0 évaluation0% ont trouvé ce document utile (0 vote)
93 vues48 pages
El documento describe los antecedentes históricos de la Investigación de Operaciones (IO). Se menciona que la IO surgió en el siglo XX aplicada a problemas militares y luego se expandió a industrias. Figuras clave en el desarrollo de la IO incluyen a Frederick Winslow Taylor con su enfoque de administración científica y grupos de científicos británicos y estadounidenses que aplicaron métodos cuantitativos a problemas militares durante la Segunda Guerra Mundial.
El documento describe los antecedentes históricos de la Investigación de Operaciones (IO). Se menciona que la IO surgió en el siglo XX aplicada a problemas militares y luego se expandió a industrias. Figuras clave en el desarrollo de la IO incluyen a Frederick Winslow Taylor con su enfoque de administración científica y grupos de científicos británicos y estadounidenses que aplicaron métodos cuantitativos a problemas militares durante la Segunda Guerra Mundial.
El documento describe los antecedentes históricos de la Investigación de Operaciones (IO). Se menciona que la IO surgió en el siglo XX aplicada a problemas militares y luego se expandió a industrias. Figuras clave en el desarrollo de la IO incluyen a Frederick Winslow Taylor con su enfoque de administración científica y grupos de científicos británicos y estadounidenses que aplicaron métodos cuantitativos a problemas militares durante la Segunda Guerra Mundial.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Tabla de contenido 1. Antecedentes histricos de la IO. 2. Metodologa de la Investigacin de Operaciones 3. Aplicaciones de la Investigacin de Operaciones 4. Referencias Bibliogrficas
George Dantzig
Rusell L. Ackoff
George Dantzig y Rusell Ackoff , investigadores de origen norteamericano, se consideran pioneros en el nacimiento y desarrollo de metodologas cientficas, en el campo de la Programacin Lineal e Investigacin de Operaciones , respectivamente, desde el pasado siglo XX Tambin se conoce como Ciencia de la Administracin, debido a que su aplicacin se restringe a sistemas creados por el hombre como son organizaciones de todo tipo, institutos y empresas, en general es utilizada para tomar decisiones en problemas con caractersticas de complejidad para resolverlos, por lo que es necesaria la intervencin de personal interdisciplinario actuando en equipo, para aplicar el mtodo cientfico, con el objetivo comn de buscar una solucin integral y ptima. Actualmente, una persona con cualquier formacin profesional, desempeando la funcin de administrador en cierta rea de la organizacin, sea del sector pblico o privado, requiere de la utilizacin de las matemticas y las computadoras para tomar decisiones racionales al enfrentar los problemas. El mundo complicado de mercado en que se vive ahora, exige la aplicacin de estrategias refinadas y an sofisticadas que aseguren la buena conduccin de la empresa; para una buena parte de las organizaciones ya no es suficiente confiar a la experiencia personal las decisiones adecuadas, pues depende por lo general de la evaluacin de alternativas de accin que pueden consumir mucho tiempo valioso, adems, que pueden ser demasiadas para esperar el buen juicio de una sola persona. De esta manera se impone el uso del procesador electrnico, capacitado para manejar cantidades masivas de informacin, pero requiere de software que se elabora a partir de la interpretacin abstracta o modelo matemtico construido por los tcnicos responsables.
En resumen, personas con formacin interdisciplinaria actuando en equipo, emplean la Investigacin de Operaciones (IO), aplicando procedimientos, tcnicas y herramientas cientficas a problemas operativos de las organizaciones con el propsito de desarrollar y ayudar a evaluar alternativas de solucin. DEFINICIONES DE DIFERENTES AUTORES. En el libro de Shamblin y Stevens llamado Investigacin de Operaciones. Un Enfoque Fundamental de la editorial Mc Graw Hill impreso en Mxico, 1991. La Investigacin Operacional es un enfoque cientfico de la toma de decisiones En el libro de Ackoff y Sasieni llamado Fundamentos de Investigacin de Operaciones de la editorial Limusa impreso en Mxico en 1994. La Investigacin de Operaciones es: La aplicacin del mtodo cientfico, por equipos interdisciplinarios, a problemas que comprenden el control de sistemas organizados hombre-mquina, para dar soluciones que sirvan mejor a los propsitos de la organizacin como un todo. En el libro de Thierauf y Grosse llamado Toma de decisiones por medio de Investigacin de Operaciones de la editorial Limusa impreso en Mxico en 1977. La investigacin de Operaciones utiliza el enfoque planeado (mtodo cientfico) y un grupo interdisciplinario, a fin de representar las complicadas relaciones funcionales en modelos matemticos para suministrar una base cuantitativa para la toma de decisiones, y descubrir nuevos problemas para su anlisis cuantitativo. Libro de Moskowitz y Wright. Investigacin de Operaciones. Prentice Hall 1979. Mtodo cientfico aplicado a problemas y la toma de decisiones por la gerencia. En el libro de Winston llamado Investigacin de Operaciones. Aplicaciones y Algoritmos 2 edicin. Grupo Editorial Iberoamrica impreso en Mxico en 1994. Planteamiento cientfico a la toma de decisiones, que busca determinar cmo disear y operar mejor un sistema, normalmente bajo condiciones que requieren la asignacin de recursos escasos. 1. Antecedentes histricos de la IO. La bsqueda de la mejor solucin (mxima, mnima, o tambin la ptima) para una variedad de problemas ha divertido e intrigado al hombre a travs de las pocas. Euclides en su libro III, describi formas de encontrar las lneas rectas de mayor y menor longitud, desde un punto hasta la circunferencia de un crculo; y en el libro IV, el paralelogramo de mayor rea para un permetro dado. Los grandes matemticos de los siglos XVI a XVIII
desarrollaron la teora y proceso de optimizacin que resuelven difciles problemas geomtricos, dinmicos y fsicos, tales como las curvas de revolucin mnima o la curva de descenso ms rpido. En general, la historia no se escribe con exactitud, pero si se pueden recopilar hechos que describan de alguna manera la evolucin conocida de acuerdo con escritos, estudios e investigaciones encontradas. Las tcnicas utilizadas en la aplicacin de la IO conducen al pasado siglo XX, pero tambin al pasado remoto de siglos como antecedentes. Para ello es conveniente fijarse en la idea fundamental de la IO que es el mtodo cientfico cuyo origen exacto se desconoce. En escritos hechos hace milenios como es el Antiguo Testamento se menciona a Jetro, suegro de Moiss, como autor de un tratado de principios de organizacin y ms recientemente, en el antepasado siglo XIX, Charles Babbage es autor del trabajo On the Economy of Machinery and Manufactures. Al ingeniero Frederick Winslow Taylor, norteamericano de origen, se le reconoce la paternidad de la Administracin Cientfica debido a sus investigaciones sobre las obligaciones y tareas de los jefes de taller, as como tambin de la produccin diaria individual segn la capacidad del obrero para tareas especficas, definiendo as la divisin del trabajo mediante capacitacin, seleccin y adiestramiento de los trabajadores. Adems, Taylor aplic el anlisis cientfico a los problemas de manufactura, estableciendo normas de trabajo y la especializacin. Por su parte Henry L. Gant, plane las tareas de las mquinas para evitar demoras de produccin. As es posible fijar fechas de entrega con ms seguridad. Tambin contribuy al enfoque cientfico incluyendo el aspecto humano como integrante. Con el inicio del siglo XX, los investigadores tambin utilizaron procedimientos cientficos para analizar problemas localizados fuera de las ciencias puras como son la Fsica, la Qumica, la Biologa, entre otras ms, pero en la dcada que se inicia en 1910, Taylor se dedic a buscar la eficiencia para las tareas haciendo valer los estudios de tiempos y movimientos de Frank y Lillian Gilbreth eliminando movimientos innecesarios y desperdicios en cada tarea. En la misma dcada durante la 1. Guerra Mundial, se le confi a Thomas A. Edison el averiguar las maniobras ms eficaces de los barcos mercantes para disminuir los embarques perdidos por ataques de los submarinos enemigos. Edison emple un "tablero tctico" como modelo para simular las operaciones reales. Un ingeniero dans A. K. Erlang hizo experimentos relacionados con las fluctuaciones de la demanda telefnica en equipo automtico quedando estos trabajos como fundamento de muchos modelos matemticos que se usan actualmente en los estudios de Teora de Colas o Lneas de Espera. En 1937, a punto de empezar la Segunda Guerra Mundial, se junt en el Reino Unido a un equipo de matemticos, ingenieros y cientficos en reas bsicas, para estudiar los problemas estratgicos y tcticos asociados con la defensa del pas. Se form un equipo cuyo objetivo era determinar la utilizacin ms efectiva de los limitados recursos militares. En consecuencia, a las actividades de este grupo se le llam Investigacin Operacional, que es terminologa comn en el medio militar. Primero se les pidi ayuda para los militares en la utilizacin eficiente del radar para localizar aviones enemigos; despus en 1940 se reuni otro grupo, el circo de Blackett encabezado por el distinguido fsico ingls P. Blackett para estudiar la actuacin del equipo de control de caones en el campo; haba tres fisilogos, cuatro matemticos, un fsico, un astrofsico, un oficial militar y un agrimensor. En los Estados Unidos de Norteamrica se motivaron por los xitos alcanzados por los grupos britnicos, en Abril de 1942 se decidi introducir la IO a nivel superior, emprendiendo tambin estudios tales como: problemas logsticos complejos, el desarrollo de patrones de vuelo para aviones y la planeacin de maniobras navales. En la Fuerza Area se le dio el nombre de Anlisis de Operaciones y en el Ejrcito y la Marina los de Investigacin de Operaciones y Evaluacin de Operaciones, respectivamente. Cuando termin la guerra, la
necesidad de reconstruir en la Gran Bretaa, dio lugar al surgimiento de otros problemas de administracin en sectores de gobierno e industria los cuales demandaron la actuacin de los mismos cientficos especializados en la IO. Tambin en los Estados Unidos de Norteamrica, en la dcada de 1950 con el desarrollo y comercializacin de las computadoras, los investigadores de operaciones y la gente asociada con las operaciones de la ltima guerra, se percataron que los estudios realizados en la misma eran de gran utilidad, aplicados a los problemas industriales. La computadora y el desarrollo de la IO motivaron a los ejecutivos industriales y a los especialistas de esta disciplina para reunirse y provocar su rpido crecimiento. La Programacin Lineal (PL) tuvo un gran impulso para la investigacin industrial dando entrada las empresas a muchos especialistas; las tcnicas Pert, control de inventarios, y la simulacin, empezaron a emplearse con xito; en vez de los simples promedios, se incluyeron la probabilidad y la estadstica tan tiles en cualquier estudio moderno. Actualmente el uso de la IO es extenso en reas de: contabilidad, compras, planeacin financiera, mercadotecnia, planeacin de produccin, transporte y muchas otras ms, convirtindose en importante instrumento de competencia para los presupuestos y contratos. La siguiente tabla esboza parte de los estudios y tcnicas en que se apoyaron los grupos de IO en el desarrollo de esta disciplina. Antecedente histrico de Investigacin de Operaciones.- Desde el siglo XVI:
Figura 1. Tcnicas utilizadas en IO Se puede observar que la IO fue desarrollada en el siglo XX con el apoyo, siglos atrs, de importantes aportaciones de cientficos que con su talento y dedicacin, dejaron slidos cimientos para los estudios de solucin en los sistemas actuales.
Anterior Inicio Siguiente FUNDAMENTACIN
Investigacion de Operaciones Anterior INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Siguiente
2. Metodologa de la Investigacin de Operaciones El enfoque de sistemas a un problema, es caracterstico en la IO, consiste en examinar toda el rea que es responsabilidad del administrador y no una en particular; esto permite que el grupo de IO observe los efectos de acciones fuera del rea de localizacin del problema, lo que puede permitir resolver el problema verdadero y no slo sus sntomas. Adems, debe incluirse una base cuantitativa o modelo para la toma de decisin en la solucin del problema, pero en algunos casos, las respuestas dadas por la computadora conducirn a la necesidad de ciertas modificaciones que reflejen la futura condicin del negocio o bien ser una gua a seguir por el administrador sin necesidad de hacer cambios. La investigacin de operaciones proporciona la oportunidad de que sus resultados se utilicen en la toma de decisiones a niveles administrativos superiores, medianos y bajos. La experiencia del administrador, las futuras condiciones del negocio y los resultados de un modelo matemtico forman la mejor combinacin para la planeacin, organizacin, direccin y control de las actividades de la empresa. El procedimiento de siete pasos mostrado en el siguiente diagrama, puede constituir una metodologa de accin al aplicar la IO.
Figura 2. Diagrama con metodologa de la investigacin de operaciones Paso 1.- Identificar el problema. Comienza con la observacin de los fenmenos que rodean el problema; hechos opiniones y sntomas relativos al mismo. Esto incluye la especificacin de los objetivos de la organizacin y de las partes a analizar de la misma. En algunas ocasiones puede que el problema no est bien definido porque entran
en conflicto los objetivos, como es maximizar la utilidad, pero tambin es deseable minimizar los costos totales, lo cual es improbable lograr simultneamente; por tal motivo se requiere dilogo y acuerdos entre los miembros del equipo de IO y la parte corporativa para decidir un objetivo global. Tambin las primeras observaciones pueden resultar con objetivos en conflicto como es un departamento de produccin que desea programar grandes y prolongadas campaas de un slo artculo para disminuir los costos de preparacin y montaje de sus mquinas. Pero en contraste, si se cumple lo anterior, creceran los inventarios de materia prima y de producto, tanto en proceso como terminado, causando serios problemas en departamentos de: ventas, contabilidad y finanzas. De este modo, ventas desea un gran inventario pero muy variado, con una produccin muy flexible; por su parte finanzas desea mantener el inventario bajo y mejorar las inversiones de capital. Cuando muchos factores de esta clase concurren en el problema es indispensable la aportacin de la interdisciplina del equipo de IO, pues es razonable que las fases individuales de un problema se comprendan y analicen mejor por los que tienen el adiestramiento especial, necesario en los campos apropiados. Por ejemplo, un banco desea reducir los gastos relacionados con los salarios de los cajeros, pero manteniendo un nivel adecuado de servicio a los clientes (tiempo de espera razonable para el cliente y de ocio para los cajeros). Los aspectos funcionales del banco que influyen para conseguir los objetivos pueden ser los que siguen: Llegadas promedio al banco de clientes por hora, pues conforme aumenta se deben instalar cajeros adicionales para tener el nivel deseado de servicio. Promedio de clientes servidos por hora de uno o ms cajeros. Efecto sobre los objetivos del banco, de mantener filas (colas) para cada caja o formar una sola que distribuye clientes conforme se desocupan las cajas. Intercambio entre filas de clientes, con desorden, en sistema de cola por caja. Paso 2.- Observar el sistema Se determinan aquellos factores que afectan, como son: variables, limitaciones y suposiciones. Los factores variables que requieren decisiones como es el nivel de inventario y la necesidad de publicidad; las limitaciones restringen el uso de recursos como: dinero, tiempo, personal, capacidad productiva, existencias de materia prima; las suposiciones pueden ser para: precios de producto y competencia del mercado. Hay que reunir datos para estimar valores de los parmetros que afectan el problema de la organizacin. En el ejemplo del banco, algunos parmetros pueden ser: Llegadas promedio de clientes por hora (tasa), durante la jornada bancaria. Promedio de clientes servidos por hora en caja con diferente tamao de fila. Paso 3.- Formular un modelo matemtico del problema Consiste en el desarrollo de cursos alternativos de accin o hiptesis, en la forma de modelo matemtico que generalmente se disea para usarse en computadora con el software correspondiente para obtener la solucin ptima o una aproximacin a ella. Frecuentemente en este paso, hay necesidad de desarrollar varios modelos que a primera vista parecen prometedores, posteriormente se van desechando conforme muestran sus deficiencias para seleccionar el que se ajusta ms a los objetivos planteados, los que no deben descuidarse especificando una ecuacin como medida de efectividad con el objetivo preciso. Se
puede construir (formular) un modelo que represente la estructura del sistema real en trminos cuantitativos para manipularse y experimentar cambiando ciertas variables y manteniendo como constantes a otras para conocer los efectos sobre el sistema que se estudia. De esta manera, se puede experimentar con el mundo real en trminos abstractos. La construccin de los modelos matemticos puede ser muy difcil incluyendo expresiones complejas con variables controlables como son: precios de venta, nmero de unidades producidas, algunos costos, nmero de vendedores, restricciones presupuestadas; por otra parte, las variables no controlables por la administracin pueden ser: precios de los competidores, costo de las materias primas, costos de mano de obra, demanda de los clientes y su localizacin. Las variables controlables y las no controlables se relacionan con matemticas en forma precisa, el conjunto de expresiones forman lo que se llama modelo matemtico cuya solucin es funcin de los valores que tomen dichas variables. La construccin del modelo debe incluir una ecuacin objetivo, con la previa definicin del significado cuantitativo de las variables involucradas y puede necesitar el complemento de un grupo de expresiones restrictivas para los valores posibles de las variables controlables. Por ejemplo, unidades que se producen, dinero gastado, demanda de clientes, asignacin de recursos, disponibles o requeridos, como son las desigualdades (<= >=) para no exceder lo especificado o para cumplir el mnimo requerido. Hay dos procedimientos para obtener la mejor solucin a un problema partiendo de un modelo: el analtico y el numrico. El analtico emplea la deduccin matemtica con base en el lgebra y/o clculo para lograr la solucin ptima de acuerdo a las consideraciones de diseo; por otro lado, el numrico prueba diversos valores de las variables de control del modelo, compara los resultados obtenidos y selecciona la serie de valores que optimizan. Estos procedimientos varan, desde los de tanteo hasta los iterativos. Para ciertas situaciones complejas no hay modelo analtico que las represente en forma vlida, en estos casos se puede recurrir a un modelo de simulacin que permite, con la ayuda de la computadora, aproximar el comportamiento del sistema y buscar la mejor solucin. En este paso es comn el regreso al paso 2 para ajustes de observacin. Paso 4.- Verificar el modelo y usarlo en predicciones Se trata ahora de verificar si el modelo matemtico diseado en el paso 3 anterior, es una buena representacin de la realidad que se estudia, calificando su validez para situaciones actuales. Cuando sea posible, se debe obtener informacin respecto al comportamiento del modelo al cambiar valores en sus variables y parmetros, especialmente si estos ltimos no se pueden determinar con exactitud, esto se conoce como anlisis de sensibilidad o experimentacin sobre el modelo y con ayuda de la computadora, cambiando los valores a variables y parmetros, que representen las situaciones reales, incluyendo las desventajosas. Frecuentemente, si la experimentacin es muy limitada, se pueden tener resultados engaosos que posteriormente en aplicacin a poblacin mayor, se debe regresar a corregir los criterios equivocados en los pasos precedentes 2 y 3. Con el anlisis de sensibilidad se puede ajustar: La medida de efectividad u objetivo como es el dinero como utilidad o costo. Revisin de las variables bajo control o de decisin. Revisin de las variables no controlables y ambientales como demanda y ubicacin de clientes, precios de la competencia, o nivel de actividad econmica. Relacin de los factores ya mencionados con las restricciones propuestas.
En particular para el ejemplo del banco, si los valores de prediccin para el tiempo de espera en cola y el nivel de servicio no estn cerca de los valores reales obtenidos en la observacin del paso 2, seguramente se necesitar otro modelo o al menos revisar los parmetros considerados al mismo. Este caso es para analizar, si el modelo es vlido para las situaciones de poca demanda de clientes y para los das de pago acostumbrados. Paso 5.- Seleccionar una alternativa Si existe una alternativa que se adapte mejor a los objetivos de la organizacin con el modelo matemtico propuesto, entonces debe seleccionarse para su presentacin a los responsables de decidir, pero frecuentemente la situacin no es clara para hacerlo as, porque el conjunto de opciones resultantes est sujeta a restricciones difciles de cumplir o imposibles. Paso 6.- Presentar resultados a la organizacin Al terminar la etapa de pruebas y desarrollo de un modelo con solucin aceptable, se puede presentar una recomendacin o bien varias alternativas para que la organizacin seleccione la que mejor se ajusta a sus necesidades. Generalmente hay necesidad de mostrar varias corridas de computadora, en cuyo caso es conveniente instalar un sistema bien documentado para aplicar el modelo segn lo establecido por la administracin. Este sistema debe incluir, tanto el modelo como el procedimiento de solucin, anlisis de sensibilidad y los procedimientos operativos para su probable implantacin. Pero dado el caso muy frecuente de rechazo a la solucin propuesta, ya sea por definicin incorrecta o debido a la poca participacin del tomador de decisin, entonces ser necesario regresar al paso 1,2 3. Paso 7.- Implantar y evaluar las recomendaciones Si la organizacin acepta el estudio con la propuesta de solucin, se procede a la implantacin que incluye el sistema de computo y la vigilancia constante para las actualizaciones por cambios en el sistema. Con frecuencia se requiere un nmero considerable de programas integrados. Las bases de datos y los sistemas de informacin administrativos puede proporcionar informacin actualizada cada vez que el modelo se utilice, en cuyo caso se necesitan programas de interfaz (interaccin con el usuario) para hacer amigable la operacin del sistema propuesto. Tambin se pueden instalar programas adicionales que manejen los resultados del implante de manera automtica o bien un sistema interactivo de computadora denominado sistema de soporte de decisiones, para ayudar a la direccin con informacin relevante en sus decisiones. Se puede generar informes con la terminologa usual en el medio, que relacionen los resultados entregados por el sistema implantado y las implicaciones. Dependiendo del tamao del estudio se pueden requerir meses o aos para implantar (desarrollar, probar e instalar) el sistema computarizado y posteriormente su mantenimiento en las indispensables actualizaciones de programas, modelo y an de equipo (hardware). Cualquier falla o rechazo en la implantacin puede hacer necesario la revisin y ajuste en los pasos 1, 2, 3 y 4. UBICACIN DE LA IO EN LAS ORGANIZACIONES.- La investigacin de operaciones ha tenido un impacto impresionante en el mundo, al mejorar la eficiencia de muchas organizaciones. Ha hecho contribuciones significativas al incremento de la productividad dentro de la economa de muchos pases, de
ellos ms de 30 que son miembros de la International Federation of Operational Research Societies (IFORS). Al inicio de la dcada de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sera la 3 rea profesional, de ms rpido crecimiento para los egresados graduados entre 1990 y 2005 en Estados Unidos, con 100,000 personas laborando como analistas de IO en el 2005. El problema de la localizacin de un grupo de IO dentro de la empresa ha merecido una gran atencin, sin embargo, no hay una posicin preferida para las organizaciones; pero se puede decir que los que han tenido xito dependen de los niveles jerrquicos superiores de la institucin, lo cual da una base firme para su funcionamiento con obligaciones de enfrentar los problemas de tomar decisiones y de utilidad inmediata para la administracin. Teniendo el respaldo de la autoridad superior con prestigio dentro de la empresa, se podrn cruzar los linderos departamentales y obtener la informacin necesaria para dar soluciones. Generalmente el grupo de IO se asocia con el de sistemas de procesamiento de datos, pues el acceso a las computadoras es el apoyo indispensable para sus actividades, por lo que no es raro que estn integrados dada la posibilidad de tener el mejor manejo de la informacin deseada y ordenada como convenga. De este modo ambos grupos, el de IO y el de sistemas de procesamiento de datos, se complementan en trminos de los objetivos de la institucin. Para la mayora de los estudios de IO, se recomienda un equipo compuesto de analistas y de personal involucrado en el problema que se enfrenta, este grupo informa a un Comit Directivo de la Administracin integrado por los directivos departamentales que estn afectados en el problema estudiado de IO, los cuales a su vez se renen con la administracin superior para reportar los progresos. Los comits allanan el camino del personal de IO para obtener la cooperacin del personal de operacin y su aceptacin.
Anterior Inicio Siguiente INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Subir
3. Aplicaciones de la Investigacin de Operaciones reas funcionales Una muestra de los problemas que la IO ha estudiado y resuelto con xito en negocios e industria se tiene a continuacin: Personal La automatizacin y la disminucin de costos, reclutamiento de personal, clasificacin y asignacin a tareas de mejor actuacin e incentivos a la produccin. Mercado y distribucin El desarrollo e introduccin de producto, envasado, prediccin de la demanda y actividad competidora, localizacin de bodegas y centros distribuidores. Compras y materiales Las cantidades y fuentes de suministro, costos fijos y variables, sustitucin de materiales, reemplazo de equipo, comprar o rentar. Manufactura La planeacin y control de la produccin, mezclas ptimas de manufactura, ubicacin y tamao de planta, el trfico de materiales y el control de calidad. Finanzas y contabilidad Los anlisis de flujo de efectivo, capital requerido de largo plazo, inversiones alternas, muestreo para la seguridad en auditoras y reclamaciones. Planeacin Con los mtodos Pert para el control de avance de cualquier proyecto con mltiples actividades, tanto simultneas como las que deben esperar para ejecutarse. La lista de reas funcionales de la organizacin que son de posible aplicacin de la IO, es ilustrativa del potencial que tiene para resolver el problema de la empresa. Problemas ejemplo de aplicacin con xito de la IO.- En los siguientes problemas el gobierno o empresa, ahorraron millones de dlares en la aplicacin de la IO:
1. Programacin del horario de las rondas de policas de San Francisco.-En 1989 Taylor y Huxley disearon un mtodo para programar el horario de las rondas de oficiales de la Polica de San Francisco, usando un modelo de programacin lineal, la programacin de metas y la programacin entera. El ahorro sum 11 millones de dlares anuales. 2. Reduccin de gastos de combustible en la industria de la energa elctrica.- En 1989 Chao y Cols ahorraron a 79 empresas de servicio de energa elctrica ms de 125 millones de dlares en costos de compras y de dficit, usando programacin dinmica y simulacin. 3. Diseo de una instalacin para desmontar lingoteras en Bethlehem Steel.- En 1989 Vasko y Cols ayudaron a esta empresa siderrgica con el diseo del sistema de quitar lingoteras a los lingotes de acero con un modelo de programacin entera ahorrando 8 millones de dlares anuales. 4. Mezcla de gasolinas en Texaco.- Con programacin lineal y no lineal Dewit y Cols disearon un modelo de mezcla para cuatro tipos de gasolina ahorrando 30 millones de dlares al ao; aplicando anlisis de sensibilidad calcularon el efecto de cambios al modelo. 5. Programacin del horario de los camiones para North America Van Lines.-En 1989 Powell y Cols, con modelos de redes y programacin dinmica, formularon la asignacin de carga a chferes, reduciendo costos en 2.5 millones de dlares, con mejor servicio. 6. Administracin del inventario a Blue Bell.-En 1985 Edwars, Wagner y Wood con programacin lineal y modelos probabilsticos de inventario redujeron el nivel medio de inventario de ropa deportiva y de oficina en un 31%. 7. Determinacin de carteras de bonos.- Varias personas (Chandy y Kharabe, 1986) utilizaron la programacin lineal para mxima ganancia con restricciones de riesgo y de la diversificacin de la cartera. 8. Planeacin de produccin en lechera.-En 1985 Sullivan y Secrest, usaron programacin lineal con utilidad de 48000 dlares, al determinar el proceso: del suero, la leche cruda, el suero dulce y la crema, para obtener: queso crema, requesn, crema agria y crema de suero. 9. Reemplazo de equipo en Phillips Petroleum.- Para el reemplazo de equipo usaron modelos (Waddell, 1983), que se estima ahorraron 90000 dlares por ao.
Anterior Inicio Siguiente Metodologa de la Investigacin de Operaciones Subir Referencias Bibliogrficas 4. Referencias Bibliogrficas ACK68.- Ackoff Rusell L. & Sasieni Maurice W. Fundamentals of Operations Research. Wiley. New York. 1968. DAN63.- Dantzig George B. Linear Programming and Extensions. Princenton University Press. Princenton N.J. 1963.
GAS74.- Gass Saul I. Linear Programming. Methods and Applications. McGraw Hill, New York.1974 HIL95.- Hillier-Lieberman. Introduccin a la Investigacin de Operaciones.-McGraw-Hill.- 6a.edicin.- 1995. SHA78.- Shamblin - Stevens. Investigacin de Operaciones. Un enfoque Fundamental.- Mc Graw Hill. Primera edicin. 1978. THI77.- Thierauf-Grosse. Toma de decisiones por medio de la Investigacin de Operaciones.-Limusa.- 1 edicin, 4 Reimpresin.- 1977. WAG75.- Wagner H. Principles of Operation Research. 2d. edition. Englewood Cliffs. N. J. Prentice Hall. 1975. WIN94.- Winston Wayne. Investigacin de Operaciones. Aplicaciones y Algoritmos.- Grupo Editorial Iberoamrica.- 2 Edicin.- 1994.
Anterior Inicio Siguiente Aplicaciones de la Investigacin de Operaciones Subir
Captulo 1. PROGRAMACION LINEAL (PL). Tabla de contenido 1.1. Objetivo. 1.2. Antecedentes histricos y definicin. 1.3. Modelo de programacin lineal general. 1.4. Formulacin de problemas con programacin lineal. 1.5. Solucin para el modelo de programacin lineal. 1.6. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo [MAT96]
1.7. Referencias bibliogrficas
1.1. Objetivo. Iniciarse en la tcnica de programacin lineal con el aspecto ms importante del mtodo cientfico: la representacin o modelo en formulacin matemtica lineal de algunos problemas elegidos, los agrupados en "clsicos"; tambin debe aprender los conceptos tericos fundamentales utilizando la metodologa grfica en slo dos variables.
Anterior Inicio Siguiente Referencias Bibliogrficas Antecedentes histricos y definicin.
1.2. Antecedentes histricos y definicin. El desarrollo de la programacin lineal se considera entre los avances cientficos ms importantes del siglo XX, pues su impacto ha sido extraordinario. Actualmente es una herramienta de uso comn que ha beneficiado a muchas organizaciones en distintos pases con ahorros de cualquier ndole, por lo que su uso se est ampliando rpidamente a todos los sectores de la sociedad. Una gran mayora de los clculos cientficos en computadoras usan la programacin lineal proliferando las publicaciones y libros sobre esta materia de gran aplicacin. Uno de sus antecedentes se registra con el mtodo de anlisis de insumo-producto que desarroll el economista W. Leontief; tambin se debe reconocer al economista y matemtico sovitico L.V. Kantorovich, quien ya en 1939 formul y resolvi un problema de programacin lineal para la organizacin y planeacin de la produccin; otro antecedente es, la interpretacin de Hitchcock a "un problema de tipo de transportacin" en 1941. El problema de la dieta, fue analizado por Stigler en 1945. El gran impulso de la programacin lineal para la industria y los negocios se identifica con el doctor George Dantzig, matemtico norteamericano de origen, que desarroll el algoritmo Simplex, un mtodo sistemtico de resolucin para problemas modelados con programacin lineal. Esto ocurri en 1947 cuando se ocup, con Marshal Wood y asociados, de un proyecto para la Fuerza Area de los Estados Unidos. Se organiz un grupo de investigacin con el ttulo de Proyecto SCOOP (Scientific Computation of Optimum Programs). Actualmente las principales aplicaciones de la PL son del rea industrial; tambin, aunque en menor parte, en el campo urbano y social. A partir de 1950, un nmero cada vez mayor de investigadores (matemticos y economistas) aislados o constituyendo grupos contribuyen al desarrollo de las diferentes ramificaciones de la programacin lineal; en particular, la "Rand Corporation" con G. B. Dantzig y W. Orchard-Hays, despus L. R. Ford, D. R. Fulkerson, y D. Gale; el departamento de matemticas de la Universidad de Princenton con A. W. Tucker y H. W. Kun; la "Graduate School of Industrial Administration" del "Carnegie Institute of Technology" con A. Charnes y W. Cooper. Los dos primeros grupos trabajan en la teora matemtica de los programas y su instalacin en computadoras; los resultados se publicaron en la "Rand Corporation" en la serie de "Rand notes on linear programming and extensions" (desde 1953 a 1961); se deben mencionar las de Dantzig sobre los desarrollos tericos, las de W. Orchard_Hays sobre la instalacin de los programas de clculo en mquinas, las de L. R Ford y D. R. Fulkerson sobre las redes de transporte; es necesario citar especialmente en el activo del grupo de Princenton, el mtodo "hngaro" de H. W. Kun, para los problemas de asignacin, la publicacin de la notable coleccin de notas "Linear Inequalities and Related Systems" en 1956 y el mtodo de Gomory para el clculo de los problemas lineales en nmeros enteros a finales del ao 1958. El equipo del "Carnegie Tech" desarroll la PL en aplicaciones industriales, se interes en aspectos tericos particulares como: degeneracin, errores de redondeo, el Simplex revisado, variables acotadas. En los ltimos aos, lo notable y ms prometedor parece ser: La programacin lineal en nmeros enteros por R. Gomory, el principio de descomposicin de Dantzig y Wolfe, los programas lineales estocsticos, el algoritmo de punto interior de Narendra Karmarkar, con aportaciones importantes de un matemtico ruso I. Dikin en 1967, redescubierto, despus de la publicacin de Karmarkar por varios investigadores: E.R.Barnes, T. M.Cavalier y A.L.Soyster. Adems R.J.Vanderbei, M.S.Meketon y B.A.Freedman publicaron en 1986, "A modification of Karmarkar's Linear Programming Algorithm". Al inicio la programacin lineal se llam "programacin en estructura lineal". En 1948, Tjalling Koopmans sugiri a George Dantzing simplificar el nombre.
DEFINICIN DE LA PROGRAMACIN LINEAL Es una de las tcnicas agrupadas como programacin matemtica, aplicable a problemas de asignacin de recursos limitados, con actividades competitivas hacia un objetivo comn, que puede ser de maximizar beneficios (por ejemplo utilidades o bien rendimientos); tambin se puede desear minimizar el esfuerzo (por ejemplo los costos, el personal asignado a tareas, o el desperdicio en procesos). Se usa un modelo matemtico con representacin vlida de la problemtica en estudio; sus relaciones deben ser lineales o de "lnea recta", que significa utilizar, slo una variable de primer grado en cada trmino.
1.3. Modelo de programacin lineal general. El modelo de PL es una representacin simblica (abstraccin) de la realidad que se estudia, se forma con expresiones lgicas matemticas conteniendo trminos que significan contribuciones: a la utilidad (con mximo), al costo (con mnimo), al consumo de recurso (disponible con desigualdad <=), al recurso requerido (con desigualdad >=), recurso especificado (con igual = ). Contiene las siguientes cuatro partes: 1a parte Definicin con el significado cuantitativo de las variables de decisin (controlables).
2a parte Funcin econmica u objetivo a optimizar (mximo o bien mnimo):
3a parte Sujeta a restricciones:
4a parte Condicin de no negativo a variables:
PROPIEDADES DEL MODELO DE PROGRAMACIN LINEAL Para que un modelo de PL sea vlido, debe cumplir las propiedades siguientes:
I. Proporcionalidad.-Significa que la contribucin al valor de la funcin objetivo y el consumo o requerimiento de los recursos utilizados, son proporcionales al valor de cada variable de decisin. As el trmino 4X 1 es proporcional, porque contribuye al valor de la funcin Z con 4, 8, 12, etc. para los valores 1, 2, 3, etc., respectivamente, de X 1 . Se puede observar el aumento constante y proporcional de 4 conforme crece el valor de X 1 . En contraste, el trmino no lineal 4X 1 2 , contribuye con 4, 16, 36, etc., para los mismos valores 1, 2, 3, etc., respectivamente, de la variable X 1 ; Aqu se observa que el aumento en la contribucin no es constante y por lo tanto no hay proporcionalidad. II. Aditividad.- Significa que se puede valorar la funcin objetivo Z, as como tambin los recursos utilizados, sumando las contribuciones de cada uno de los trminos que intervienen en la funcin Z y en las restricciones. III. Divisibilidad.- Significa que las variables de decisin son continuas y por lo tanto son aceptados valores no enteros para ellas. La hiptesis de divisibilidad ms la restriccin de no negatividad, significa que las variables de decisin pueden tener cualquier valor que sea positivo o por lo menos igual a cero. IV. Certidumbre.- Significa que los parmetros o constantes son estimados con certeza, o sea, no interviene una funcin de probabilidad para obtenerlos El modelo de programacin lineal es un caso especial de la programacin matemtica, pues debe cumplir que, tanto la funcin objetivo como todas las funciones de restriccin, sean lineales. APLICACIONES TPICAS DE LA PROGRAMACIN LINEAL Aparentemente, las estructuras de organizacin complejas propias de la sociedad moderna han reconocido interesantes problemas de optimizacin tales como la manera ms eficiente de manejar la economa de un pas o tambin la mezcla de ingredientes de un fertilizante para satisfacer las especificaciones agrcolas a costo mnimo. Ambos problemas utilizan el modelo de programacin lineal (PL), para optimizar una funcin lineal condicionada a restricciones lineales, que es sencillo en su estructura matemtica, pero poderoso por su gran adaptacin a una amplia variedad de problemas. La programacin lineal es una tcnica matemtica de resolucin de problemas, su desarrollo representa una ayuda a los administradores para tomar decisiones en la asignacin de recursos. A continuacin aparecen algunas aplicaciones tpicas de la PL: 1. Un fabricante desea desarrollar un programa de asignacin en produccin y una poltica de inventario que satisfagan la demanda de ventas de periodos futuros. As se podra cumplir la demanda con mnimo costo total de produccin y de inventario. 2. Un analista financiero debe seleccionar una cartera de inversiones a partir de una diversidad de alternativas en acciones y bonos. Se debe establecer la cartera que maximice el rendimiento sobre la inversin asignada. 3. Un administrador de mercadotecnia desea determinar la mejor manera de asignar un presupuesto de publicidad como radio, televisin, peridicos y revistas. Al gerente le gustara determinar la combinacin de medios que maximice la efectividad de la publicidad. 4. Una empresa tiene almacenes en varias. ubicaciones en todo el pas. Para un conjunto de demandas de sus productos por parte de sus clientes, la empresa deseara determinar cunto debe asignar en embarques a cada uno de los almacenes y a cada cliente, de manera que los costos totales de transporte resulten mnimos.
Estas aplicaciones representan unas cuantas situaciones en las que se ha utilizado con xito la programacin lineal, pero ilustran su potencial en la solucin de problemas. Un estudio detallado revela las caractersticas comunes de ellas. En el ejemplo 1, el fabricante desea minimizar costos; en el 2, el analista financiero desea maximizar el rendimiento sobre la inversin; en el 3, el gerente de mercadotecnia desea maximizar la efectividad de la publicidad, y en el ejemplo 4, la empresa desea minimizar los costos totales de transporte. En todos los problemas de programacin lineal, el objetivo es el mximo o bien el mnimo de alguna cantidad en la accin de asignar recursos. Los problemas de programacin lineal se caracterizan, adems, por las condiciones impuestas o restricciones de recursos, que limitan el grado en que se puede cumplir algn objetivo. En el ejemplo 1, el fabricante est limitado por restricciones que requieren que la demanda de producto quede satisfecha y por restricciones respecto a la capacidad de produccin. El problema de la cartera del analista financiero est limitado por la cantidad total de fondos de inversin disponibles y las cantidades mximas que se pueden invertir en cada accin o bono. La decisin en la seleccin de medios del gerente de mercadotecnia, est restringida por un presupuesto de publicidad fijo y por la disponibilidad de los varios medios. En el problema de transportacin, el programa de embarques de costo mnimo est restringido al suministro de productos disponibles en cada almacn. La diversidad de condiciones mencionadas, es parte de lo que puede esperar aquel que decida enfrentar un problema, pues las restricciones son otra caracterstica general en todo problema de programacin lineal.
Anterior Inicio Siguiente Antecedentes histricos y definicin. Subir Formulacin de problemas con
1.4. Formulacin de problemas con programacin lineal. La formulacin de un problema de cualquier tamao con programacin lineal debe sujetarse al formato del modelo de PL general ya presentado antes. Se empieza como parte 1, con la observacin y anlisis necesario para definir el significado cuantitativo de las variables de decisin o controlables que se pueden representar, en smbolos como X 1 , X 2 , X 3 ,... ,o bien, identificar con nombre especfico de producto o bienes de manufactura, almacn o venta, disponibilidad y/o requerimiento de recurso o materia prima. Se contina con la parte 2, para construir la funcin objetivo o medida de efectividad, representada por una variable (denotada con Z, G, U, etc.) cuyo valor se desea maximizar(utilidad, rendimiento, ingreso, produccin) o bien minimizar (costo, tiempo, mano de obra, inventario). Puede ocurrir en algn caso, que la formulacin resulte no lineal, pero con las transformaciones adecuadas se puede hacer la conversin a lineal.
Como parte 3 debe considerarse la construccin de las restricciones que limitan el valor ptimo que puede tomar la funcin objetivo, o sea, definen las soluciones admisibles o regin factible del problema. Las restricciones pueden ser de una o todas las clases siguientes: Si no se debe exceder el recurso disponible, de la forma <=; para no menos de lo requerido, de la forma >=; o tambin para igualar el recurso especificado, de la forma =. Se termina con la parte 4, para condicionar las variables a valores no negativos, debido a que en la gran mayora de los problemas los valores negativos no tienen significado fsico. Los casos de excepcin merecen tratamiento especial.
Anterior Inicio Siguiente Modelo de programacin lineal general. Subir Ejemplos de formulacin de modelos de PL. 1.5. Solucin para el modelo de programacin lineal. Existen mtodos de solucin del modelo de programacin lineal, tanto grfico como analtico. Para la gran mayora de los problemas es indispensable aplicar la metodologa analtica, con los algoritmos muy eficientes que desarrollaron los cientficos ya citados en los antecedentes de PL. Pero en beneficio de la claridad, conviene iniciar la exposicin de cmo resolver el problema ya formulado con programacin lineal, con el mtodo grfico, que por su sencillez, es posible que el alumno se motive ms para el estudio. Para ello primero se debe revisar la forma en que puede presentarse un modelo o planteamiento del problema que se estudia.
Anterior Inicio Siguiente Ejemplos de formulacin de modelos de PL. Subir Formas equivalentes del modelo de programacin lineal.
1.6. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo [MAT96] En las siguientes subsecciones encontrar una serie de ejercicios que ayudarn a la total comprensin de los temas tratados en el presente captulo. Asimismo, los ejercicios marcados con *AUTOEVAL* son de auto evaluacin, el peso de los incisos correspondientes a cada uno de ellos podrn ser consultados en la seccin de respuestas. Se sugiere resolverlos, y una vez terminados, revisar su solucin y calcular la calificacin correspondiente y as evaluar el entendimiento del mismo. Se recomienda aplicar los ejercicios aqu planteados a casos prcticos de la vida diaria como parte de las actividades de aprendizaje del presente material.
Anterior Inicio Siguiente Mtodo grfico para resolver modelos de programacin lineal con solo dos variables.
1.7. Referencias bibliogrficas AND93.- Anderson D.- Sweeney D.- Williams T Introduccin a los Modelos Cuantitativos para Administracin.,- Grupo Editorial Iberoamrica.- 1993. DAN63.- Dantzig George B. Linear Programming and Extensions. Princenton University Press. Princenton N.J. 1963. GAS74.- Gass Saul I. Linear Programming. Methods and Applications. McGraw Hill, New York.1974 GAS81.- Gass Saul I. Programacin lineal.- Limusa 1 Edicin 1981 HIL95.- Hillier-Lieberman. Introduccin a la Investigacin de Operaciones.-McGraw-Hill.- 6a.edicin.- 1995.
MAT96.- Mathur Kamlesh and Solow Daniel. Investigacin de Operaciones. El Arte de la Toma de Decisiones. Prentice Hall Hispanoamricana. 1996 SAT95.- Saaty Thomas. Mathematical Methods of Operations Research, Mc Graw Hill Book Company, New York, 1959 WAG75.- Wagner H. Principles of Operation Research. 2d. edition. Englewood Cliffs. N. J. Prentice Hall. 1975. WIN94.- Winston Wayne. Investigacin de Operaciones. Aplicaciones y Algoritmos.- Grupo Editorial Iberoamrica.- 2 Edicin.- 1994.
Anterior Inicio Siguiente Solucin grfica 3 con aciertos de opcin mltiple *AUTOEVAL*. Subir SOLUCIN ANALTICA DEL MODELO DE PROGRAMACIN LINEAL. Captulo 2. SOLUCIN ANALTICA DEL MODELO DE PROGRAMACIN LINEAL. Tabla de contenido 2.1. Objetivo. 2.2. Conceptos relacionados. 2.3. Teoremas de la programacin lineal. 2.4. Mtodo Simplex. 2.5. Matriz unitaria "I" de base con variables artificiales. 2.6. Casos especiales en la tabla Simplex. 2.7. Teora de la dualidad. 2.8. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo 2.9. Referencias bibliogrficas
2.1. Objetivo. El alumno debe aprender la utilizacin del poderoso y verstil mtodo simplex de solucin en programacin lineal, aplicado en problemas ejemplo pequeos que muestran las diversas circunstancias de su preparacin antes de aplicar el algoritmo y los casos especiales identificables en la tabla solucin. Tambin con fines de interpretacin econmica, debe aprender las relaciones que vinculan a un problema con su dual asociado y los teoremas derivados.
2.2. Conceptos relacionados. Para la gran mayora de los problemas modelados con programacin lineal, el mtodo grfico es claramente intil para resolverlo, pero afortunadamente y gracias a la dedicacin de varios cientficos, desde mediados del siglo XX se cuenta con el eficiente mtodo SIMPLEX, poderoso por su aplicacin verstil en cualquier rea de la actividad humana. Pero como antecedente a la exposicin del simplex, conviene aclarar con definiciones algunos conceptos relacionados. En programacin lineal es necesario calificar la palabra solucin para precisar el concepto al que se hace referencia, como se expresa enseguida: SOLUCIN.- Es un conjunto de n + m variables "X j ", definidas ordenadamente como un vector X = ( X 1 , X 2 , ... X j , ... X n , X n+1 , ... , X n+m ) que satisface el conjunto de ecuaciones que constituyen el sistema en el problema.
En donde: m =nmero de restricciones; n =nmero de variables de decisin. SOLUCIN FACTIBLE.- Es un conjunto de n + m variables "X j ", definidas ordenadamente como un vector X = ( X 1 , X 2 , ... X j , ... X n , X n+1 , ..., X n+m ) que satisface el conjunto de ecuaciones que constituyen el sistema en el problema.
y adems la condicin, toda X j >= 0. SOLUCIN BSICA.- Se obtiene, cuando en el sistema de ecuaciones se hacen n variables iguales a cero del total de (n+m) variables y resolviendo las ecuaciones para las restantes "m" variables, siempre que el determinante de los coeficientes de estas "m" variables llamadas bsicas, no sea cero. Consulte el apndice A. SOLUCIN BSICA FACTIBLE.- Es una solucin bsica que cumple X j >= 0, para toda j (j = 1, 2, ..., n + m); es decir, todas las variables bsicas son no negativas. En una analoga geomtrica con slo dos variables, se puede comparar con los vrtices en el rea sombreada. SOLUCIN NO DEGENERADA.- Es una solucin bsica factible, con exactamente "m" variables bsicas X i , estrictamente positivas. SOLUCIN DEGENERADA.- Es una solucin bsica factible, con menos de "m" variables bsicas X i
positivas, pues al menos, una de ellas es de valor cero. SOLUCIN PTIMA.- Es una solucin bsica factible que optimiza la funcin
Anterior Inicio Siguiente SOLUCIN ANALTICA DEL MODELO DE PROGRAMACIN LINEAL.
2.3. Teoremas de la programacin lineal. La PL se fundamenta en varios teoremas de los cuales se definen tres de los ms importantes: 1. El conjunto de soluciones factibles de la programacin lineal es convexo. Definicin.- Un conjunto es convexo, si dados dos puntos cualesquiera A y B del mismo, el segmento de recta que los une, se incluye totalmente en dicho conjunto (Figura 1-37); expresado matemticamente,
un conjunto C es convexo si y slo si, todos los puntos "P" determinados por combinacin convexa entre dos puntos cualesquiera A y B del mismo, estn en el conjunto C:
Ejemplo que verifica convexidad: Determine un punto P por combinacin convexa de puntos vrtice en Figura 1-33: A(0,6) y F(4,3),
Si tanto A como F son vrtices factibles, entonces P est en el conjunto factible. 2. La funcin objetivo de un programa lineal tiene su valor ptimo (mximo o mnimo), en un punto extremo (vrtice) del conjunto convexo de soluciones factibles. Si alcanza este ptimo en ms de un punto extremo, entonces toma el mismo valor para toda combinacin convexa entre estos puntos del problema, (soluciones ptimas mltiples). 3. Una condicin necesaria y suficiente para que un punto X >= 0 en el conjunto de soluciones factibles sea punto extremo, es que X sea una solucin bsica factible que satisfaga el sistema: AX=b; o bien expresado as
Este teorema indica que cada punto extremo corresponde, al menos, a una solucin bsica y viceversa, cada solucin bsica significa un punto extremo. As se concluye que el nmero de puntos extremos del conjunto de soluciones factibles, es finito y no puede exceder el de sus soluciones bsicas. Entonces, el nmero mximo de tales soluciones supuestas nicas se calcula con el binomio:
Es de anotar, que un punto extremo puede estar definido con ms de dos restricciones en cuyo caso se dice no nico y tener ms de una solucin bsica; adems, si es extremo factible, se tiene degeneracin en tal vrtice. El punto extremo factible nico se dice es solucin bsica no degenerada. Un punto extremo (vrtice) del conjunto factible se identifica porque no se puede expresar como combinacin convexa de cualquier par de puntos del mismo conjunto.
Anterior Inicio Siguiente Conceptos relacionados.
Anterior Captulo 2. SOLUCIN ANALTICA DEL MODELO DE PROGRAMACIN LINEAL. Siguiente
2.4. Mtodo Simplex. En el ao 1947 el doctor George Dantzig present el algoritmo que desarroll y que denomin SIMPLEX. A partir de este logro se pudieron resolver problemas que por ms de un siglo permanecieron en calidad de estudio e investigacin con modelos formulados pero no resueltos. El desarrollo paralelo de la computacin digital, hizo posible su rpido desarrollo y aplicacin empresarial a todo tipo de problemas. El mtodo simplex disminuye sistemticamente un nmero infinito de soluciones hasta un nmero finito de soluciones bsicas factibles. El algoritmo simplex utiliza el conocido procedimiento de eliminacin en la solucin de ecuaciones lineales de Gauss- Jordan y, adems aplica los llamados criterios del simplex con los cuales se asegura mantener la bsqueda dentro de un conjunto de soluciones factibles al problema; as valora una funcin econmica Z, exclusivamente en vrtices FACTIBLES (posibles). Tambin se consigue con eficiencia, debido a que se dirige la bsqueda haciendo cambios a una solucin bsica factible adyacente, que se distingue al tener m-1 variables bsicas iguales; es decir, dos vrtices adyacentes slo difieren en una variable bsica; seleccionando la ruta de mayor pendiente, para mejorar el valor de Z, o por lo menos conservarlo. Primero se presenta el mtodo simplex, especfico para un modelo de PL en forma cannica de mximo, aplicado con la conocida tabla matricial, (tambin identificada como tableau), lo cual se resume mediante el diagrama funcional de la Figura 2-1, que muestra los fundamentos del algoritmo contenidos en niveles o bloques numerados para la referencia en la descripcin del mismo. Nivel 1.- Forma estndar.-El modelo de PL en forma cannica de mximo que se desea resolver, tiene m ecuaciones obtenidas al convertir las restricciones de desigualdad a igualdad, agregando m variables de holgura, que sumadas a las n variables de decisin, hacen un total de (m + n) incgnitas. Las m restricciones con las (m + n) variables, producen un nmero infinito de soluciones, entre ellas, un conjunto de factibles y tambin las no factibles. Nivel 2.- Calcule una primera solucin bsica factible.- Del total, (m + n) variables, slo n se igualan con cero ( n = 0 ), lo cual produce (s existen), un nmero finito de soluciones bsicas con un lmite mximo de (m + n)! / m! n!. Estas pueden ser, factibles y no factibles; se consideran slo las primeras.
Nivel 3.- Se toman en cuenta slo las soluciones bsicas factibles, esto es, las que tienen todas las variables bsicas >= cero; es decir, con un nmero de iteraciones menor a (m + n)! / m! n!, se obtienen soluciones bsicas factibles: no degeneradas, si todas las incgnitas bsicas son positivas y soluciones degeneradas, si al menos una variable bsica es igual a cero. Se aplican los criterios del algoritmo en forma iterativa para evaluar la funcin objetivo en puntos extremos adyacentes que potencialmente puedan mejorar el valor Z. Nivel 4.- Se generan nuevas soluciones bsicas factibles, tales que el valor de la funcin objetivo Z mejore; se repite el procedimiento (iteraciones) entre los niveles 3 y 4, hasta que ninguna solucin bsica factible adyacente resulte mejor; es decir, hasta que no haya incremento de valor, si el problema es de mximo, (hasta que no haya decremento, para el problema, no tratado ahora, de mnimo).
Figura 2-1. Diagrama funcional del algoritmo simplex.
Nivel 5.- Se interpretan los resultados de la ltima (iteracin) tabla calculada, porque se identifican las caractersticas de una solucin ptima. Criterios del Algoritmo Simplex. El algoritmo simplex emplea los siguientes criterios para asegurar que la bsqueda de la solucin ptima del problema en estudio sea rpida, limitando el clculo a soluciones bsicas (puntos extremos) que sean factibles. Criterio de optimalidad. Se aplica en el simplex para determinar entre las variables no bsicas, una que entre (VE) a la base, eligiendo en la columna que tenga el coeficiente ms negativo en el rengln "Z" de la tabla, si el problema es maximizar. Por lo contrario, si el problema es minimizar se elige para variable entrante (VE) a la base la que cumpla con el coeficiente ms positivo en dicho rengln "Z". Criterio de factibilidad.- Se aplica en el simplex para determinar entre las variables bsicas, una que salga de la base (VS), eligindola que cumpla
en donde Xi es el valor de la variable bsica en el rengln i; a ik es un coeficiente en el mismo rengln i ubicado en la columna k correspondiente a la variable entrante elegida. Esto es vlido tanto para problemas de mximo como de mnimo. Elemento pivote: En el cruce correspondiente a columna y rengln elegidos con los dos criterios anteriores, se ubica un coeficiente denominado pivote (P) que se utiliza durante las iteraciones o etapas de clculo del simplex. Ejemplo 2-1. Aplica mtodo Simplex; PL forma cannica mximo (MAXCAN1). Este modelo de PL forma cannica de mximo con slo dos variables de decisin, ya se mostr como el Ejemplo 1-13 de mtodo grfico con la Figura 1-33.
Nivel 1.- Se inicia el mtodo simplex para el problema expresado en forma cannica, sumando una variable de holgura a cada una de las restricciones de desigualdad <= que contiene el modelo, convirtindose todas
ellas en igualdades. Las holguras se denotan con X n+1 , X n+2 ,..., X n+m . Otra conveniente notacin es: H 1 , H 2 ,..., H m ; en donde 1,2,...,m, son restricciones tipo <=. As se pasa a:
Ahora se tienen tres ecuaciones con (n+m)=(2+3)=5 incgnitas, ampliando el sistema a 5 dimensiones con dos grados de libertad para la solucin del mismo, lo cual implica un nmero infinito de soluciones. Se puede recurrir en lo que sigue, a la analoga geomtrica del Ejemplo 1-13 con el propsito de mostrar parte de la naturaleza geomtrica del algoritmo simplex con la Figura 1-33: No se puede mostrar una analoga geomtrica para el espacio ampliado de forma estndar en cinco dimensiones con (X 1 , X 2 , H 1 , H 2 , H 3 ), pero s se puede observar el espacio factible OACFE que se genera con slo dos dimensiones X 1 y X 2 en la Figura 1-33; en ambos espacios existe un nmero infinito de puntos tanto interiores como en la frontera de la regin factible, aunque slo existe un nmero finito de puntos extremos (vrtices). En teora, de acuerdo al segundo teorema ya mencionado, la solucin ptima se debe buscar en uno de esos puntos extremos, pero para la mayora de los problemas con suficiente tamao significara una labor de clculo excesiva y costosa e incluso imposible. Para tener una idea de lo que significa esto, supngase por ejemplo un problema cuyo modelo de programacin lineal contiene m = 5 restricciones y n = 4 incgnitas, aplicando el conocido binomio ya mencionado se tendra: (m + n) ! / m! n! = (5 + 4)! / 5! 4! = 126 vrtices; otro ejemplo ms, con m = 5 restricciones y n = 10 variables: (5 + 10)! / 5! 10! = 3003 puntos extremos. Los ejemplos aqu anotados ciertamente son pequeos, pues lo comn en el mbito de empresa o gobierno, es manejar magnitudes en decenas o cientos, tanto en restricciones como en variables. Pero el simplex salva esta circunstancia con eficiencia, tal como se expresa enseguida. Nivel 2.- Una solucin bsica se obtiene estableciendo que de las (m+n) incgnitas en el sistema de ecuaciones en forma estndar, n variables tengan el valor cero llamndolas no bsicas y resolviendo (si hay solucin) para las restantes m variables que son bsicas, componen la base o solucin bsica. El sistema de restricciones en este Ejemplo 2-1 tiene tres ecuaciones con cinco variables, se pueden expresar tres cualesquiera de estas en funcin de las otras dos que por ello se consideran independientes. Como cada variable de holgura H 1 , H 2 , H 3 , se presenta slo en una, de las tres restricciones, conviene hacerlas bsicas y las variables de decisin X 1 y X 2 se inicien con valor cero como no bsicas. De este modo, para la aplicacin del algoritmo simplex, se tiene la primera solucin bsica factible siguiente:
La funcin objetivo Z slo contiene a las variables de decisin X 1 y X 2 , con valor actual cero, por lo tanto Z=3(0)+5(0)=0, no satisface el objetivo de mximo. La comparacin geomtrica es valorar la lnea recta Z en el origen O, como Z o =0. Esta evaluacin en O, no puede ser el mximo valor porque an no se emplean los recursos de las tres restricciones los cuales son asignados a las tres holguras:
Igualando a cero n variables, se reduce la bsqueda desde una infinidad hasta un nmero finito de vrtices; pero tal nmero, an puede ser grande. Nivel 3.- El problema Ejemplo 1-13 (Figura 1-33) condiciona las variables de decisin X 1 , X 2 >=0, pero en las soluciones bsicas que pueden determinarse en nivel 2, no se cumple esta condicin para todas las variables, como se puede comprobar en la tabla para el sistema ampliado del mismo, que muestra valores negativos en las holguras para las soluciones bsicas B, D y J. En tal circunstancia, an se pueden disminuir las soluciones bsicas eliminando las no factibles porque tienen variables con valor negativo. Con la tabla Figura 2-2 se inicia el algoritmo simplex, muestra el arreglo matricial de los coeficientes de acuerdo a la forma estndar de este ejemplo, con excepcin de la funcin objetivo que se arregla a su forma equivalente: Mximo Z-3X 1 - 5X 2 = 0, con el formato del sistema de ecuaciones lineales. Anote el coeficiente cero para las ausentes holguras en el rengln Z, pero en cambio, el coeficiente 1 de cada una de las variables de holgura en cada restriccin, forman la diagonal en la matriz unitaria I de base, como conjunto de vectores linealmente independientes que generan la primera solucin en el punto extremo ( X 1 , X 2 , H 1 , H 2 , H 3 ) = ( 0, 0, 4, 12, 18 ), vrtice O de la analoga grfica, Figura 1-33.
Figura 2-2. Tabla simplex, con 1 solucin bsica factible, ejemplo MAXCAN1 Nivel 4.-
A partir de la solucin inicial del algoritmo simplex, se puede generar una nueva solucin bsica factible; se aplica primero el criterio de optimalidad a la solucin bsica factible actual, seleccionando entre las variables no bsicas, una variable que entre a la base y por lo tanto cambie a bsica. La seleccin de VE se hace con el criterio de conseguir la mayor ganancia unitaria de la funcin objetivo en un vrtice. Se observa que un incremento unitario en X 2 , aumenta en 5 el valor de Z, mientras que un incremento unitario en X 1 , aumenta en 3 el valor de Z; si se desea el mximo conviene aumentar a X 2 , dejando a X 1 en cero, lo que corresponde en la analoga geomtrica a decidir pasar a valorar el vrtice adyacente A(0,6) a lo largo del segmento frontera OA, incrementando a X 2 , desde un valor de cero hasta un valor de 6, conservando X 1 su valor cero (Figura 1-33). En el simplex, para este ejemplo con el objetivo de maximizar (Figura 2-3), se aplica la optimalidad seleccionando la variable no bsica con el coeficiente ms negativo en el rengln Z de la tabla, sealando la columna elegida con . La solucin bsica del simplex, siempre debe tener m (m=3 en el ejemplo) variables bsicas, entonces la VE del criterio de optimalidad debe reemplazar a una de las variables bsicas que al salir de la base se convierte en no bsica. As en segundo lugar, se aplica el criterio de factibilidad, para determinar entre las variables bsicas, una que salga de la base . En la columna izquierda estn las variables en la base y en la columna derecha, se tienen sus valores, los cuales se dividen entre el coeficiente que sea positivo, en el mismo rengln i de la columna k de la VE, esto es: Mnimo (12 / 2 = 6; 18 / 2 = 9) = 6, lo cual se cumple para la variable bsica H2, que debe sealarse como .
Figura 2-3. Criterios de optimalidad y factibilidad, en 1 tabla simplex, ejemplo MAXCAN1. Observe, que las variables no bsicas X 1 y X 2 no ocupan lugar en la base, por eso valen cero. Para aclarar el criterio de factibilidad, considere que se decide el incremento de valor a X 2 para variable entrante VE, lo que significa cambiar al vrtice adyacente A, trasladndose a lo largo de la frontera OA, con un valor para la variable X 1 = 0 que sustituido en el sistema de ecuaciones en forma estndar, se tiene:
Aqu se puede ver la esencia del criterio de factibilidad, al no permitir un valor mayor a 6 para la variable X 2 , pues para que H 2 H 3 salgan de la base, deben anularse: as H 2 =0 y H 3 =6, con X 2 =6; H 3 =0 y H 2 = -6, si X 2 = 9; pero al asignar X 2 = mn (6, 9) =6 se impide que la variable H 2 sea negativa ya que viola las condiciones
impuestas; en la analoga geomtrica significara evaluar la recta de la funcin objetivo en el vrtice A adyacente al O y pasar a evaluar el vrtice B no adyacente al O, que adems es no factible porque H 2 = -6, (Figura 1-33). En el cruce de la columna que corresponde a y el rengln de la , se localiza un coeficiente identificado como pivote (P) que se utiliza para iniciar el procedimiento de solucin de ecuaciones lineales conocido como de Gauss-Jordan. Para este ejemplo el pivote es 2, en el rengln saliente y columna entrante , procediendo al clculo en Figura 2-4 de la siguiente tabla simplex que es la nueva solucin bsica factible correspondiente al punto extremo adyacente A(0, 6) de la analoga geomtrica. La segunda solucin bsica factible se inicia con la nueva base formada con m = 3 variables bsicas; H 1 y H 3
que se conservan, pero sale H 2 y se reemplaza con la variable X 2 como bsica en el nuevo punto extremo a evaluar. La tabla simplex se empieza con el rengln entrante correspondiente a la variable X 2 ; se calcula dividiendo los coeficientes del rengln saliente entre el coeficiente pivote P de la tabla solucin anterior. En el lado izquierdo de la tabla se anota la frmula utilizada RE = RS / P, para lo resultados mostrados en la fila de X 2 . Al convertir en bsica a la variable X 2 , se deben hacer las operaciones fila necesarias para conseguir en su columna, el vector unitario, caracterstico de una variable bsica que forma parte de la matriz I. Por lo tanto se escriben, el coeficiente 1 en la posicin del pivote y coeficientes cero en el resto de la columna. Adems, en el rengln Z de la tabla, el coeficiente correspondiente tambin debe resultar cero. Esto debido a que los coeficientes del rengln Z son indicadores del posible incremento en el valor de la funcin objetivo. En cuanto una variable no bsica se incrementa de valor hacindola bsica, el coeficiente en tal rengln resulta de valor cero, indicando as, que X 2 ya no puede aportar a la ganancia representada con la variable Z. En las frmulas a la izquierda, se usa la fila RE de la nueva tabla y las filas necesarias de la tabla anterior; la fila H 1 se copia igual porque ya existe el cero en la columna X 2 .
Figura 2-4. Tabla simplex con 2a solucin bsica factible, ejemplo MAXCAN1. Un clculo con la restriccin (2) en la forma estndar: 2X 2 + H 2 = 12, sustituyendo los valores X 2 =6 y H 2 =0 dados en la segunda tabla simplex: 2(6) + 1(0) = 12, muestra que debe utilizarse todo el recurso (2), produciendo hasta ahora una ganancia Z = 3X 1 + 5X 2 = 3(0) + 5(6) = 30, que resulta mejor a Z = 0 anterior. Observe el nico cambio de la base, sigue con tres variables, pero X 2 sustituye a H 2 como variable bsica y conserva a H 1 y H 3 , de la solucin bsica factible de tabla anterior ya que ambas son, de puntos extremos adyacentes. La nueva solucin bsica factible valorada con el simplex es, por analoga, el punto extremo vrtice A(0,6) en Figura 1-33: ( X 1 , X 2 , H 1 , H 2 , H 3 ) = ( 0, 6, 4, 0, 6 )
Ahora las variables bsicas H 1 , X 2 , H 3 con vector columna unitario hacen la base I. La Figura 2-5 repite la segunda tabla con los criterios del simplex aplicados.
Figura 2-5. Criterios de optimalidad y factibilidad, 2 tabla simplex, ejem MAXCAN1. El tratamiento algebraico siguiente, fuera del procedimiento simplex en forma tabular que se est exponiendo, puede satisfacer al estudiante, para comprender los resultados del rengln Z de la tabla con la segunda solucin bsica factible: La ecuacin (2) en la forma estndar es 2X 2 + H 2 =12 bien X 2 + 1/2 H 2 = 6; despejando: X 2 =6 - 1/2H 2 ; sustituyendo en la funcin: Z - 3X 1 - 5X 2 = 0, se tiene:
En este proceso algebraico se observa la importancia de los coeficientes en Z: (-3) para X 1 y (+5/2) para la holgura H 2 , se comprende que se utilicen como indicadores para la optimalidad en el simplex. Significa que la variable X 1 no bsica y por lo tanto con valor cero, conviene hacerla bsica aumentando su valor, pues su coeficiente en la ecuacin indica que por cada unidad asignada a X 1 , al valor de Z=30 se le suma 3. As en la tabla simplex en Figura 2-5 se decide que X 1 , variable no bsica entre a la base , para incrementar Z. En cambio Z disminuye, si regresa H 2 a la base. Por otro lado, en la aplicacin del criterio de factibilidad se dividen los valores actuales de las variables bsicas, situados en la columna derecha de la tabla, entre los respectivos coeficientes positivos en la columna X 1 , que se tiene como VE, con el resultado: Mnimo ( 4/1 = 4, 6/3 = 2 ) = 2, entonces la variable H 3 es saliente , y se debe reemplazar por la nueva variable bsica X 1 = 2. Esto representa el cambio de base del vrtice A(0,6) al vrtice C(2,6), ambos puntos extremos adyacentes de la analoga grfica en la Figura 1-33, lo cual se identifica en el simplex porque la base H 1 , X 2 , H 3 anterior, cambia a H 1 , X 2 , X 1 en la siguiente solucin bsica; es decir, slo difieren en que X 1 sustituye a H 3 . En el cruce de la columna y el rengln seleccionados para variable entrante a la base y variable saliente de la base , se ubica el coeficiente pivote P = 3 en Figura 2-5 que se utiliza para el clculo de la siguiente iteracin.
A continuacin se presenta la tercera tabla simplex en la Figura 2-6 que se inicia colocando las variables bsicas H 1 , X 2 , X 1 , as ordenadas en los renglones, calculando los coeficientes del rengln entrante que se obtienen al dividir el rengln correspondiente a la variable saliente entre el nmero pivote 3; RE = RS / 3. En el cruce de la columna de X 1 con el rengln RE ya determinado debe haber un nmero 1, el cual es pivote. La columna X 1 debe completarse con coeficientes cero para que sea vector unitario de esta variable, que con H 1
y X 2 forman la matriz de base I. Con el nuevo rengln RE de esta tabla y los renglones sealados en las frmulas anotadas en el lado izquierdo de la misma, se procede al clculo de los coeficientes faltantes mediante el procedimiento de eliminacin para la solucin de ecuaciones lineales de Gauss-Jordan; anote que en la fila correspondiente a la variable bsica X 2 , no hay necesidad de calcular sus coeficientes porque el cero requerido para vector unitario en la columna de X 1 ya existe desde la tabla anterior, por lo que solamente se copia de la misma; resultando la tercera tabla simplex siguiente en la Figura 2-6
Figura 2-6. Tabla simplex ptima, en 3 sol. bsica factible, ejemplo MAXCAN1. Los resultados de esta tabla simplex, muestran los coeficientes indicadores en el rengln Z, correspondientes a las cinco variables con valor no negativo; segn el criterio de optimalidad significa que ya no hay variables candidatas para entrar a la base y as se tiene una solucin ptima en el rengln Z con un valor:
que debe completarse con la lectura del programa ptimo en las filas de las variables en la base y columna solucin: Variables de decisin X 1 = 2, X 2 = 6, variable de holgura H 1 = 2. Las variables no presentes en la base, deben valer cero: holguras H 2 = 0, H 3 = 0. Sustituyendo el programa obtenido en el problema con forma estndar se tiene.
Las restricciones (2) y (3), se cumplen con valor cero para las holguras H 2 y H 3 , significa que en esos recursos no existe sobrante. En cambio, el recurso (1) que vale 4, tiene sobrante que representa la variable bsica de holgura H 1 = 2. Entonces la solucin ptima se tiene en el vrtice C(2,6) de la analoga grfica, tal como se anota en la Figura 1- 33 y en el espacio ampliado de cinco dimensiones mostrado en la Figura 1-36 que se manej en la misma. Con el mtodo simplex se optimiza en el punto extremo caracterizado con el vector de la siguiente solucin bsica factible:
En la Figura 2-7 [HIL67] se muestra el total de tablas simplex aplicado al ejemplo MAXCAN1, en forma cannica de mximo con slo dos variables de decisin y tres restricciones <=.
Figura 2-7. Tablas simplex del ejemplo MAXCAN1 con 3 restricciones tipo <=. EMPATES EN LOS CRITERIOS DEL SIMPLEX.- Quiz el lector ya pens en la posibilidad de empates al aplicar los criterios del simplex para el cambio de base. Con el criterio de optimalidad, al elegir entre coeficientes indicadores empatados en el mismo valor, se tiene prioridad con las variables de decisin y entre estas, se selecciona la variable entrante a la base en forma arbitraria, pues con diferencia de ms o menos
iteraciones (no es predecible), se llega a los mismos resultados. En el caso de empate al aplicar el criterio de factibilidad, se presenta la situacin de degeneracin (solucin bsica no nica), que resulta en el mismo valor para la funcin objetivo en dos o ms iteraciones, pudiendo llegar al caso extremo de ciclar, vea ejemplo CaVa 27, lo cual sucede en tan pocas ocasiones, que la teora y reglas para evitarlo, ya no se tratan. La variable artificial que se expone en los prrafos siguientes, siempre se debe intentar eliminar de la base (al menos que en degeneracin se anule como bsica); en cuanto al empate entre otras variables se decide arbitrariamente la variable que debe dejar la base. Mtodo simplex aplicado en problemas con modelo no cannico. Si el dedicado lector ya lo pens as, tiene razn, pues la mayora de las programaciones lineales de los problemas no se sujetan a la forma cannica, pero la exposicin del simplex con mximo, es ms fcil y tambin ms accesible para el conocimiento del que se inicia. Cuando el modelo de programacin lineal que se desea resolver, ya sea de mnimo o bien de mximo, tiene cualquier tipo de restricciones, que incluyan las de tipo ( >= ) y / o las de ( = ), en tal caso se requiere la preparacin del modelo utilizando una base artificial. En esta situacin, se requiere aplicar alguna de las siguientes variantes del mtodo simplex, pues el que ya se explic en pginas anteriores, no es suficiente.
Anterior Inicio Siguiente Teoremas de la programacin lineal. Subir Matriz unitaria "I
2.5. Matriz unitaria "I" de base con variables artificiales. Cuando el problema de programacin lineal se expresa en la forma cannica de maximizar, las variables de holgura que se suman en cada restriccin de tipo <= para conseguir la igualdad de la forma estndar, proporcionan un coeficiente (+1) que es til para formar la matriz unitaria " I "; se cumple as con la necesidad de la primera solucin bsica factible que requiere el algoritmo simplex para su inicio. Pero muchas veces, el modelo de programacin lineal no tiene forma cannica y presenta restricciones de tipo >= e =, con las cuales no se usan variables de holgura para el propsito de conseguir la forma estndar. Al restar la supervit -1S se convierte a ecuacin la restriccin tipo >=; y la restriccin = ya se cumple; pero en ambos casos no se tiene la aportacin del coeficiente + 1. Los problemas de programacin lineal expresados con restricciones distintas al tipo <= necesitan un artificio matemtico para conseguir una matriz de base artificial, lo cual es posible sumando una variable artificial W i
de valor no negativo, i=1,2,...,m en cada restriccin i de tipo >= e =, as se proporciona el coeficiente +1 indispensable para la formacin de la matriz unitaria I que requiere el algoritmo simplex para ponerlo en marcha.
Una variable artificial no tiene significado fsico y slo se utiliza para completar la primera solucin bsica que requiere el simplex para iniciarse; pero en contraste, a travs de las etapas de clculo, debe procurarse que las artificiales salgan pronto de la base, convirtindolas en no bsicas, o bien que, como variables bsicas valgan cero para poder lograr la solucin ptima. A continuacin se exponen las variantes del algoritmo simplex que se utilizan en el caso de la presencia de variables artificiales en el modelo a resolver.
Anterior Inicio Siguiente Mtodo Simplex. Subir
2.6. Casos especiales en la tabla Simplex. Se pueden identificar los siguientes casos especiales en la tabla simplex.
Anterior Inicio Siguiente Mtodo Simplex de dos fases. Subir
2.7. Teora de la dualidad. El desarrollo de esta teora de la dualidad es debido al inters que existe en la interpretacin econmica del problema que se estudia. Se inicia bajo la consideracin de que todo problema de programacin lineal tiene un problema asociado; llamndose problema primal al conocido y problema dual al asociado. Ambos problemas estn muy relacionados, de tal manera que la solucin ptima de cualquiera de ellos proporciona la solucin ptima del otro. El problema dual de cualquier problema primal se puede obtener con manejo algebraico, convirtiendo primero a las formas cannicas ya conocidas y despus a la correspondiente al dual, o bien en forma directa, a partir de reglas de conversin al dual.
Anterior Inicio Siguiente Problema sin solucin factible. Subir
2.8. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo En las siguientes subsecciones encontrar una serie de ejercicios que ayudarn a la total comprensin de los temas tratados en el presente captulo. Asimismo, los ejercicios marcados con *AUTOEVAL* son de auto evaluacin, el peso de los incisos correspondientes a cada uno de ellos podrn ser consultados en la seccin de respuestas. Se sugiere resolverlos, y una vez terminados, revisar su solucin y calcular la calificacin correspondiente y as evaluar el entendimiento del mismo. Se recomienda aplicar los ejercicios aqu planteados a casos prcticos de la vida diaria como parte de las actividades de aprendizaje del presente material.
Anterior Inicio Siguiente Propiedades primal-dual. Subir Formas cannicas y estndar *AUTOEVAL*. 2.9. Referencias bibliogrficas DAN63.- Dantzig George B. Linear Programming and Extensions. Princenton University Press. Princenton N.J. 1963. EPE92.- Eppen G. - Gould F. - Schmidt Ch. Mtodos Cuantitativos para Administracin. Prentice Hall. 1992 GAS74.- Gass Saul I. Linear Programming. Methods and Applications. McGraw Hill, New York.1974 GAS81.- Gass Saul I. Programacin lineal.- Limusa 1 Edicin 1981 HIL95.- Hillier-Lieberman. Introduccin a la Investigacin de Operaciones.-McGraw-Hill.- 6a.edicin.- 1995. LUE84.- Luenberger D.
Introduction to Linear and No Linear Programming. 2d. edition.1984 SAT59.- Saaty Thomas. Mathematical Methods of Operations Research, Mc Graw Hill Book Company, New York, 1959 WAG75.- Wagner H. Principles of Operation Research. 2d. edition. Englewood Cliffs. N. J. Prentice Hall. 1975. WIN94.- Winston Wayne. Investigacin de Operaciones. Aplicaciones y Algoritmos.- Grupo Editorial Iberoamrica.- 2 Edicin.- 1994.
Anterior Inicio Siguiente Conceptos de PL con opciones de aciertos *AUTOEVAL*. Subir ANLISIS DE SENSIBILIDAD DEL MODELO DE Captulo 3. ANLISIS DE SENSIBILIDAD DEL MODELO DE PROGRAMACIN LINEAL. Tabla de contenido 3.1. Objetivo. 3.2. Mtodo Dual - Simplex. 3.3. Anlisis de sensibilidad. 3.4. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo 3.5. Referencias bibliogrficas 3.1. Objetivo. El estudiante debe ser consciente que la solucin a un problema, depende de la validez de la informacin de entrada, por lo que debe aprender a someter a un anlisis de sensibilidad la solucin ptima entregada por la computadora, mediante cambios a los parmetros del modelo de programacin lineal; es decir reformulando los datos de entrada y apreciando las consecuencias.
3.2. Mtodo Dual - Simplex. Aprovechando las propiedades de los problemas asociados primal y dual, se desarroll el mtodo dual-simplex que se aplica: en algunos casos de anlisis de sensibilidad, como ocurre en cambios de los recursos del problema; tambin para resolver problemas de objetivo mnimo y al menos una restriccin de tipo >=, o para ahorro en clculos evitando los mtodos simplex penal y dos fases. Se aplica cuando el problema cambia a no factible, pero el rengln Z se presenta ptimo. Ahora observe y compare la aplicacin ( ) de criterios del simplex en coeficientes del modelo de PL resumido, a los problemas primal y dual.
Figura 3-1. Criterios del simplex en coeficientes del modelo de PL resumido, a los problemas primal y dual. Enseguida se presenta una comparacin funcional del simplex y el dual simplex.
Figura 3-2. Comparacin funcional del simplex y el dual simplex. Criterios del mtodo dual-simplex para el cambio de base. En el algoritmo dual-simplex aplican los siguientes criterios para cambio de base:
Criterio de factibilidad.- Se aplica en el dual-simplex para determinar, entre las variables bsicas, una VS que salga de la base, eligiendo para salir la que corresponda al valor ms negativo en la columna de solucin. Esto es vlido tanto para el objetivo mnimo como para el mximo. Criterio de optimalidad.- Se aplica en el dual-simplex para determinar, entre las variables no bsicas, una VE que entre a la base con el siguiente procedimiento:
Figura 3-3. Criterio de Optimalidad en el mtodo dual-simplex. Elemento Pivote.- Se ubica como pivote al coeficiente que corresponde al cruce del rengln y columna elegidos con los criterios del cambio de base. Ejemplo 3-1. Aplica dual simplex a un PL con 4 restricciones >= (DUX1).
PASOS: 1) Consiga infactibilidad en restricciones tipo >=, (multiplique por -1):
2) Arregle la funcin Z; consiga la matriz I de base, sume holguras H i , como sigue:
3) Tabule coeficientes y aplique el dual-simplex; elija variables VS, VE y pivote as:
Figura 3-4. Tablas del Dual-simplex aplicado al ejemplo DUX1. Ejemplo 3-2. Aplica dual-simplex a un PL con 2 restricciones >= y 1 restriccin <= (DUX2).
PASOS: 1) Consiga infactibilidad, multiplique por (-1) en restriccin tipo >= como sigue:
2) Arregle el objetivo Z; consiga la solucin bsica (sume holguras H i ), como sigue:
3) Construya la tabla y aplique el algoritmo dual simplex:
Figura 3-5. Tablas del Dual-simplex aplicado en ejemplo DUX2.
Anterior Inicio Siguiente ANLISIS DE SENSIBILIDAD DEL MODELO DE PROGRAMACIN LINEAL.
3.3. Anlisis de sensibilidad. El modelo de programacin lineal es esttico y por tal motivo puede resultar inoperante con el transcurso del tiempo. Es decir, los cambios que ocurren en cualquier economa dan lugar a que precios, costos, recursos disponibles o requeridos ya no se puedan considerar para otro tiempo. Estos parmetros por lo general, son valores estimados obtenidos sin la deseable precisin debido a las dificultades normales para conseguir registros confiables. Una solucin es ptima slo en lo que se refiere al modelo especfico que se usa para representar el problema real estudiado, pero no puede ser confiable hasta verificar un buen comportamiento al hacer cambios en sus parmetros. El anlisis de sensibilidad tiene el propsito de investigar el efecto sobre la solucin ptima entregada por el mtodo simplex, con los cambios a los valores originales. En tal caso, la PL tiene el recurso de revisar la "solucin ptima" de un problema para ajustarla a lo que se juzga vlido por los responsables de la decisin, o bien en respuesta a cambios (slo discretos, pues los cambios continuos forman parte de la programacin paramtrica, no incluida aqu) del entorno econmico; por tal motivo a este anlisis tambin se le llama de posoptimalidad. En general se pueden presentar cambios que no afecten la optimalidad de la solucin ya obtenida, pero tambin puede ocurrir que se pierda esa condicin. Por tal motivo es importante identificar los parmetros sensibles, que al cambiar de valor, se pierde el ptimo. En este caso, es posible calcular el intervalo de valores permitido en que no se pierde el ptimo. Tambin se puede determinar el intervalo de valores para conservar factibilidad (valores no negativos de variables).
Anterior Inicio Siguiente Mtodo Dual - Simplex.
3.4. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo En las siguientes subsecciones encontrar una serie de ejercicios que ayudarn a la total comprensin de los temas tratados en el presente captulo. Asimismo, los ejercicios marcados con *AUTOEVAL* son de auto evaluacin, el peso de los incisos correspondientes a cada uno de ellos podrn ser consultados en la seccin de respuestas. Se sugiere resolverlos, y una vez terminados, revisar su solucin y calcular la calificacin correspondiente y as evaluar el entendimiento del mismo. Se recomienda aplicar los ejercicios aqu planteados a casos prcticos de la vida diaria como parte de las actividades de aprendizaje del presente material.
Anterior Inicio Siguiente Cambios en la matriz A de coeficientes tecnolgicos de restricciones en variables no bsicas.
3.5. Referencias bibliogrficas DAN63.- Dantzig George B. Linear Programming and Extensions. Princenton University Press. Princenton N.J. 1963. EPE92.- Eppen G. - Gould F. - Schmidt Ch. Mtodos Cuantitativos para Administracin. Prentice Hall. 1992 GAS74.- Gass Saul I. Linear Programming. Methods and Applications. McGraw Hill, New York.1974 GASS81.- Gass Saul I. Programacin lineal.- Limusa 1 Edicin 1981 HIL95.- Hillier-Lieberman. Introduccin a la Investigacin de Operaciones.-McGraw-Hill.- 6a.edicin.- 1995. LUE84.- Luenberger D. Introduction to Linear and No Linear Programming. 2d. edition.1984 SAT59.- Saaty Thomas. Mathematical Methods of Operations Research, Mc Graw Hill Book Company, New York, 1959 WAG75.- Wagner H. Principles of Operation Research. 2d. edition. Englewood Cliffs. N. J. Prentice Hall. 1975. WIN94.-Winston Wayne.
Investigacin de Operaciones. Aplicaciones y Algoritmos.- Grupo Editorial Iberoamrica.- 2 Edicin.- 1994.
Anterior Inicio Siguiente Conceptos de PL con opciones de acierto *AUTOEVAL*. Subir APLICACIONES DE LA PROGRAMACIN LINEAL