Manual Optimización - Semestre I-2014 Por Cristhian Ronceros Morales

1
Universidad de Oriente
Ncleo de Monagas
Programa de Ingeniera de Sistemas
OPTIMIZACIN DE OPERACIONES
Profesor:
Cristhian Ronceros Morales

Ing. de Sistemas
MSc. Gerencia General
Dr. En Gerencia
El siguiente Material es una recopilacin de informacin referida por varios autores en un

marco coherente sobre las diversas teoras, conceptos, definiciones, estructuras,
procedimientos, tipos, caractersticas, objetivos, actividades, ejemplos y aspectos generales
sobre las unidades que conforman el contenido programtico de la Asignatura Optimizacin
de Operaciones, Cdigo 071-3663, para los estudiantes de Ingeniera de Sistemas de la
UDO del Ncleo Monagas
Maturn, Octubre 2010

Realizado: Octubre 2010 (Rev: Abril 2013)
Elaborado por: Prof. Cristhian Ronceros M.
CONTENIDO PROGRAMTICO
1. Introduccin a la investigacin de operaciones

2. Formulacin de problemas
3. Solucin de un programa lineal:
a. Mtodo Grfico
b. Mtodo Algebraico
c. Mtodo Simplex
d. Mtodo Penalizacin
e. Mtodo II Fases
f. Anlisis de Sensibilidad
g. Mtodo Primal Dual
h. Transporte
CAPITULO 1
INTRODUCCIN A LA INVESTIGACIN DE
OPERACIONES
1.1. INVESTIGACIN DE OPERACIONES

La investigacin de operaciones es un sistema procedimiento o enfoque para resolver problemas
relacionados con la toma de decisiones en diferentes campos de aplicacin, tales como ingeniera,
economa, poltica, etc.
La aplicacin de la Investigacin operativa en ciertos problemas especficos, tiene por objetivo la
determinacin de una buena decisin; y si es posible, la determinacin de la decisin ptima segn
cierto criterio pre-especificado.
El concepto de decisin en la solucin de un problema est relacionado con la existencia de
diferentes alternativas o cursos de accin. En particular, el proceso de tomar un decisin consiste en
escoger una alternativa
Evaluacin de una decisin
La evaluacin de una decisin implica el uso de cierto criterio de valor, o medida de utilidad, el cual
recibe el nombre de funcin de utilidad. Por ejemplo, dado un problema relacionado con las ventas de
cierta compaa, se puede definir las siguientes funciones de utilidad:
Z1 = ganancias de la compaa por semana
Z2 = Volumen de ventas por semana
Z3 = nivel de satisfaccin de los clientes
Z4= nivel de satisfaccin de los trabajadores
Z5 = nivel de satisfaccin de los proveedores
Como puede observarse, algunas funciones de utilidad son fcilmente cuantificables, en cambio otras
no.
Elementos de la toma de decisiones
En la toma de decisiones participan los siguientes elementos:
1.
2.
3.
4.
El tomador de decisiones
El problema
Las alternativas
La funcin de utilidad por el tomador de decisiones
Decisin ptima
Una decisin puede ser evaluada solamente teniendo en cuenta el criterio de decisin. Esto
implica que no existen decisiones buenas o malas en un sentido absoluto. En este sentido, una
decisin ptima, relativa a cierto criterio de decisin, es aquella que produce el mejor valor de la
funcin de utilidad correspondiente al criterio de decisin.
Optimizacin es un trmino que se usa indistintamente para indicar la maximizacin o la
minimizacin de una funcin. Por ejemplo, la optimizacin de una funcin de costos, consiste en
minimizar dicha funcin. La optimizacin de una funcin de ganancias consiste en maximizar la
funcin de ganancias.
Dado un problema, la determinacin de la decisin ptima es equivalente a la determinacin de la
alternativa o conjunto de alternativas que optimizan a cierta funcin de utilidad pre-especificada. Es
decir que podra ocurrir que dos o ms alternativas son igualmente deseables para optimizar cierta
funcin de utilidad.
1.2. MODELOS
Es la representacin de una realidad compleja en trminos simples, el cual nos permite
representar las caractersticas esenciales del sistema observado.
1.2.1. Clasificacin de los Modelos segn su representacin
1. Modelos Descriptivos: Son aquellos que estn expresados en lenguaje convencional
(espaol, ingles o cualquier otro idioma). Usando este tipo de modelos la seleccin de
alternativas se hace en base a la intuicin y el sentido comn.
2. Modelos Icnicos o Fsicos: Son aquellos que lucen como el sistema fsico correspondiente.
Por el ejemplo el globo terrestre utilizado en demostraciones acadmicas, es un modelo fsico o
icnico de la tierra. La maqueta de un edificio, constituye otro ejemplo de modelo icnico. Los
modelos icnicos pueden ser aumentados, reducidos o estar en la misma escala respecto al
sistema fsico.
3. Modelos Simblicos: Son aquellos que estn expresados en una forma concisa a travs de
smbolos matemticos. Los modelos simblicos pueden ser representados en forma analtica o
en forma grfica va un conjunto de funciones en la forma de ecuaciones o inecuaciones.
Tambin pueden ser representados mediante un algoritmo compuesto por un conjunto de pasos
inter-relacionados, como es el caso de los diagramas de flujo.
4. Modelos Tipo Procedimiento: Son aquellos cuya expresin bsica no est formada por
relaciones funcionales explcitas, sino por un conjunto de pasos que indican el procedimiento a
seguir en la solucin de un problema. La seleccin de alternativas en este tipo de modelos se
hace a travs de tcnicas de simulacin. En esencia un modelo tipo procedimiento es un
modelo de simulacin. Los modelos simblicos y los modelos tipo procedimiento tienen cierta
interseccin; es decir algunos aspectos comunes en ambos como se indica en la figura
1.2.2. Clasificacin de los Modelos segn su Estructura
1. Modelos Determinsticos: Son aquellos que no incluyen propiedades relacionadas con
fenmenos aleatorios (probabilsticas).
2. Modelos Estocsticos: Son aquellos que incluyen variables o relaciones funcionales que
dependen de fenmenos aleatorios.
3. Modelos Lineales: Son aquellos que incluyen solamente funciones lineales. Por ejemplo si un
modelo contiene expresiones de la forma Y = a1x1 + a2x2 , entonces es un modelo lineal.
4. Modelos No-Lineales: Son aquellos que incluyen solamente funciones no lineales. Por ejemplo
si un modelo contiene expresiones de la forma Z1 = g (x1,x2)= x12+ x1x2 + x23 entonces es un
modelo no lineal.
5. Modelo Esttico: Es aquel que representa a un sistema de manera que las variables y las
relaciones funcionales no sufren alteraciones debido a cambios en el tiempo.
6. Modelo Dinmico: Es aquel que representa a un sistema de manera que el tiempo juega un rol
importante.
1.3. PROCESOS EN LA SOLUCIN DE UN PROBLEMA MEDIANTE INVESTIGACIN
OPERATIVA
No existe una regla nica en todos los casos, que indique como se procede, para resolver un
problema mediante la investigacin operativa. Sin embargo, de una manera aproximada se plantean
los siguientes pasos:
1. Definicin del Sistema del Mundo Real: Consiste en la concepcin del problema, lo cual es
originado por el decidor o sugerido por el anlisis.
2. Definicin del Sistema a ser Modelado: Esto consiste en abstraer del sistema real, la parte
relevante al estudio. Se trata de definir un sistema Abstracto que represente la realidad o una
aproximacin de la misma
3. Definicin del Problema: En esta parte se define el objetivo deseado. El decidor establece los
criterios de decisin y las restricciones fsicas, operativas, poltica, etc.
4. Formulacin del modelo: Implica traducir la definicin del problema a relaciones matemticas. Si
el modelo que resulte se ajusta a uno de los modelos matemticos normales como puede ser la
programacin lineal, se puede llegar a una solucin empleando los algoritmos disponibles.
5. Solucin del Modelo: Supone el uso de algoritmos bien definidos de optimizacin. Un aspecto
importante de la fase de solucin del modelo es el anlisis de sensibilidad. Tiene que ver con la
obtencin de informacin adicional sobre el comportamiento de la solucin ptima cuando el
modelo sufre ciertos cambios de parmetros.
6. Validacin del Modelo: Aqu se comprueba si el modelo propuesto hace lo que se quiere que
haga, esto es. el modelo planteado representa la realidad?
CAPTULO 2
MODELADO DE PROBLEMAS
6
2.1. PROGRAMACIN LINEAL
PL es una tcnica de optimizacin que consiste en la maximizacin o minimizacin de una funcin
lineal, llamada funcin objetivo, sujeto a restricciones tambin lineales.
El criterio de optimizacin es por lo general un objetivo econmico, por ejemplo maximizar un
beneficio o minimizar un costo y por esta razn recibe el nombre de funcin econmica o funcin
objetivo.
El modelo de PL toma la siguiente forma:
Max o Min Z= c1x1 + c2x2 + E. + cnxn
(2.1)
Sujeto a:
a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2 n xn = b2
(2.2)
...
am1 x1 + am 2 x2 + ... + amn xn = bm
Y las restricciones de no negatividad
x j 0, j = 1, 2,3,..., n
(2.3)
En las ecuaciones anteriores, aij, bi y cj son valores que se asumen conocidos; y el problema
consiste en hallar los valores de las Xj, que optimicen la funcin (2.1) sujeta a las restricciones (2.2) y
(2.3). las variables Xj se llaman variables de decisin.
En PL, y en general en la teora de programacin matemtica, el trmino optimizar se usa para
indicar la maximizacin o la minimizacin de una funcin segn sea conveniente. Los requerimientos,
capacidades, ganancias, etc., son funciones que se deben maximizar; en cambio los costos, las
prdidas, los accidentes, etc., son funciones que se deben minimizar.
Un modelo de PL consta de tres elementos: Una funcin objetivo (2.1), unas restricciones (2.2) y
restricciones de no negatividad (2.3)
Utilizando la notacin matricial, un programa lineal puede expresarse en forma compactada, como
se indica a continuacin:
Max o Min Z = CX
Sujeto a:

Ax = b

x0
Donde:
c1
c
2
c = .

.
cn

x1
x
2
x = .

.
xn

a11...a12 .........a1n
a ...a .........a
2n
21 22
A= .
am1...am 2 .........amn
b1
b
2
b = .

.
bn

Observen que C y X son vectores columna de n componentes, b es un vector columna de m

componentes y A es una matriz de orden m x n.
2.2. CONSTRUCCIN DE MODELOS DE PL

Ejemplo 2.1.- Problema de Manufacturacin: Una compaa manufacturera fabrica los productos 1
y 2; y es suficientemente afortunada como para vender todo lo que puede producir actualmente.
Cada producto requiere un tiempo de manufacturacin en los 3 departamentos y la disponibilidad de
una cantidad fija de horas-hombre por semana en cada departamento; tal como se muestra en el
cuadro siguiente:
Producto
1
2
HH disponible/semana
Tiempo de Manufacturacin/horas
Dpto. A
Dpto. B
Dpto. C
2
1
4
2
2
2
160
120
280
El problema consiste en decidir que cantidad de cada producto debe manufacturarse con el objeto de
hacer el mejor empleo de los medios limitados de produccin, sabiendo que la ganancia por cada
unidad del producto 1 es $ 1 y del producto 2 es $1.5
Solucin
Consideremos las variables de decisin
X1 = Nmeros de unidades del producto 1
X2 = Nmeros de unidades del producto 1
El objetivo es maximizar el beneficio Z obtenido por la venta de cada producto. Esto es:
Max Z = X1 + 1.5X2
Sujeto a:
- Tiempo de manufactura en el departamento A
2X1 + 2X2 160
- Tiempo de manufactura en el departamento B
X1 + 2X2 120
8
- Tiempo de manufactura en el departamento C
4X1 + 2X2 280
- Y la no negatividad
X1,X2 0
Por tanto el programa lineal es
Max Z = X1 + 1.5X2
s.a
2X1 + 2X2 160
X1 + 2X2 120
4X1 + 2X2 280
X1,X2 0
Ejemplo 2.2.- Problema de la dieta: En un centro de nutricin se desea obtener la dieta de coste
mnimo con unos determinados requisitos vitamnicos para un grupo de nios que van a asistir a
campamentos de verano. El especialista estima que la dieta debe contener entre 26 y 32 unidades de
vitamina A, al menos 25 unidades de vitamina B y 30 de C, y a lo sumo, 14 de vitamina D. La tabla
nos da el nmero de unidades de las distintas vitaminas por unidad de alimento consumido para seis
alimentos elegidos, denominados 1, 2, 3, 4, 5,6, as como su coste por unidad.
Alimentos
1
2
3
4
5
6
A
1
1
0
3
2
1
Vitaminas
B
C
1
0
2
1
1
2
1
0
1
2
0
2
D
1
0
0
1
0
1
Coste por
unidad
10
14
12
18
20
16
Se desea construir un modelo de programacin lineal para conocer la cantidad de cada alimento que
hay que preparar y que satisfaga los requisitos propuestos con coste mnimo.
Solucin
Definimos las variables de decisin Xi, que representan la cantidad de alimento i = 1,E.,6, que se
utiliza para la dieta. Las restricciones son consecuencia de los requisitos vitamnicos exigidos a la
dieta, que son:
X1 + X2 + 3X4 + 2X5 + X6 26
X1 + X2 + 3X4 + 2X5 + X6 32
X1 + 2X2 + X3 + X4 + X5 25
X2 + 2X3+ 2X5 + 2X6 30
X1 + X4 + X6 14
(Vitamina A)
(Vitamina A)
(Vitamina B)
(Vitamina C)
(Vitamina D)
9
Con Xi 0 para i = 1,E..,6.
La funcin objetivo, de la forma de minimizacin, representa el coste total de la dieta, que es:
Z = 10X1 + 14X2 + 12X3 + 18X4 + 20X5 + 16X6
Por tanto, el programa lineal es:
Min
Z = 10X1 + 14X2 + 12X3 + 18X4 + 20X5 + 16X6
s.a
X1 + X2 + 3X4 + 2X5 + X6 26
X1 + X2 + 3X4 + 2X5 + X6 32
X1 + 2X2 + X3 + X4 + X5 25
X2 + 2X3+ 2X5 + 2X6 30
X1 + X4 + X6 14
X1,X2,X3,X4,X5 ,X6 0
Ejemplo 2.3.- Problema de Refinacin: Una compaa de petrleo produce en su refinera gasleo
(G), gasolina sin plomo (P) y gasolina sper (S), a partir de dos tipos de crudos, C1 y C2. Las
refineras estn dotadas de dos tipos de tecnologas. La tecnologa nueva Tn utiliza en cada sesin
de destilacin 7 unidades de C1 y 12 de C2, para producir 8 unidades de G, 6 de P y 5 de S. Con la
tecnologa antigua Ta, se obtiene en cada destilacin 10 unidades de G, 7 de P y 4 de S, con gasto
de 10 unidades de C1 y 8 de C2.
Estudios de demanda permiten estimar que para el prximo mes se deben producir al menos 900
unidades de G, 300 de P y entre 800 y 1700 de S. la disponibilidad de crudo C1 es de 1400 unidades
y de C2 de 2000 unidades. Los beneficios por unidad producida son:
Gasolina
Beneficio/u
G
4
P
6
S
7
La compaa desea conocer cmo utilizar ambos procesos de destilacin, que se pueden realizar
total o parcialmente, y los crudos disponibles para que el beneficio sea el mximo.
Solucin
Comenzamos fijando las variables de decisin. Observemos que las actividades en que est
interesada la compaa son el nmero de destilaciones con cada tecnologa. Por tanto, definimos las
variables de decisin.
X1 = nmero de destilaciones con Tn
X2 = nmero de destilaciones con Ta
Tenemos restricciones debidas a las limitaciones en la disponibilidad de ambos tipos de crudo. Para
C1
[(7 unds de C1 x X1 destilaciones) + (10 de C1 x X2)] [disponibilidad de C1]
10
Es decir,
7X1 + 10X2 1400
Anlogamente, para C2
12X1 + 8X2 2000
Adems sabemos que si se producen X1 destilaciones con Tn y X2 destilaciones con Ta los productos
obtenidos son
8X1 + 10X2
6X1 + 7X2
5X1 + 4X2
Unidades de G
Unidades de P
Unidades de S
De los estudios de demanda, podemos establecer las restricciones

8X1 + 10X2 900
6X1 + 7X2 300
5X1 + 4X2 1700
5X1 + 4X2 800
(demanda de G)
(demanda de P)
(demanda de S)
(demanda de S)
Como es obvio, hay que aadir la condicin de no negatividad

X1 y X2 0
Observemos que podra pensarse que las variables de decisin deben restringirse a valores enteros.
Sin embargo, en el proceso de destilacin se permiten valores fraccionales, ya que ste puede
realizarse parcialmente.
El objetivo es maximizar el beneficio Z del producto destilado, este es:
Z = [beneficio por unidad de G x unidades producidas de G] + [beneficio de P x produccin de P] +
[beneficio de S x produccin de S]
Es decir,
Z = 4 (8X1 + 10X2) + 6 (6X1 + 7X2) + 7 (5X1 + 4X2)
Z = 103X1 + 110X2
Max Z = 103X1 + 110X2
s.a
7X1 + 10X2 1400
12X1 + 8X2 2000
8X1 + 10X2 900
6X1 + 7X2 300
5X1 + 4X2 1700
5X1 + 4X2 800
X1,X2 0
11
Ejemplo 2.4.- Problema de fabricacin de productos: Un fabricante produce 3 modelos de cierto
producto, utiliza 2 tipos de materia prima de los cuales se dispone de 4.000 y 8.000 und. Los
requisitos de materia prima por und. de los 3 modelos son los que se muestran en la tabla anexa. El
tiempo de mano de obra para cada unidad del modelo 1 es 2 veces mayor que el del modelo 2 y 3
veces mayor que el del modelo 3. Toda la fuerza laboral de la fbrica producira el equivalente a
1.500 unds del modelo 1. La demanda mnima de los 3 modelos es 400, 400 y 300 respectivamente,
sin embargo las proporciones de unidades producidas deben ser igual a 3:2:5. La ganancia por
unidad de los 3 modelos es 30, 20 y 50 und. monetarias respectivamente. Formule un modelo de
programacin lineal para determinar el nmero de unidades de cada producto que se deben fabricar.
(3.5 Pts).
Unidades
Materia
Prima
A
II
III
Disponible
4.000
8.000
Solucin
X1 = Nmeros de unidades producidas del modelo I
X2 = Nmeros de unidades producidas del modelo II
X3 = Nmeros de unidades producidas del modelo III
El objetivo es maximizar el beneficio Z obtenido por la venta de cada modelo. Esto es:
Max Z = 30X1 + 20X2 + 50X
Sujeto a:
- Fuerza laboral
X1 + 1/2X2 + 1/3X3 1500
- Debido a la demanda mnima
X1 400
X2 400
X3 300
- Debido a las proporciones
x1 3
=
x2 2
2X1 - 3X2 = 0
12
x1 3
=
x3 5
5X1 - 3X3 = 0
- Debido a los materiales

2X1 + X2 + 5X3 4000
4X1 + 2X2 + 7X3 8000
- Y la no negatividad
X1,X2,X3 0
Max Z = 30X1 + 20X2 + 20X
s.a
X1 + 1/2X2 + 1/3X3 1500
X1 400
X2 400
X3 300
2X1 - 3X2 = 0
5X1 - 3X3 = 0
2X1 + X2 + 5X3 4000
4X1 + 2X2 + 7X3 8000
X1,X2,X3 0
Ejemplo 2.5.- Planificacin de Mezclas de una Planta Qumica: Una planta qumica fabrica dos
productos A, B mediante dos procesos I y II. La tabla de los tiempos de produccin de A y B en cada
proceso y los beneficios (en miles de $) por unidad vendida es:
Proceso
I
II
Beneficio / und
Producto
A
B
2
3
3
4
4
10
Se dispone de 16 horas de operacin del proceso I y de 24 horas del proceso II. La produccin de B
da, adems, un subproducto C (sin coste adicional) que puede venderse a 3000 $/und. Sin embargo,
el sobrante de C debe destruirse con coste 2000 $/und. Se obtienen 2 unidades de C por cada unidad
de B producida. La demanda de C se estima en, a lo sumo, 5 unidades. Formular un programa lineal
que d el plan de produccin con mximo beneficio.
Solucin
13
X1 = Produccin de A
X2 = Produccin de B
X3 = Cantidad de C Vendida
X4 = Cantidad de C destruida
Con esta definicin la suma X3 + X4 ser la produccin de C. Las restricciones se deben a:
-
Proporcin de la produccin de C a partir de B

X2 =
1
(X3 + X4)
2
Limite de demanda de C
X3 5
Limites de tiempo de ambos procesos

2X1 + 3X2 16
3X1 + 4X2 24
La funcin objetivo que es el beneficio a maximizar en miles de dlares, es

Z = 4X1 + 10X2 + 3X3 - 2X4
Por tanto queda el programa lineal
Max Z = 4X1 + 10X2 + 3X3 - 2X4
s.a
-2X2 + X3 + X4 = 0
2X1 + 3X2 16
3X1 + 4X2 24
X3 5
X1, X2, X3, X4 0
Ejemplo 2.6.- Planificacin de Compra de Crudos: Una refinera produce gasolinas Sper y Plus.
Estas gasolinas difieren nicamente en la cantidad que poseen de dos aditivos a y b. Para cumplir las
normas vigentes, la gasolina Sper debe tener al menos 35% de a y como mucho un 60% de b; la
Plus debe tener al menos un 30% de a y a lo sumo un 55% de b. La refinera adquiere crudo de
Arabia con una calidad del 20% de a y 70% de b, y crudo de Venezuela con calidad 50% de a y 35%
de b. Los costes por barril son de 22 dlares para el crudo de Arabia y 24 para el de Venezuela. Se
sabe que la demanda semanal es de 600.000 barriles de gasolina Sper y 400.000 de Plus, que hay
que satisfacer.
Construir un modelo de programacin lineal que permita conocer cuantos barriles son necesarios
para que la factura del crudo sea lo menor posible
14
Solucin
Tenemos cuatro variables de decisin
X1 = nmero de barriles de crudo de Arabia para gasolina Sper
X2 = nmero de barriles de crudo de Arabia para gasolina Plus
X3 = nmero de barriles de crudo de Venezuela para gasolina Sper
X4 = nmero de barriles de crudo de Venezuela para gasolina Plus
Las restricciones se tienen de los siguientes requisitos:
-
Demandas de ambos tipos de gasolinas

X1 + X3 600.000
X2 + X4 400.000
Recetas sobre calidad de las gasolinas

0.20 X1 + 0.50 X3 0.35 (X1 + X3)
0.20 X1 + 0.50 X3 0.60 (X1 + X3)
0.70 X2 + 0.35 X4 0.30 (X2 + X4)
0.70 X2 + 0.35 X4 0.55 (X2 + X4)
Sper
Sper
Plus
Plus
Condiciones de no negatividad
X1, X2, X3, X4 0
La funcin objetivo es de minimizacin y refleja el coste total de la compra de crudo en dlares. Viene
dada por la expresin
Min
Z = 22(X1 + X2) + 24(X3 + X4)
s.a
X1 + X3 600.000
X2 + X4 400.000
0.20 X1 + 0.50 X3 0.35 (X1 + X3)
0.20 X1 + 0.50 X3 0.60 (X1 + X3)
0.70 X2 + 0.35 X4 0.30 (X2 + X4)
0.20 X2 + 0.35 X4 0.55 (X2 + X4)
X1, X2, X3, X4 0
15
2.3. PROBLEMAS PROPUESTOS
16
CAPTULO 3
METODO GRAFICO
17
II. SOLUCIN DE MODELOS DE PL (MTODO GRFICO)
18
CAPTULO 4
MTODO ALGEBRAICO
19
Ejemplo 3.1:
Max Z = 10X1 + 12X2
SA
3X1 + 6X2 60
2X1 + X2 16
X1 , X 2 0
Se procede a estandarizar la funcinE
Max Z = 10X1 + 12X2 + 0X3 + 0X4
SA
3X1 + 6X2 + X3 + 0X4 60
2X1 + X2 +0X3 + X4 16
X1 , X 2 X 3 , X 4 0
Z=CX
Sujeto a
r r
AX = P
r
X 0
r
C = (C1 , C2 , C3 , C4 )
r
C = (10,12, 0, 0)
X1
r X2
X =
X3

X4
r r r r
A = (a1 , a2 , a3 , a4 )
r 3
a1 =
2
r 6
a2 =
1
r 1
a3 =
0
r 0
a4 =
1
r 60
P=
16
Max
20
r
r r
XB
Z = CB , CNB . r
X NB
Sujeto a:
r
XB r
[ B, N ] . r = P
X NB
r r
X B , X NB 0
Max
r r
r r
Z = CB . X B + CNB . X NB
Sujeto a
r
r
r
BX B + NX NB = P
r r
X B , X NB 0
r
r
r
BX B + NX NB = P
r
r
r
BX B = P NX NB
r
r
r
X B = B 1 P B 1 NX NB
r
r
X B = B 1 P
1..0
r r
B = (a3 , a4 ) =
0..1
1..0
B 1 =
0..1
r
1..0 60
XB =
.
0..1 16
r
60
XB =
16
r r
60
Z = CB . X B = ( 0, 0 ) .
16
r
X3
XB =
X4
Z =0
Anlisis por inspeccin

X2 tiene que ser + para que Z incremente
21
Condicin de optimidad
Seleccionar la variable no bsica con mejor potencialidad de mejorar el valor objetivo.
Si el problema es de maximizar escoger la variable no bsica Xj con factor (Zj-Cj) < 0. (si existe ms
de una seleccione la ms negativa)
Si el problema es de minimizar escoger la variable no bsica Xj con factor (Zj-Cj) > 0. (si existe ms de
una seleccione la ms positiva)
Variables no bsicas: X1 y X2
r
Z j = CB .Y j
r
Y j = B 1.a j
Para J=1
Z1 C1 = ?
r
Z1 = CB .Y1
r 1..0 3 3
Y1 = B 1.a1 =
=
0..1 2 2
3
Z1 = ( 0,0 )
Z1 = 0
2
Z1 C1 = 0 10 = 10
Para J=2
Z 2 C2 = ?
r
Z 2 = CB .Y2
r 1..0 6 6
Y2 = B 1.a2 =
=
0..11 1
6
Z 2 = ( 0, 0 )
Z2 = 0
1
Z 2 C2 = 0 12 = 12
Como Z 2 C2 es la ms negativa entonces X2 es la variable que entra a XB
22
La variable saliente se determina por la condicin de factibilidad la cual selecciona una variable
bsica de tal modo que la nueva solucin satisfaga todas las restricciones.
Condicin de factibilidad
Criterio: Seleccionar la variable bsica XBi que posea el mnimo valor asociado en el cociente
X Bi
Yik
donde Yik > 0 y K es el subndice de la variable que entra.
Variables bsicas: X3 y X4
r
X X 60
X B = B1 = 3 =
X B 2 X 4 16
r Y1k
Yk =
Y2 k
r
r 1..0 6
k=2
Y2 = B 1.a2 =
.
0..1 1
r 6
Y2 =
1
i=1
X B1 60
=
= 10
Y12
6
i=2
X B 2 16
=
= 16
Y22
1
Sale el mnimo valor asociado que es X3
r
X
XB = 2
X4
r
r
X B = B 1P
6..0
r r
B = ( a2 , a4 ) =
1..1
1 ..1....0 ..1/ 6....0
B 1 =
=
6 1....6 1/ 6....1
23
..1/ 6....0
B 1 =
1/ 6....1
r
..1/ 6....0 60 10
XB =
. =
1/ 6....1 16 6
r
X 2 10
XB = =
X4 6
r r
10
Z = CB . X B = (12, 0 ) = 120
6
Z = 120 Solucin de la primera iteracin.
Condicin de optimidad
Variables no bsicas: X1 y X3
Z1 C1 = ?
Z 3 C3 = ?
Para J=1
r
Z1 = CB .Y1
r ..1/ 6...0 3 1/ 2
Y1 = B 1.a1 =
=
1/ 6...1 2 3 / 2
1/ 2
Z1 = (12, 0 )
Z1 = 6
3 / 2
Z1 C1 = 6 10 = 4
Para J=3
Z 3 C3 = ?
r
Z3 = CB .Y3
24
r ..1/ 6...0 1 ..1/ 6

Y3 = B 1.a3 =
=
1/ 6...1 0 1/ 6
..1/ 6
Z 3 = (12, 0 )
Z3 = 2
1/ 6
..1/ 6
Y3 =
1/ 6
Z 3 C3 = 2 0 = 2
Como Z1 C1 es la ms negativa entonces X1 es la variable que entra a XB
r
10
XB =
6
r 1/ 2
Y1 =
3 / 2
i=1
X B1 10
=
= 20
Y12 1/ 2
i=2
X B2
6
=
=4
Y22 3 / 2
Sale el mnimo valor asociado que es X3
r
X
XB = 2
X1
r
r
X B = B 1 P
6..3
r r
B = ( a2 , a1 ) =
1..2
T
1 ..2.. 1
1 ..2.. 3 ..2 / 9... 1/ 3
B =
=
=
9 3....6
9 1.....6 1/ 9......2 / 3
1
r
..2 / 9... 1/ 3 60 8
XB =
. =
1/ 9......2 / 3 16 4
25
r
X 8
XB = 2 =
X1 4
r r
8
Z = CB . X B = (12,10 ) = 136
4
Z = 136 Solucin de la segunda iteracin.
Nota: Calculo de Base inversa para matriz 2 x 2
a11...a12
A=
a21...a22
A1 =
...a22 ... a12

...a22 ... a12
1
1
=
=
=
det A a21.......a11 a22 a11 a21a12 a21.......a11
26
CAPTULO 5
MTODO SIMPLEX TABLOIDE
27
Ejemplo 5.1:
Max Z = 10X1 + 12X2
SA
3X1 + 6X2 60
2X1 + X2 16
X1 , X 2 0
Se procede a estandarizar la funcin agregndole variable de holguraE
Max Z = 10X1 + 12X2 + 0X3 + 0X4
SA
3X1 + 6X2 + X3 + 0X4 = 60
2X1 + X2 +0X3 + X4 = 16
X1 , X 2 X 3 , X 4 0
Luego se procede a vaciar la forma estndar del modelo a la siguiente tabla, conocindose esta
primera tabla como la solucin bsica inicial o iteracin uno (1) de la solucin.E
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
Esta tabla se lee de la siguiente manera: Las variables no bsicas (X1 y X2) tiene un valor inicial de
cero (0) y las variables bsicas (X3 y X4) tienen un valor de 60 y 16 respectivamente. Si estos valores
los sustituimos en la funcin Z = 10X1 + 12X2 se obtiene un valor de Z=0 tal como puede observarse
en la siguiente tabla, es decir, la solucin bsica inicial del problema es cero (0), a partir de la cual
mediante unas iteraciones se busca mejorar la solucin inicial.
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
Solucin bsica inicial

Valor de la variable X3
Valor de la variable X4
Al igual que en el mtodo algebraico se resuelve realizando unas iteraciones para buscar la solucin
ms ptima a travs de las condiciones de optimidad y de factibilidad
Para aplicar la condicin de optimidad se selecciona la columna de la variable no bsica con mejor
potencialidad de mejorar el valor objetivo. Esta columna se conoce como columna entrante. Si el
problema es de maximizar se debe seleccionar la variable no bsica ms negativa y si el problema es
de minimizar se selecciona la variable no bsica ms positiva
Variables no bsicas: X1 (-10) y X2 (-12), la variable que tiene mejor potencialidad es la variable X2
quedando la tabla de la siguiente manera:
28
Columna entrante
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
Para hallar la fila saliente se utiliza el criterio de factibilidad, donde se selecciona la variable bsica
(en este caso X3 o X4) que posea el mnimo valor asociado en el cociente entre el valor de la solucin
relacionada con la variable bsica entre el valor del elemento de la columna entrante
correspondiente donde el valor del elemento de la columna entrante debe ser mayor a cero para
poder tomarse en cuenta dicha fila como candidata a salir. Ver tabla siguiente:
Columna entrante
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
60/6 = 10
16/1 = 16
Puede observarse en la tabla anterior que la variable bsica con el menor cociente es X3 por lo cual
es la candidata a salir. Esta fila es conocida como ecuacin pivote y la intercepcin entre la columna
entrante y la ecuacin pivote se conoce como elemento pivote. Ver tabla siguiente:
Columna entrante
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
Ecuacin
pivote
Elemento
pivote
Posteriormente se realicen los clculos de las nuevas filas utilizando las siguientes formulas:
Nueva Ecuacin Pivote = Ecuacin pivote anterior / elemento pivote
Nueva Ecuacin = Ecuacin anterior (elemento de la columna entrante x nueva ecuacin pivote)
29
Se procede a realizar los clculos correspondientes a la iteracin 2:
60
Ec. Pivote Nueva (X2)
3
6
1/2
1/6
10
X4 anterior
-(1)*Nva Ec. Pivote
X4 Nueva
2
-1/2
3/2
1
-1
0
0
-1/6
-1/6
1
0
1
16
-10
6
Zanterior
-(-10)*Nva Ec. Pivote
ZNueva
-10
6
-4
-12
12
0
0
2
2
0
0
0
0
120
120
Ec. Pivote anterior (X3)
/ elemento pivote
Obtenindose la siguiente tabla
Iteracin
1
Iteracin
2
Z
1
X3
X4
1
X2
X4
X1
-10
3
2
-4
1/2
3/2
X2
-12
6
1
0
1
0
X3
0
1
0
2
1/6
-1/6
X4
0
0
1
0
0
1
Solucin
0
60
16
120
10
6
En la tabla anterior puede observarse que la solucin mejoro considerablemente, pasando de un valor
de cero (0) a ciento veinte (120). Aplicando el criterio de optimidad. A continuacin se presenta los
clculos correspondientes a la tercera iteracin:
-1/6
3/2
3/2
1
-1/9
2/3
X2 anterior
-(1/2)*Nva Ec. Pivote
X1 Nueva
1/2
-1/2
0
1
0
1
1/6
1/8
3
0
-1/3
-1/3
10
-2
8
/ elemento pivote
30
Zanterior
-(-4)*Nva Ec. Pivote
ZNueva
-4
4
0
0
0
0
2
-4/9
14/9
0
8/3
8/3
120
16
136
Obtenindose la siguiente tabla
Iteracin
1
Iteracin
2
Iteracin
3
Z
1
X3
X4
1
X2
X4
1
X2
X1
X1
-10
3
2
-4
1/2
3/2
0
0
1
X2
-12
6
1
0
1
0
0
1
0
X3
0
1
0
2
1/6
-1/6
14/9
3
-1/9
X4
0
0
1
0
0
1
8/3
-1/3
2/3
Solucin
0
60
16
120
10
6
136
8
4
Puede observarse que en la tercera iteracin se obtiene la solucin optima con un valor de X2=8 y
X1=4, dando esto como resultado Z=136 unidades monetarias. Aplicando el criterio de optimidad se
puede observar que todos los valores de la fila correspondiente a Z son positivos, por lo cual no
puede seguir iterndose.
31
CAPTULO 6
MTODO PENALIZACIN
32
Ejemplo 6.1:
Min Z = 4X1 + X2
SA
3X1 + X2 = 3
4X1 + 3X2 6
X1 + 2X2 4
X1 , X 2 0
Se procede a estandarizar la funcin siguiendo los siguientes criterios:
1.
2.
3.
4.
Si la restriccin es se procede a sumarle una variable de holgura (Xi)

Si la restriccin es = se procede a sumarle una variable artificial (Ri).
Si la restriccin es se procede a restarle una variable de holgura y sumarle una artificial.
En la funcin objetivo:
a. al igual que en el mtodo simplex, por cada variable de holgura que se agregue en las
restricciones se le suma en la funcin objetivo ese variable pero con coeficiente igual a
cero (0).
b. Si la funcin objetivo es maximizar se le va a penalizar con la resta de MRi por cada
variable artificial que existe en las restricciones.
c. Si la funcin objetivo es minimizar se le va a penalizar con la suma de MRi por cada
variable artificial que existe en las restricciones.
Max Z = 4X1 + X2 + 0X3 + 0X4 + MR1 + MR2
SA
R1
= 3
3X1 + X2 +
4X1 + 3X2 - X3 +
R2 = 6
X1 + 2X2
+ X4
=4
X1, X2, X3, X4, R1, R2 0
Luego se procede a vaciar la forma estndar del modelo a la siguiente tabla,
Iteracin
1
Z
1
X3
X4
X1
-10
3
2
X2
-12
6
1
X3
0
1
0
X4
0
0
1
Solucin
0
60
16
33
Iteracin
1
Iteracin
2
Iteracin
3
Iteracin
4
Z
1
R1
R2
X4
Z
X1
R2
X4
Z
X1
X2
X4
Z
X1
X2
X3
X1
-4+7M
3
4
1
0
1
0
0
0
1
0
0
0
1
0
0
X2
-1+4M
1
3
2
1/3+5/3M
1/3
5/3
5/3
0
0
1
0
0
0
1
0
X3
-M
0
-1
0
-M
0
-1
0
1/5
1/5
-3/5
1
0
0
0
1
X4
0
0
0
1
0
0
0
1
0
0
0
1
-1/5
-1/5
3/5
1
R1
0
1
0
0
4/3-7/3M
1/3
-4/3
-1/3
8/5-M
3/5
-4/5
1
7/5-M
2/5
-1/5
1
R2
0
0
1
0
0
0
1
0
-1/5-M
-1/5
3/5
-1
-M
0
0
-1
Sol
9M
3
6
3
4+2M
1
2
3
18/5
3/5
6/5
1
17/5
2/5
9/5
1
Clculos correspondientes a la iteracin 2: (Entra X1 y sale R1 )
3
3
1
1/3
1/3
R2 anterior
-(4)*Nva Ec. Pivote
R2 Nueva
4
-4
0
3
-4/3
5/3
-1
0
-1
0
0
0
0
-4/3
-4/3
1
0
1
6
-4
2
X4 anterior
-(1)*Nva Ec. Pivote
X4 Nueva
1
-1
0
2
-1/3
5/3
0
0
0
1
0
1
0
-1/3
-1/3
0
0
0
4
-1
3
Ec. Pivote anterior (R1)
/ elemento pivote
Zanterior
-(4-7M)*Nva Ec.
-4+7M
4-7M
-1+4M
4/3-7/3M
-M
0
0
0
0
4/3-7/3M
0
0
9M
4- 7M
1/3+5/3M
-M
4/3-7/3M
4+2M
Pivote
ZNueva
Clculos correspondientes a la iteracin 3: (Entra X2 y sale R2 )

34
0
5/3
0
5/3
-1
-4/3
-3/5
-4/5
3/5
6/5
X1 anterior
X1 Nueva
1
0
1
1/3
-1/3
0
0
1/5
1/5
0
0
0
1/3
4/15
8/5
0
-1/5
-1/5
1
-2/5
3/5
X4 anterior
X4 Nueva
0
0
0
5/3
-5/3
0
0
1
1
1
0
1
-1/3
4/3
1
0
-1
-1
3
-2
1
Zanterior
-(1/3-5/3M)*Nva
0
0
1/3+5/3M
-1/3-5/3M
-M
1/5+M
0
0
4/15+4/3M
0
-1/5-M
4+2M
-2/5-2M
1/5
8/5-M
-1/5-M
18/5
Ec. Pivote anterior (R2)
/ elemento pivote
4/3-7/3M
Ec. Pivote
ZNueva
Clculos correspondientes a la iteracin 4: (Entra X3 y sale X4 )
-1
/ elemento pivote
0
1
0
-1
X1 anterior
X1 Nueva
1
0
1
0
0
0
1/5
-1/5
0
0
-1/5
-1/5
8/5
-1/5
2/5
-1/5
1/5
0
3/5
-1/5
2/5
X2 anterior
X2 Nueva
0
0
0
1
0
1
-3/5
3/5
0
0
3/5
3/5
-4/5
3/5
-1/5
3/5
-3/5
0
6/5
3/5
9/5
Zanterior
1/5
8/5-M
-1/5-M
18/5
35

ZNueva
0
0
0
0
-1/5
0
-1/5
-1/5
-1/5
7/5-M
1/5
-M
-1/5
17/5
Como todos los elementos de la fila Z son ceros y positivos la solucin ptima ha sido hallada y es la
siguiente:
X1 = 2/5
X2 = 9/5
Z = 17/5
Interpretacin de resultado del mtodo las M
El mtodo M resuelve el PA del original, por lo que a partir de la solucin del primero se debe
deducir la del segundo.
Se puede obtener una solucin optima o bien una solucin ilimitada.
Si se ha encontrado una solucin optima al PA, deben contemplarse tres alternativas:
1. Cuando no hay variables artificiales en la base ptima: en esta situacin la solucin ptima
del PA tambin lo es para el PO.
2. Cuando hay VA en la BO con valor cero: dado que el escalar asociado al vector artificial es
cero, tal vector puede intercambiarse por cualquier vector real no bsico sin alterar la solucin
ptima. La solucin ptima de PA tambin lo es para PO.
Sin embargo la presencia de una VA a nivel cero en donde la base optima pudiera indicar la
presencia de una restriccin redundante analticamente para dilucidar esta posibilidad, deben
intercambiarse todas las VA bsicas por VR no bsicas con la nica reserva de que el coeficiente
de reemplazo sea diferente de cero.
Si todas las VA bsicas se logran reemplazar por VR, entonces, ninguna restriccin es
redundante y se ha obtenido una solucin optima degenerada para el PO. En caso contrario las
VA bsicas no desalojadas son redundante analticamente por lo que deben cancelarse de la
tabla optima.
3.
Cuando hay VA en la BO con valor positivo: las VA no pudieron sacarse de la base en el PA

como se deseaba y como estas no tienen ningn significado en el PO, se deduce que el PO
posee solucin inconsistente. En tal caso hay que aclarar si la solucin del PO es infactible o
inexistente.
Si todas las VA bsicas se expulsan de la base optima, entonces la solucin del PO es infactible,
en caso contrario la solucin del PO es inexistente.
36
Ejemplo 6.2: Solucin ptima degenerada.
Min Z: 2X1+X2
S.A
X1+2X2 2
X2 2
3X1+X2 6
X1, X2 0
Planteando el PA se obtiene:
Min Z = 2X1 + X2 + MR1
S.A
X1+2X2+X3
=2
+X4
=2
X2
3X1+X2
-X5 +R1 = 6
X1, X2, X3, X4, X5, R1 0
Se procede a resolver, obtenindose las siguientes tablas:
Iteracin
X
Iteracin
X+1
Z
1
X3
X4
R1
Z
X1
R2
X4
X1
-2+3M
1
0
3
0
1
0
0
X2
-1+M
2
1
1
3-5M
2
1
-5
X3
0
1
0
0
2-3M
1
0
-3
X4
0
0
1
0
0
0
1
0
X5
-M
0
0
-1
-M
0
0
-1
R1
0
0
0
1
0
0
0
1
Sol
6M
2
2
6
4
2
0
0
Se ha encontrado solucin optima al PA y aunque hay una VA en la tabla se encuentra en nivel

cero, por lo que tambin se ha encontrado la solucin optima del PO. La tercera restriccin no es
redundante analticamente puesto que R1 puede intercambiarse por las VR X2 o X3.
Reemplazando R1 por X2 se obtiene:
Iteracin
X
Iteracin
X+1
Z
1
X1
X4
X2
Z
X1
R2
X4
X1
0
1
0
0
0
1
0
0
X2
0
0
0
1
-1
1/3
1
5/3
X3
1/5
-1/5
-3/5
3/5
0
0
0
1
X4
0
0
1
0
0
0
1
0
X5
-3/5
-2/5
-1/5
1/5
-2/3
-1/3
0
1/3
R1
3/5-M
2/5
1/5
-1/5
8/15-M
1/3
0
-1/3
Sol
4
2
2
0
4
2
2
0
37
La solucin es degenerada.
Ejemplo 6.3: Redundancia analtica:

Max Z = 2X1 + X2
SA
X1 + 2X2 = 2
2X1 - X2 = 4
3X1 + X2 = 6
X2 2
X1, X2 0
Partiendo del PA se obtiene:
Max Z = 2X1 + X2 + 0X3 - MR1 - MR2 - MR3
SA
X1 + 2X2
2X1- X2
3X1+ X2
X2+X3
Iteracin
1
Iteracin
+R1
=2
+R2
=4
+R3 = 6
=2
X1, X2, X3, R1, R2, R30
Z
1
R1
R2
R3
X3
Z
X1
R2
R3
X3
X1
-2-6M
1
2
3
0
0
1
X2
-1-2M
2
-1
1
1
3+10M
2
X3
0
0
0
0
1
0
0
X4
0
1
0
0
0
2+6M
1
X5
0
0
1
0
0
0
0
R1
0
0
0
1
0
0
0
0
0
0
-5
-5
1
0
0
1
-2
-3
0
1
0
0
0
1
0
Sol
-12M
2
4
6
2
4
2
0
0
2
La solucin es ptima para el PA. As mismo todas las VA valen cero, entonces la solucin
optima del PA es tambin la solucin optima del PO.
Sin embargo las presencias de las VA R2 y R3 en la base a nivel cero indica la posibilidad de que
sean restricciones redundantes. Por tal motivo se intentara reemplazar por VR.
Primero intercambiaremos R2, las variables no bsicas de sustitucin diferente de cero en el
rengln de R2 son X2 y R1. Pero como R1 es VA, entonces la opcin sera X2
38
Iteracin
Z
1
X1
X2
R3
X3
X1
0
X2
0
X3
0
X4
4/5+2M
X5
3/5+2M
R1
0
1
0
0
0
0
1
0
0
0
0
0
1
1/5
2/5
-1
-2/5
2/5
-1/5
-1
1/5
0
0
1
0
Sol
4
2
0
0
2
En donde los nicos candidatos para sustituir R3 son R1 y R2, las cuales tambin son VA. La ecuacin
implicada por el rengln 3 es:
0X1 + 0X2 + 0X3 - X4 - X5 + X6 = 0
Es decir
X6 = 0 + X 4 + X 5
Diciendo as que en la base optima siempre se tendr una VA a nivel cero por lo cual la tercera
restriccin es redundante analticamente.
Si eliminamos la restriccin 3 de la tabla queda de la siguiente manera:
Iteracin
Z
1
X1
X2
X3
X1
0
X2
0
X3
0
X4
4/5+2M
X5
3/5+2M
R1
0
1
0
0
0
1
0
0
0
1
1/5
2/5
-2/5
2/5
-1/5
1/5
0
0
0
Sol
4
2
0
2
Donde la solucin para el PO es:
Z=4
X1=2
X2=0
X3=2
Ejemplo 6.4: Solucin Infactible:

Min Z = 2X1 - 3X2
SA
X1 + X2 2
2X1 + 4X2 12
39
X1, X2 0
Planteando el PA se obtiene:
Min Z = 2X1 - 3X2 + 0X3 + 0X4 + MR1
SA
X1 + X 2 + X 3
= 2
2X1+4X2
- X4
+R1 = 12
X1, X2, X3, X4, R10
Iteracin
1
Iteracin
2
Z
1
X3
R1
Z
X2
R1
X1
2+2M
1
2
-1-2M
1
-2
X2
3+4M
1
4
0
1
0
X3
0
1
0
-3-4M
1
-4
X4
-M
0
-1
-M
0
-1
R1
0
0
1
0
0
1
Sol
12M
2
12
-6+4M
2
4
La actual es la solucin optima para el PA y dado R1 es una VA con valor positivo, el PO tiene
solucin inconsistente.
La VA R1 puede intercambiarse por las VR X1, X3 o X4 para as arribar a una solucin infactible
del PO.
Si introducimos X1 la base se genera la siguiente tabla:
Iteracin
3
Z
1
X2
X1
X1
0
0
1
X2
0
1
0
X3
-1
-1
2
X4
1/2
-1/2
1/2
R1
-1/2-M
1/2
-1/2
Sol
-8
4
-2
Es una solucin infactible. Si hubisemos intercambiado R1 por X3 o X4 hubiramos obtenido igual

una solucin infactible.
40
41
CAPTULO 7
MTODO DOS FASES
42
La idea general del mtodo de dos fases es muy simple y consiste en que el problema de PL
se resuelve en dos partes o fases. Primero, en el PA se trata de que todas las VA lleguen a nivel
cero, con lo cual seguramente se arribar a una SBFI del PO. Y segundo, a partir de la SBFI del PO,
si es que se obtuvo, se trata de encontrar la solucin ptima del PO. A la primera parte se le llama
Fase I y a la segunda Fase II.
FASE I: En esta primera fase se trata exclusivamente de expulsar a las VA fuera de la base del PA, lo
cual equivale a buscar una SBFI para el PO; en realidad, se est llevando a cabo formalmente el
paso 1 del mtodo simplex original. Para obligar a que las VA tomen valor cero, no se recurre, como
el mtodo M, a una penalizacin en el objetivo, sino al planteamiento de un nuevo objetivo Z0 el cual
consiste en la minimizacin de la suma de las variables artificiales.
FASE II: La segunda fase es la resolucin del PO a partir de la SBFI encontrada en la fase I, si es
que se encontr una. Esta fase equivale a los pasos 2 y 3 del mtodo simplex original. La funcin
objetivo al ser optimizada, es ahora X0 , por lo que la ltima tabla de la fase I es idntica a la primera
de la fase II, lo nico que debemos hacer es renovar el valor de Z. Dado que la fase II comienza con
una SBFI del PO, los resultados que se pueden obtener al final de la misma, son una solucin ptima
o ilimitada para el PO.
Interpretacin de resultados del mtodo de las dos fases:
1. Si Z=0 y no hay VA en la base: en este caso se ha encontrado una SBFI para el PO y debe
procederse a la fase dos.
2. Z=0 y hay VA en la base: el VA de la base debe ser cero antes de proceder a la fase dos
esas VA deben intercambiarse por VR no bsicas. Tomndose en cuanta que el coeficiente de
remplazo entre la VA de salida y la VR de entrada sea diferente de cero:
Si el intercambio es total, se ha generado una SBFI degenerada para el PO.

Si el intercambio es parcial, es decir, la restriccin asociada al VA es redundante
analticamente, estas deben eliminarse antes de pasar a la fase dos.
3. Z= +. Solucin inconsistente
Ejemplo:
Max Z = 3X1 + 5X2
SA
4X1 + X2 4
-X1 + 2X2 2
X2 3
X1, X2 0
43
44
CAPTULO 8
ANLISIS DE SENSIBILIDAD
45
En este captulo se analiza como variaciones en las constantes o datos originales de un
modelo de programacin lineal, afectan los resultados obtenidos en la soluci ptima. Esta tcnica
analiza la sensibilidad de la solucin ptima de un modelo a la incertidumbre de los datos, y se
conoce como analisis de sensibilidad. Su importancia radica en la posibilidad de generar nuevas
soluciones directamente de la solucin original con un numero limitado de simples operaciones, sin
necesidad de resolver el modelo de nuevo.
El anlisis de sensibilidad es una forma eficiente de tratar las modificaciones que, depus de
haber resuelto el modelo, surgen como consecuencia de errores o modificaciones en los datos
originales o por su informacin adicional disponible. Por otra parte, los datos del problema pueden ser
valores estimados de cantidades, precios, costos, etc., e interesa determinar las variaciones en la
solucin ptima resultantes de cambios en dichas estimaciones, as como dentro de que intervalos
pueden variar los parmetros sin afectar la solucin ptima del modelo.
Evidentemente que una tcnica para tratar las variaciones en los datos originales sera
recalcular el problema para cada posible combinacin de datos, pero este mtodo sera costo,
consumira demasiado tiempo, y en la mayora de los casos sera impracticable, debido al gran
nmero de posibles variaciones. El analisis de sensibilidad evita esas dificultades y sus clculos son
suficientemente simples como para hacerlos manualmente, sin necesidad de resolver el modelo cada
vez que existe un cambio en los parmetros.
1.- Cambios en los coeficientes de la funcin objetivo
Es evidente que cualquier cambio en un cj no afecta la solucin ptima en cuanto a su
posibilidad. Como las restricciones no han sido modificadas, la solucin ptima original sigue siendo
posible, lo que hay que determinar es si la solucin sigue siendo ptima.
Supongamos que el nuevo coeficiente de xj en la funcin objetivo es cj=cj+ (igual al coeficiente
original cj ms una cantidad que puede ser positiva o negativa).
Cambios en los coeficientes de la funcin objetivo
46
47
CAPTULO 9
EL PROBLEMA DUAL
48
Los modelos de programacin lineal tienen una importante caracterstica que se conoce como
dualidad. Cada modelo de programacin lineal se puede convertir, mediante transformaciones
apropiadas, en un modelo, que a pesar de ser estructuralmente diferente del primero, est
ntimamente relacionado con l, tanto en su forma como en su solucin. Este modelo obtenido a
travs de los cambios que veremos ms adelante, se conoce con el nombre de modelo o problema
dual. El modelo a partir del cual se obtiene el dual se conoce, por contraposicin, como modelo o
problema primal o primario.
Primeramente veremos la obtencin del dual a partir de un modelo primal en forma cannica:
Max Z= c1x1 + c2x2 + E. + cnxn

Sujeto a:
a11x1 + a12x2 + E. + a1nxn b1
a21x1 + a22x2 + E. + a2nxn b2
E..
E..
am1x1 + am2x2 + E. + amnxn bm
x1 , x2 E. , xn 0
El modelo dual correspondiente al anterior modelo es el siguiente:
Min V= b1y1 + b2y2 + E. + bnyn
Sujeto a:
a11y1 + a12y2 + E. + a1nyn c1
a21y1 + a22y2 + E. + a2nyn c2
E..
E..
am1y1 + am2y2 + E. + amnyn cm
y1 , y2 E. , yn 0
Este modelo de programacin lineal se ha obtenido a partir del anterior con una serie de
transformaciones que citaremos a continuacin:
1. Se definen m nuevas variables yi, una para cada restriccin del primal (excluyendo las
restricciones de no-negatividad de las variables).
2. Se minimiza la funcin objetivo en lugar de maximizarla.
3. Se cambia el sentido de las desigualdades en las restricciones.
4. los lados derechos de las restricciones del primal (las bi) pasan a ser los coeficientes de la
funcin objetivo del dual.
5. Los coeficientes de la funcin objetivo del primal (las cj) pasan a ser los lados derechos de las
restricciones del dual
49
6. Se trasponen las filas y columnas de la matriz de coeficientes (las aij) de las restricciones del
primal
Resumiendo el dual tendr tantas variables como restricciones tiene el primal (m), y tantas
restricciones como variables tiene el primal (n). los coeficientes de la variable xj en el primal pasan a
ser coeficientes de la restriccin j del dual; y los coeficientes de la restriccin i del primal pasan a ser
coeficientes de la variable yi en el dual. El coeficiente de la variable xj en la funcin objetivo del primal
pasa a ser el lado derecho de la restriccin j del dual, y el lado derecho de la restriccin i del primal
pasa a ser el coeficiente de la variable yi en la funcin objetivo del dual.
En el cuadro siguiente se especifican las caractersticas del modelo dual en relacin con las del
primal cualquiera que sea la forma de ste.
Primal
1
Dual
Max. ()
Min. ()
Funcin Objetivo
2
3
Min. ()
Trminos constantes (bi)
Coeficientes funcin obetivo (cj)
Matriz de coeficientes
5
6
7
8
9
10
a11 a12Ea1n
a21 a22Ea2n
E.
E.
am1 am2Eamn
n variables
m restricciones
Restriccin i desigualdad
Restriccin i igualdad
Variable Xj 0
Variable Xj no restringida en el signo
Max. ()
Coeficientes funcin objetivo
Trminos constantes
a11 a21Eam1
a12 a22Eam2
E.
E.
a1n a2nEamn
n restricciones
m variables
Yi 0
Yi irrestricta en signo
Restriccin j desigualdad
Restriccin j igualdad
Ejemplo 1: Plantear el problema dual del siguiente modelo de programacin lineal.
Primal:
Max Z: 300X1+230X2
S.A
10X1 + 60X2 280
80X1 + 70X2 200
90X1 + 200X2 4000
X1, X2 0
50
Dual:
Min V: 280y1+200y2 + 4000y3
S.A
10y1 + 80y2 + 90y3 300
60y1 + 70y2 + 200y3 230
y1, y2, y3 0
Ejemplo 2: Plantear el problema dual de la forma simtrica, del siguiente modelo de programacin
lineal.
Min Z: 20X1 8 X2 + 12X3

S.A
4X1 X2 + 2X3 6
-X1 + 3X2 - X3 8
X1 + 5X3 = 5
3X1 X2 + X3 4
X1, X3 0
X2 no restringida
La funcin objetivo debe minimizarse, todas las variables son no negativas y las restricciones
desigualdades . Como X2 es no restringida, hacemos la transformacin lineal:
X2 = X2 X2 con X2, X2 0
Multiplicamos la segunda restriccin por -1 y la tercera la descomponemos en dos desigualdades .
Tenemos entonces el siguiente problema lineal:
Min Z: 20X1 8 X2 + 8 X2 + 12X3
S.A
4X1 X2 + X2 + 2X3 6
X1 - 3X2 + 3 X2 + X3 -8
X1 + 5X3 5
- X1 - 5X3 -5
3X1 X2 + X2 + X3 4
X1, X2 , X2 , X3 0
En formato simtrico de minimizacin. Para pasar de las relaciones estructurales al problema dual en
forma simtrica, se deduce que ste tendr cinco variables de decisin (y1, y2, y3, y4, y5) y cuatro
restricciones, por tener el problema primal cinco restricciones y cuatro variables de decisin (X1, X2,
X2, X3), respectivamente. El problema dual, en formato simtrico de maximizacin es:
Max w = 6y1 8y2 + 5y3 5y4 + 4y5
s. a
4y1 + y2 + y3 y4 + 3y5 20
-y1 3y2 y5 -8
y1 + 3y2 + y5 8
51
2y1 + y2 + 5y3 5y4 + y5 12
y1,y2,y3,y4,y5 0
Ejemplo 3: Plantear el problema dual de la forma general, del siguiente modelo de programacin
lineal.
Min Z: 20X1 8 X2 + 12X3

S.A
4X1 X2 + 2X3 6
-X1 + 3X2 - X3 8
X1 + 5X3 = 5
3X1 X2 + X3 4
X1, X3 0
X2 no restringida
El problema dual que est en formato general de maximizacin es:
Max w = 6y1 8y2 + 5y3 + 4y4
s. a
4y1 + y2 + y3 + 3y4 20
-y1 3y2 y4 = -8
2y1 + y2 + 5y3 + y4 12
y1,y2,y4 0
y3 no restringida
52
CAPTULO 10
TRANSPORTE
53
El problema de transporte estudia la distribucin de un producto homogneo desde un

conjunto de fbricas a un conjunto de almacenes o puntos de venta, de modo que se satisfagan las
demandas de los alamcenes y no se superen las disponibilidades de las fbricas, con coste mnimo.
El modelo de transporte tiene notable inters por sus importantes aplicaciones que, como se
ver en varios ejercicios no se restringue nicamente a la distribucin de mercancias. Su
procedimiento especfico de solucin, llamado algoritmo de transporte, consta de dos fases y es
rpido y eficiente.
La primera fase consiste en obtener una solucin factible inicial, para lo cual estudiaremos los
mtodos de la esquina noroeste (MEN), de Vogel y de Coste Mnimo. Para entrar a la segunda fse
esta solucin debe ser no degenerada; si lo fuera, se utilizar el procedimiento -posiciones para
convertirla en no degenerada. Se pasa despus a la segunda fase, en la que se comprueba si la
solucin obtenida en la primera fase es ptima, y si no lo es, se debe mejorar, para lo cual
utilizaremos el mtodo stepping-stone.
Ejemplo 1: Dada la siguiente tabla de transporte:
1
A
B
C
D
Dem
Disp
40
60
45
25
50
30
30
Donde los elementos interiores representan costes, se desea determinar una solucin bsica factible
y su coste asociado con:
1. El MEN.
2. El mtodo de Vogel.
3. El mtodo del coste mnimo.
Solucin:
Como la disponibilidad total es de 150 y la demanda total de 130, el problema no es equilibrado. Para
equilibrarlo, introducimos un destino ficticio (Columna F) con demanda 150-130=20 y costes nulos en
las posiciones de su columna. Tenemos, entonces, la tabla:
54
1
A
B
C
D
Dem
Disp
40
60
30
45
25
50
30
20
a) El MEN comienza tomando la posicin de la tabla situada ms al noroeste, (A,1) y situando en ella
el mximo nmero posible de unidades, que ser el mnimo entre la disponibilidad del origen A y
la demanda del destino 1. En este caso XA1 = min (45,40) = 40. A continuacin, se reducen, en
ese valor asignado, la disponibilidad de A y la demanda de 1. Se obtine a s la tabla:
1
A
40
B
C
D
Dem
Disp
60
30
5
25
50
30
20
De la que se elimina la fila y/o columna que quede satisfecha. En este caso, la columna 1 pasa a
tener demanda 0, as que la eliminamos, teniendo ahora la tabla reducida y con bordes
(disponibilidades y demandas) revisados,
2
A
B
C
D
Dem
60
Disp
30
5
25
50
30
20
55
Repetimos el procedimiento con esta tabla. Ahora, la esquina noroeste corresponde a la (A,2). El
nmero de unidades que asignamos a esta posicin es XA2 = min(5,60) = 5. Una vez reducidas la
disponibilidad de A y la demanda de 2, se obtine:
2
A
B
C
D
Dem
Disp
55
30
0
25
50
30
20
Prescindiendo de la fila A, que ha quedado satisfecha al convertirse en nula su disponibilidad.

Tenemos la nueva tabla reducida con la asignacin XB2 = 25
2
B
25
C
D
Dem
Disp
30
30
0
50
30
20
Prescindiendo de la fila B, ya que queda satisfecha, y reiterando el procedimiento, tenemos la

solucin bsica factible que mostramos en la tabla:
1
A
40
B
C
D
Dem
Disp
25
30
20
10
60
30
20
45
25
50
30
20
56
Esta solucin es no degenrada, ya que el nmero de posiciones bsicas es 7 igual al nmero mximo
posible que es m+n-1=4+4-1=7, donde m=nmero de filas y n=nmero de columnas de la tabla de
transporte equilibrada, de posiciones bsicas que puede tener una solucin bsica factible. El coste
asociado a esta solucin es:
C = (40*8)+(5*9)+(25*7)+(30*5)+(20*7)+(10*5)+(20*0) = 880
b) El mtodo de Vogel comienza determinando las penalizaciones de fila (Pfi) y columna (PCj),
obtenidas como el valor absoluto de la diferencia entre los dos costes menores de cada fila y cada
columna, respectivamente. Situamos estos valores a la derecha y en la parte inferior de la tabla,
obteniendo la tabla ampliada.
1
A
B
C
D
Dem
PCj
40
2
60
2
30
1
Disp
Pfi
45
6*
25
50
30
20
0
A continuacin, consideramos la mayor penalizacin entre las filas y columnas, que es 6 (marcada
con un asterisco) y corresponde a la fila A. Elegimos la posicin de menor coste en esa fila, que es la
(A,F), y situamos en ella el mayor nmero posible de unidades dado por XAF = min (45,20) = 20.
Reduciendo la disponibilidad de la fila A y la demanda de la columna F en ese valor, tenemos la tabla:
1
A
B
C
D
Dem
60
30
20
Disp
0
25
25
50
30
57
Eliminamos la fila t/o columna que haya quedado satisfecha, que en este caso es la columna F, y
repetimos el proceso con la tabla reducida y sus bordes revisados. Las penalizaciones son ahora:
1
A
B
C
D
Dem
PCj
40
2
60
2*
Disp
Pfi
25
25
50
30
30
1
Y la mayor es 2. Como hay empate, lo rompemos arbitrariamente y tomamos, por ejemplo, la

columna 2. En esta columna, el menor coste es 5, que corresponde a la posicin (C,2). Hacemos XC2
= min (50,60) = 50 y reducimos la disponibilidad de C y la demanda de 2 en tal nmero de unidades.
1
A
Disp
Dem
40
50
10
25
25
0
30
30
Eliminamos la fila C. La nueva tabla reducida, con las penalizaciones, es
1
A
B
D
Dem
PCj
40
2
10
1
30
Disp
Pfi
25
25
30
2*
30
1
58
Tomamos con mayor penalizacin la correspondiente a la fila D, pues hay empates. En ella, la
posicin de menor coste es (D,3). Hacemos XD3 = min (30,30) = 30 y reducimos la disponibilidad de
D y la demanda de 3 en ese valor. Esto nos lleva a eliminar simultneamente la fila D y la columna 3,
indicacin de degeneracin en la solucin inicial. Continuando con el procedimiento llegamos a la
solucin bsica factible.
1
A
B
15
25
D
Dem
10
50
Disp
60
30
30
5
25
50
30
20
Que es degenerada, ya que tiene 6 posiciones bsicas, una menos que el mximo que es 7. El coste
asociado es
C = 15*8 + 10*9 + 20*0 + 25*5 +50*5 + 30*5 = 735
1
A
B
C
D
Dem
40
Disp
60
30
45
25
50
30
20
59
1
A
B
C
D
Dem
20
Disp
40
60
30
A
B
40
Disp
30
Dem
60
40
Dem
25
50
30
25
25
50
30
Disp
60
25
25
25
10
30
30
60
2
A
B
C
D
Dem
2
8
25
5
40
D
Dem
30
40
Disp
60
25
25
10
30
3
9
7
10
25
60
F
6
25
20
Disp
0
30
45
25
50
30
20

Manual Optimización - Semestre I-2014 Por Cristhian Ronceros Morales

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Manual Optimización - Semestre I-2014 Por Cristhian Ronceros Morales

Transféré par

Droits d'auteur :

Formats disponibles

1

Cristhian Ronceros Morales

El siguiente Material es una recopilacin de informacin referida por varios autores en un

Maturn, Octubre 2010

Elaborado por: Prof. Cristhian Ronceros M.

1. Introduccin a la investigacin de operaciones

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

1.1. INVESTIGACIN DE OPERACIONES

Elaborado por: Prof. Cristhian Ronceros M.

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

a11 x1 + a12 x2 + ... + a1n xn = b1

Elaborado por: Prof. Cristhian Ronceros M.

Observen que C y X son vectores columna de n componentes, b es un vector columna de m

2.2. CONSTRUCCIN DE MODELOS DE PL

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

De los estudios de demanda, podemos establecer las restricciones

Como es obvio, hay que aadir la condicin de no negatividad

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

- Debido a los materiales

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Proporcin de la produccin de C a partir de B

Limites de tiempo de ambos procesos

La funcin objetivo que es el beneficio a maximizar en miles de dlares, es

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Demandas de ambos tipos de gasolinas

Recetas sobre calidad de las gasolinas

Z = 22(X1 + X2) + 24(X3 + X4)

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

2.3. PROBLEMAS PROPUESTOS

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Anlisis por inspeccin

Elaborado por: Prof. Cristhian Ronceros M.

Elaborado por: Prof. Cristhian Ronceros M.

donde Yik > 0 y K es el subndice de la variable que entra.

Realizado: Octubre 2010 (Rev: Abril 2013)

Elaborado por: Prof. Cristhian Ronceros M.

Realizado: Octubre 2010 (Rev: Abril 2013)