Mtodo de las dos fases El Mtodo de las Dos Fases es una variante del Algoritmo simplex, que es usado

como alternativa al Mtodo de la Gran M, donde se evita el uso de la constante M para las variables artificiales. Se puede resumir as:

Taha, Handy (1995). Investigacin de Operaciones. Investigacin de Operaciones. Mexico DF. 970-15-0115-2.

Fase Uno: Minimizar la suma de las variables artificiales del modelo. Si el valor de la Z ptima es cero, se puede proseguir a la Fase Dos, de lo contrario el problema no tiene solucin. Fase Dos: Con base en la tabla ptima de la fase uno, se elimina de las restricciones las variables artificiales, y se reemplaza la funcin objetivo, por la funcin objetivo original y se resuelve a partir de ah, con el mtodo Simplex tradicional. METODO DE LAS DOS FASES. La desventaja de la tcnica M es el posible error de cmputo que podra resultar de asignar un valor muy grande a la constante M. Esta situacin podra presentar errores de redondeo en las operaciones de la computadora digital. Para evitar esta dificultad el problema se puede resolver en 2 fases.

FASE 1. Formule un nuevo problema reemplazando la funcin objetivo por la suma de las variables artificiales. La nueva funcin objetivo se minimiza sujeta a las restricciones del problema original. Si el problema tiene un espacio factible el valor mnimo de la funcin objetivo ptima ser cero, lo cual indica que todas las variables artificiales son cero. En este momento pasamos a la fase 2.

* Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no tiene solucin y termina anotndose que no existen soluciones factibles

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

PROBLEMA

Maximizar

Sujeto a:

FASE I.

En la FASE I siempre es un problema de minimizacin.

Minimizar

Sujeto a:

V. Bsica Z S1 R1

Z 1 0 0

X1 0 3 3

X2 0 6 1

X3 0 1 2

S1 0 1 0

R1 -1 0 1

Solucin 0 20 15

V. Bsica Z S1 R1

Z 1 0 0

X1 3 3 3

X2 1 6 1

X3 2 1 2

S1 0 1 0

R1 -1 0 1

Solucin 15 20 15

V. Bsica Z S1 X1

Z 1 0 0

X1 0 0 1

X2 0 5 1/3

X3 0 -1 2/3

S1 0 1 0

R1 -1 -1 1/3

Solucin 0 5 5

Aqu termina la fase I.

FASE II. Maximizar

V. Bsica Z S1 X1

Z 1 0 0

X1 -6 0 1

X2 -4 5 1/3

X3 -4 -1 2/3

S1 0 1 0

Solucin 0 5 5

V. Bsica Z S1 X1

Z 1 0 0

X1 0 0 1

X2 -2 5 1/3

X3 0 -1 2/3

S1 0 1 0

Solucin 30 5 5

V. Bsica Z X2 X1

Z 1 0 0

X1 0 0 1

X2 0 1 0

X3 -2/5 -1/5 11/15

S1 2/5 1/5 -1/15

Solucin 32 1 14/3

V. Bsica Z X2 X1

Z 1 0 0

X1 6/11 3/11 15/11

X2 0 1 0

X3 0 0 1

S1 4/11 2/11 -5/11

Solucin 380/11 25/11 70/11

METODO SIMPLEX EN DOS FASES El procedimiento consiste en resolver el modelo en dos etapas o fases. En la primera, se busca obtener una SBF del modelo aumentado, que no incluya variables artificiales. Cuando en esta solucin bsica factible del MA, todas las variables artificiales valen cero, ella es una solucin bsica factible inicial del Modelo original y a partir de ah se inicia la segunda fase del mtodo simplex. Pero puede ocurrir que en la fase 1 no sea posible extraer todas las variables artificiales de la solucin bsica, presentndose los casos de: restriccin redundante analticamente, solucin infactible, inexistencia de solucin;situaciones que discutiremos ms adelante. Veamos cual es el procedimiento en cada fase del algoritmo. Fase 1 Empieza con una solucin bsica factible inicial artificial y equivale al paso inicial del mtodo simplex que conocemos, ya que en ella se trata de hallar una SBFI del modelo original. Para propiciar que las variables artificiales tomen el valor de cero, se construya una funcin objetivo que reemplaza provisionalmente a la del modelo original. Esta nueva funcin se forma con la suma de las variables artificiales y el objetivo es minimizar la suma de ellas. Es importante aclarar que el objetivo de la fase 1, siempre es minimizar la suma de las variables artificiales, aunque el objetivo del modelo original sea maximizar o minimizar. Fase 2 Consiste en buscar la solucin ptima del modelo original partiendo de la SBFI hallada en la Fase 1. Equivale a los pasos 1 y 2 del mtodo simplex. Para iniciar la Fase 2 se toma el tablero final de la Fase 1 y se le escribe la funcin objetivo original del problema, en lugar de la provisional que habamos escrito para iniciar la Fase 1. Enseguida se actualizan la fila Cj y la columna CB, para luego recalcular los valores Zj y Ej, asi como el valor Z. A partir de esta tablero se contina el Mtodo Simplex para la bsqueda de la solucin ptima, considerando el objetivo del problema original. Ejemplo de aplicacion del modelo de las dos faces Supngase que deseamos hallar la solucin ptima del modelo:

Maximizar:Z =

100X1 + 90X2

sujeta a:

6X1 + 4X2 20X1+ 8X2 3X1 + 2X2 1X2

24 160 15 5

Con

X1, X2

Escribimos el modelo en formato estndar y le agregamos las variables artificiales necesarias, para obtener el siguiente modelo ampliado: Maximizar: Z= sujeta a: 100X1+ 90X2+ 0E1+0H2+ 0E3+ 0H4 6X1 + 4X2 1E1 + 1A1 20X1 + 8X2 + 1H2 3X1 + 2X2 - 1E3 +1A3 1X2 + 1H4 X1, X2 0 ; Hi 0 ; Ei 0 ; Ai 0 = 24 = 160 = 15 = 5

Con

Fase 1 de la solucion Vamos a determinar la solucin ptima del Modelo Aumentado, la cual ser la SBFI del modelo original. Para ello planteamos la nueva funcin objetivo, as: Z1= A1 + A2 ; que vamos a minimizar.

Por lo tanto el moelo por resolver queda: Minimizar:Z1 = A1 + A2 sujeta a: 6X1 20X1 3X1 + 4X2 +8X2 + 5X2 1X2 - 1E3 1E1 + 1A1 + H2 +1A3 + 1H4 = 24 = 160 = 15 = 5

Con X1, X2 0 ; Hi 0 ; Ei 0 ; Ai 0

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 0 0 1 0 0 0

Solucion 24 160 15 5 0

XB A1 H2 A3 H4 Z1

Ahora procedamos con el Simplex, para buscar la solucin ptima del modelo aumentado. Como el objetivo es minimizar, la variable de entrada puede ser X1 X2 pues ambas tienen el efecto neto ms negativo. Seleccionamos arbitrariamente a X1 como variable de entrada. La variable de salida ser A1 como se indica a la derecha de la tabla 0.

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 0 0 1 0 1 0

Solucion 4 80 3 5 3

XB X1 H2 A3 H4 Z1

Esta solucin 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 Solucion -2/9 10/3 16/9 256/3 1/3 1 -1/3 4 0 0 1

XB X1 H2 X2 H4 Z1

La tabla actual representa la solucin ptima de la fase 1 del Modelo Aumentado, ya que todos los evaluadores de la fila cero son no positivos (adems, el valor de Z1 es cero). Como todas las variables artificiales estn fuera de la base, esta solucin es una SBFI para el modelo original y podemos continuar con la fase siguiente. Antes de proceder notemos que en las tablas de la fase 1, se observa la misma caracterstica llamada efecto espejo que mencionamos al estudiar el mtodo de las Ms Obviamente la eliminacin no debe efectuarse cuando la variable artificial, corresponde a una restriccin de igualdad, pues en ese caso no hay variable de holgura. Actualizando el rengln de Cj y la columna CB, para luego recalcular los valores Zj y Ej; as como el valor de Z ; y eliminando las columnas de A1 y A2 obtenemos la nueva tabla, asi

Fase 2 de la Solucion 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

Solucion 10/3 256/3 1 4 1270/3

XB A1 H2 X2 H4 Z2

y continuando con el procedimiento del Simplex, entra E1 y sale X2, con lo cual queda: [Ver figura] 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

Solucion 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

Solucion 8 9 24 5 800

XB X1 E3 E1 H4 Z

Entra X2 sale H4

Tabla 6 Cj CB 100 0 0 90 Zj Ej 100 X1 1 0 0 0 0 0 90 X2 0 0 0 1 0 0 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 -2/5 19/5 8/5 1 50 -50

Solucion 6 28 32 5 1050

XB X1 E3 E1 X2 Z

TIPO DE SOLUCION QUE PUEDE OBTENERSE POR EL METODO DE LAS DOS FASES La fase 1 termina cuando se presente la inmejorabilidad (optimalidad) de la funcin objetivo formada por la suma de las variables artificiales. Pero no siempre que la funcin objetivo sea inmejorable su valor es igual a cero, ya que puede presentarse, el caso de que Z1 = 0 habiendo variables artificiales en la base, obviamente con valor cero. Por otra parte, tambin puede tenerse inmejorabilidad con Z1 > 0, lo cual implica que hay al menos una variable artificial en la base, que no pudo expulsarse. Cada uno de estos casos da lugar a un tipo de solucin, como lo aprenderemos enseguida. Caso 1: Z1 =0 ; y no hay variables en la solucin basica 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, a partir de esta solucin. Al termino de esta fase podemos hallar una solucin de uno de los tres tipos de solucion ptima que hemos mencionado, a saber:nica, multiple, ilimitada. Caso 2: Z1=0 y hay variable artificiales en la base El valor de las variables artificiales de la base obviamente debe ser cero. Antes de continuar con la fase 2 debemos intercambiar "Forzadamente" estas variables artificiales por variables reales no bsicas. Puede comprobarse que el intercambio es posible slo en los casos en que el coeficiente de remplazo entre las variables artificial saliente y la variable real candidata a entrar, sea diferente de cero.

Solucin Degenerada Si es posible intercambiar todas las variables artificiales por variables reales (originales o de holgura), se genera una solucin bsica factible inicial degenerada para el modelo original y a partir de ello se puede continuar con la fase 2, sin ningn cambio adicional. Restricciones redundantes analticamente Cuando no se puedan expulsar forzadamente todas las variables artificiales de la solucin , las restricciones asociadas a las variables artificiales que no se pudieron forzar a salir de la solucin ptima, son restricciones redundantes analticamente y se pueden eliminar de la tabla entes de proceder a la fase 2. La redundancia analtica implica que esa restriccin se puede expresar como una combinacin lineal de las otras restricciones involucradas en la solucin ptima y por ello no es necesario que aparezca. Caso 3: Z1>0 Es lgico pensar que para que esto ocurra, deben tenerse variables artificiales basicas con valor positivo. Veremos enseguida que esta situacin es indicio de que el modelotiene solucin inconsistente, ya sea por no existir una solucion o por ser infactible. Solucin Infactible Si es posible intercambiar forzadamente a todas las variables artificiales bsicas por variables reales, el modelo original presentar solucin infactible y no se contina con la fase 2. La infactibilidad se hace patente en el hecho de que las variables reales que reemplazan a las artificiales, toman valores negativos. Inexistencia de una solucin Si el intercambio es parcial, quedarn todava variables artificiales en la solucin y esto indica que no fue posible hallar una SBFI para el modelo original, lo cual nos permite concluir que el modelo no tiene solucin. En resumen, como ya se mencion en el mtodo grfico, un modelo de Programacion Lineal tiene solucin de alguno de los siguientes tipos:

1. Optima nica. 2. Optima mltiple. 3. Optima Ilimitada. 4. Infactible . 5. Inexistente .

No olvide que un modelo de Programacin Lineal correctamente formulado siempre tendr solucin ptima nica. Las solucionen restantes solo aparecen debido a errores en la modelacin o en la introduccin de los datos a la computadora.

http://www.slideshare.net/limker/mtodo-de-dos-fases we en esta link esta una expocion con diapositivas chcalo y aver si puedes descarga las diapositivas, porfa!

El mtodo de las dos fases

Conceptos y Principios Bsicos

Partimos de un problema de programacin lineal de la forma estndar Minimizar Sujeto Ax = x Donde, como m A Mmxn, con rango(A)=m, b R , C Rn C tx a b 0 siempre

Ya hemos visto en la seccin Elemento pivote del Simplex como escribir un problema de programacin lineal en la forma estndar mediante el uso de las variables de holgura. El problema es que, como hemos visto, necesitamos encontrar una submatriz identidad mxm de A para inciar el algoritmo, cosa que no siempre tenemos una vez escrito el problema en forma estndar. En ese caso, aplicamos el llamado mdodo de las dos fases que consiste en lo siguiente
El mtodo de las dos fases

Fase

1) Aadimos una submatriz identidad a la matrix A aadiendo m filas mediante variables artificiales, o sea, la matriz A queda ahora con las dimensiones (n+m) x m. Esto hace que podamos iniciar el algoritmo. 2) Cambiamos la funcin objetivo original por una que tiene todo ceros excepto en las ltmas m componentes que tienen el valor 1 (es decir, el vector C=(0, .., n-veces ..., 0, 1, .., m-veces ..., 1) 3) Iniciamos el algoritmo con este problema pueden darse estos casos:

3a) Llegamos al caso de solucin ptima cero: esto quiere decir que las las variables artificiales han salido de la base, en este caso podemos pasar a la fase 2 del mtodo. 3b) Llegamos al caso de solucin optima finita distinta de cero: El problema original no tiene solucin.

3c) Llegamos al caso de restricciones incompatibles: Entonces el problema original no tiene solcin. 3d) Llegamos al caso de solucin no acotada: Mismo caso que el anterior, el problema no tiene solucin y las restricciones son incompatibles. Fase 2

Eliminamos las variables artificiales y continuamos el algoritmo, para ello: 1) 2) tomamos Tomamos las la funcin m-primeras objetivo columnas de la original matriz C A

3) Continuamos el algoritmo con estos cambios hasta llegar a una de las 4 posibles salidas del problema.

La idea de la fase 1 es eliminar las variables artificiales de la base y obtener la solucin trivial para ella Veremos en esta seccin un ejemplo del mtodo de las dos fases y como manejar las variables artificiales y de holgura. Un ejemplo an ms completo est aqu.
Teora en extensin

Ya vimos que todo problema de programacin lineal puede transformarse en uno de la forma estndar, por ejemplo si tenemos Max(2x1 + 3x1 + 2x1 + x1 + x1, 2x2 + 5x2 + 9x2 x2 , 3x2 + Sujeto x3 3x3 x3 x3 4x3) a 10 15 4 0

Podemos transformarlo en un problema tipo e varias etapas, de la siguiente manera 1) Cambiamos de signo a la funcin objetivo para tener un problema de minimizacin Min(-2x1 3x2 4x3)

2)

Cambiamos 3x1 + 2x1 +

de

signo 2x2 + 5x2 +

la

ltima

de x3 3x3

las

restricciones: 10 15

-x1 -

9x2 +

x3

-4

3) Introducimos variables de holgura para quitar las desigualdades y transformarlas en igualdades: 3x1 + 2x1 + -x1 x1, 4) Y 3x1 + 2x1 + x1 + x1, x2 , x3 , x2 , cambiamos x3 , de 2x2 + 5x2 + 9x2 x4 , signo 2x2 + 5x2 + 9x2 + x4, la x3 + 3x3 + x3 x5 , ltima x3 + 3x3 + x3 + x5 , de las x4 = x5 = x6 = x6 x4 = x5 = x6 = x6 10 15 -4 0 restricciones 10 15 4 0

Ya tenemos el problema en formulacin estndar, lo que antes era un problema en 3 dimensiones, se nos ha convertido en uno de 6 dimensiones, lo cual no es demasiado importante, pues los clculos finales ser el ordenador quien los haga por nosotros. Con estos cambios, la matriz A queda de la siguiente forma

Como vemos an no tenemos una submatriz identidad para comenzar el algoritmo. La solucin, es aplicar el mtodo de las dos fases, que consiste en lo siguiente: FASE 1 1) Aadimos una variable artificial por cada una de nuestras restricciones, las cuales no tendrn incidencia sobre las mismas 3x1 + 2x2 + x3 + x4 + x7 = 10 2x1 + x1 + x1, x2, x3 , 5x2 + 9x2 x4 , 3x3 + x3 x5 , x5 + x6 + x6 , x7 , + + x8 , x8 = x9 = x9 15 4 0

La

matriz

queda

Obsrvese que ahora ya tenemos una submatriz identidad para iniciar el algoritmo del simplex. 2) Iniciamos el algoritmo, pero tomamos como vector de costes cero para todas sus componentes, excepto aquellas que corresponden a variables artificiales, es decir, tomamos la funcin objetivo Min Por Ct = tanto (x7 + el Vector x8 + de Costes x9 ) es

(0,0,0,0,0,0,1,1,1)

La idea es obtener una solucin en la que todas las variables artificiales sean cero, es decir, queremos encontrar una solucin S0 tal que x7, x8 , x9 = 0

De este modo, podremos sacar las variables artificiales de la base y podemos seguir iternado sin ellas. Cualquier otra solucin que obtengamos ya sea finita o infinita al final de la primera fase, har que nuestro problema no tenga solucin. FASE 2 Si se ha dado la solucin S0 al final de la primera fase, eliminamos las variables artificiales y cambiamos la funcin objetivo por la nuestra, en nuestro ejemplo volvemos a tomar como funcin objetivo Min(-2x1 por Ct = tanto el vector 3x2 de costes es 4x3) ahora:

(-2,-3,-4,0,0,0)

Ahora aplicamos el algoritmo, con este vector de costes y con la matriz A que haya restado de eliminar las variables artificiales en la primemra fase, obsrvese que ya hemos prescindido de las variables artificiales, esto es gracias a que al finla de la fase 1 hemos obtenido la solucin cero. Debe tenerse en cuenta que si obtenemos solucin ptima para las variables que no son originales (variables bsicas) simplemente, tenemos que eliminarlas de nuestra solucin, es decir, las hacemos cero. Para este ejemplo tenemos la solucin ptima finita obtenida numricamente, Ejecutalo aqu: x1 = 0.0 x2 = x3 = Lo Z que da una maximizacin = para la fucin 0.84375 3.59375000000000 objetivo de 16.90625