Escolar Documentos
Profissional Documentos
Cultura Documentos
EJEMPLO 1:
Supngase que el problema original (PO) consiste en producir un Volumen X de un producto
qumico A que se vende a 5 dlares por litro y otro volumen Y de un producto qumico B que se
vende a 3 dlares el litro. Dos tipos de restricciones se consideran en ste ejemplo, personal y costo
de produccin. En lo que se refiere a la primera restriccin se tiene un mximo de 15 personas,
mientras que en lo segundo se tiene un mximo de 10 dlares por hora de trabajo. Los coeficientes
tecnolgicos estn dadas por:
Z X1 X2 X3 X4
1 5 3 0 0 0
a3 0 3 5 1 0 15
a4 0 5 2 0 1 10
Aplicando el algoritmo del mtodo simplex se obtiene el tablero ptimo que resulta ser:
Z X1 X2 X3 X4
1 0 0 5 19 16 19 235/19
a2 0 0 1 5 19 3 19 45 / 19
a1 0 1 0 2 19 5 19 20 / 19
O sea
X 2 45 19
X B X1 20 19
X
X X3 0
N
X 0
4
Z 235 19
5 19 3 19
B 1
2 19 5 19
Supngase que por una deprecin econmica el nmero de empleados debe reducirse a 5 y el costo
mximo de produccin a 5 dlares por hora. El nuevo vector de disponibilidad de recursos es
15 10 5
b b
10 5 5
Manuel Alvarado Contreras Ramn Vera Roalcaba 161
INVESTIGACIN DE OPERACIONES Programacin Lineal
5 19 3 19 5
X B B 1 (b b)
2 19 5 19 5
10 19 0
15 19 0
y por lo tanto el nuevo vector X B
X B B 1 (b b)
X 10 19
X B 2
X1 15 19
EJEMPLO 2:
Supngase ahora que el personal se reduce a 10 personas, pero el costo mximo por hora de
produccin se aumenta a $ 20. El nuevo programa a resolver sera
Mx Z 5X1 3X 2
sujeto a :
3X1 5X 2 10
5X1 2X 2 20
X1 0, X 2 0 (NP)
Utilizando el analisis de sensibilidad se tiene que
X B B 1 ( b b)
5 19 3 19 10
2 19 5 19 20
10 19 0
80 19 0
y por lo tanto se hace necesario utilizar el dual simplex para restaurar la factibilidad y obtener
optimalidad del nuevo problema. Utilizando el tablero ptimo del programa original, con la nueva
columna X B se tiene
Siguiendo el Algoritmo del Dual Simplex se tiene que:
Variable que sale de la base es a2.
Variable que ingresa a la base es a4.
Z X1 X2 X3 X4
1 0 0 5 19 16 19
a2 0 0 1 5 19 3 19 -10/19
0 1 0 2 19 5 19 80/19
a1
Tablero ptimo
1 0 16 3 80 57 0
a4 0 0 19 3 5 3 1 10/3
0 1 5 3 13 0 10/3
a1
Z cBX B
X
c4 , c1 4
X1
10 3
0, 5
10 3
$ 50/3
$ 16.66.
Ntese que la produccin de 10/3 litros del producto qumico A implican el uso de
10
3 5 0 10
3
obreros, que son los que se tienen, originando que la holgura X 3=0, mientras que por el lado de la
restriccin del costo se tiene que
10 50
5 2 0
3 3
Manuel Alvarado Contreras Ramn Vera Roalcaba 163
INVESTIGACIN DE OPERACIONES Programacin Lineal
Inicio
Dado el P.O. en su
forma cannica y hallar
la solucin ptima
Cumplen las
No condiciones de Si
optimalidad?
Aplicar el mtodo La solucin sigue
simplex, para obtener siendo ptima
la nueva solucin
fin
EJEMPLO 1:
Tmese como problema original el siguiente programa lineal.
Mx Z 5X1 3X 2
sujeto a :
3X1 5X 2 15
5X1 2X 2 10
X1 0, X 2 0 (PO)
cuyo tablero ptimo es
Z X1 X2 X3 X4
1 0 0 5 19 16 19 235/19
a2 0 0 1 5 19 3 19 45/19
0 1 0 2 19 5 19 20/19
a1
Supngase que el precio unitario del producto qumico B, se reduce de $ 3 a $ 1. El nuevo problema
lineal es
Mx Z 5X1 X 2
sujeto a :
3X1 5X 2 15
5X1 2X 2 10
X1 0, X 2 0 (NP)
Ntese que
c c 5, 3, 0, 0 0, 2, 0, 0
5, 1, 0, 0
Cmo la nica componente de c que cambi es c2, nicamente z 2 c 2 cambia a
z 2 c 2 c 2 a 2 c 2 c 2
5
5 19 , 16 19 1 2
2
Pero z 2 c 2 c 2 0 en condiciones de optimalidad porque j=2 est en la base original ptima
de (PO). Entonces, mediante operaciones matriciales elementales se transforma el siguiente tablero.
Z X1 X2 X3 X4
1 0 2 5 19 16 19 235/19
a2 0 0 1 5 19 3 19 45/19
0 1 0 2 19 5 19 20/19
a1
En
Z X1 X2 X3 X4
1 0 0 5 19 22 19 145/19
a2 0 0 1 5 19 3 19 45/19
0 1 0 2 19 5 19 20/19
a1
Z X1 X2 X3 X4
1 0 1 0 1 10
a3 0 0 19 5 1 3 5 9
0 1 2 5 0 15 2
a1
Osea
X3 9
X X 2
X B 1
X N X2 0
X4 0
Z 10.
El lector podr comprobar en efecto que la solucin satisface las restricciones del problema.
EJEMPLO 2:
Supngase que el precio de ambos productos qumicos es de $1. El nuevo problema a resolver sera
Mx Z X1 X 2
sujeto a :
3X1 5X 2 15
5X1 2X 2 10
X1 0, X 2 0
El nuevo vector c c es
Manuel Alvarado Contreras Ramn Vera Roalcaba 166
INVESTIGACIN DE OPERACIONES Programacin Lineal
c c 5, 3, 0, 0 4, 2, 0, 0
1, 1, 0, 0
O sea, slo z1 c1 y z 2 c 2 han cambiado a
z 1 c1 c1 a 1 c1 c1
3
5 19 , 16 19 1 4
5
z 2 c 2 c 2 a 2 c 2 c 2
5
5 19 , 16 19 1 2
2
Como tanto el vector a1 y a2 estn en la base ptima correspondiente a (PO), la z1 c1 c1 y
z 2 c 2 c 2 deben ser cero. Los vectores unitarios a1 y a2 se restablecen del tablero.
Z X1 X2 X3 X4
1 4 2 5 19 16 19 235/19
a2 0 0 1 5 19 3 19 45/19
0 1 0 2 19 5 19 20/19
a1
Z X1 X2 X3 X4
1 0 0 3 19 2 19 65/19
a2 0 0 1 5 19 3 19 45/19
0 1 0 2 19 5 19 20/19
a1
EJEMPLO 3 :
Sea el problema original
Mx Z 3X1 5X 2
sujeto a :
X1 4
3X1 2X 2 18
X1 0, X 2 0 (PO)
siendo su tablero ptimo el siguiente :
Z X1 X2 X3 X4
1 9 2 0 0 5 2 45
a3 0 1 0 1 0 4
0 3 2 1 0 12 9
a2
c c 3, 5, 0, 0 3, 0, 0, 0
6, 5, 0, 0
Cmo la nica z j c j cambia a
z1 c1 c1 a 1 c1 c1
1
0, 5 2 6 3 2
3
el nuevo tablero quedara
Z X1 X2 X3 X4
1 3 2 0 0 5 2 45
a3 0 1 0 1 0 4
0 3 2 1 0 12 9
a2
Y por lo tanto es ptimo. Como se ve en este ejemplo, al cambiar el precio unitario de X 1 (que no es
bsico) de $3 a $6, no ha cambido la solucin ptima que es
X3 4
X B X 2 9
X X 0 y Z 45.
XN 1
X4 0
La razn es muy sencilla. Como X 1 no es bsico, su nivel de utilizacin es cero. El cambio hecho en
su precio unitario no es lo suficientemente atractivo para que el nivel de utilizacin de X 1 se
incremente de su valor cero.
Inicio
Dado el P.O. en su
forma cannica y hallar
la solucin ptima
no si
Los nuevos zj-cj
son mayor e igual
que cero?
Aplicar el mtodo La solucin sigue
simplex, para obtener la siendo ptima
nueva solucin ptima
fin
EJEMPLO 1
Mx Z 3X1 5X 2
sujeto a :
X1 4
3X1 2X 2 18
X1 0, X 2 0 (PO)
Z X1 X2 X3 X4
1 9 2 0 0 5 2 45
a3 0 1 0 1 0 4
0 3 2 1 0 12 9
a2
1
Paso2. Supngase que el vector a 1 , X1 es no bsico en la solucin ptima de P.O. entonces
3
2
se cambia a a 1 , el nuevo problema a resolver es
2
Mx Z 3X 1 5X 2
sujeto a :
2X 1 4
2X 1 2X 2 18
X 1 0, X 2 0 (NP)
Paso4. Como z1 c1 2 0 , el nuevo tablero es ptimo y la solucin ptima del P.O. contina
siendo la solucin ptima del NP.
Z X1 X2 X3 X4
1 2 0 0 5 2 45
a3 0 1 0 1 0 4
0 3 2 1 0 12 9
a2
X3 4
XB X2 9
X X 0
N 1
X
X 0
4
Z 45.
EJEMPLO 2:
Paso3. Como cambia el vector a1, entonces se halla el nuevo elemento z1 c1 sera
z 1 c1 a 1 c1
10
0, 5 2 3 1 / 2.
1
El mtodo simplex se aplica al siguiente tablero, que difiere del tablero ptimo de (PO) en el
trmino z1 c1 y el la columna Y1.
Variable que ingresa a la base es X1
Variable que sale de la base X3.
Z X1 X2 X3 X4
1 1 2 0 0 5 2 45
a3 0 10 0 1 0 4
0 12 1 0 12 9
a2
Despus de aplicar el algoritmo del mtodo simplex se obtiene el siguiente tablero que es ptimo:
1 0 0 1 20 5 2 45.2
a1 0 1 0 1 10 0 4 10
0 0 1 1 20 1 2 8.8
a2
X1 0.4
X X 8.8
X B 2
La nueva solucin ptima es X N X3 0
X 0
4
Z 45.2.
3.8.5 ADICIN DE NUEVAS ACTIVIDADES XJ
3.8.5.1 ALGORITMO DE ADICION DE NUEVAS ACTIVIDADES
Inicio
Dado el P.O. en su
forma cannica y hallar
la solucin ptima
Aadir nuevas
actividades
El nuevo zj-cj es
No Si
mayor o igual cero
La nueva actividad
Aplicar el mtodo
no entra a la base y
simplex, hasta obtener
su valor de
la optimalidad
utilizacin es cero
fin
EJEMPLO 1:
Supngase que el problema original es
Mx Z 3X1 5X 2
sujeto a :
X1 4
3X1 2X 2 18
X1 0, X 2 0 (PO)
Conviene producir una nueva actividad X 5 cuyo precio unitario es $7 y su vector de coeficientes
1
tecnolgicos a 5 ?
2
Z X1 X2 X5 X3 X4
1 9/2 0 2 0 5 2 45
a3 0 1 0 1 1 0 4
0 3/ 2 1 1 0 12 9
a2
El tablero ptimo
1 13 / 2 0 0 1 20 5 2 53
a5 0 1 0 1 1 0 4
0 1/ 2 1 0 1 12 5
a2
EJEMPLO 2:
Paso1. Teniendo en cuentra el programa lineal anterior, se aade una variable X5.
Paso2. Supngase que en el problema anterior el precio unitario de la nueva actividad X 5 es $4 y el
10
vector a 5 . El nuevo problema a resolver es
4
Mx Z 3X1 5 X 2 4 X 5
sujeto a :
2X1 10X 5 4
2X1 2 X 2 4 X 5 18
X1 0, X 2 0, X 5 0 (NP)
El trmino z 5 c 5 es
z 5 c 5 a 5 c 5
10
0, 5 2 4 6
4
Paso3. Como z 5 c 5 = 6 >0, el tablero ptimo correspondiente a (PO) es ptimo para (PN) y X 5
debe ser igual cero. En otras palabras, bajo las condiciones actuales, no se debe producir X 5 y la
solucin ptima de (PN) es
X3 4
X B X 2 9
X X 0
X
N 1
X4 0
Z 45
conviene terminar esta seccin explicando el significado de z j c j .
EJEMPLO 3:
Supngase el problema
Mx Z 5X1 3X 2
sujeto a :
3X1 5X 2 10
5X1 2X 2 20
X1 0, X 2 0 (PO)
cuyo tablero ptimo es
Z X1 X2 X3 X4
1 0 16 3 5 3 0 50/3
a1 0 1 5 3 1 3 0 10/3
0 0 19 3 5 3 1 10/3
a4
10
X1 , X2 0
3
50
Z
3
Z Z (z 2 c 2 )
50 16 34
3 3 3
Por el otro lado, si se quiere que en la solucin ptima X 2 sea bsico, el precio unitario de X 2 debe
aumentar de $ 5 a
c c 2 (z 2 c 2 )
16 31
5
3 3
Paso1. Sea el programa lineal de la forma cannica (PO) cuya solucin ptima se obtuvo.
Mx Z cX
sujeto a :
AX b
X 0. (PO)
Paso2. Si al aadir k (k>0) nuevas restricciones del tipo
n
a ij X j b i i m 1, , m k
j1
al problema original (PO).
Paso3. Si la solucin ptima XB asociada a (PO) las satisface, entonces X B es tambin solucin
ptima del nuevo problema. Por el contrario, si X B viola alguna de las k nuevas
restricciones, habr que restablecer la factibilidad del nuevo problema y obtener su
optimalidad por va del mtodo dual simplex.
En caso de ser necesario la aplicacin del mtodo dual simplex, cada una de las k
restricciones deben aadirse en el tablero ptimo de (PO) con su correspondiente variable
de holgura. Todos los vectores unitarios asociados al tablero ptimo de (PO) con su
correspondiente variable de holgura. Todos los vectores unitarios asociados al tablero
ptimo de (PO) deben re-establecerse por medio de operaciones elementales matriciales. El
mtodo dual simplex, debe aplicarse hasta obtener una solucin ptima.
Dado el P.O. en su
forma cannica y hallar
la solucin ptima
Aadir nuevas
restricciones al problema
La Solucin ptima X B
No del P.O satisface las Si
restricciones nuevas?
fin
EJEMPLO:
Supngase que el programa original (PO) es el siguiente:
Manuel Alvarado Contreras Ramn Vera Roalcaba 176
INVESTIGACIN DE OPERACIONES Programacin Lineal
Mx Z 5X 1 3X 2
sujeto a :
3X1 5X 2 10
5X1 2X 2 20
X 1 0, X 2 0 (PO)
cuyo tablero ptimo es
Z X1 X2 X3 X 4
1 0 0 5 19 16 19 235/19
a2 0 0 1 5 19 3 19 45/19
0 1 0 2 19 5 19 20/19
a1
a2 0 0 1 0 0 1 1
a1 1 0 0 15 2 5 8 5
0
0 0 1 3 5 19 5 26 5
a3 0
La nueva solucin ptima es
X2 1
X
1 85
X X 26 5
X B 3 y Z 11
XN X4 0
X5 0
La solucin prctica de problemas reales que utilizan modelos de programacin lineal, presentan la gran
dificultad de que contienen mucha informacin que deben almacenarse en la computadora. Supngase por
ejemplo un problema con 10 000 variables de decisin y 500 restricciones. En este caso la matriz A tendra 5
millones de componentes, quiz muchas de ellas con valores de cero, que habra que guardar dentro de una
computadora. Muchas computadoras no tienen capacidad de memoria que les permita almacenar toda la
informacin requerida en la solucin de problemas lineales de tales dimensiones. Aun suponiendo que si
tuviera memoria y dispositivos especiales para guardar toda esa informacin , se consumira mucho tiempo
en el acceso de esa informacin para el calculo de los diferentes pasos del mtodo simplex. Este tiempo se
vende comercialmente a precios muy elevados.
Bajo tales problemas se han desarrollado mtodos que aprovechando las propiedades bsicas de la estructura
del mtodo simplex, permiten la solucin de problemas lineales bastante grandes, sin requerir del
almacenamiento de toda esa informacin y sin incrementar el tiempo de cmputo.
La estructura del tablero inicial de cualquier programa lineal de forma cannica es:
Z X1 X2 Xn X n 1 X n 2 X n m
1 -c 0 0
0 A I (base inicial) b
z1 c1 z 2 c 2 z n c n z n 1 c n 1 z n m c n m
1 c B B 1A c c B B 1 Z cBXB
0 B 1A B 1 X B B 1b
XB = B-1 b
Donde B es la base correspondiente a esa iteracin; el valor de la funcin objetivo en cada iteracin es:
Z = CB X B
Zj - Cj = CB B-1aj-cj, j en A
Se puede entonces resumir, que en cada iteracin el nico elemento indispensable es B -1 pues conociendo B-1
se pueden calcular XB, Z y Zj - Cj .
El mtodo simplex revisado utiliza una notacin de forma matricial para hallar la solucin al problema.
Vector de precios o
Costos unitarios
Sujeto a:
a11 a12 a1n x1 b1
a a 22 a 2 n x b
21 2 2 Vector de Disponibilidad
de recursos
a m1 am2 a mn xn bm
Matriz de coeficientes tecnolgicos
x1 0
x 0
2
Vector columna de nceros
0
xn
A = Matriz de coeficientes tecnolgicos cada elemento a ij en la matriz A, con i = 1,...,m y j = 1,...,n, representa
la cantidad de recursos j que se necesita por unidad de actividad i.
Mx Z = CX
Sa.
Ax b
x0
Paso 2: Establecer variables
Paso 4: Hallar XB y Z
Manuel Alvarado Contreras Ramn Vera Roalcaba 179
INVESTIGACIN DE OPERACIONES Programacin Lineal
Hallando:
Z j C j C B B 1 a j c j , j en N
Si todos Z j C j 0 la solucin X B es ptima (fin de iteracin)
Caso contrario el vector que entra a la base ser el ms negativo: X j
INICIO
1) Dado un programa
lineal cannico
2) Establecer variables
Bsicas y No Bsicas
3) Hallar B-1 de la
iteracin actual
4) Hallar XB y Z
si1
5) Zj -Cj0 Fin
0
no
7) Ir al paso 2
Ejemplo
Manuel Alvarado Contreras Ramn Vera Roalcaba 180
INVESTIGACIN DE OPERACIONES Programacin Lineal
Mx Z 3X1 2X 2 5X 3
Sujeto a :
X1 2X 2 X 3 430
3X1 2X 3 460
X 1 4X 2 420
X1 0, X 2 0, X 3 0
Agregamos variables de holgura X4, X5 y X6 a cada restriccin con coeficientes cero (0) en la funcin
objetivo para tener el problema en la forma estandar.
C B 0 0 0
Primera Iteracin
X 4 X1 1 0 0
X B X 5 ; X N X 2 ; B 0 1 0 B 1
X 6 X 3 0 0 1
X B B 1 b
X 4 1 0 0 430 430
X B X 5 0 1 0 460 460 C B 0 0 0
X 6 0 0 1 420 420
1 0 0 430
Z CB B b 0
1
0 0 0 1 0 460 0
0 0 1 420
Z j C j C B B 1 a j c j , j en N
X1 X2 X3
Manuel Alvarado Contreras Ramn Vera Roalcaba 181
INVESTIGACIN DE OPERACIONES Programacin Lineal
1 0 0 1 2 1
0 0 0 0 1 0 3 0 2 3 2 5 3 2 5
0 0 1 1 4 0
Por lo que el vector de entrada ser X3 (por ser el ms negativo). El vector de salida se determina por medio
de la siguiente relacin.
Y13 1 0 0 1 1
X Bi
Min Yi 3 0 , donde Y3 Y23 B 1 a3 0 1 0 2 2
i 1 m
Yi 3 Y33 0 0 1 0 0
X 4 430
Sabemos que: X B X 5 460
X 6 420
430 460
Por lo tanto Min , 230 y X5 sale de la base.
i 1 3
1 2
Segunda Iteracin
Las variables bsicas son ahora (X4, X3,X6) con matriz bsica (sustituyendo X5 por X3):
1 1 0 1 1/ 2 0
B 0 2 0 B 1
0 1/ 2 0
0 0 1 0 0 1
X B B 1b
X 4 1 1 / 2 0 430 200
X B X 3 0 1 / 2 0 460 230 C B 0 5 0
X 6 0 0 1 420 420
200
Z C B B 1b C B X B 0 5 0 230 1150
420
Para calcular los elementos que indican el criterio de optimalidad se tiene que
N X1, X 2 , X 5 , B X 4 , X 3 , X 6
Z j C j C B B 1 a j c j , j en N
1 1/ 2 0 1 2 0 X1 X2 X5
0 5 0 0 1/ 2 0 3 0 1 3 2 0 9 / 2 2 5 / 2
0 0 1 1 4 0
Y por lo tanto X2 entra a la nueva base B. El vector de salida de la base B se determina mediante el siguiente
clculo:
Y12 1 1 / 2 0 2 2
X Bi
Min Yi 2 0 , donde Y2 Y22 B a 2 0 1 / 2 0 0 0
1
i 1 m Y
i2 Y32 0 0 1 4 4
200 420
Por lo tanto Min , 100 y X4 sale de la base.
i 1 3
2 4
Tercera Iteracin
Las variables bsicas son ahora (X2, X3,X6) con matriz bsica (sustituyendo X4 por X2):
2 1 0 1 / 2 1/ 4 0
B 0 2 0 B 1 0 1/ 2 0
4 0 1 2 1 1
X B B 1b
X 2 1 / 2 1 / 4 0 200 100
X B X 3 0 1 / 2 0 230 230 C B 2 5 0
X 6 2 1 1 420 20
100
Z CB B b CB X B 2
1
5 0 230 1350
20
Para calcular los elementos que indican el criterio de optimalidad se tiene que
N= X 1 , X 4 , X 5 , B X 2 , X 3 , X 6
Z j C j C B B 1 a j c j , j en N
1 / 2 1/ 4 0 1 1 0
2 5 0 0 1/ 2 0 3 0 1 3 0 0
2 1 1 1 0 0
4 1 2
X 2 100
X 3 230
X B X 6 10
X ; Z = 1350
X N X1 0
X 0
4
X 6 0
RCYM
El mtodo simplex revisado es un mejoramiento del mtodo simplex en cuanto a la solucin de problemas
lineales grandes que requieren gran cantidad de almacenamiento de informacin. Sin embargo, en bastantes
problemas reales, el almacenar una matriz de orden m por m (la matriz B-1 ) puede resultar una tarea, si no
imposible, s bastante complicada y que consume mucho tiempo.
El mtodo de descomposicin lineal viene a ser un mejoramiento del mtodo simplex revisado en ciertos
casos. Resulta que mientras ms grande es la matriz A, tambin es mayor el nmero de ceros de la misma. Es
decir, por regla general, a medida que la matriz de coeficientes tecnolgicos aumenta (por tenerse ms
actividades y ms restricciones), esta se va haciendo menos densa, donde la densidad es la relacin de
nmeros diferentes de cero en la matriz entre el nmero total de sus componentes. Bajo ciertas condiciones,
se pueden resolver por medio de los mtodos de descomposicin lineal, problemas que no se pueden resolver
por el mtodo simplex revisado, por cuestiones de espacio disponibles en una computadora.
A continuacin se ven las condiciones que debe tener la matriz de coeficientes tecnolgicos A, para que se
pueda aplicar la descomposicin lineal y ver tambin , cul es la estructura en donde se basa esta
descomposicin
Sujeto a :
p
L X
j 1
j j b0 (2)
A j X j bj , j 1 p
X j 0, j 1 p
Cada juego de restricciones AjXj=bj define un conjunto convexo S j idntico a la regin de factibilidad
estudiada con anterioridad. Sea X ij los puntos extremos de la regin S j Entonces, cualquier solucin bsica
factible Xj de (2.68) puede escribirse en funcin de los puntos extremos como:
Sj
X j ij X ij , j 1 p
i 1
Sj
i 1
ij 1 j 1 p (3)
ij 0, i 1 S j
j 1 p
donde Sj es el nmero de puntos extremos de la regin de factibilidad S j. Entonces reemplazando Xj en la
estructura anterior tenemos :
p Sj
Mx Z c j ij X ij
j1 i 1
Sujeto a :
p Sj
j 1 i 1
L j ij X ij b0 (4)
Sj
i 1
ij 1, j 1 p
ij 0, i 1 S j
j 1 p
Se hace el siguiente cambio de notacin
dij=LjXij, i=1..Sj
cij=cjXij j=1..p (5)
(4) en (5) da
p Sj
Mx Z c ij ij
j 1 i 1
Sujeto a :
p Sj
j 1 i 1
dij ij b0 (6)
Sj
i 1
ij 1, j 1 p
ij 0, i 1 S j
j 1 p
Las variables de decisin ene el problema (2.73) son las ij que una vez halladas permiten conocer el valor
de las Xj, utilizando la relacin (2.70). La estructura del problema lineal (2.73) se presenta a continuacin
S1 S2 Sp
..
1 1 1 0 0 0 0 0 0 0 0 1 1 ... 1 0
0
0 0 ... 0 0 0 .0 1 .... 1 ..
.. = b0
..
=1
=1
Donde 0, 1 , 2, p son los vectores duales asociados con las restricciones del
problema (6)
p p
El problema original (2) que contiene m 0 m i restricciones y ni variables de decisin ha sido
i 1 i 1
convertido en un problema equivalente (6), con menos restricciones (de hecho con m0+p ),aunque con un
p
nmero mucho mayor de decisiones, s j . Adems de que el grado de dificultad en resolver un
j1
problema lineal est ene el nmero de restricciones, en el problema (6) no se necesita necesariamente trabajar
con todas las variables ij , i=1... Sj; j=1...p al mismo tiempo, si se necesita conocer todos los puntos
extremos Xij , i=1...Sj; j=1...p. Eso acarrea que el problema (6) sea ms atractivo para resolver, que el
problema (2), en los casos que la estructura de A sea como la dada en (1).
Como la matriz en (6) tiene m0+p renglones, la base de (6) debe tener m0+p vectores. Si de alguna manera se
logra generar una solucin inicial que sea bsica y factible, se tiene como consecuencia a los indicadores
d ij
z ij c ij , j N. Si z ij c ij 0 para j en N, entonces la columna j, dad por el vector entrar en la
e j
base.
Pero
d ij
z ij 0 ,
ej
0
Donde 0 es el vector dual con m 0 componentes ( 1 , 02 , 0m ) asociado a las primeras
0
m0 restricciones primarias de (6) y es el vector dual con p componentes ( 1 , 2, p )
asociado a las ltimas p restricciones primarias de (6).
Entonces,
d ij
z ij c ij 0 , c ij
e j
0 d ij e j c ij
Si el mnimo de todos los z ij c ij 0 , la solucin asociada a ese tablero es ptima. De otra manera , es
decir, si hay algn z ij c ij 0 , habr que buscar en cada regin factible Sj el mnimo z ij c ij ,
resolviendo el siguiente problema
Mn (z ij c ij ) Mn ( 0 d ij e j c ij )
j1...p j1...p
Pero como en todas las regiones de factibilidad S j , el vector es el mismo, este puede desaparecer de la
funcin objetivo anterior ya que es una constante dejando a esta como
Mn
j1...p
( 0 d ij c ij )
Mn ( L
j 1... p
0 j c j ) X ij
Sujeto a :
A jX j bj , j 1, ...., p
X j 0
Como la funcin objetivo en (8) es alinear, el ptimo ser siempre un punto extremo X ij .Si
( 0L j c j ) X ij j 0
d ij
El vector deber entrar en la nueva base y el mtodo simplex se usar como de costumbre. Cuando se
e j
d ij
introduce el vector a la nueva base, deber ste de actualizarse, multiplicndose por la base inversa
e j
actual B-1 antes de efectuar las operaciones matriciales elementales. Si al resolver p problemas lineales de la
forma(2.75) el
Min 0 L j c j X ij j 0 para j=1...p
j1p
(9)
La solucin es ptima.
Paso 2
Redzcase un problema (1) en un problema modificado (4) por medio de las formulas (3)
Paso 3
Constryase el tablero inicial y encuntrese la solucin inicial bsica y factible.
Paso 4
Con la solucin actual, resulvase p problemas lineales de la forma :
Min 0 L j c j X ij
sujeto a :
A jX j b j j 1, p
Xj 0
Si:
Min
j1p
0 L j c j X ij j 0 (9)
Paso 5
El mnimo obtenido en (9) corresponde a una ij . Introdzcase esta a la nueva base. Actualcese el
d ij
nuevo vector multiplicndose por B-1 . Determnese el vector a salir de la base . Actualcese
e
j
la base, tal como se hizo en el mtodo simplex revisado y regrsese al paso 3.
INICIO
Dado un PL pasar a
la forma estndar
0
Se puede aplicar el
algoritmo de DL
Reduzca el problema
de forma estndar a No se puede
uno modificado resolver por el
mtodo de DL
,resolver por otro
mtodo
Construya el tablero
inicial y encuentre la
SIBF
no
La sol.
es
ptima
si
Ejemplo
Resolver por el mtodo de descomposicin lineal el siguiente problema.
Mx Z X 1 2 X 2 X 3 3 X 4
Sujeto a :
X1 X2 X3 X4 200
X1 2X 2 X3 3X 4 400
X1 2X 2 100
4X1 6X 2 300
3X 3 6X 4 600
X 4 20
X i 0, i 1, ,4.
Una vez que se introducen las variables de holgura X5 y superflua X6 se tiene la siguiente estructura que
conforma a los requisitos de la descomposicin lineal.
Mx Z = X1 + 2X2 + X3 + 3X4
Sujeto a:
X1 + X2 + X3 + X4 + X5 - = 200
X1 + 2X2 + X3 + 3X4 X6 = 400
X1 + X2 + X7 = 100
4X1 + 6X2 + X8 = 300
+ 3X3 + 6X4+ X9 + = 600
X4 - X10 = 20
c1 1, 2, 0, 0 c 2 1, 3, 0 0
1 1 0 0 1 1 0 0
L1 L2
1 2 0 0 1 3 0 0
1 2 1 0 3 6 1 0
A1 A2
4 6 0 1 0 1 0 1
200 100
b0 b1
400 300
600
b2 X1 X1 , X2, X7 , X8
20
X 2 X 3 , X 4 , X 9 , X10
Iteracin 1.
Paso 1:
Se aaden las variables artificiales X a1 , X a 2 y X a 3 y la solucin inicial del problema modificado (4)
se da a continuacin:
1,1 2,1 a1,1 1,2 2, 2 a 2 , 2
X6 X5 X a1 X a2 X a3
c1 X11 c1X 21 c1X ac12,1X1,2 c 2 X 2, 2 c 2 X a 20, 2 0 M M -M 0
1 1 1 0 0 0 0 0 0 1 0 1
0 0 0 1 1 1 0 0 0 0 1 1
Subproblema 1 Subproblema 2 Solucin bsica
factible inicial
Paso 2. La solucin bsica factible inicial es
B0 a 5 , a a1 , a a2 , a a3
200
400
b
1
1
1 0 0 0
0 1 0 0
B0
1
0 0 1 0
0 0 0 1
X5 1 0 0 0 200
X 0
a1 1 0 0 400
X B0 B0 b
1
X a2 0 0 1 0 1
X a 3 0 0 0 1 1
200
400
X B0
1
1
0 , 1 , 2 , 1 , 2
0, M , M , M
Paso 3.
Para j = 1 el primer subproblema (8) es
Mn 0 L1 c1 X 1
Sujeto a :
A1 X 1 b1
X1 0
o
X1
1 1 0 0 X
Mn 0, - M 1, 2, 0, 0 2
0 2 0 0 X 7
X 8
Sujeto a :
X1
1 2 1 0 X 2 100
4 6 0 1 X 300
7
X 8
X1
X
2 0
X 7
X 8
La solucin de ste subproblema lineal usando el mtodo simplex es
X1 0
X 50
X1 X1,1 2
X 7 0
X8 0
que es el primer punto extremo de la regin de factibilidad S1, con funcin objetivo igual a
0 L1 c1 X1,1 100M 100.
por tanto
0 L1 c1 X1,1 1 100M 100 M
101M 100.
Para j = 2 el segundo subproblema lineal de la forma (8) es
Mn 0 L 2 c 2 X 2
Sujeto a :
A2 X2 b2
X 2 0,
o
X3
1 1 0 0 X 4
Mn 0, - M 1, 3, 0, 0
0 3 0 0 X9
X10
Sujeto a :
X3
3 6 1 0 X 4 600
0 1 0 - 1 X 20
9
X10
X3
X
40
X9
X10
La solucin de ste problema lineal usando el mtodo simplex es
X3 0
X 100
X 2 X1, 2 4
X9 0
X10 80
que el primer punto extremo de la regin de factibilidad S2. El valor de la funcin Objetivo para ste
subproblema es
0 L 2 c 2 X1,2 300M 300.
por lo que
0 L 2 c 2 X1,2 2 300M 300 M
301M 300.
Paso 4.
El mnimo de todas las funciones objetivos de los dos subproblemas (8) resulta ser
z 6 c 6 c B B 01a 6 c 6
0
1
0, M, M, M 0
0
0
M 0,
y por lo tanto a6 no entra en la base. Como el ms negativo de todos los z ij c ij calculado para los dos
subproblemas y la variable de holgura X6 que no estn en la base B0 es 300M-300 correspondiente al punto
extremo X12 de la regin S 2 , 12 deber entrar a la nueva base B1.
Determinando el vector que sale de la base B0 se tiene
200, 400 1
Mn ,
L 2 X12 1
donde :
0
1 1 0 0 100
L 2 X12
1 3 0 0 0
80
100
300
o sea :
200 400 1
Mn 1
100 300 1
El vector artificial aa3 sale de la base. El pivote se muestra en el tablero original.
Iteracin 2.
Paso 1.
El nuevo tablero correspondiente al problema (4) se obtiene as
B11 EB 01
1 0 0 100 1 1 0 0 0
0 1 0 300 1 0 1 0 0
B1
1
0 0 0 0 1 0 0 1 0
0 0 1 1 1 0 0 0 1
1 0 0 100
0 1 0 300
B11
0 0 1 0
0 0 0 1
X5
X
X B1 a1 B11b
X a
2
12
1 0 0 100 200 100
0 1 0 300 400 100
0 0 1 0 1 1
0 0 0 1 1 1
c12 c 2 X12
0
100
1 3 0 0 300
0
80
1,1 2,1 a1 ,1 12 2, 2 a 2 , 2 X6 X 5 X a1 X a2 X a3
300 0 -M -M 300M+300 100
0 1 0 0 100 100
0 0 1 0 300 100
0 0 0 1 0 1
1 0 0 0 1 1
Paso 2.
El vector bsico en la segunda iteracin correspondiente a la solucin del problema inicial (6) es
X 5 100
X 100
X B1 a1 ,
X a 2 1
12 1
Manuel Alvarado Contreras Ramn Vera Roalcaba 195
INVESTIGACIN DE OPERACIONES Programacin Lineal
1 0 100
0
0 1 300
0
B11
0 0 1 0
0 0 0 1
c B1 c 5 , c a1 , c a 2 , c 12
0, M, M, 300
0, 1 , 2 , 1 , 2
c B1 B11
1 0 0 100
0 1 0 300
0, M, M, 300
0 0 1 0
0 0 0 1
0, M, M, 300M 300
Mn 0 L 2 c 2 X 2
Sujeto a :
A 2 X 2 b2
X 2 0,
o
X3
1 1 0 0 X 4
Mn 0, - M 1, 3, 0, 0
0 3 0 0 X 9
X10
Sujeto a :
X3
3 6 1 0 X 4 600
0 1
0 - 1 X9 20
X10
X3
X4 0
X9
X10
Que resulta ser idntico al segundo subproblema de la iteracin anterior con solucin ptima
X3 0
X
100
X 2 X 2, 2 4
X9 0
X10 80
Paso 4.
La z j c j correspondiente a la variable superflua X6 que no est en la base se tiene
z 6 c 6 c B1 B11a 6 c 6
0
1
0, M, M, 300M 300 0
0
0
M 0,
y por lo tanto a6 no entra en la base. Como el ms negativo de todos los z ij c ij calculados para los dos
subproblemas y la variable de holgura X6 que no estn en la base B1 es -100M-100, correspondiente al punto
extremo X21 de la regin S1 , 21 entra a la nueva base B2.
Los elementos del tablero correspondiente a la columna a 21 son donde
1 0 0 100
0 L1 X 21
1 0 300
B11a 21 1
0 0 1 0
0
0 0 0 1
donde
0
1 1 0 0 50 50
L1 X 21
1 2 0 0 0 100
0
por lo que
1 0 0 100 50
0 1 0 300 100
B11a 21
0 0 1 0 1
0 0 0 1 0
50
100
1
0
El vector que deber salir de la base B1 para formar la base B2 se calcula por medio de
100 100 1
Mn , , 1,
50 100 1
por lo que a a 2 sale de la base B1 . El pivote se muestra a continuacin:
1,1 21 a1,1 12 2, 2 a 2 , 2 X6 X 5 X a1 X a2 X a3
300 0 -M -M 300M+300
50 0 1 0 0 100 100
100 0 0 1 0 300 100
1 0 0 0 1 0 1
0 1 0 0 0 1 1
Manuel Alvarado Contreras Ramn Vera Roalcaba 198
INVESTIGACIN DE OPERACIONES Programacin Lineal
Iteracin 3.
Paso 1.
El nuevo tablero correspondiente al problema (4) se obtiene de la siguiente manera:
B1 1
2 EB1
1 0 50 1 0 1 0 0 100
0 1 100 1 0 0 1 0 300
B 1
2
0 0 11 0 0 0 1 0
0 0 01 1 0 0 0 1
1 0 50 100
0 1 100 300
B2
1
0 0 1 0
0 0 0 1
X5 1 0 50 100 200 100
X 0 1 100 300 400 100
X B2 a1
B2 b
1
21 0 0 1 0 1 1
12 0 0 0 1 1 1
El coeficiente c 21 de 21 se determina por medio de (5)
c 21 c1 X 21
0
50
1 2 0 0 100
0
0
1,1 2,1 a1 ,1 12 2, 2 a 2 , 2 X6 X 5 X a1 X a2 X a3
100 300 0 M 100 M 100 300 M 300
0 0 1 0 50 100 50
0 0 0 1 100 300 0
1 0 0 0 1 0 1
0 1 0 0 0 1 1
Paso 2.
El vector bsico en la tercera iteracin correspondiente a la solucin del problema lineal (6) es
X 5 50
X 0
X B2 a1 ,
21 1
12 1
con la base inversa, costos unitarios y precios duales
1 0 50
100
0 1 100 300
B2
1
0 0 1 0
0 0 0 1
c B 2 c5 , ca1 , c 2,1 , c1, 2
0, M, 100, 300
0,
1 , 2 , 1 , 2
c B2 B 1
1 0 50 100
0 1 100 300
0, M, 100, 300
0 0 1 0
0 0 0 1
0, M, 100M 100, 300M 300 ,
Paso 3. El primer subprograma j=1 es
Mn 0 L1 c1 X1
Sujeto a :
A 1 X 1 b1
X1 0
X1 0
X 50
X1 X 3,1 2
X 7 0
X8 0
X3 0
X 100
X 2 X 3, 2 4
X9 0
X10 80
0
1
0, M, 100M 100, 300M 300 0
0
0
M 0,
Como todos los elementos z ij c ij 0, y por lo tanto la condicin de optimalidad (9) se satisface, el
vector
X 5 50
X 0
X B2 a1
21 1
12 1
es ptima para el problema (6). la solucin ptima del problema original (2), se obtiene utilizando la
conversin (3), es decir
3
X 1 i1 X i1
i 1
11 X 11 21 X 21 31 X 31
0 X 11 1 X 21 0 X 31
X1 0
X 50
X 21 2
X 7 0
X8 0
3
X 2 i 2 X i 2
i 1
12 X 12 22 X 22 32 X 32
1 X 12 0 X 21 0 X 31
X3 0
X 100
X 12 4 ,
X9 0
X 10 80
Z c B2 X B2
X5
X
c5 , c a1 , c 21 , c12 a1
21
12
50
0
0, - M, 100, 300
1
1
400.
Note el lector cmo los puntos extremos de las regiones de factibilidad Sj, j=1, ...p, se van generando a
medida que las iteraciones van avanzando y que no es necesario conocer a priori todos los puntos extremos
Xij de Sj,i=1
Sj; j=1-p.
Opt Z C Y
Sujeto a :
AY b Ah
Y0
Paso 4: Resolver el nuevo problema (NP) por alguno de los mtodos estudiados.
Paso 5: Fin
INICIO
2) Despejamos el vector X :
X=h+Y, y lo sustituimos en el
problema original
4) Resolver el nuevo
problema por algn mtodo
estudiado
Fin
Z Y1 X2 X3 X4
1 -1 -2 0 0 2
a3 0 1 -4 1 0 2
a4 0 0 1 0 1 2
1 -1 0 0 2 6
a3 0 1 0 1 4 10
a2 0 0 1 0 1 2
1 0 0 1 6 16
ay1 0 1 0 1 4 10
a2 0 0 1 0 1 2
El resultado ptimo es
Y1 10
Xn X2 2
X X 0
N 3
X
X 0
4
Z = 16
Por lo que
X1 = 2 + Y1 = 2 + 10 = 12
I. Cundo una variable no bsica aumenta su valor, otra variable bsica disminuye a cero. Este es el
caso normal del mtodo simplex utilizado hasta ahora en este texto.
II. Cuando una variable no bsica se incrementa, otra variable bsica aumenta hasta alcanzar su cota
superior. Este tipo de iteracin se puede convertir a una iteracin normal del simplex (Iteracin tipo
I), si es que antes de efectuar la iteracin se hace uso de una de las dos frmulas de conversin
X j u j Wj , j 1, , n.
Wj u j X j , j 1, , n
III. Cuando una variable no bsica se incrementa, sta alcanza su valor de cota superior.
El mtodo simplex comn y corriente, utilizado hasta ahora, difiere del mtodo simplex con cota superior en
slo dos fases:
a) La seleccin del vector que deber dejar la base, y
b) La iteracin que deber realizarse.
Siendo ambos mtodos exactamente iguales en el resto de las fases.
Se dan a continuacin los pasos a seguir del mtodo simplex con cota superior.
Paso 1. Obtngase una solucin inicial bsica factible por medio de la adicin de variables de holgura o
artificiales.
Paso 2. Si todos las Zj Cj >= 0, para j=1, .... , n, la base actual es ptima. Si no, selecinese como vector
de entrada aqul cuya Zj C j sea la ms negativa. Sea este, el vector ak.
Paso 3. Seleccinese indicadores
.r1 = Nmero de fila utilizado en la iteracin tipo I
.r2 = Nmero de fila utilizado en la iteracin tipo II
.f1 = cociente numrico de la iteracin tipo I
.f2 = cociente numrico de la iteracin tipo II,
y hgase r1 = r2 = 0, f1 = f2 = .
X Bi
Paso 4. Encuntrese el Mn Yik Yik 0
y desgnase a r1 como la fila donde se obtuvo el
i 1,, m
mnimo y a f1 como el cociente mnimo.
X Bi u
Bi
Paso 5. Encuntrese el Mn Y
Yik 0 y desgnase a r2 como la fila donde se obtuvo el
i 1,, m ik
mnimo y a f2 como el cociente mnimo.
a) .f1, utilcese la iteracin tipo I del mtodo simplex, es decir, hgase al pivote Yr 1,k uno, y al
resto de la columna cero, contine al paso 2.
b) .f2, hgase primero el cambio de X Br2 por W Br2 y Yr2 , k por - Yr2 , k , para toda j en N
donde
WBr2 u Br2 X Br2 ,
y despus utilcese una iteracin del tipo I del simplex pivoteando sobre el elemento Yr2 ,k .
Regrsese al paso 2. El vector que sale de la base adquiere el valor de su cota superior.
c) uk, hgase los siguientes cambios y regrese al paso 2, sin iterar.
Cmbiese XBi por WBi , donde WBi = XBi uk Yik, para toda i = 1-m.
Cmbiese Yik por Yik, para toda i=1, . . . , m.
Cmbiese Zk - Ck por - Zk + Ck y Z por Z - uk( Zk - Ck ).
El vector no bsico que debera entrar a la base ( pero que no entra ) adquiere el valor de su cota
superior.
INICIO
si
FIN
Zj Cj >= 0
no
si
Si r1 = r2 = 0 y
uk =
no
1 si
7(a
no0
1 si
7(b 0 no
7(c
Iteracin 1.
Paso 1.
Z X1 X2 X3 X4
1 -0.56 -0.42 0 0 0
.a 3 0 1 2 1 0 240 000
.a4 0 1.5 1 0 1 180 000
Paso3. r1 = r2 = 0
f1 = f2 = .
Paso 4 y 5.
Como todas las Yi1 > 0 i=1, 2 se tiene r2 = 0 y f2 = .
X
Mn YBi Yi1 0
i1
240 000 180 000
Mn , 120 000,
1 1.5
Paso 6.
Mn f1 , f 2 , u 1 Mn 120000, , 110000
110000 .
Paso 7-C. La iteracin es del tipo III, es decir a X1 se le reemplaza por (110000 W1) y se hacen
los
siguientes cambios:
i) zk - ck = - zk + ck
z1 - c1 = - z1 + c1 = - ( - 0.56 ) = 0.56
ii) Z = Z - uk ( z k - c k )
Z = Z - u1 ( z 1 - c 1 )
Z = 0 - 110 000(- 0.56) = 61 600.
Iteracin 2.
Paso 2. El nuevo tablero, al inicio de sta iteracin, es
Z X1 X2 X3 X4
1 0.56 -0.42 0 0 61 600
.a 3 0 -1 2 1 0 130 000
.a4 0 - 1.5 1 0 1 15 000
Y X2 entra a la nueva base, por lo que k=2. Note como X 1 ha adquirido en esta iteracin el
valor de su cota superior. En efecto X1 = 110 000 W1, pero W1 = 0, por lo que X1 = 110
000.
Paso3. r1 = r2 = 0
f1 = f2 = .
X Bi
Mn Yi 2 Y i2 0
i 1, 2
130 000 15 000
Mn , 15 000,
2 1
Paso 6.
Mn f1 , f 2 , u1 Mn 15000, ,
15 000.
Paso 7-a. Se realiza una iteracin tipo I del mtodo simplex sobre el pivote Y 22, generando el
siguiente
tablero.
Iteracin 3.
Paso 2.
Z W1 X2 X3 X4
1 - 0.07 0 0 0.42 67 900
.a 3 0 2 0 1 -2 100 000
.a2 0 - 1.5 1 0 1 15 000
Paso3. r1 = r2 = 0
f1 = f2 = .
Paso 4.
Manuel Alvarado Contreras Ramn Vera Roalcaba 209
INVESTIGACIN DE OPERACIONES Programacin Lineal
X
Mn YBi Yi1 0
i 1, 2
i1
100 000
Mn 50 000,
2
Paso 5.
X Bi u Bi
Mn Yik
Yik 0
i 1, 2
15 000 -
Mn ,
- 1.5
y por lo tanto
r2 = 2 y f2 = .
Paso 6.
Min f 1 , f 2 , u 1 Mn 50 000, , 110 000
50 000.
Paso 7-a. Se realiza una iteracin tipo I del mtodo simplex sobre el pivote Y 11, generando el
siguiente
tablero que es ptimo:
Z W1 X2 X3 X4
1 0 0 0.035 0.35 71 400
aw1 0 1 0 0.5 -1 50 000
a2 0 0 1 0.75 - 0.5 90 000
La solucin ptima es
W1 50 000
X X 90 000
X B 2 .
X
N X 3 0
X4 0
Z = 71 400,
Por lo que X1 = u1 W1
X1 = 110 000 50 000 = 60 000.
Ejemplo 2.
Para ilustrar una iteracin del tipo II (paso 7-b) se introduce al vector a 4 a una nueva base, en el tablero
ptimo anterior. Se tiene k = 2.
Iteracin 1.
Paso 2.
Z W1 X2 X3 X4
1 0 0 0.035 0.35 71 400
.aw1 0 1 0 0.5 -1 50 000
.a2 0 0 1 0.75 - 0.5 90 000
Manuel Alvarado Contreras Ramn Vera Roalcaba 210
INVESTIGACIN DE OPERACIONES Programacin Lineal
Paso3. r1 = r2 = 0
f1 = f2 = .
Paso 5.
X Bi u Bi
Mn Yi 4
Yi4 0
i 1,,m
50 000 - 110 000 90 000 -
Mn ,
-1 - 0.5
Mn 60 000, 60 000,
por lo que r2 = 1 y f2 = 60 000.
Paso 6.
Mn f1 , f 2 , u 1 Mn , 60 000,
60 000.
Paso 7-b. Se hacen los siguientes cambios:
i) WBr2 = uB2 - XB2,
Es decir,
WB1 = uB1 - XB1
WB1 = 110 000 - 50 000 = 60 000.
ii) Yr2,j = - Yr2,j , para toda j en N
Es decir,
Y1,j = - Y1,j , para j = 3,4,
Y1,3 = - 0.5
Y1,4 = - ( - 1 ) = 1
El tablero generado antes de efectuar operaciones matriciales elementales sobre el pivote Y r2,k = Y1,4
es :
Z W1 X2 X3 X4
1 0 0 0.035 0.35 71 400
aw1 0 1 0 - 0.5 1 60 000
A2 0 0 1 75 - 0.5 90 000
Y una vez efectuada las operaciones matriciales elementales, se tiene el siguiente tablero, que desde
luego no es ptimo y habr que seguir iterando. Note cmo el vector que sale de la base adquiere el valor de
su cota superior.
En efecto, W1' 110 000 - W1 , pero W1' 0 por lo que W1 110 000.
Eso, a su vez, implica que X1=0, porque X1=110 000-W1.
Z W1 X2 X3 X4
1 - 0.35 0 0.21 0 50 400
a4 0 1 0 - 0.5 1 60 000
a2 0 0.5 1 0.5 0 120 000
El mtodo simplex revisado con la tcnica de cota superior es el que se emplea en casi todos los
programas comerciales de computadoras para resolver problemas de programacin lineal.
Dualidad:
b) Verifique que las dos siguientes soluciones son optimas para los problemas
primal y dual :
2.- Obtenga el valor de la funcin objetivo optima del problema que sigue inspeccionando
su dual (no resuelva el dual a travs del mtodo simplex)
sujeta a: 5 x1 -7 x2 +3 x3 50
x1, x2, x3 0
3.- Un problema de programacin lineal que tiene una solucin no acotada, Por qu su
dual debe ser necesariamente infactible?
minimizar w = y1 - 5 y2 +6 y3
sujeta a: 2 y1 +4 y3 50
y1 +2 y2 30
y3 10
y1, y2 y1 irrestrictas
Simplex Revisado:
4.1.-Resuelva los siguientes problemas por medio del Mtodo Simplex revisado:
c. minimizar z = 2 x1 + x2
sujeto a 3 x 1 + x2 = 3
4 x1 + 3 x2 6
x1 + 2x2 3
x1, x2 0
max Z 4 x1 6 x 2 8 x3 5 x 4
s.a. x1 3 x 2 2 x3 4 x 4 20
2 x1 3 x 2 6 x3 4 x 4 25
x1 x 2 5
x1 2 x 2 8
4 x3 3x 4 12
x1 , x 2 , x3 , x 4 0
6.- Resuelva utilizando simultneamente las tcnicas de cota inferior y superior , el siguiente problema.
max Z 4 x1 2 x2 6 x3
s.a. 4 x1 x2 9
x1 x2 2 x3 8
3x1 x2 4 x3 12
1 x1 3
0 x2 5
0 x3 2