b − a) V [Tij ] = 36 E [Tij ] e ( Z ) = En PERT se asume además que la duración de las actividades es independiente. causas no previstas. El valor más probable de la duración de la actividad. falta de suministros. j). el valor esperado y la varianza de una ruta pueden ser estimadas según: ( ij ∈ uta ) R [ ∑Tij ] = Duración esperada de la ruta = Variación de la duración de la ruta ( ij ∈ uta ) R [ ∑Vij ] *DETERMINE LA TRAYECTORIA CRÍTICA 41 . se requiere estimar las siguientes cantidades: a = Tiempo Optimista. retardos involuntarios. basado en la experiencia personal del informador Si Tij es la variable aleatoria asociada a la duración de la actividad (i. Sin entrar en mayores detalles de esta distribución. Por lo tanto.

EF. entonces puede ser provechoso determinar las cuatro cantidades siguientes para cada actividad: • • • • ES. Dado esta variación. Los tiempos más últimos del comienzo y del final son los tiempos más últimos que una actividad puede comenzar y acabar sin variar el proyecto. Se calculan estos tiempos usando la época prevista para las actividades relevantes. La trayectoria crítica entonces es la trayectoria a través de la red en la cual ningunas de las actividades tienen holgura. entonces el tiempo total de proyecto no varia. LF. La diferencia en el final más último y más temprano de cada actividad es holgura de esa actividad. una puede calcular la probabilidad que el proyecto será terminado por cierta fecha si se asume que una distribución normal de la probabilidad para la trayectoria crítica. terminación tardía. PERT asume que la ruta crítica 42 . principio tardío. Si las actividades fuera de la trayectoria cítrica aceleran o retrasaron el tiempo (dentro de los limites). terminación temprana. La trayectoria crítica determina el tiempo total del calendario requerido para el proyecto. La variación en el tiempo de la terminación del proyecto puede ser calculada sumando las variaciones en los tiempos de la terminación de las actividades en la trayectoria crítica. Si la trayectoria crítica del proyecto no resulta obvia. Principio temprano. Los tiempos más tempranos del comienzo y del final de cada actividad son determinados trabajando adelante a través de la red y determinando el tiempo más temprano en el cual una actividad puede comenzar y acabar a considerar sus actividades del precursor. Sea CP la variable aleatoria asociada a la duración total de las actividades de la ruta crítica determinadas mediante CPM.La trayectoria crítica es determinada agregando los tiempos para las actividades en cada secuencia y determinando la trayectoria mas larga del proyecto. la cantidad del tiempo que una actividad no critica de la trayectoria sin alterar la duración del proyecto se denomina como tiempo flojo. El LS y el LF son encontrados trabajando al revés a través de la red. LS.

LA ACTUALIZACIÓN SEGÚN COMO EL PROYECTO PROGRESA Haga los ajustes en la carta del PERT como progresa el proyecto. Mientras que el proyecto revela. En casos donde hay retrasa. los recursos adicionales puede ser necesario permanecer en horario y la carta del PERT se puede modificar para reflejar la nueva situación.encontrada a través de CPM contiene suficientes actividades para emplear el Teorema Central del Límite y concluir que CP se distribuye normalmente. los tiempos estimados se pueden sustituir por épocas reales. el proyecto puede ser acelerado agregando los recursos requeridos para disminuir la época para las actividades en la trayectoria crítica. 43 . CP = ( ij∈Ruta ) ∑ Tij Puesto que la trayectoria crítica determina la fecha de la terminación del proyecto.

44 .1. MÉTODO DE REPRESENTACIÓN GRÁFICA.CAPITULO IV METODOS PARA LA RESOLUCION DE PROBLEMAS EN PROGRAMACIÓN LINEAL 4.

Toda ecuación lineal con dos variables X y Y Ax + By = 0 Tiene un conjunto solución que se puede exhibir en forma gráfica como los puntos de una línea recta en el plano xy. analizaré un ejemplo específico. De esta misma también existe una representación grafica sencilla de las desigualdades lineales con dos variables: Ax + By < 0 Ax + By > 0 Ax + By ≤ 0 Ax + By ≥ 0 Antes de ver un procedimiento general para graficar desigualdades.1 Se observa que la línea recta divide el plano xy en dos semiplanos: uno superior y uno inferior. De esta manera el semiplano superior es la gráfica de la desigualdad lineal: 45 . la cual se obtiene de la desigualdad dada reemplazando la desigualdad “<” por una igualdad “=” (figura 4. -2/3x+2) X -5 Semiplano inferior 5 -5 Figura 4.y) Semiplano superior Q (x.1) Y 5 2x + 3y = 6 L P (x. Se graficará la siguiente desigualdad: 2x + 3y < 0 Primero se grafica la ecuación 2x + 3y = 6.

Si Q esta en L.2/3x + 2 y < -2/3x + 2 (3) (4) Siendo la ecuación de la propia recta: y = -2/3x + 2 (5) Elegiremos ahora un punto cualquiera P(x. -2/3x+2). es decir. teniendo en cuenta que P esta arriba de Q. siendo Q el punto en L que esta directamente bajo P (en la figura 4. entonces su ordenada es mayor y se tiene: y > -2/3x +2 Esta desigualdad es precisamente la ecuación (3) o. De manera que si comparamos las ordenadas de P y Q. De la misma manera se puede mostrar que cualquier punto que se encuentre debajo de L debe satisfacer a la ecuación (4) y por ende a la (2) 46 . Q se representa como Q (x. sus coordenadas deben satisfacer la ecuación y = -2/3x +2. y) que este arriba de la recta L.2x + 3y > 6 (1) Mientras que el semiplano inferior es la gráfica de la desigualdad lineal: 2x + 3y < 6 (2) Para tener un poco mas claro el concepto escribiremos las formulas anteriores en formas equivalentes: y > . en forma equivalente la ecuación (1).1).

es decir el semiplano inferior. 0 < 6.2 Para determinar de manera más sencilla el semiplano requerido. que esta en el semiplano superior. Si sustituimos X = 0 y Y = 0. que contiene el punto de verificación. 13 < 6. 3). Para simplificar el proceso. se elige cualquier punto en uno de los semiplanos. tendremos: 2(0) + 3(0) < 6 Que es lo mismo a decir. Veremos que ocurre si elegimos el punto (2. Esto quiere decir que el semiplano superior no es el requerido. Esto quiere decir que es el semiplano requerido. que esta en el semiplano inferior. en la desigualdad de nuestro problema original. Al sustituir X =2 y Y = 3. lo cual es una expresión cierta. en la desigualdad tendremos: 2(2) + 3(3) < 6 Que es lo mismo que decir. elegiremos el origen (0. lo cual es una expresión falsa. 0). Debe observarse que ambos semiplanos son mutuamente excluyentes (no tienen puntos en común) Y 5 2x + 3y < 6 2x + 3y = 6 X -5 5 Figura 4.Este análisis muestra que el semiplano inferior proporciona una solución a nuestro problema (figura 4. Debe observarse también que 47 .2).

Ejemplo: FUNCION OBJETIVO. En programación lineal este método consiste en representar las restricciones sobre unos ejes de coordenadas.: Max 5X+6Y Sujeto a: X+Y≤ 4 X + 2Y ≤ 6 La representación gráfica se ve en la figura 4. PROCEDIMIENTO PARA GRAFICAR DESIGUALDADES LINEALES • Se traza la gráfica de la ecuación obtenida de la desigualdad dada. no tiene solución. su gráfica incluye el semiplano que contiene al punto de verificación. entonces nuestro problema. Para el caso contrario se usa una línea sólida para indicar que la recta forma parte de la solución.ningún punto (x. • Si se satisface la desigualdad. En caso contrario. debido a la desigualdad es estrictamente “<” Este análisis sugiere el siguiente procedimiento para graficar una desigualdad lineal en dos variables. Las soluciones óptimas se encontrarán en el perímetro del polígono resultante. la solución incluye el semiplano que no lo contiene. • Se elige un punto de verificación que este en alguno de los semiplanos determinados por la recta trazada en el paso anterior y se sustituyen los valores de X y Y en la desigualdad dada. reemplazando el signo de la desigualdad con un signo de igualdad. 48 . para delimitar la región dónde se encuentran las soluciones factibles. Si nuestra función objetivo es una maximización y la línea que delimita nuestro dominio no es convexa. y) que este en la recta L constituye una solución a este problema. bajo estas condiciones.3. Se utiliza una línea punteada si el problema comprende una desigualdad estricta “<” o “>”.

3 Si por el contrario nuestro problema hubiese sido: FUNCION OBJETIVO: Max 5 X + 6 Y Sujeto a: X+Y≥4 X+2Y≥6 Gráficamente: 49 .Dando valores a la función objetivo vamos obteniendo sucesivas rectas paralelas. la recta se separa del origen. Por tanto. de forma que según aumenta la función objetivo.2) será la solución óptima. En nuestro caso. puede suceder que nuestra función objetivo de valor óptimo coincida con una arista o con un vértice del polígono que delimite nuestro dominio. el vértice A (2. Luego el valor óptimo de nuestra función objetivo será: 5*2 + 6*2 = 22 Figura 4.

5). de manera que es posible analizar estos problemas de forma gráfica. SOLUCION GRAFICA DE PROBLEMAS DE PROGRAMACION LINEAL Los problemas de programación lineal de dos variables tienen interpretaciones geométricas relativamente sencillas. por ejemplo. Consideremos el siguiente problema de programación lineal bidimensional: FUNCION OBJETIVO: Max P= 3x + 2y Sujeto a: 2x + 3y ≤ 12 2x + y ≤ 8 X ≥ 0. Y ≥ 0 El sistema de desigualdades lineales define la región plana S (que se muestra en la figura 4. el sistema de restricciones lineales asociado con un problema de programación lineal bidimensional (si no es inconsistente) define una región plana cuya frontera esta formada por segmentos de recta o semirrectas. Cada punto de S es un candidato para resolver este problema y se 50 .Figura 4.4 En este caso nuestra solución no está acotada. luego nuestro problema no tendrá solución.

tal solución factible es una solución optima y constituye la solución al problema lineal en cuestión. que es una ecuación lineal en X y Y. y esta dentro del conjunto S.conoce como solución factible y el conjunto de S se conoce como conjunto factible.6) 51 . Para encontrar de manera mas sencilla la solución óptima. 2) 2x + 3y =12 S 5 10 Figura 4.5 Se observa que cada punto P(x. por ejemplo el valor de 6. por ejemplo. de manera que se tiene como grafica una línea recta L1 en el plano (figura 4. para solucionar el problema se tiene que encontrar el punto o los puntos que optimicen la función objetivo. es fácil ver que el punto (1. entonces el punto o los puntos que proporcionen el valor máximo de P formarían el conjunto solución que buscamos. De esta manera tendríamos una solución optima si pudiéramos calcular el valor de la función objetivo para cada punto de S. entonces la función objetivo se convierte en 3x + 2y = 6. 10 y 2x + y =8 5 P (3. asignaremos valores a P. 3) esta dado por la función objetivo = 3(1) + 2(3) = 9. y) en S es un candidato para la solución óptima del problema en cuestión.

52 . Para nuestro caso particular la recta requerida será aquella que pase por el punto P(3. se obtiene una familia de rectas paralelas. se obtiene la ecuación 3x + 2y = 10. además una recta correspondiente a un valor mayor de P que esta mas alejada del origen que una recta con un valor menor de P. lo que produce un valor máximo de P = 3(3) + 2(2) = 13. por esta razón a la línea recta L1 se le conoce como una recta de ganancias iguales. debido a que ambas tienen la misma pendiente igual a -3/2.6 Cada punto dado del segmento de recta de la intersección de la línea recta L1 y el conjunto factible S corresponde al valor dado 6 de P. y = 2. Al asignarle diversos valores a la función objetivo.y L2 5 Línea más alejada del origen que intersecta a S L1 P (3. De manera que para obtener la solución óptima se encuentra la recta perteneciente a dicha familia que se encuentre más lejos del origen intersecte al conjunto factible S.6 se observa que las rectas L2 y L1 son paralelas. En la figura 4. asignando ahora a P el valor de 10. Si repetimos el proceso. 2). 2) S 5 x Figura 4. gráficamente observamos a la recta L2. de manera que la solución de este problema esta dada por x =3. cada una con una pendiente igual a -3/2. lo que sugiere que existen puntos factibles que corresponden a un valor mayor de P.

entonces P tiene un valor mínimo en S. Aunque el teorema I arroja un poco de luz acerca de la naturaleza de la solución de un problema de programación lineal. 1. o esquina.. TEOREMA I PROGRAMACION LINEAL Si un problema de programación lineal tiene una solución. entonces el problema de programación lineal no tiene solución. 2.Si S es el conjunto vacío. 3.Si S esta acotado. si las restricciones que definen a S incluyen las desigualdades X ≥ 0 y Y ≥ 0. El siguiente problema establece ciertas condiciones que garantizan la existencia de la solución de un problema de programación lineal. cumpliendo el siguiente teorema básico de la programación lineal. no indica cuando tiene solución. si la función objetivo P se optimiza en dos vértices adyacentes de S. Además.. del conjunto factible S asociado con el problema.Si no esta acotado y tanto a como b son no negativos. entonces esta debe aparecer en un vértice. P no tiene un valor máximo ni uno mínimo A continuación explicaremos el método de las esquinas. entonces P tiene un valor máximo y un valor mínimo en S. es decir. TEOREMA II EXISTENCIA DE UNA SOLUCION Supóngase un problema de programación lineal con un conjunto factible S y un función objetivo P = ax + by.La solución óptima de este problema es un vértice del conjunto factible S. 53 . un procedimiento sencillo para resolver los problemas de programación lineal basado en el teorema I. en cuyo caso existe una infinidad de soluciones al problema. entonces se optimiza en todos los puntos del segmento de recta que une estos vértices..

entonces constituye una solución única al problema..Se evalúa la función objetivo en cada esquina. 3.. entonces existe una infinidad de soluciones optimas dadas por los puntos del segmento de recta determinada por estos dos vértices.METODO DE LAS ESQUINAS 1. Si la función objetivo se maximiza (minimiza) en dos esquinas adyacentes de S. 2. 4.. 54 . Si solo existe un vértice con esta propiedad..Se halla el vértice que proporcione el máximo (mínimo) de la función objetivo.Se encuentran las coordenadas de todas las esquinas (vértices) del conjunto factible.Se grafica el conjunto factible.

En este análisis aclararemos el procedimiento general y. Y ≥ 0 55 . fue desarrollada en la década de 1940 George Dantzig y se basa en el método de eliminación de Gauss – Jordan. se repite una y otra vez. Su principal desventaja es que hay que conocer todas las esquinas del conjunto factible S asociado con el problema. es decir.4. cuando el número de variables o restricciones es grande. con lo cual se reduce la cantidad de puntos por inspeccionar. mejoraremos la comprensión del método símplex examinando los motivos que conducen a los pasos del procedimiento Considérese el siguiente problema de programación lineal: FUNCION OBJETIVO: Max P = 3x + 2y Sujeto a: 2x + 3y ≤ 12 2x + y ≤ 8 X ≥ 0. Antes de establecer un procedimiento formal para resolver los problemas comunes o estándares de programación lineal con base en el método símplex consideraremos el siguiente análisis de un problema de dos variables. lo que se necesita es un método de solución basado en la elección juiciosa de las esquinas del conjunto factible S. Se parte de cierta solución factible inicial (una esquina del conjunto factible S. llamada método símplex. que por lo general es el origen) y cada iteración conduce a otro punto esquina de S con un valor mejorado de la función objetivo. La iteración termina cuando se alcanza la solución óptima (si existe). En esencia. El método símplex se adapta con facilidad a la computadora. el método símplex es un procedimiento iterativo. lo que lo hace particularmente adecuado para resolver problemas de programación lineal que comprenden un gran número de variables y de restricciones.2 METODO SIMPLEX El método de las esquinas no es adecuado para resolver problemas de programación lineal. Una técnica de este tipo. al mismo tiempo.

Primero. por lo tanto.7. 0). 2) S B(4.7 x Como primer paso en la solución mediante el método símplex. se obtiene la igualdad 2x + 3y + U = 12 56 .El conjunto factible S relacionado con este problema se representa en la figura 4. Esto se puede realizar mediante variables no negativas llamadas Variables de holgura. 4). 4) C(3. 0). 0) A(0. donde se han etiquetado las cuatro esquinas factibles A(0. consideraremos la desigualdad 2x + 3y ≤ 12 Debemos observar que el lado izquierdo de esta ecuación siempre es menor o igual al lado derecho. al sumar una variable no negativa U al lado izquierdo para compensar esa diferencia. B(4. 0) Figura 4. 2) y D(0. se reemplazara el sistema de restricciones con desigualdades por un sistema de restricciones con igualdades. C(3. y D(0.

Por ultimo. es posible despejar tres variables en términos de las otras dos. V y P. se tiene el siguiente sistema de ecuaciones lineales: 2x + 3y + U 2x + y + -3x –2y +V = 12 =8 +P = 0 Como este sistema tiene tres ecuaciones lineales en las cinco variables x.7 se puede observar que el punto (1. El sistema de desigualdades lineales se entiende como el sistema de ecuaciones lineales: 2x + 3y + U 2x + y + = 12 +V=8 Donde x. U y V son todas no negativas. y. De la misma manera. la desigualdad 2x + y ≤ 8 se convierte en la ecuación 2x + y + V= 8 a través de la introducción de la variable de holgura V. se puede observar que el problema de programación 57 .Por ejemplo si X = 1 y Y = 1 [en la figura 4. donde el coeficiente de P es +1. 1) es un punto factible de S]. Obteniendo lo siguiente: 2(2) + 3(1) + 5 = 12 La variable U es una variable de holgura. Así existe una infinidad de soluciones a ese sistema. Ahora. las cuales se pueden expresar en términos de dos parámetros. Obteniendo lo siguiente: 2(1) + 3(1) + 7 = 12 Ahora. 1) también es punto factible de S]. U. entonces U = 5. al reescribir la función objetivo en la forma -3x –2y + P = 0. entonces U =7. y. si x = 2 y Y = 1 [el punto (2.

U = 12. se obtiene una solución particular con X = 0 y Y = 0. P = 0 58 .lineal equivale a encontrar la solución que proporciona el máximo de P: Entre todas las soluciones de este sistema para las cuales x. esta solución esta dada por: X = 0. V y P de esta matriz es una columna unitaria. Ahora la configuración de la matriza aumentada sugiere que despejen las variables básicas U. V y P en términos de variables no básicas X y Y. De hecho. y. Las variables asociadas con las columnas unitarias se llaman variables básicas y las demás. variables no básicas. Y = 0. U y V sean no negativas (tales soluciones se llaman soluciones factibles). La matriz aumentada asociada con este sistema es: Variables no básicas x y Variables básicas Columna de constantes U V P 1 0 0 0 1 0 0 0 1 12 8 0 2 3 2 1 -3 -2 Debemos observar que cada una de las columnas U. V = 8. con lo que se obtiene: U = 12 – 2x – 3y V = 8 – 2x – y P= 3x + 2y De todas las soluciones factibles que se pueden obtener al asignar valores no negativos arbitrarios a los parámetros X y Y.

V = 0. Esta condición se observa en las siguientes ecuaciones: U = 12 – 2x V = 8 – 2x Como U debe ser no negativo. un incremento unitario en la dirección de x producirá un aumento mayor en el valor de la función objetivo P que un incremento unitario en la dirección de y. con la función objetivo reescrita. Esta solución particular corresponde a la esquina A(0. es una solución básica del sistema. -3x -2y + P = 0). P = 3x + 2y. Si el valor de P no pudiera aumentar. La segunda ecuación y la no negatividad de V significa que x no puede exceder a 8/2 ó 4.Esta solución. Debido a que el coeficiente de x es mayor que el de y. Y = 0. la siguiente tarea consiste en determinar si es mejor aumentar el valor de x o de y (incrementar ambos valores en forma simultanea es mas difícil).7). Observamos que P = 0 en este punto. P = 12 59 . de esta manera. así podemos concluir que x se puede incrementar hasta el valor de 4. como los coeficientes de X y Y son positivos. Para determinar si se puede mejorar el valor de P. es decir. la primera ecuación significa que x no puede exceder a 12/2 ó 6. se tendría la solución óptima del problema en cuestión. si se hace y = 0 y x = 4 en el sistema de ecuaciones de las variables básicas se obtiene la solución: X = 4. el valor de P se podría mejorar incrementando X ó Y. 0) del conjunto factible asociado de programación lineal (figura 4. Debe notarse que se llega a la misma conclusión observando que el ultimo renglón de la matriz aumentada contiene entradas negativas (comparando la función objetivo original. debe observarse la función objetivo. alejándose del origen. Siguiendo con la búsqueda de la solución óptima. U = 4. Debemos cuidar que el incremento en la dirección de x pueda mantener un valor de y = 0 si que se salga del conjunto factible. Ahora. obtenida al igual a cero todas las variables no básicas. debemos aumentar el valor de x a la vez que se mantiene constante en y.

esta vez con Y y V como variables no básicas (debe recordarse que las variables no básicas son aquellas que se igualan a cero).La cual es una solución básica del sistema de ecuaciones lineales. Veremos la forma de llegar esa solución básica mediante la matriz aumentada del sistema. Puesto que x reemplaza a V como variable básica. x 2 2 -3 y 3 1 -2 U 1 0 0 V 0 1 0 P 0 0 1 12 8 0 Multiplicando al renglón 2 (R2) por ½ obtenemos: x 2 1 -3 y 3 1/2 -2 U 1 0 0 V 0 1/2 0 P 0 0 1 12 4 0 Realizando las siguientes operaciones (R1 – 2R2 y R3 – 3R3) obtenemos: 60 . el objetivo es hallar una matriz aumentada que tenga una configuración tal que la columna de x este en la forma unitaria: 0 1 0 Reemplazando la forma actual de la columna V en la matriz aumentada. esto se logra pivoteando en torno del numero 2.

El renglón pivote es aquel con el menor cociente. Y = 0. dicho renglón se puede determinar al dividir cada numero positivo en la columna del pivote entre el numero correspondiente de la columna de constantes. A continuación resumiremos el procedimiento para elegir el elemento pivote. la cual se convertirá en una variable no básica. P = 12 Antes de continuar. U y P en términos de las variables no básicas Y y V. introduciremos un poco de terminología. El numero dos encerrado en un circulo en la primera matriz aumentada. 61 .x 0 1 0 y 2 1/2 -1/2 U 1 0 0 V -1 1/2 3/2 P 0 0 1 4 4 12 Utilizando la última matriz se despejan las variables básicas X. dicha columna se asocia con una variable no básica. SELECCIÓN DEL ELEMENTO PIVOTE. para obtener: X = 4 – 1/2y – 1/2V U=42y + V P= 12 + 1/2y – 3/2V Al igualar a cero las variables no básicas Y y V se obtiene: X = 4. que se convierte en un uno. U = 4. V = 0. El renglón que contiene al elemento pivote es el renglón pivote. es el elemento pivote y la columna que lo contiene es una columna pivote.

Se elige el renglón pivote. se puede elegir cualquiera de ellas). 0) y se necesita otra iteración. 2. se puede elegir cualquiera de ellas).. Al concluir con la solución al problema se observa que el último renglón de la última matriz aumentada contiene un numero negativo (-12). 3. El renglón pivote es el renglón correspondiente a la razón más pequeña obtenida de esta manera (si existe mas de una entrada de este tipo.. En un nuevo análisis detallado. se procede inmediato de la elección de un nuevo pivote. La columna que contiene esta entrada es la columna pivote (si existe mas de una columna de este tipo. cada entrada positiva en la columna pivote se divide entre su entrada correspondiente en la columna de constantes.Se escoge la columna pivote.1.El elemento pivote es el elemento común a la columna y renglón pivotes. Esto indica que P nos e maximiza en esquina factible B (4. de acuerdo con las reglas anteriores se realizan las siguientes operaciones por renglón: x y 2 1/2 -1/2 U 1 0 0 V -1 1/2 3/2 P 0 0 1 4 4 12 Renglón pivote 0 1 0 Columna pivote Si multiplicamos al renglón pivote por 1/2. se localiza la entrada más negativa a la izquierda de la recta vertical en la última columna. obtenemos: x 0 1 0 y 1 1/2 -1/2 U V P 0 0 1 2 4 12 1/2 -1/2 0 0 1/2 3/2 62 ..

CnXn + P = 0 Donde todas las variables estan en la izquierda y el coeficiente de P es + 1 3. obtenemos: x 0 1 0 y 1 0 0 U V P 0 0 1 2 3 13 1/2 -1/2 -1/4 3/4 1/4 5/4 Al interpretar la última matriz aumentada de la manera usual. Como no existen entradas negativas en el último renglón.. se tiene la solución básica X=3. La solución óptima es la esquina factible C (3.Se transforma el sistema de desigualdades lineales en un sistema de ecuaciones lineales introduciendo variables de holgura. debemos observar que dicha solución concuerda con la determinada mediante el método de las esquinas (figura 4.Se escribe la matriz aumentada asociada con este sistema de ecuaciones lineales RESUMEN DEL METODO DE SIMPLEX 63 .Se vuelve a escribir la función objetivo P = C1X1 + C2X2 + … + CnXn En la forma: -C1X1 – C2X2 . la solución es óptima y P no puede crecer más. 2.… . Y=2 y P=3.Realizando las siguientes operaciones (R2 – 1/2R1 y R3 + 1/2R1)...7) CONFIGURACIÓN DE LA TABLA SIMPLEX INICIAL 1. 2).

Se determina la solución óptima: El valor de la variable principal de cada columna unitaria está dado por la entrada que está en la columna de constantes en el renglón que contiene al 1.1..Se plantea la tabla símplex inicial 2.Si existe una o más entradas negativas. no se ha alcanzado la solución óptima (se continua con el paso 3) 3. 4.. conforme sea necesario (se repite el paso 2) 4. sumando múltiplos adecuados del renglón pivote a cada uno de los demás renglones. Las variables correspondientes a las columnas que no se encuentren en forma unitaria tendrán asignado el valor cero.Se realiza la operación del pivoteo: Se localiza el elemento pivote y se convierte en un 1. La operación del renglón se usa para convertir la columna pivote en una columna unitaria. se ha alcanzado la solución óptima (se continua con el paso 4) b. dividiendo todos los elementos del renglón pivote entre el elemento pivote....Si todas las entradas son no negativas.Se determina si se ha alcanzado la solución óptima examinando todas las entradas del último renglón a la izquierda de la recta vertical: a..3 METODO DE LAS DOS FASES 64 .

Pero puede ocurrir que en la fase 1 no sea posible extraer todas las variables artificiales de la solución básica. solución infactible. que no incluya variables artificiales. Cuando en esta solución básica factible del MA. Es importante aclarar que el objetivo de la fase 1. ya que en ella se trata de hallar una SBFI del modelo original. todas las variables artificiales valen cero. Fase 2 Consiste en buscar la solución óptima del modelo original partiendo de la SBFI hallada en la Fase 1. Para propiciar que las variables artificiales tomen el valor de cero. situaciones que discutiremos más adelante. se busca obtener una SBF del modelo aumentado. inexistencia de solución. se construya una función objetivo que reemplaza provisionalmente a la del modelo original. Equivale a los pasos 1 y 2 del método símplex. en lugar de la provisional que habíamos 65 . ella es una solución básica factible inicial del Modelo original y a partir de ahí se inicia la segunda fase del método símplex. Fase 1 Empieza con una solución básica factible inicial artificial y equivale al paso inicial del método símplex que conocemos. Esta nueva función se forma con la suma de las variables artificiales y el objetivo es minimizar la suma de ellas.El procedimiento consiste en resolver el modelo en dos etapas o fases. En la primera. presentándose los casos de: restricción redundante analíticamente. aunque el objetivo del modelo original sea maximizar o minimizar. Para iniciar la Fase 2 se toma el tablero final de la Fase 1 y se le escribe la función objetivo original del problema. Veamos cual es el procedimiento en cada fase del algoritmo. siempre es minimizar la suma de las variables artificiales.

escrito para iniciar la Fase 1.E3 + H4 + A1 = 24 = 160 + A3 = 15 =5 66 . considerando el objetivo del problema original. Ejemplo de aplicación del modelo de las dos fases Supóngase que deseamos hallar la solución óptima del modelo: FUNCION OBJETIVO: Max P = 100x1 + 90x2 Sujeto a: 6X1 + 4X2 ≥ 24 20X1 + 8X2 ≤ 160 3X1 + 5X2 ≥ 15 X2 ≤ 5 X1. Enseguida se actualizan la fila Cj y la columna CB. para obtener el siguiente modelo ampliado: Max P = 100X1 + 90X2 + 0E1 + 0H2 + 0E3 + 0H4 Sujeto a: 6X1 + 4X2 – E1 20X1 + 8X2 + 3X1 + 5X2 X2 Fase 1 de la solución H2 . para luego recalcular los valores Zj y Ej. así como el valor Z. X2 ≥ 0 Escribimos el modelo en formato estándar y le agregamos las variables artificiales necesarias. A partir de este tablero se continúa el Método Símplex para la búsqueda de la solución óptima.

así: P1= A1 + A2. la variable de entrada puede ser X1 ó X2 pues ambas tienen el efecto neto más negativo.Vamos a determinar la solución óptima del Modelo Aumentado. Para ello planteamos la nueva función objetivo. la cual será la SBFI del modelo original. La variable de salida será A1 como se indica a la derecha de la tabla 0. Seleccionamos arbitrariamente a X1 como variable de entrada. que vamos a minimizar. Como el objetivo es minimizar. 67 . Por lo tanto el modelo por resolver queda: Mín P1 = A1 + A2 Sujeto a: 6x1 + 4x2 – E1 + A1 = 24 20X1 + 8X2 + H2 = 160 3X1 + 5X2 – E3 + A3 = 15 X2 + H4 = 5 La tabla inicial para resolver este modelo es: Tabla 0 Fase I Cj CB 1 0 1 0 Zj Ej 0 X1 6 20 3 0 9 -9 0 X2 4 8 5 1 9 -9 0 E1 -1 0 0 0 -1 1 0 H2 0 1 0 0 0 0 0 E3 0 0 -1 0 -1 1 0 H4 0 0 0 1 0 0 1 A1 1 0 0 0 0 0 1 A3 solución 0 24 0 160 1 15 0 5 0 0 0 XB A1 H2 A3 H4 Z1 Ahora procedamos con el Símplex. para buscar la solución óptima del modelo aumentado.

La nueva tabla es: Tabla 1 Fase I Cj CB 0 0 1 0 Zj Ej 0 X1 1 0 0 0 0 0 0 0 X2 E1 2/3 -1/6 -16/3 10/3 3 1/2 1 0 3 1/2 -3 -1/2 0 H2 0 1 0 0 0 0 0 E3 0 0 -1 0 -1 1 0 H4 0 0 0 1 0 0 1 A1 1/6 -10/3 -1/2 0 -1/2 3/2 1 A3 solución 0 4 0 80 1 3 0 5 1 3 0 XB X1 H2 A3 H4 Z1 Esta solución es mejorable entrando a X2 y sacando a A3. con lo cual se obtiene la tabla siguiente: Tabla 2 Fase I Cj CB 0 0 0 0 Zj Ej 0 X1 1 0 0 0 0 0 0 X2 0 0 1 0 0 0 0 E1 -5/18 38/9 1/16 -1/6 0 0 0 H2 0 1 0 0 0 0 0 E3 2/9 -16/9 -1/3 1/3 0 0 0 H4 0 0 0 1 0 0 1 A1 5/18 -38/9 -1/6 1/6 0 1 1 A3 solución -2/9 10/3 16/9 256/3 1/3 1 -1/3 4 0 0 1 XB X1 H2 X2 H4 Z1 68 .

para luego recalcular los valores Zj y Ej. esta solución es una SBFI para el modelo original y podemos continuar con la fase siguiente. pues en ese caso no hay variable de holgura. ya que todos los evaluadores de la fila cero son no positivos (además. el valor de Z1 es cero). así como el valor de Z. Obviamente la eliminación no debe efectuarse cuando la variable artificial.La tabla actual representa la solución óptima de la fase 1 del Modelo Aumentado. corresponde a una restricción de igualdad. Actualizando el renglón de Cj y la columna CB. y eliminando las columnas de A1 y A2 obtenemos la nueva tabla. así: Fase 2 de la solución Tabla 3(Max) Cj CB 100 0 90 0 Zj Ej 100 X1 1 0 0 0 100 0 90 X2 0 0 1 0 90 0 0 E1 -5/18 38/9 1/6 -1/6 -115/9 115/9 0 H2 0 1 0 0 0 0 0 E3 2/9 -16/9 -1/3 1/3 -70/9 70/9 0 H4 0 0 0 1 0 0 solución 10/3 256/3 1 4 1270/3 XB A1 H2 X2 H4 Z2 69 . Como todas las variables artificiales están fuera de la base.

con lo cual queda: Tabla 4 Cj CB 100 0 0 0 Zj Ej 100 X1 1 0 0 0 100 0 90 X2 5/3 -76/3 6 1 500/3 -230/3 0 E1 0 0 1 0 0 0 0 H2 0 1 0 0 0 0 0 E3 -1/3 20/3 -2 0 -100/3 100/3 0 H4 0 0 0 1 0 0 solución 5 60 6 5 500 XB X1 H2 E1 H4 Z Entra E3 sale H2 Tabla 5 Cj CB 100 0 0 0 Zj Ej 100 X1 1 0 0 0 100 0 90 X2 2/5 -19/5 -8/5 1 40 50 0 E1 0 0 1 0 0 0 0 H2 1/20 3/20 3/10 0 5 -5 0 E3 0 1 0 0 0 0 0 H4 0 0 0 1 0 0 solución 8 9 24 5 800 XB X1 E3 E1 H4 Z Entra X2 sale H4 Tabla 6 Cj CB 100 100 X1 1 90 X2 0 0 E1 0 0 H2 1/20 0 E3 0 0 H4 -2/5 solución 6 XB X1 70 .Y continuando con el procedimiento del Símplex. entra E1 y sale X2.

Caso 1: P1 =0. Cada uno de estos casos da lugar a un tipo de solución. obviamente con valor cero. múltiple. Por otra parte. ya que puede presentarse. Al término de esta fase podemos hallar una solución de uno de los tres tipos de solución óptima que hemos mencionado: única. el caso de que Z1 = 0 habiendo variables artificiales en la base. Caso 2: P1=0 y hay variable artificiales en la base El valor de las variables artificiales de la base obviamente debe ser cero. a partir de esta solución. ilimitada. Antes de continuar con la fase 2 debemos intercambiar "Forzadamente" estas variables 71 .0 0 90 Zj Ej 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 3/20 3/10 0 5 -5 1 0 0 0 0 19/5 8/5 1 50 -50 28 32 5 1050 E3 E1 X2 Z De esta manera podemos encontrar los siguientes tipos de soluciones: TIPOS DE SOLUCION QUE PUEDEN OBTENERSE POR EL METODO DE LAS DOS FASES La fase 1 termina cuando se presente la inmejorabilidad (optimalidad) de la función objetivo formada por la suma de las variables artificiales. lo cual implica que hay al menos una variable artificial en la base. que no pudo expulsarse. también puede tenerse inmejorabilidad con Z1 > 0. como lo aprenderemos enseguida. y no hay variables en la solución básica Este es el caso ya discutido en la cual se ha encontrado una SBFI para el modelo original y puede procederse con la fase 2. Pero no siempre que la función objetivo sea inmejorable su valor es igual a cero.

ya sea por no existir una solución o por ser infactible. deben tenerse variables artificiales básicas con valor positivo. toman valores negativos. Puede comprobarse que el intercambio es posible sólo en los casos en que el coeficiente de remplazo entre las variables artificial saliente y la variable real candidata a entrar. Solución Infactible Si es posible intercambiar forzadamente a todas las variables artificiales básicas por variables reales. sin ningún cambio adicional. Restricciones redundantes analíticamente Cuando no se puedan expulsar forzadamente todas las variables artificiales de la solución. Caso 3: P1>0 Es lógico pensar que para que esto ocurra. Veremos enseguida que esta situación es indicio de que el modelo tiene solución inconsistente. sea diferente de cero.artificiales por variables reales no básicas. el modelo original presentará solución infactible y no se continúa con la fase 2. Solución Degenerada Si es posible intercambiar todas las variables artificiales por variables reales (originales o de holgura). se genera una solución básica factible inicial degenerada para el modelo original y a partir de ello se puede continuar con la fase 2. La redundancia analítica implica que esa restricción se puede expresar como una combinación lineal de las otras restricciones involucradas en la solución óptima y por ello no es necesario que aparezca. La infactibilidad se hace patente en el hecho de que las variables reales que reemplazan a las artificiales. son restricciones redundantes analíticamente y se pueden eliminar de la tabla entes de proceder a la fase 2. 72 . las restricciones asociadas a las variables artificiales que no se pudieron forzar a salir de la solución óptima.

un modelo de Programación Lineal tiene solución de alguno de los siguientes tipos: 1. lo cual nos permite concluir que el modelo no tiene solución. Inexistente. 4. Infactible. 73 . Optima múltiple. 3. 2. 5. como ya se mencionó en el método gráfico.Inexistencia de una solución Si el intercambio es parcial. En resumen. Optima Ilimitada. quedarán todavía variables artificiales en la solución y esto indica que no fue posible hallar una SBFI para el modelo original. Optima única.

4 CAMBIOS DE VARIABLE. puede ser conveniente someter dichas variables a un cambio de variable para que queden de la forma: Xi ≥ 0 Y poder aplicar el método símplex. 74 . Es decir.4. En algunas ocasiones en las que nos encontramos con un problema en el que aparecen variables acotadas inferiormente. lo que vamos a buscar es que sólo quede la restricción de positividad.

CAPITULO V ANALISIS DE SENSIBILIDAD 75 .

siempre y cuando los sepamos descifrar.1 COSTOS RELATIVOS O SOMBRA Los coeficientes que en el momento de obtenerse la solución óptima tiene la tabla en la L0. Si tenemos lo siguiente: FUNCION OBJETIVO: Max 4X1 + 5X2 + 9X3 + 11X4 76 . sin que cambie nuestra solución óptima. Una de las cosas más importantes que nos proporciona este análisis. llegaría un momento en el que formaría parte de nuestra función objetivo. Representan el empeoramiento o disminución que tendría la función objetivo por el incremento unitario de una variable no básica. es la de conocer el intervalo de variación de los parámetros del problema. Variables no básicas Si el coeficiente de una variable no básica se incrementa. 5. es evidente que nuestra solución seguirá siendo factible.La tabla que nos proporciona el método símplex es una gran fuente de información sobre los datos de nuestro problema. Para ello realizaremos lo que se denomina análisis de sensibilidad. al introducir en la base. Si se modifican los coeficientes de nuestra función objetivo. En un principio no sería necesario comenzar desde el origen del algoritmo. sino simplemente sustituirlos y continuar con el procedimiento conocido. son los costes relativos o sombra.

Supongamos que X2 = 0. Vamos a ver cuánto podríamos variar el coeficiente de la variable X2 sin que se modifique el valor óptimo de nuestra función objetivo: FUNCION OBJETIVO: Max 4 X1 + (5 + p2) X2 + 9 X3 + 11 X4 p2 ≥ 0 En sucesivas iteraciones llegaríamos a una L0:

L0

X1 0

X2 X3 3/7 – P 0

X4 11/7

X5 13/7

X6 0

X7 5/7

bi 695/7

Si p2 < 3/7, no varia nada nuestro problema. Si p2 = 3/7, entonces quiere decir que podría obtener otra solución en la que X2 entrase en la base. El valor de nuestra función objetivo no variaría. Si p2 > 3/7, el coeficiente de la L0 de X2 sería negativo y X2 entraría en la base, con lo que el valor que obtendríamos para nuestra función objetivo será mayor. Por lo tanto, los coeficientes en la L0 en la solución optimal representan el incremento máximo que puede tomar el coeficiente de una variable no básica para entrar en la base. En nuestro caso, por ejemplo en el caso de la variable X2, ésta no entrará en la base mientras su coeficiente no sea superior a: 5 + 3 / 7 = 38 / 7 Si tuviésemos, por imposición de nuestro problema, que introducir dos unidades del producto 2 (representado por la variable X2), partiendo de la solución final tendríamos:

77

L0

X1 0

X2 3/7

X3 0

X4 11/7

X5 13/7

X6 0

X7 5/7

bi 695/7

Entonces la función objetivo disminuiría en 2 * 3 / 7 siendo 2 las unidades a producir y 3 / 7 el valor de X2 en la L0.

Variables básicas Ahora vamos a ver hasta cuánto pueden variarse los coeficientes de variables básicas de forma que continuemos teniendo una solución óptima. Tomando el ejemplo anterior, las variables básicas son X1, X3 y X6. Evidentemente, si aumentamos los coeficientes de las variables básicas, nuestra función objetivo aumentará. Entonces, si por ejemplo incrementamos en p1 el coeficiente de X1 y realizamos los procesos del símplex, obtendríamos la siguiente tabla: X1 0 X2 3/7 5/7Pi X3 + 0 X4 X5 X6 11/7 – 13/7 – 0 5/7Pi 5/7Pi X7 5/7 - 5 bi 695/7 + 50/7P1 Como vimos el valor de X1 era 50 / 7, entonces al aumentar p1 al coeficiente de X1, aumenta 50 / 7 p1 el valor de nuestra función objetivo. Observación: Los valores de los coeficientes de las variables no básicas Xi de la LO se pueden calcular haciendo: L0´de Xi = L0 de Xi + (Lj de Xi) * pj Siendo: L0´de Xi: el coeficiente nuevo de la fila L0 columna Xi. L0 de Xi: el coeficiente viejo de la fila L0 columna Xi.

L0

78

Lj de Xi: el coeficiente de la fila Lj columna Xi correspondiente a la variable básica modificada Xj. Xi: es una variable no básica. pj: indica el incremento del coeficiente de la variable básica modificada Xj. Lo que nos interesa es determinar un intervalo de variación de pj (en nuestro caso p1) en el cual no cambie nuestra solución optimal. Para ello nos fijamos en los coeficientes correspondientes a las variables no básicas de la L0, ya que para que continúe óptima nuestra solución, han de ser menores que cero. Es decir, en nuestro caso: 3/7 + 5/7 p1 < 0 entonces 5/7 p1 < -3/7 entonces p1 < -3/5 11/7 – 5/7 p1 < 0 entonces 5/7 p1 > 11/7 entonces p1 > 11/5 13/7 + 10/7 p1 < 0 entonces 10/7 p1 < -13/7 entonces p1 < -13/10 5/7 – 1/7 p1 < 0 entonces 1/7 p1 > 5/7 entonces p1 > 5 Luego el intervalo será: -3/5 ≤ p1 ≤ 11/5 En este intervalo la función objetivo se incrementará en 50/7 de p1. Si en lugar de tener un beneficio de 4 en el problema de fabricación de papas congeladas (ver anexo I) hubiese tenido un beneficio de 6: p1 = 6- 4 =2 Que está dentro del intervalo -3/5 ≤ p1 ≤ 11/5 Entonces la solución será más óptima y el valor de nuestra función objetivo será: 695/7 + 50/7 * 2 = 795/7

79

sin que varíe nuestra base factible. mientras p6> -325/7. Es decir. refleja el exceso que tenemos en la restricción correspondiente. nuestra solución seguirá siendo óptima. representa el sobrante de la restricción a la que está asociada. una variación en el valor de una variable de holgura implica una modificación en los términos independientes de las restricciones.2. estudiaremos sus modificaciones. El valor de una variable de holgura.5. Variables no básicas: Las modificaciones en los coeficientes bi de las líneas correspondientes a las restricciones. En nuestro ejemplo de las papas tenemos: X6 = 325/7 Que corresponde a la restricción 7 X1 + 5 X2+ 3 X3 + 2 X2 + X6 = 120 Si incrementamos el valor de nuestra restricción en 120 + p6. Las modificaciones producidas en la tabla solución de nuestro problema. por la variación en el valor de una variable de holgura básica. Vamos a ver qué 80 . Por ello. Para p6 = -325/7 la solución sería degenerada. están determinados por las variables de holgura. LAS VARIABLES DE HOLGURA. Por ser más representativo este último caso (variación de la variable no básica). Variables básicas: El valor de una variable de holgura BÁSICA representa la disminución máxima que puede tener la restricción a la que está asociada. es la misma que la que se produce en una variable no básica.

todos estos valores nuevos. 50/7 + 10/7 p0 ≥ 0 entonces p0 ≥ -5 325/7 – 61/7 p0 ≥ 0 entonces p0 ≤ 325/61 55/7 – 3/7 p0 ≥ 0 entonces p0 ≤ 55/3 695/7 – 13/7 p0 50/7 – 10/7 p0 325/7 – 61/7 p0 55/7 – 3/7 p0 81 . de la columna bi (bi’). que lo será por definición. pk: es el parámetro asociado a la variable de holgura que indica la variación del valor del término independiente de la restricción. Xh de Lj: es el valor del coeficiente de la variable Xh en la línea Lj. han de ser mayores o iguales a cero. bi de Lj: es el valor viejo del coeficiente bi de la línea Lj.sucede si modificamos un coeficiente correspondiente a una restricción cuya variable de holgura asociada es no básica. sin tener en cuenta el de la L0. Para que la solución siga siendo factible. Si en la restricción: X1 + X2 + X3 + X4 + X5 = 15 Hacemos 15 + p0 Al realizar el proceso del método símplex el valor p0 aparecerá en todas las casillas bi de nuestra tabla solución: bi L 0 L 1 L 2 L 3 Estos valores de la columna bi se obtienen de la siguiente forma: bi’ de Lj = bi de Lj + Xh de Lj * pk donde: bi’ de Lj: es el valor nuevo del coeficiente bi de la línea Lj.

habríamos obtenido lo siguiente: L0 695/7 + 13/7 p0 + 5/7 p2 ≥ 0 L1 50/7 + 10/7 p0 – 1/7 p2 ≥ 0 L2 325/7 – 61/7 p0 + p1 + 4/7 p2 ≥ 0 L3 55/7 – 3/7 p0 + 1/7 p2 ≥ 0 Entonces: . en nuestro ejemplo. Así. 82 .Luego: -5≤ p0≤325/61 Que será el intervalo p0 fuera del cual la solución deja de ser factible.10/7 p0 + 1/7 p2 ≤ 50/7 + 61/7 p0 – p1 – 4/7 p2 ≤ 325/7 + 3/7 p0 – 1/7 p2 ≤ 55/7 Con este sistema se pueden hallar las variaciones que se pueden llevar a cabo sin que se varíe la base. se podrá incrementar la cantidad de productos almacenados hasta: X1= 50/7 + 10/7 * 325/61 X3= 55/7 – 3/7 * 325/61 X6= 325/7 – 61/7 + 325/61 FUNCION OBJETIVO= 695/7 + 13/7 + 325/61 Si hubiésemos variado todos los coeficientes de las restricciones correspondientes a las variables de holgura no básicas.

Vamos a pasar a estudiar la posible inclusión de una nueva variable en nuestro problema. Para ello nos basaremos en un ejemplo. 83 . m: coeficiente (de la nueva variable) incluido en la función objetivo antigua. INCLUSIÓN DE VARIABLES.3.5. Supongamos el siguiente problema: FUNCION OBJETIVO: Max 3 X1 + 5 X2 Sujeto a: X1 ≤ 4 3 X1 + 2 X2 ≤ 18 Cuya solución final es: L0 L1 L2 X1 9/2 1 3/2 X2 0 0 1 X3 0 1 0 X4 5/2 0 ½ bi 45 4 9 Vamos a ver qué sucede si nos aparece una nueva variable X5 que nos transforme el problema en: FUNCION OBJETIVO: Max 3 X1 + 5 X2 + 7 X5 Sujeto a: X1 + X5≤ 4 3 X1 + 2 X2 + 2 X5 ≤ 18 El coeficiente correspondiente a esta variable en la L0 será: (A) * (B) + m = n Siendo: A: matriz fila de los coeficientes de las variables de holgura en la L0 B: matriz columna de los coeficientes (de la nueva variable) incluidos en las restricciones antiguas.

Así obtenemos: X1 X2 13/2 L0 0 L1 1 0 L2 1/2 1 La solución por tanto sería: X3 2 1 -1 X4 5/2 0 1/2 X5 0 1 0 bi 53 4 5 84 . correspondientes a las restricciones. la tabla nos quedaría: L0 L1 L2 X1 9/2 1 3/2 X2 0 0 1 X3 0 1 0 X4 5/2 0 1/2 X5 -2 1 1 bi 45 4 9 Como el coeficiente de la nueva variable en la L0 nos ha salido negativo. Así tendremos: (0.5/2) * 1 . B: matriz columna de los coeficientes (de la nueva variable) incluido en las restricciones antiguas.n: coeficiente de la nueva variable en la L0 de la nueva tabla solución.7 =2 2 Además. 1 0 0 ½ * 1 2 = 1 1 Por tanto. C: matriz de los coeficientes correspondientes a la nueva variable en las líneas de las restricciones en la tabla de nuestro problema modificado. El procedimiento será: (A’) * (B) = (C) Donde: A’: matriz de los coeficientes correspondientes a las variables de holgura en las líneas de las restricciones en la tabla solución del problema inicial. será necesario continuar aplicando el método símplex a esta nueva tabla. también podemos calcular cuáles son los coeficientes de la nueva variable en las casillas de la tabla.

Sea el problema: FUNCION OBJETIVO: Max 3 X1 + 5 X2 Sujeto a: X1 ≤ 4 3 X1 + 2 X2 ≤ 18 La solución óptima de este problema será: X1 X2 X3 L0 9/2 0 0 L1 1 0 1 L2 3/0 1 0 X4 5/2 0 ½ bi 45 4 9 Vamos a modificar nuestro problema inicial cambiando los coeficientes de las restricciones de la variable no básica X1. n: coeficiente nuevo de la variable modificada en la L0 de la nueva tabla solución.5/2) * 2 -3=2 85 .X2 = 5 X5 = 4 5.4. B: matriz columna de los coeficientes nuevos (de la variable modificada) m: coeficiente (de la variable modificada) en la función objetivo. Cambiaremos los coeficientes (1. La modificación de un problema de programación lineal. El coeficiente correspondiente a la variable modificada en la L0 será: (A) * (B) + m = n Siendo: A: matriz fila de los coeficientes de las variables de holgura en la L0. MODIFICACIÓN DE COEFICIENTES DE VARIABLE NO BÁSICA EN RESTRICCIONES. lo vamos a analizar basándonos en un ejemplo. mediante el cambio de alguno o varios coeficientes en las restricciones correspondientes a una variable no básica.2). Así tendremos: (0.3) por (2.

86 X4 bi 5/2 45 0 4 ½ 9 no es negativo.2 Además. El procedimiento será: (A’) * (B) = C Donde A’: matriz de los coeficientes correspondientes a las variables de holgura en las líneas de las restricciones en la tabla solución del problema inicial. B: matriz columna de los coeficientes nuevos (de la variable modificada).2) hubiésemos hecho el cambio (10. Si en lugar de hacer el cambio (2. el valor de . 1 0 0 ½ * 2 2 = 2 1 La nueva tabla quedaría: X1 X2 X3 L0 2 0 0 L1 2 0 1 L2 1 1 0 Nota: como el valor en la L0 de la variable modificada nuestra función objetivo no variará. C: matriz de los coeficientes correspondientes a la variable modificada en las líneas de las restricciones en la tabla de nuestro problema modificado. también podemos calcular cuáles son los nuevos coeficientes de la variable modificada en las casillas de la tabla.1) habríamos obtenido: X1 X2 X3 X4 bi L0 -1/2 0 0 5/2 45 L1 10 0 1 0 4 L2 ½ 1 0 1/2 9 Por lo cual deberíamos de continuar con el proceso simplex para obtener la solución óptima de este nuevo problema. correspondientes a las líneas de las restricciones.

Vamos a ilustrarlo con el siguiente ejemplo: FUNCION OBJETIVO: 5 X1 + 3 X2 Sujeto a: 3 X1 + 5 X2 ≤ 15 5 X1 + 2 X2 ≤ 10 La solución óptima se este problema será: L0 L1 L2 X1 0 0 1 X2 0 1 0 X3 5/19 5/19 -2/19 X4 16/19 -3/19 5/19 bi 235/19 45/19 20/19 Si añadimos la restricción: X2≤ 1 Lo que hacemos es añadir esta circunstancia en la tabla. En el caso de tener un problema de programación lineal y querer modificarlo incluyendo nuevas restricciones. podremos realizar un análisis de sensibilidad y modificar la tabla anteriormente obtenida para encontrar una solución óptima a nuestro nuevo problema. L0 L1 L2 L3 X1 0 0 1 0 X2 0 1 0 1 X3 5/19 5/19 -2/19 0 X4 16/19 -3/19 5/19 0 X5 0 0 0 1 bi 235/19 45/19 20/19 1 Hacemos los cambios necesarios para continuar manteniendo la base que teníamos. Haciendo los cambios para eliminar el <<1>> de L3. AÑADIR NUEVAS RESTRICCIONES. en lugar de volver a resolverlo.5. L0 X1 0 X2 0 X3 5/19 X4 16/19 X5 0 bi 235/19 87 .5.

L1 L2 L3 0 1 0 1 0 0 5/19 -2/19 -5/19 -3/19 5/19 3/19 0 0 1 45/19 20/19 -26/19 Esto nos proporciona una solución no factible. 88 . Más adelante veremos cómo modificar esta solución para intentar encontrar una solución factible y óptima. esta solución no vales. Es decir.

el dual. simplemente. al cual se le llama problema dual o.CAPITULO VI TEOREMA DEL METODO DUAL CAPITULO VI DUALIDAD Todo problema de programación lineal tiene un problema relacionado con él. 89 .

simplemente. entonces: 1. Las propiedades estructurales de los dos problemas pueden provocar una decidida preferencia sobre cuál problema solucionar. su solución puede determinarse resolviendo el problema original o su dual.Las funciones objetivo de los problemas primal y dual alcanzan el mismo valor óptimo 2. En un problema de programación lineal. la solución del primario da toda la información esencial relativa a la solución del problema dual. Aun con los métodos computarizados. Una de sus propiedades es que. las eficiencias del cómputo pueden provenir de la solución de una forma de problema. El problema dual es importante por muchas razones teóricas y. además por motivos prácticos.En un problema original de programación lineal. el dual puede formularse con la información contenida en el primario. Además.. denominado problema primario o. De manera análoga.1 TEOREMA FUNDAMENTAL DE LA DUALIDAD Un problema primal tiene solución si y sólo si el problema dual la tiene. 6.. al ser resuelto suministra información indispensable sobre la solución del problema primario. FORMULACION DEL PROBLEMA DUAL Los parámetros y estructuras de este problema proporcionan toda la información necesaria para formularlo.1 describe la formulación de un problema de 90 .La solución óptima del problema primal aparece debajo de las variables de holgura del último renglón de la tabla símplex final relacionada con el problema dual. si existe una solución. La figura 6. primario.

. y3.El problema primario consta de dos variables y dos restricciones.. El sentido de la optimización es siempre el opuesto de los correspondientes problemas primarios y duales. 4. El número de restricciones en el problema primario siempre es igual a la de las variables del dual. 3. La constante del miembro derecho para la i – ésima 91 .. 2. y2.Los coeficientes de la función objetivo para X1 y X2 en el problema primario son iguales a las constantes del miembro derecho para las restricciones (1) y (2) en el dual. El coeficiente de la función objetivo para la j – ésima variable del problema primario es igual a la constante del miembro derecho para la restricción j – ésima del dual.Las constantes del miembro derecho para las restricciones (1) y (3) en el problema primario son iguales a los coeficientes de la función objetivo para las variables del dual y1.El problema primario es un problema de maximización y el dual es un problema de minimización. mientras que el dual tiene tres variables y dos restricciones. A continuación se hacen algunas observaciones acerca de las relaciones entre estos problemas primarios y duales Problema primario Problem a dual Maximice 2x1 + 4x2 Minimice 800y1 + 350y2 + 125y3 Sujeto a 5x1 + 4x2 3x1 + 2x2 -4x1 + 3x2 -4x1 + 3x2 800 350 125 0 5 4 y1 +3 y1 +2 y2 y2 -4 y3 2 4 Sujeto a (1) (2) (3) +3 y3 Figura 6..1 1.maximización y su dual.

.restricción del problema primario es igual al coeficiente de la función objetivo para la i – ésima variable del dual. Las reglas de transformación en realidad deberían enunciarse según la forma de hacer la transformación de un 92 . 5. Problema de maximización Número de restricciones Restricción (≤) Restricción (≥) Restricción (=) Número de variables Variable no negativa Variable no positiva Variable no restringida Coeficiente de la función objetivo para la j – ésima variable Constante del miembro derecho para la i – ésima restricción Coeficiente en restricción i para la Variable j Tabla 6. el primario puede ser un problema de minimización.Los coeficientes de las variables para la restricción (1) del problema primario son iguales a los de la columna para la variable dual y1. Los coeficientes de las variables para las restricciones (2) y (3) del problema primario son iguales a los coeficientes de columna de las variables del dual y2 Y y3. Los coeficientes de aij en el problema primario son la transpuesta de los del dual. Es decir.2 Problema de minimización Número de variables Variable no negativa Variable no positiva Variable no restringida Número de restricciones Restricción (≥) Restricción (≤) Restricción (=) Constante del miembro derecho para la restricción j – ésima Coeficiente de la función objetivo para la variable i Coeficiente en la restricción j para la variable i Si bien este problema tiene un problema primario que es un tipo de maximización. los coeficientes del renglón del problema primario se convierten en los coeficientes de la columna en el dual y a viceversa.

De igual manera. en el caso de los problemas que contengan cualquiera de esos tipos especiales de variables se cuenta con métodos que nos permiten ajustar la formulación para cumplir con dicha condición. Las variables sin restricción y no positivas violan al parecer la condición de no negatividad del método símplex. Está ultima puede adoptar un valor positivo. 93 . Las relaciones 4 y 8 indican que una restricción de igualdad en un problema corresponde a una variable sin restricción en el otro. negativo o cero. La tabla 6. Aunque eso es cierto. las relaciones 3 y 7 denotan que un problema puede tener variables no positivas (por ejemplo xj ≤ 0).problema de maximización en el correspondiente de minimización o a la inversa.2 sintetiza la simetría de los dos tipos de problema y sus relaciones.

CAPITULO VII ALGORITMO SÍMPLEX DUAL Este algoritmo que vamos a detallar a continuación presenta una serie de ventajas prácticas sobre el símplex normal. siendo algunas de ellas las siguientes: 94 .

Los criterios I y II en el símplex dual sirven para lo contrario que en el simples normal. La base factible inicial para el método símplex dual no está sujeta a ninguna restricción. como la adición de nuevas restricciones o nuevas variables. Vamos a explicar este método aplicando el dual al siguiente problema: Problema: FUNCION OBJETIVO: Min 160 X1 + 120 X2 + 280 X3 Sujeto a: 2 X1 + X2 + 4 X3 ≥ 10 2 X1 + 2 X2 + 2 X3 ≥ 15 X1. que será una base factible de este método. mientras que el criterio II busca la optimalidad.Permite eliminar una base inicial infactible en el caso de restricciones del tipo = ó ≥. y nos queda: Sujeto a: 2 X1 + X2 + 4 X3 – X4 = 10 2 X1 + 2 X2 + 2 X3 – X5 = 15 Formamos la tabla buscando una base factible del dual. 95 . L0 L1 L2 X1 -160 -2 -2 X2 -120 -1 -2 X3 -280 -4 -2 X4 0 1 0 X5 0 0 1 bi 0 -10 -15 Nota: Obsérvese que hemos cambiado de signo los coeficientes de las líneas L1 y L2 para obtener una base. El método explica lo que hemos visto en la comparación del primal y el dual. Presenta ventajas en algunos casos de análisis de sensibilidad. El criterio I va buscando la factibilidad. A diferencia de lo que ocurría en el método del símplex. Aquí no nos importa que los valores de las variables de holgura sean negativos. X3 ≥ 0 Añadimos loas variables de holgura. sin necesidad de introducir variables artificiales. X2.

por tanto. Tomaremos el valor máximo de estos cocientes cuando el problema sea maximizar y el mínimo de ellos cuando se trate de minimizar. aij: coeficiente correspondiente a la variable Xj en la línea L1. -120/-2. Cj/aij para todo Cj< 0 y para todo aij < 0 Siendo: Cj: coeficiente de la variable Xj en LO. saliendo de la base la variable elegida en el criterio I. Volviendo a nuestro ejemplo tendremos: X1 L0 -160 L1 -2 L2 -2 Entra X2 y sale X5 mínimo de ellos: Min (Cj/aij) = Min (-160/-2. entonces el problema primal no tiene solución factible y. que tiene el valor de –15. La variable básica Xh se encuentra en la línea L1. En el caso de que todos los bi sean positivos finaliza el algoritmo y por tanto habremos obtenido la solución óptima. CRITERIO II (Optimalidad) Este criterio selecciona aquella variable que al entrar en la base optimiza más la función objetivo. 60. -280/-2) = Min (80. 140) =60 X2 -120 -1 -2 X3 -280 -4 -2 X4 0 1 0 X5 0 0 1 bi 0 -10 -15 Hacemos los cálculos. y como nuestro problema es de minimizar tomaremos el 96 .CRITERIO I: (Factibilidad) Este criterio nos dice que saldrá de la base aquella variable que sea más infactible. el dual no tiene solución acotada. En este caso saldrá d la base X5. Si todos los aij son positivos.

Como pueden ser: a) Coeficientes de las variables. El análisis de sensibilidad consiste en ver las variaciones que se pueden producir en la solución óptima al variar alguna de las condiciones iniciales del problema. 97 .60 = -120/-2.1 ANÁLISIS DE SENSIBILIDAD. siendo la solución: X1 = 5/2 X2 =5 X3 = 0 7. -120≡ C2 -2≡ a22 Entra la variable X2 Realizando el cambio de base nos queda: L0 L1 L2 X1 -40 -1 1 X2 0 0 1 X3 -160 -3 1 X4 0 1 0 X5 -60 -1/2 -1/2 bi 900 -5/2 -15/2 Entra X1 y sale X4 Operando: L0 L1 L2 X1 0 1 0 X2 0 0 1 X3 -40 3 -2 X4 -40 -1 1 X5 -40 1/2 -1 bi 1000 5/2 10/2 Aquí vemos que no podemos aplicar el criterio I. b) Introducción de nuevas variables. luego el problema termina.

Vamos a verlo con un ejemplo: Supongamos el problema del fabricante de papas (ver anexo I).c) Adición de nuevas restricciones. FUNCION OBJETIVO: Max 4 X1 + 5 X2 + 9 X3 + 11 X4 Sujeto a: X1 + X2 + X3 + X4 ≤ 15 7X1 + 5X2 + 3X3 + 2X4 ≤ 120 3X1 + 5X2 + 10X3 + 13X4 ≤100 Cuya tabla final queda: X1 0 1 0 0 X2 3/7 5/7 -6/7 2/7 X3 0 0 0 1 X4 11/7 -5/7 13/7 12/7 X5 13/7 10/7 -61/7 3/7 X6 0 0 1 0 X7 5/7 -1/7 4/7 1/7 bi 695/7 50/7 325/7 55/7 L0 L1 L2 L3 Calculamos su dual: FUNCION OBJETIVO: Min 15 Y1 + 120 Y2 + 100 Y3 Sujeto a: Y1 + 7 Y2 + 3 Y3≥ 4 Y1 + 5 Y2 + 5 Y3≥ 5 Y1 + 3 Y2 + 10 Y3≥ 9 Y1 + 2 Y2 + 13 Y3≥ 11 Cuya solución es: Y1 = 13/7 Y2 = 0 Y3 = 5/7 98 . d) Etc.

Nota: si hubiésemos tomado otra variable básica (por ejemplo X3) habríamos obtenido el mismo resultado. 1) En las variables no básicas: Veamos la variación.Y4 = 0 Y5 = 3/7 Y6 = 0 Y7 = 11/7 VARIACIÓN DE LOS COEFICIENTES DE LA FUNCIÓN OBJETIVO. Para P2 ≥ 3/7 la solución deja de ser factible. del coeficiente de la variable no básica X2. nuestra solución seguirá siendo factible. 2) En las variables básicas: Tomando por ejemplo. Queremos saber qué valor. P2. 99 . La restricción del dual correspondiente será: Y1 + 5 Y2 + 5 Y3 ≥ 5 + P2 Sustituyendo los valores: P2 ≤ 3/7 Por tanto. por ejemplo. mientras esta condición se cumpla. podemos incrementar al coeficiente para que nuestra solución continúe siendo factible. la variable básica X1 y sustituyendo los valores en la restricción correspondiente en el dual tenemos: 13/7 + 0 + 3 * 5/7 ≥ 4 + P1 13 + 15 – 28 ≥ 7 P1 P1 ≤ 0 que no nos indica nada.

don Francisco y doña Remedios.INTRODUCCIÓN DE UNA NUEVA VARIABLE. En estas condiciones nuestro modelo quedaría modificado de la siguiente manera: FUNCIO OBJETIVO: Max 4 X1 + 5 X2 + 9 X3 + 11 X4 + 3 X8 Sujeto a: X1 + X2 + X3 + X4 + X8 ≤ 15 7X1 + 5X2 + 3X3 + 2X4 + 2X8 ≤ 120 3X1 + 5X2 + 10X3 + 13X4 + 3X8 ≤ 100 Siendo la nueva restricción en el dual la siguiente: Y1 + 2 Y2 + 3 Y3 ≥ 3 Sustituyendo valores nos queda: 28/7 ≥ 3 Por tanto se cumple esta restricción y la variable que hemos introducido se queda fuera de la base. fabricado necesita 3 horas y dos Kg. Esto quiere decir que la restricción del dual. Mientras esta restricción se cumpla en el dual. Si don Francisco desea fabricar este producto. es no factible y por lo tanto. su mujer. Para poder continuar aplicando el método iterativo símplex – dual necesitamos conocer los valores de la columna. deciden producir además papas congeladas para ensalada. 100 . la solución de ambos se modificará. de materia prima. de la nueva variable. tendrá que obtener un beneficio unitario superior a 28/7 (provocando que la nueva variable introducida X8 entrase en la base). correspondiente a la nueva variable introducida en el primal. la variable nueva no entrará en la base. en la tabla. Supongamos también que para cada Kg. Supongamos que en nuestro problema. Además desea venderlo a 3 pesos/Kg. La introducción de una nueva variable en el primal va a suponer incluir una restricción en el dual. Supongamos que decide que este valor sea 10.

5 a38 = 1 * (-3/7) + 2 * 0 + 3 * (1/7) = 0 Los coeficientes serán por tanto: X8 -6 1 -5 L0 L1 L2 101 . L2 y L3 serán: a18 a38 a15 a16 a17 a35 a36 a37 a18 a38 a28 = a25 a26 a27 * a28 Donde a15 a16 a17 A= a25 a26 a27 a35 a36 a37 A es la matriz de los coeficientes transformados de las variables de holgura y a18. son los nuevos coeficientes que la nueva variable tiene en cada una de las restricciones. correspondiente a su restricción.El coeficiente de la LO (en el primal) sabemos que es el valor de la variable de holgura del dual. a28 y a38. En estas condiciones obtenemos que: a18 = 1 * 10/7 + 2 * 0 + 3 * (-1/7) =1 a28 = 1 * (-61/7) + 2 * 1 + 3 * (4/7) = . Y este valor será: 13/7 + 3 * 5/7 – Y8 = 10 Y8 = -6 Los nuevos coeficientes de la variable Y8 para las líneas L1.

Para cada uno de los cuatro productos iniciales.L3 0 Por tanto. Nuestra solución. la base queda no factible pues X9 < 0. se modificará. la nueva restricción será: 2 X1 + 9 X2 +5 X3 + 4 X4 ≤ 10 Vamos a ver si se cumple para nuestra base optimal. los consumos de energía son: X1 → 2 X2 → 9 X3 → 5 X4 → 4 Por tanto. Esta infactibilidad la eliminaremos aplicando el símplex – dual a la tabla final del primal con la nueva restricción. 100/7 + 275/7 = 375/7 Por tanto no se cumple la restricción. Supongamos que en nuestro problema aparece una nueva limitación: el fabricante no puede consumir más que 10Kw de energía eléctrica. AÑADIR NUEVAS RESTRICCIONES. entonces. podemos aplicar el criterio1 del símplex – dual para proseguir las iteraciones. 102 . Introducimos una nueva variable de holgura en la restricción 2 X1 + 9 X2 + 5 X3 + 4 X4 + X9 = 10 Obtendremos una nueva base: 275/7 + X9 = 10 X9 = -205/7 Por tanto.

7 Haciendo las transformaciones necesarias para que a41 = 0 a43 = 0 a46 = 0 Nos queda: X1 0 X2 43/7 X3 0 X4 -22/7 X5 -5/7 X6 0 X7 -3/7 X9 1 bi -205/7 L4 Con esto podemos aplicar el símplex dual para eliminar esta infactibilidad.. a4j j= 1. 103 ..Previamente tendremos que calcular el valor de los coeficientes de la nueva línea L4..

You're Reading a Free Preview

Descarregar
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->