Escolar Documentos
Profissional Documentos
Cultura Documentos
INVESTIGACIÓN DE OPERACIONES
Optimización en Ingeniería
Mg. Ing. Rick Milton Delgadillo Ayala
e-mail: rick.delgadillo@unsch.edu.pe
Ayacucho – Perú
2017
INVESTIGACION DE OPERACIONES
DESCRIPCION
Este tema trata principalmente sobre la aplicación de los modelos usuales de Investigación de
Operaciones en la solución de problemas reales, tales como modelos de Programación Lineal,
Problemas de Transporte y Asignación, Simulación e Ingeniería.
OBJETIVOS
INVESTIGACION DE OPERACIONES
Definición:
estudio.
Sistema
Entidades Entidades
que Entran Actividades
que Salen
Recursos
Escuela de Formación Universidad Nacional de
Profesional de Ingeniería Civil San Cristóbal de Huamanga
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 6
Modelos
INVESTIGACION DE OPERACIONES
INVESTIGACION DE OPERACIONES
Clasificación de los modelos
Existen múltiples tipos de modelos para representar la realidad. Algunos son:
•Dinámicos: Utilizados para representar sistemas cuyo estado varía con el
tiempo.
•Estáticos: Utilizados para representar sistemas cuyo estado es invariable a
través del tiempo.
INVESTIGACION DE OPERACIONES
Clasificación de los modelos
•Continuos: Representan sistemas cuyos cambios de estado son graduales. Las
variables intervinientes son continuas.
•Discretos: Representan sistemas cuyos cambios de estado son de a saltos. Las
variables varían en forma discontinua.
INVESTIGACION DE OPERACIONES
Clasificación de los modelos
•Es interesante destacar que algunas veces los modelos y los sistemas no
pertenecen al mismo tipo.
Por ejemplo:
•El estudio del movimiento del fluido por una cañería (Fluidodinámica)
corresponde a sistemas continuos. Sin embargo si el fluido se lo discretiza
dividiéndolo en gotas y se construye un modelo discreto por el cual circulan
gotas de agua (una, dos, diez, cien, mil) se está representando un sistema
continuo por un modelo discreto.
INVESTIGACION DE OPERACIONES
Clasificación de los modelos
•La obtención del área bajo la curva representada por f(x,y)=0 para el rango 0 <=
x <= 1 con 0 <= y <= 1 en todo el intervalo, es un problema determinístico. Sin
embargo, para un número N, suficientemente grande de puntos, de coordenadas
x,y generadas al azar (0 <= x <= 1; 0 <= y <= 1) el área de la curva, aplicando el
método de Monte Carlo, es igual a:
INVESTIGACION DE OPERACIONES
Clasificación de los modelos
El azar en computadora es pseudo azar:
•Mediante un algoritmo matemático se generan números al azar con una
distribución aleatoria similar a la real. Se los puede utilizar en los modelos
estocásticos obteniendo similares resultados a los que se obtienen en el sistema
real. Sin embargo, este azar es repetitivo (cualquiera que conoce el algoritmo
puede predecirlo) lo cual contradice a lo que sucede en un proceso aleatorio.
•En este caso, un sistema estocástico es representado por un modelo
pseudoazar (determinístico).
INVESTIGACION DE OPERACIONES
Clasificación de los modelos según la I.O.
Modelo Matemático
Es aquel modelo que describe el comportamiento de un sistema a través de
relaciones matemáticas y supone que todas las variables relevantes son
cuantificables. Por ende tiene una solución optima.
Modelo de Simulación
Es un modelo que imita el comportamiento de un sistema sobre un periodo de
tiempo dado, esta basado en observaciones estadísticas. Este tipo de modelo
entrega soluciones aproximadas.
Modelo Heurístico
Es una regla intuitiva que nos permite la determinación de una solución mejorada,
dada una solución actual del modelo, generalmente son procedimientos de
búsqueda. Este tipo de modelo también entrega soluciones aproximadas.
INVESTIGACION DE OPERACIONES
Tópicos relacionados
•Análisis Estadístico
•Simulación
•Programación Lineal
•Sistema de Redes
•Líneas de Espera
•Problemas de Inventario
•Programación No - Lineal
•Programación Dinámica
•Programación Entera
•Teoría de Decisiones
•Teoría de Juegos
INVESTIGACION DE OPERACIONES
El Arte del Modelado
La I.O debe ser considerada como una ciencia y la vez como un arte.
• Una ciencia por el uso de técnicas matemáticas para la resolución de los
problemas.
• Un arte ya que la formulación del modelo depende en gran parte de la
creatividad y la experiencia delas operaciones del equipo investigador.
INVESTIGACION DE OPERACIONES
Etapas para puesta en práctica
1. Definición del problema:
• Alternativas de decisión (vars. de decisión).
• El objetivo de estudio (Función Objetivo).
• Identificación de las restricciones del sistema que se modela.
2. Construcción del modelo:
• Traducir el problema a relaciones matemáticas que incluyan las vars. decisión,
la Función Objetivo y las restricciones.
3. Solución del modelo:
• Uso de algoritmos de optimización.
• Se encuentran los valores de las vars. decisión.
4. Validación del modelo:
• ¿El modelo entrega una predicción razonable del comportamiento del sistema
estudiado?
5. Puesta en práctica:
• Traducir los resultados del modelo en instrucciones de operación.
PROGRAMACIÓN LINEAL
PROGRAMACION LINEAL
FORMULACION MATEMATICA
PROGRAMACIÓN LINEAL
Supuestos de la P.L.
•Proporcionalidad
•Aditividad
•Divisibilidad
•Certidumbre
•Objetivo único
•No negatividad
PROGRAMACIÓN LINEAL
Construcción de modelos
PROGRAMACIÓN LINEAL
Construcción de modelos
Solución:
Formulación
Paso 1: Identificar el objetivo (meta) a optimizar
Maximizar las utilidades de la compañía (U).{dólares/día}
Paso 2: Identificar las variables de decisión que deseamos determinar
X….Cantidad de transistores a fabricar por día {unds./día}
Y….Cantidad de bobinas a fabricar por día {unds./día}
Paso 3: Identificar las restricciones del modelo
R1) Tiempo disponible en el depto. de Ensamble por día 300 min.
R2) Tiempo disponible en el depto. de C. Calidad por día de 400 min.
R3) Tiempo disponible en el depto. de Empaque por día de 400 min.
R4) No Negatividad.
PROGRAMACIÓN LINEAL
Construcción de modelos
F.Objetivo
MAX { U = X + Y }
Sujeto a :
R1) X + 2Y 300
R2) 2X + Y 400
R3) X + 2Y 400
R4) X , Y 0
PROGRAMACIÓN LINEAL
Construcción de modelos
EJERCICIO PROPUESTO
El departamento de rayos X de un hospital tiene dos máquinas, A y B, que
pueden utilizarse para revelar radiografías. La capacidad de procesamiento diaria
de estas máquinas es A=80 y B=100 radiografías. El departamento debe planear
procesar al menos 150 radiografías por día. Los costos de operación por
radiografía son $4 para la máquina A y $3 para la máquina B. ¿Cuántas
radiografías por día debe procesar cada máquina para minimizar costos?
Se pide:
Formular como un problema de P.L. identificando claramente la función objetivo y
las variables de decisión.
PROGRAMACIÓN LINEAL
Construcción de modelos
Solución:
Formulación
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar los costos de procesamiento (C).{dólares/día}
Paso 2: Identificar las variables de decisión que deseamos determinar
X….Cantidad de radiografías a procesar en máquina A al día {rad./día}
Y…. Cantidad de radiografías a procesar en máquina B al día {rad./día}
Paso 3: Identificar las restricciones del modelo
R1) Capacidad de procesamiento de rad. en la maquina A de 80.
R2) Capacidad de procesamiento de rad. en la maquina B de 100.
R3) Capacidad mínima del departamento de 150 rad. por día.
R4) No Negatividad.
PROGRAMACIÓN LINEAL
Construcción de modelos
F.Objetivo
M IN { C = 4X + 3Y }
Sujeto a :
R1) X 80
R2) Y 100
R3) X + Y 150
R4) X , Y 0
PROGRAMACIÓN LINEAL
Construcción de modelos
PROBLEMA DE LA DIETA
La compañía OF utiliza diariamente por lo menos 800 libras de alimento especial.
El alimento especial es una mezcla de maíz y semilla de soya, con las siguientes
composiciones.
PROGRAMACIÓN LINEAL
Construcción de modelos
¿….?
Escuela de Formación Universidad Nacional de
Profesional de Ingeniería Civil San Cristóbal de Huamanga
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 27
PROGRAMACIÓN LINEAL
Construcción de modelos
Solución:
Formulación
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo diario total de la mezcla de alimento(C).{dólares/día}
Paso 2: Identificar las variables de decisión que deseamos determinar
X….libras de maiz en la mezcla diaria {lb./día}
Y…. Libras de semilla de soya en la mezcla diaria {lb./día}
Paso 3: Identificar las restricciones del modelo
R1) Requerimientos de alimentos de por lo menos 800 lbs.al día
R2) Requerimiento de proteínas de por lo menos un 30%
R3) Requerimientos de fibra de cuando mucho un 5%.
R4) No Negatividad.
PROGRAMACIÓN LINEAL
Construcción de modelos
F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y 800
R2) 0.09X + 0.6Y 0.3(X + Y)
R3)0.02 X + 0.06Y 0.05(X + Y)
R4) X , Y 0
PROGRAMACIÓN LINEAL
Construcción de modelos
F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y 800
R2) 0.21X - 0.30Y 0
R3)0.03 X - 0.01Y 0
R4) X , Y 0
PROGRAMACIÓN LINEAL
Construcción de modelos
PROBLEMA DE TRANSPORTE
Considere el problema que enfrenta el departamento de planificación de la
compañía DALLAS S.A. ,que tiene tres plantas y cuatro almacenes regionales.
Cada mes se requiere de una lista de requerimientos de cada almacén y se
conocen, tambien las capacidacdes de producción de las plantas. Ademas se
conoce el costo de transporte de cada planta a cada almacén. El problema es
determinar qué plantas deben abastecer a que almacenes de manera que
minimicen los costos totales de transporte. Consideremos que los costos de
transporte entre dos ciudades cualquiera, son proporcionales a las cantidades
embarcadas. Supongase que las capacidades mensuales de cada planta son 70,
90 y 180 respectivamente. Los requerimientos de cada almacén para el mes de
Marzo son: 50, 80, 70 y 140. Los costos unitarios de transporte son los que se
muestran en la tabla siguiente:
Escuela de Formación Universidad Nacional de
Profesional de Ingeniería Civil San Cristóbal de Huamanga
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 31
PROGRAMACIÓN LINEAL
Construcción de modelos
Planta Almacén
1 2 3 4
1 19 30 50 10
2 70 30 40 60
3 40 8 70 20
Se pide:
Formular como un PPL.
PROGRAMACIÓN LINEAL
Construcción de modelos
Paso 4.1: Construcción del modelo matemático
F.Objetivo
Min{C=19X11+70X21+40X31+30X12+30X22+8X32+50X13+40X23+70X33+10X14+60X24+20X34}
Sujeto a :
R1) X11+X12+X13+X14 70
R2) X21+X22+X23+X24 90
R3) X31+X32+X33+X34 180
R4) X11+X21+X31 50
R5) X12+X22+X32 80
R6) X13+X23+X33 70
R7) X14+X24+X34 140
R8) Xij 0 i,j
Modelo General de PL
Definición de variables:
Sea xj = #.... ; j = 1, 2, 3....n
Función objetivo:
Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11X1 + a12X2 + ... + a1jXj + ... + a1nXn = b1
a21X1 + a22X2 + ... + a2jXj + ... + a2nXn = b2
· .
· .
ai1X1 + ai2X2 + ... + aijXj + ... + ainXn = bi
· .
· .
am1X1 + am2X2 + ... + amjXj + ... + amnXn = bm
Métodos de Resolución
Método Gráfico
Empleado principalmente para PPL con dos variables de decisión. Este método
se basa en la idea de obtener regiones de soluciones factibles (RSF), en las
cuales se encontraría la combinación de variables de decisión que optimizan el
modelo.
Métodos de Resolución
GRAFICO
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
C
0,0
Escuela de Formación 1,000 2,000 3,000 X1de
Universidad Nacional
San Cristóbal de Huamanga 10
Profesional de Ingeniería Civil
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 37
PROGRAMACIÓN LINEAL
Construcción de modelos
Solución:
Formulación
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo total de transporte (C).{u.m/mes}
Paso 2: Identificar las variables de decisión que deseamos determinar
Xij….Cantidad a enviar de la planta “i” al almacén “j” mensualmente {uds/mes}
i = 1,2,3 / j = 1,2,3,4
Paso 3: Identificar las restricciones del modelo
R1) Capacidad mensual de producción planta 1 de 70
R2) Capacidad mensual de producción planta 2 de 90
R3) Capacidad mensual de producción planta 3 de 180
R4) Requerimientos del almacén 1 para Marzo de 50
R5) Requerimientos del almacén 2 para Marzo de 80
R6) Requerimientos del almacén 3 para Marzo de 70
R7) Requerimientos del almacén 4 para Marzo de 140
R8) No Negatividad.
Escuela de Formación Universidad Nacional de
Profesional de Ingeniería Civil San Cristóbal de Huamanga
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 38
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
C
0,0
Escuela de Formación 1,000 2,000 3,000 X1de
Universidad Nacional
San Cristóbal de Huamanga 11
Profesional de Ingeniería Civil
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 39
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
RSF
C
0,0
Escuela de Formación 1,000 2,000 3,000 X1de
Universidad Nacional
San Cristóbal de Huamanga 11
Profesional de Ingeniería Civil
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 40
Método de Resolución:
X2 3,000
Premisa: el punto
2,000 optimo siempre se
encuentra en uno de
los vértices de la
RSF.
1,000
A B
RSF
C
0,0
Escuela de Formación 1,000 2,000 3,000 X1de
Universidad Nacional
San Cristóbal de Huamanga 11
Profesional de Ingeniería Civil
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 41
Alternativa 2
Gráficar la F.O. dandose en valor arbitrario de Z (depende de la escala del
gráfico), luego la recta se desplaza en forma paralela en el sentido estricto de la
optimización. El ultimo punto que “tope” la F.O al salir de la RSF corresponderá a
la solución optima.
2,000
1,000
Z=320.000 A B
C
0,0
Escuela de Formación 1,000 2,000 3,000 X
Universidad Nacional de 1
San Cristóbal de Huamanga 13
Profesional de Ingeniería Civil
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 43
2,000
Optimal Point
1,000
A B
C
0,0
Escuela de Formación 1,000 2,000 3,000 X
Universidad Nacional de 1
Profesional de Ingeniería Civil San Cristóbal de Huamanga
Métodos Numéricos Aplicados a la Ingeniería Civil (IC - 343) Mg. Ing. Rick Delgadillo Ayala | 44
7X 2 4,000
X 2 = 571.43, or 571 Multimax
5000 - 5(571)
X1 = 715 Max
3
RESULTADOS
Max Z = 400X1 + 800 X 2
X1=715
X2=571
Z =742,800.
Métodos de Resolución
ALGEBRAICO SIMPLEX
El método símplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el
desarrollo de la computadora hizo posible la solución de problemas grandes planteados con la técnica
matemática de programación lineal.
El algoritmo denominado símplex es la parte medular de este método; el cual se basa en la solución
de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss-Jordan y apoyado con
criterios para el cambio de la solución básica que se resuelve en forma iterativa hasta que la solución
obtenida converge a lo que se conoce como óptimo..
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Estándar de un PPL
La forma estándar pasa por realizar los siguientes cambios:
Métodos de Resolución
ALGEBRAICO SIMPLEX
b.- Restricción mayor o igual (≥)
Las restricciones de este tipo comúnmente determinan requerimientos mínimos de
especificaciones. En este caso se debe incorporar una variable de superávit que representa
el requerimiento mínimo del lado izquierdo, sobre el requerimiento mínimo del derecho (
cuanto falta para cumplir con lo pedido).
Ej.
X1 + X2 ≥ 800
X1 + X2 - r1 = 800
r1 ≥ 0
Métodos de Resolución
ALGEBRAICO SIMPLEX
d.- Restricción de igualdad (=)
Aquí la estandarización pasa sólo por incorporar una variable artificial.
Ej.
X1 + X2 = 800
X1 + X2 + t1 = 800
t1 ≥ 0
Como las variables artificiales no tienen sentido, es importante que el simplex las deje fuera
al comienzo del procedimiento y esto se logra al penalizar la inclusión de las variables
artificiales en la función objetivo con un coeficiente ‘M’ muy grande que para el caso de
maximizar es ‘ M’ y para el caso de minimizar es ‘+ M’.
Métodos de Resolución
ALGEBRAICO SIMPLEX
2º Cambios de variables
a.- Variables no restringidas
Algunas veces las variables de decisión pueden tomar cualquier valor real.
Xi s.r.s
Cambio de variable
Xi = Ui – Vi
Ui …. Parte positiva de Xi
Vi …. Parte negativa de Xi
Ej.
X1 + X2 ≤ 24
X1 ≥ 0, X2 s.r.s
Luego X2 = U2 – V2
F.E.
X1 + U2 – V2 + h1 = 24
Métodos de Resolución
ALGEBRAICO SIMPLEX
b.- Variables negativas
Algunas veces las variables de decisión pueden tomar negativos.
Xi ≤ 0
Cambio de variable
Yi = – Xi Donde Yi ≥ 0
Ej.
X1 + X2 ≤ 40
X1 ≥ 0, X2 ≤ 0
Luego Y2 = – X2, o bien X2 = - Y2
F.E.
X1 - Y2 + h1 = 40
Métodos de Resolución
ALGEBRAICO SIMPLEX
3º Cambio en criterio de optimización
Muchas veces el objetivo no es maximizar.
MIN (Z)
Cambio de variable: Z* = -Z
MIN Z = MAX ( Z*)
Ej.
MIN [ Z = X1 + X2 ]
Z* = -Z
F.E
MAX [ Z* = -X1 – X2]
Métodos de Resolución
ALGEBRAICO SIMPLEX
EJEMPLO
MIN (Z = 15X1 + 10X2 – 20X3)
S/A
R1) X1+2X2+4X3 ≥ 30
R2) 5X1+5X2+3X3 = 40
R3) X1 + X2 + X3 ≤ 70
R4) X1 s.r.s; X2≤0; X3≥0
Cambios de variable:
Z* = -Z X1=U1-V1 X2=-Y2
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Estándar
Z* + 15 U1 - 15 V1 - 10 Y2 - 20 X3 + M t1 + M t2 = 0
U1 - V1 - 2 Y2 + 4 X3 - r1 + t1 = 30
5 U1 - 5 V1 - 25 Y2 + 3 X3 + t2 = 40
U1 - V1 - Y2 + X3 + h1 = 70
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular
BASE Z U1 V1 Y2 X3 r1 t1º t2 h1
SOLUCION
t1 0 1 -1 -2 4 -1 1 0 0 30
t2 0 5 -5 -25 3 0 0 1 0 40
h1 0 1 -1 -1 1 0 0 0 1 70
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
U1 V1 Y2 X3 r1 t1º t2 h1
M 0 0 0 0 0 1 1 0 0
t1 1 -1 -2 4 -1 1 0 0 30
t2 5 -5 -25 3 0 0 1 0 40
h1 1 -1 -1 1 0 0 0 1 70
Métodos de Resolución
ALGEBRAICO
Se una vez obtenida la F.E se esta en condiciones de iniciar el Simplex que nos permitirá
encontrar la (s) solución (es) del PPL.
Como el algoritmo se mueve de punto en punto extremo requiere que variables basicas
entren y salgan. Las reglas para seleccionar las variables de entrada y salida se conocen
como condiciones de optimalidad y factibilidad. Resumiendo:
Métodos de Resolución
ALGEBRAICO
Pasos del Simplex:
Paso 3 : determine las nuevas soluciones básicas empleando los calculos apropiados de
Métodos de Resolución
ALGEBRAICO
EJEMPLO
S/A
2x1 + x2 30
3x1 + 2x2 + x3 25
x2 + 2x3 20
x1 , x2 , x3 0
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0
h1 2 1 0 1 0 0 30
h2 3 2 1 0 1 0 25
h3 0 1 2 0 0 1 20
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0
h1 2 1 0 1 0 0 30
h2 3 2 1 0 1 0 25
h3 0 1 2 0 0 1 20
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0 Razón
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0 Razón
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0 Razón
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0 Razón
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
PIVOTE
Métodos de Resolución
ALGEBRAICO SIMPLEX
Gauss Jordan
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z 0 2 0 0 7/3 4/3 85
h1 0 0 0 1 -2/3 1/3 20
h3 0 1/2 1 0 0 1/2 10
¡Optimo!
Métodos de Resolución
ALGEBRAICO SIMPLEX
SOLUCIÓN
z 85
X1 5
X2 0
X3 0
h1 20
h2 0
h3 10
Métodos de Resolución
DUAL SIMPLEX
Se basa en la idea que todo PPL tiene un problema “espejo”, llamado DUAL. Esto provoca
que se genere un segundo algoritmo de resolucion conocido como “Metodo Dual Simplex”,
el cual funciona de la siguiente manera:
Condicion de Factibilidad:
La variable que sale es la variable basica que tiene el valor mas negativo, si
todas las variables basicas son no negativas el proceso termina y se alcanza la
solucion factible - optima.
Condicion de Optimalidad:
La variable entrante se escoge de la manera siguiente:
Calcule la razon entre los coeficientes del reglon “cero” y los coeficientes de la
fila asociada a la variable que sale, ignore coeficientes positivos o ceros. La
variable que entra es la que posee la razon mas pequeña si el problema es de
minimizacion. Si todos los denominadores son cero o positivos el problema no
tiene solucion factible.
Métodos de Resolución
DUAL SIMPLEX
EJEMPLO
MIN (Z = 2X1 + X2)
S/A
R1) 3X1+X2 ≥3
R2) 4X1+3X2 ≥6
R3) X1 + 2X2 ≤3
R4) X1 ≥0 ; X2 ≥ 0
Forma Estándar:
Métodos de Resolución
DUAL SIMPLEX
Forma Estándar
Z + -2 X1 - X2 = 0
-3 X1 - X2 + r1 = -3
-4 X1 - 3 X2 + r2 = -6
X1 + 2 X2 + h1 = 3
Métodos de Resolución
DUAL SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
h1 1 2 0 0 1 3
Métodos de Resolución
DUAL SIMPLEX
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
Sale mas
h1 1 2 0 0 1 3 negativa
Métodos de Resolución
DUAL SIMPLEX
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
h1 1 2 0 0 1 3
Métodos de Resolución
DUAL SIMPLEX
Entra razon mas pequeña
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
h1 1 2 0 0 1 3
Métodos de Resolución
DUAL SIMPLEX
Entra razon mas pequeña
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
h1 1 2 0 0 1 3
Métodos de Resolución
DUAL SIMPLEX
Gauss Jordan
BASE SOLUCION
X1 X2 r1 r2 h1
z -2/3 0 0 -1/3 0 2
r1 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2
h1 -5/3 0 0 2/3 1 -1
Métodos de Resolución
DUAL SIMPLEX
BASE SOLUCION
X1 X2 r1 r2 h1
z -2/3 0 0 -1/3 0 2
r1 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2
h1 -5/3 0 0 2/3 1 -1
Métodos de Resolución
DUAL SIMPLEX
RAZON 2/5 0 0 1 0
BASE SOLUCION
X1 X2 r1 r2 h1
z -2/3 0 0 -1/3 0 2
r1 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2
h1 -5/3 0 0 2/3 1 -1
Métodos de Resolución
DUAL SIMPLEX
RAZON 2/5 0 0 1 0
BASE SOLUCION
X1 X2 r1 r2 h1
z -2/3 0 0 -1/3 0 2
r1 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2
h1 -5/3 0 0 2/3 1 -1
Pivote
Métodos de Resolución
DUAL SIMPLEX
Gauss Jordan
BASE SOLUCION
X1 X2 R1 r2 h1
h1 0 0 -1 1 1 0
Optimo – Factible!!!
Métodos de Resolución
DUAL SIMPLEX
Solución:
BASE SOLUCION
Z 12/5
X1 3/5
X2 6/5
r1 0
r2 0
h1 0
Métodos de Resolución
DUAL SIMPLEX
Ejercicio Propuesto
MIN (Z = 5X1 + 4X2 + 8X3)
S/A
R1) X1+2X2+X3 ≥ 15
R2) 2X1+X2+X3 ≥ 10
R3) X1 + X2 +X3 ≤ 20
R4) X1 ≥0 ; X2 ≥ 0; X3 ≥ 0