Académique Documents
Professionnel Documents
Culture Documents
PROGRAMACIÓN LINEAL EN LA
INGENIERÍA CIVIL”
INTRODUCCION
2
JUSTIFICACIÓN DEL TEMA DE TESIS
El motivo principal que tengo para desarrollar este tema de tesis, es que su
contenido es de suma importancia para la formación de ingenieros con un enfoque
más práctico y fundamentado a la hora de tomar decisiones al desempeñar un
trabajo que tenga que ver con cualquier proceso constructivo.
No se trata solo de recopilar información acerca de este tema, mas bien lo que
pretendo es aplicar los procedimientos que ya existen de programación lineal a la
problemática que nos enfrentamos como ingenieros civiles.
Es muy importante que seamos parte del desarrollo de nuevos temas de
investigación que puedan ayudar a nuestra facultad para estar siempre a la
vanguardia y pueda crear en sus alumnos el deseo de la innovación y así cumplir
con la tarea que demanda la carrera de ingeniería.
3
INDICE
CAPITULO VI DUALIDAD
6.1 TEOREMA DEL METODO DUAL
4
7.1 ANALISIS DE SENSIBILIDAD
CONCLUSIONES
BIBLIOGRAFIA
5
CAPITULO I
BREVE HISTORIA DE LA
PROGRAMACION LINEAL
6
1.1 ANTECEDENTES
En los siglos XVII y XVIII, grandes matemáticos como Newton, Leibnitz, Bernouilli
y, sobre todo, Lagrange, que tanto habían contribuido al desarrollo del cálculo
infinitesimal, se ocuparon de obtener máximos y mínimos condicionados de
determinadas funciones.
7
Tres años más tarde, G. Stigler plantea otro problema particular conocido con el
nombre de régimen alimenticio optimal.
8
lineal. La potencia de computación necesaria para examinar todas las
permutaciones a fin de seleccionar la mejor asignación es inmensa; el número de
posibles configuraciones excede al número de partículas en el universo.
Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente
aéreo de Berlín. Se continuó con infinidad de aplicaciones de tipo preferentemente
militar.
9
de Princenton de Estados Unidos, hace que otros investigadores se interesaran
paulatinamente por el desarrollo riguroso de esta disciplina.
10
1.2 EL PUENTE AEREO DE BERLIN
Los aliados se decidieron por una atrevida aventura, sin precedentes en toda la
historia de la humanidad. Había sólo una vía de salvación: la provisión desde
arriba. Los americanos junto con los ingleses consiguieron con una logística
magistral que aterrizase cada tres minutos un avión en uno de los tres aeropuertos
de Berlín. En los 322 días del bloqueo y gracias a un plan operativo sofisticado, los
aliados lograron aumentar su capacidad de transporte de 4.500 a 11.200
toneladas diarias. Trajeron aviones de todo el mundo; en los días cúspide había
un total de 400 aviones en uso constante. Enormes petroleros atravesaban el
Atlántico cargados de gasolina y queroseno. Según un acuerdo con los soviéticos
sólo se podían emplear tres corredores o caminos aéreos. Cinco diferentes alturas
de vuelo aprovechaban los corredores al máximo. Por medio de este truco
lograron poner la distancia de seguridad entre los aviones que volaban a la misma
11
altura, en 15 minutos, a pesar de que cada 3 minutos podía aterrizar un avión en
el aeropuerto de Tempelhof.
Los esfuerzos para mantener el puente aéreo fueron inmensos. En una red
logística mundial había 150.000 personas trabajando. Unas tres cuartas partes de
los materiales los volaron los americanos, y una cuarta parte los ingleses. En los
casi 280.000 vuelos transportaron 2,3 millones de toneladas de mercancías a
Berlín. El récord de un día fue el 16 de abril con 12.940 toneladas, que son 22
trenes de mercancía con 50 vagones cada uno. Si sumamos las horas de vuelo,
serían 35 años de tiempo de vuelo. La distancia total recorrida de todos los vuelos
del puente aéreo asciende a 175 millones de kilómetros, esto es 456 veces la
distancia de la tierra a la luna, o 1,17 veces la distancia de la tierra al sol. Durante
el puente aéreo murieron 76 personas. La operación "puente aéreo de Berlín"
costó 200 millones de dólares. Y hay que tener en cuenta que en aquel entonces
el dólar tenía un valor de 10 Euros.
12
CAPITULO II
METODOLOGIA PREVIA
13
2.1 OPTMIZACION DE PROYECTOS
14
Las restricciones son de la forma:
Σ ai * Xi ≤ bi
Σ ai *Xi ≥ bi
Para todo i: Xi ≥ 0.
La solución factible será aquella que cumpla las condiciones planteadas por
nuestro problema y llamaremos solución óptima a aquella solución que nos
optimice en mayor medida el objetivo de nuestro problema. De esta manera la
solución optima no tiene por que ser única, puede darse el caso en el que existan
2 ó mas soluciones optimas, entonces el criterio de elección de una solución será
ajeno a nuestros cálculos
15
2.2 SIMPLIFICACION DEL MODELO MATEMATICO
(X1/a11) + (X2/b11) ≤1
(X1/a21) + (X2/b21) ≤1
Si se cumple:
A11/a21>1
B11/b21>1
16
figura 2.1
(X1/a11) + (X2/b11) ≤ 1
a * X1 + b * X2 ≥ 0
Ya que siempre se cumplirá
4) División en subproblemas.
Si al analizar un problema, observamos que se pueden dividir las restricciones en
conjuntos distintos (de tal forma que no tengan variables comunes) también
podremos dividir nuestro problema en tantos subproblemas como conjuntos de
restricciones tengamos. La solución de nuestro problema original será la unión de
las soluciones de los subproblemas tratados. Por ejemplo.
La modelización de un problema es:
17
2X3 + X4 ≤ 3
4X3 + 6X4 ≥ 12
Podemos dividir nuestro problema en subproblemas:
A) Función objetivo: Max 2 X1 + 4 X2
Sujeto a: X1 + 9 X2 ≤ 7
5X1 + 7 X2 ≥ 9
5) Homogenización de restricciones.
Como veremos más adelante, para poder resolver los problemas de programación
lineal por el método Símplex, será conveniente tener las restricciones de nuestro
problema de tal forma que los términos “bi” sean mayores o iguales a cero. Por
ello, ya que podemos encontrarnos con restricciones del tipo:
Σ ai * Xi ≥ -bi
Σ ai * Xi ≤ -bi
Σ ai * Xi = -bi
Podremos homogenizar nuestro sistema, convirtiéndolo al tipo:
Σ -ai*Xi ≤ bi
Σ -ai*Xi ≥ bi
Σ -a*Xi = bi
Con sólo multiplicar por –1 y cambiar el sentido de nuestra desigualdad. Es decir:
Σ ai * Xi ≥ -bi → Σ (-1) * ai * Xi ≤ bi
Donde se mantendrán las condiciones de la restricción y se posibilitará la
resolución del problema mediante el método Simplex.
18
CAPITULO III
MODELIZACIÓN
19
3.1 MODELO DE TRANSPORTE
Como solo hay una mercancía un destino puede recibir su demanda de una o más
fuentes. El objetivo del modelo es el de determinar la cantidad que se enviará de
cada fuente a cada destino, tal que se minimice el costo del transporte total.
La suposición básica del modelo es que el costo del transporte en una ruta es
directamente proporcional al número de unidades transportadas. La definición de
“unidad de transporte” variará dependiendo de la “mercancía” que se transporte.
Figura 3.1
20
En la figura 3.1 se representa el modelo de transporte como una red con m
fuentes y n destinos. Una fuente o un destino esta representado por un nodo, el
arco que une fuente y un destino representan la ruta por la cual se transporta la
mercancía. La cantidad de la oferta en la fuente i es ai, y la demanda en el destino
j es bj. El costo de transporte unitario entre la fuente i y el destino j es Cij.
Minimiza Z = Σ i=1
m
Σ j=1
n
C ijX ij
Sujeta a:
Σ j=1
n
X i j <= ai , i=1,2,…, m
Σ i=1
m
X I j >= bj , j=1,2,…, n
Σ X i j = ai, i=1,2,..., m
Σ X i j = bj, j=1,2,..., n
21
3.2. MODELO DE ASIGNACIÓN.
Supone que tiene unos puestos de trabajo y unos candidatos. Se quiere estudiar
cómo cubrir estos puestos de forma que se optimice una variable que sea
significativa.
Para este tipo de modelización necesitamos definir una nueva variable, llamada
variable dual que la representaremos por aij y su funcionamiento es el siguiente:
Figura 3.2
Se llama variable dual porque sólo puede tomar dos valores: 1 ó 0 (figura 3.2)
En nuestro problema tendremos que definir:
22
Un problema de asignación es un problema de transporte balanceado, en el cual
todas las ofertas y todas las demandas son iguales a uno. Se puede resolver
eficientemente un problema de asignación m x m mediante el método Húngaro:
Paso 1.- Empiece por encontrar el elemento mas pequeño en cada renglón
de la matriz de costos. Construya una nueva matriz, al restar de cada costo, el
costo mínimo de su renglón. Encuentre, para esta nueva matriz el costo mínimo en
cada columna. Construya una nueva matriz (la matriz de costos reducidos) al
restar de cada costo el costo mínimo de su columna.
Como todas las ofertas y demandas para el problema de asignación son números
enteros, todas las variables en la solución óptima deben ser valores enteros.
23
3.3 FORD - FULKERSON
En algunas redes circula por los arcos un flujo (envío o circulación de unidades
homogéneas de algún producto: automóviles en una red de carreteras, litros de
petróleo en un oleoducto, bits por un cable de fibra óptica) desde el origen o fuente
al destino, también denominado sumidero o vertedero. Los arcos tienen una
capacidad máxima de flujo, y se trata de enviar desde la fuente al sumidero la
mayor cantidad posible de flujo, de tal manera que:
Figura 3.3
24
Un corte define una serie de arcos cuya supresión de la red causa una
interrupción completa del flujo entre el origen y el destino. La capacidad de corte
es igual a la suma de las capacidades de los arcos asociados. Entre todos los
cortes posibles en la red, el corte con la menor capacidad proporciona el flujo
máximo en la red.
La figura 3.4 ilustra 3 cortes: el Corte 1 con capacidad 60, el Corte 2 con
capacidad 110 y el Corte 3 con capacidad 70. Todo lo que podemos obtener de
los 3 cortes es que el flujo máximo en la red no excede de 60 unidades. No
podemos saber cual es el flujo máximo hasta que se hayan enumerado todos los
cortes en la red:
Figura 3.4
Las capacidades se identifican como sigue: por ejemplo, para el arco (3,4), el
límite de flujo es de 10 unidades de 3 a 4 y de 5 unidades de 4 a 3.
25
El algoritmo de Ford-Fulkerson propone buscar caminos en los que se pueda
aumentar el flujo, hasta que se alcance el flujo máximo.
La idea es encontrar una ruta de penetración con un flujo positivo neto que una los
nodos origen y destino.
Consideraremos las capacidades iniciales del arco que une el nodo i y el nodo j
como Cij y Cji. Estas capacidades iniciales irán variando a medida que avanza el
algoritmo, denominaremos capacidades residuales a las capacidades restantes
del arco una vez pasa algún flujo por él, las representaremos como cij y cji.
Para un nodo j que recibe el flujo del nodo i, definimos una clasificación [aj,i]
donde aj es el flujo del nodo i al nodo j.
26
En caso contrario, i≠1, le damos al valor i el del nodo que se ha clasificado
inmediatamente antes, eliminamos i del conjunto Si actual y volvemos al paso 2.
27
3.4 CAMINOS HAMILTONIANOS DE COSTO MINIMO
Figura 3.5
28
Para todo j: Σ aij =1 sólo llega un arco de cada nodo.
3.5 KRUSKAL
Figura 3.6
De manera que:
Cij---- costo arista entre el nodo i y el nodo j.
FUNCION OBJETIVO: Min Σ Cij * aij
Sujeto a: para todo i: Σ aij ≥ 1
Al menos llega una arista y al menos sale otra
Para todo j: Σ aij ≥ 1
29
aij ≤ 1
Este algoritmo fue publicado por primera vez en Proceedings of the American
Mathematical Society, pp. 48–50 en 1956, y fue escrito por Joseph Kruskal.
30
3.6 PERT – CPM
En los proyectos como estos, los administradores deben programas, coordinar las
diversas tareas o actividades a desarrollar un proyecto, las cuales no
necesariamente son secuenciales, y aun en este caso estas actividades son
interdependientes. Si bien es cierto que, algunas actividades en paralelo que
originan una tercera.
31
Las preguntas esenciales de la elaboración de un proyecto comprenden:
A B
1
2 3
Figura 3.7
32
Si suponemos ahora que las actividades A y B deben ser terminadas antes que
una actividad C pueda comenzar, la malla del proyecto queda como se muestra en
la figura 3.8, en este caso, el nodo representa que las actividades A y B se han
terminado, además del inicio de la actividad C. Si la actividad A fuera predecesora
de las actividades B y C, la red quedara como se muestra en la figura 3.9.
1
A
B
1
C
1
Figura 3.8a
1 1
A B
Figura 3.8b
33
Para no violar las reglas 3 y 4, a veces es necesario introducir una actividad
artificial o “Dummy” que posee tiempo de duración nulo. Por ejemplo, supongamos
que las actividades A y B son predecesoras de la actividad C y además comienzan
al mismo tiempo. En este caso, una primera representación podría ser la indicada
en la figura 3.8b. Sin embargo, la red de la figura 3.9 viola la regla 4. Para corregir
este problema, se introduce una actividad artificial indicada con un arco
segmentado en la figura
La red de la figura 3.10 refleja el hecho de que la actividad C tiene como
predecesoras a A y B, pero sin violar la regla 4. En otros casos, se deben agregar
actividades artificiales para no violar la regla 3.
1 C
2
Figura 3.9
A y B predecesoras de C
A C
C Dummy
Figura 3.10
Incorporación de una actividad artificial.
34
•
Figura 3.11
35
PASOS EN EL PLANEAMIENTO DEL PROYECTO DEL CPM
36
*ESTIME LA ÉPOCA DE LA TERMINACIÓN PARA CADA ACTIVIDAD.
El tiempo requerido para terminar cada actividad se puede estimar usando
experiencia previa o las estimaciones de personas bien informadas. El CPM
es un modelo determinista que no considera la variación en el tiempo de la
terminación, tan solamente un número se utiliza para la estimación del tiempo
de una actividad.
37
*PONGA AL DÍA EL DIAGRAMA DEL CPM
Pues progresa el proyecto, los tiempos reales de la terminación de la tarea serán
sabidos y el diagrama de la red se puede poner al día para incluir esta
información. Una trayectoria crítica nueva puede emerger, y los cambios
estructurales se pueden realizar en la red si los requisitos del proyecto cambian.
38
La forma de la distribución se muestra en la figura 3.12 tiempo más probable es el
tiempo requerido para completar la actividad bajo condiciones normales. Los
tiempos optimistas y pesimistas proporcionan una medida de la incertidumbre
inherente en la actividad, incluyendo desperfectos en el equipo, disponibilidad de
mano de obra, retardo en los materiales y otros factores.
Figura 3.12
a + 4m + b
Te ( Z ) =
6
b −a
σ( Z ) =
6
39
PASOS EN EL PROCESO DE PLANEAMIENTO DEL PERT
1. El planeamiento del PERT implica los pasos siguientes:
2. Identifique las actividades y duración especifica,
3. determine la secuencia apropiada de las actividades,
4. construya un diagrama de red,
5. determine el tiempo requerido para cada actividad,
6. determine la trayectoria critica,
7. Ponga al día la carta del PERT según como progresa el proyecto.
40
*TIEMPOS DE ACTIVIDAD DE ESTIMACION
Para cada activad, se requiere estimar las siguientes cantidades:
V [Tij ] =
(b − a) 2
36
En PERT se asume además que la duración de las actividades es independiente.
Por lo tanto, el valor esperado y la varianza de una ruta pueden ser estimadas
según:
∑[Tij ]
( ij ∈Ruta ) = Duración esperada de la ruta
∑[Vij ]
( ij ∈Ruta ) = Variación de la duración de la ruta
41
La trayectoria crítica es determinada agregando los tiempos para las actividades
en cada secuencia y determinando la trayectoria mas larga del proyecto. La
trayectoria crítica determina el tiempo total del calendario requerido para el
proyecto. Si las actividades fuera de la trayectoria cítrica aceleran o retrasaron el
tiempo (dentro de los limites), entonces el tiempo total de proyecto no varia, la
cantidad del tiempo que una actividad no critica de la trayectoria sin alterar la
duración del proyecto se denomina como tiempo flojo.
Si la trayectoria crítica del proyecto no resulta obvia, entonces puede ser
provechoso determinar las cuatro cantidades siguientes para cada actividad:
• ES, Principio temprano.
• EF, principio tardío.
• LS, terminación temprana.
• LF, terminación tardía.
Se calculan estos tiempos usando la época prevista para las actividades
relevantes. Los tiempos más tempranos del comienzo y del final de cada actividad
son determinados trabajando adelante a través de la red y determinando el tiempo
más temprano en el cual una actividad puede comenzar y acabar a considerar sus
actividades del precursor. Los tiempos más últimos del comienzo y del final son los
tiempos más últimos que una actividad puede comenzar y acabar sin variar el
proyecto. El LS y el LF son encontrados trabajando al revés a través de la red. La
diferencia en el final más último y más temprano de cada actividad es holgura de
esa actividad. La trayectoria crítica entonces es la trayectoria a través de la red en
la cual ningunas de las actividades tienen holgura.
La variación en el tiempo de la terminación del proyecto puede ser calculada
sumando las variaciones en los tiempos de la terminación de las actividades en la
trayectoria crítica. Dado esta variación, una puede calcular la probabilidad que el
proyecto será terminado por cierta fecha si se asume que una distribución normal
de la probabilidad para la trayectoria crítica.
42
encontrada a través de CPM contiene suficientes actividades para emplear el
Teorema Central del Límite y concluir que CP se distribuye normalmente.
CP = ∑ Tij
( ij∈Ruta )
43
CAPITULO IV
METODOS PARA LA
RESOLUCION DE PROBLEMAS
EN PROGRAMACIÓN LINEAL
44
Toda ecuación lineal con dos variables X y Y
Ax + By = 0
Tiene un conjunto solución que se puede exhibir en forma gráfica como los puntos
de una línea recta en el plano xy. De esta misma también existe una
representación grafica sencilla de las desigualdades lineales con dos variables:
Ax + By < 0 Ax + By ≤ 0
Ax + By > 0 Ax + By ≥ 0
2x + 3y < 0
Q (x, -2/3x+2)
-5 5
Semiplano
inferior
-5
Figura 4.1
Se observa que la línea recta divide el plano xy en dos semiplanos: uno superior y
uno inferior. De esta manera el semiplano superior es la gráfica de la desigualdad
lineal:
45
2x + 3y > 6 (1)
2x + 3y < 6 (2)
Para tener un poco mas claro el concepto escribiremos las formulas anteriores en
formas equivalentes:
y = -2/3x + 2 (5)
Elegiremos ahora un punto cualquiera P(x, y) que este arriba de la recta L; siendo
Q el punto en L que esta directamente bajo P (en la figura 4.1). Si Q esta en L, sus
coordenadas deben satisfacer la ecuación y = -2/3x +2, es decir, Q se representa
como Q (x, -2/3x+2). De manera que si comparamos las ordenadas de P y Q,
teniendo en cuenta que P esta arriba de Q, entonces su ordenada es mayor y se
tiene:
y > -2/3x +2
46
Este análisis muestra que el semiplano inferior proporciona una solución a nuestro
problema (figura 4.2). Debe observarse que ambos semiplanos son mutuamente
excluyentes (no tienen puntos en común)
Y
5
2x + 3y = 6
2x + 3y < 6
X
-5 5
Figura 4.2
Que es lo mismo a decir; 0 < 6, lo cual es una expresión cierta. Esto quiere decir
que es el semiplano requerido, que contiene el punto de verificación, es decir el
semiplano inferior.
Veremos que ocurre si elegimos el punto (2, 3), que esta en el semiplano superior.
Al sustituir X =2 y Y = 3, en la desigualdad tendremos:
2(2) + 3(3) < 6
Que es lo mismo que decir; 13 < 6, lo cual es una expresión falsa. Esto quiere
decir que el semiplano superior no es el requerido. Debe observarse también que
47
ningún punto (x, y) que este en la recta L constituye una solución a este problema,
debido a la desigualdad es estrictamente “<”
Este análisis sugiere el siguiente procedimiento para graficar una desigualdad
lineal en dos variables.
48
Dando valores a la función objetivo vamos obteniendo sucesivas rectas paralelas,
de forma que según aumenta la función objetivo, la recta se separa del origen.
Por tanto, puede suceder que nuestra función objetivo de valor óptimo coincida
con una arista o con un vértice del polígono que delimite nuestro dominio.
En nuestro caso, el vértice A (2,2) será la solución óptima.
Luego el valor óptimo de nuestra función objetivo será:
5*2 + 6*2 = 22
Figura 4.3
Gráficamente:
49
Figura 4.4
En este caso nuestra solución no está acotada, luego nuestro problema no tendrá
solución.
50
conoce como solución factible y el conjunto de S se conoce como conjunto
factible, para solucionar el problema se tiene que encontrar el punto o los puntos
que optimicen la función objetivo, tal solución factible es una solución optima y
constituye la solución al problema lineal en cuestión.
y
10
2x + y =8
P (3, 2)
2x + 3y =12
S
5 10
Figura 4.5
51
y
Línea más
L2 alejada del
origen que
5 intersecta a S
L1
P (3, 2)
5 x
Figura 4.6
52
La solución óptima de este problema es un vértice del conjunto factible S,
cumpliendo el siguiente teorema básico de la programación lineal.
53
METODO DE LAS ESQUINAS
1.- Se grafica el conjunto factible.
2.- Se encuentran las coordenadas de todas las esquinas (vértices) del conjunto
factible.
3.- Se evalúa la función objetivo en cada esquina.
4.- Se halla el vértice que proporcione el máximo (mínimo) de la función objetivo.
Si solo existe un vértice con esta propiedad, entonces constituye una solución
única al problema. Si la función objetivo se maximiza (minimiza) en dos esquinas
adyacentes de S, entonces existe una infinidad de soluciones optimas dadas por
los puntos del segmento de recta determinada por estos dos vértices.
54
4.2 METODO SIMPLEX
55
El conjunto factible S relacionado con este problema se representa en la figura
4.7, donde se han etiquetado las cuatro esquinas factibles A(0, 0), B(4, 0), C(3, 2)
y D(0, 4).
y
D(0, 4)
C(3, 2)
S
B(4, 0)
A(0, 0) x
Figura 4.7
2x + 3y ≤ 12
2x + 3y + U = 12
56
Por ejemplo si X = 1 y Y = 1 [en la figura 4.7 se puede observar que el punto (1, 1)
es un punto factible de S], entonces U =7. Obteniendo lo siguiente:
2(1) + 3(1) + 7 = 12
2(2) + 3(1) + 5 = 12
2x + 3y + U = 12
2x + y + +V=8
2x + 3y + U = 12
2x + y + +V =8
-3x –2y +P = 0
Como este sistema tiene tres ecuaciones lineales en las cinco variables x, y, U, V
y P; es posible despejar tres variables en términos de las otras dos. Así existe una
infinidad de soluciones a ese sistema, las cuales se pueden expresar en términos
de dos parámetros. Ahora, se puede observar que el problema de programación
57
lineal equivale a encontrar la solución que proporciona el máximo de P: Entre
todas las soluciones de este sistema para las cuales x, y, U y V sean no negativas
(tales soluciones se llaman soluciones factibles).
La matriz aumentada asociada con este sistema es:
Columna de constantes
x y U V P
2 3 1 0 0 12
2 1 0 1 0 8
-3 -2 0 0 1 0
Debemos observar que cada una de las columnas U, V y P de esta matriz es una
columna unitaria. Las variables asociadas con las columnas unitarias se llaman
variables básicas y las demás, variables no básicas.
Ahora la configuración de la matriza aumentada sugiere que despejen las
variables básicas U, V y P en términos de variables no básicas X y Y, con lo que
se obtiene:
U = 12 – 2x – 3y
V = 8 – 2x – y
P= 3x + 2y
X = 0, Y = 0, U = 12, V = 8, P = 0
58
Esta solución, obtenida al igual a cero todas las variables no básicas, es una
solución básica del sistema. Esta solución particular corresponde a la esquina A(0,
0) del conjunto factible asociado de programación lineal (figura 4.7). Observamos
que P = 0 en este punto.
Si el valor de P no pudiera aumentar, se tendría la solución óptima del problema
en cuestión. Para determinar si se puede mejorar el valor de P, debe observarse la
función objetivo, como los coeficientes de X y Y son positivos, el valor de P se
podría mejorar incrementando X ó Y; es decir, alejándose del origen. Debe notarse
que se llega a la misma conclusión observando que el ultimo renglón de la matriz
aumentada contiene entradas negativas (comparando la función objetivo original,
P = 3x + 2y, con la función objetivo reescrita, -3x -2y + P = 0).
Siguiendo con la búsqueda de la solución óptima, la siguiente tarea consiste en
determinar si es mejor aumentar el valor de x o de y (incrementar ambos valores
en forma simultanea es mas difícil). Debido a que el coeficiente de x es mayor que
el de y, un incremento unitario en la dirección de x producirá un aumento mayor en
el valor de la función objetivo P que un incremento unitario en la dirección de y, de
esta manera, debemos aumentar el valor de x a la vez que se mantiene constante
en y. Debemos cuidar que el incremento en la dirección de x pueda mantener un
valor de y = 0 si que se salga del conjunto factible. Esta condición se observa en
las siguientes ecuaciones:
U = 12 – 2x
V = 8 – 2x
59
La cual es una solución básica del sistema de ecuaciones lineales, esta vez con Y
y V como variables no básicas (debe recordarse que las variables no básicas son
aquellas que se igualan a cero).
Veremos la forma de llegar esa solución básica mediante la matriz aumentada del
sistema.
Puesto que x reemplaza a V como variable básica, el objetivo es hallar una matriz
aumentada que tenga una configuración tal que la columna de x este en la forma
unitaria:
0
1
0
x y U V P
2 3 1 0 0 12
Multiplicando al renglón 2 (R2) por ½
2 1 0 1 0 8
obtenemos:
-3 -2 0 0 1 0
x y U V P
2 3 1 0 0 12
1 1/2 0 1/2 0 4
-3 -2 0 0 1 0
60
x y U V P
0 2 1 -1 0 4
1 1/2 0 1/2 0 4
0 -1/2 0 3/2 1 12
X = 4 – 1/2y – 1/2V
U=4- 2y + V
P= 12 + 1/2y – 3/2V
X = 4, Y = 0, U = 4, V = 0, P = 12
61
1.- Se escoge la columna pivote; se localiza la entrada más negativa a la izquierda
de la recta vertical en la última columna. La columna que contiene esta entrada es
la columna pivote (si existe mas de una columna de este tipo, se puede elegir
cualquiera de ellas).
2.- Se elige el renglón pivote; cada entrada positiva en la columna pivote se divide
entre su entrada correspondiente en la columna de constantes. El renglón pivote
es el renglón correspondiente a la razón más pequeña obtenida de esta manera
(si existe mas de una entrada de este tipo, se puede elegir cualquiera de ellas).
x y U V P
Renglón pivote
0 2 1 -1 0 4
1 1/2 0 1/2 0 4
0 -1/2 0 3/2 1 12
Columna
pivote
x y U V P
0 1 1/2 -1/2 0 2
62
1 1/2 0 1/2 0 4
0 -1/2 0 3/2 1 12
Realizando las siguientes operaciones (R2 – 1/2R1 y R3 + 1/2R1), obtenemos:
x y U V P
0 1 1/2 -1/2 0 2
1 0 -1/4 3/4 0 3
0 0 1/4 5/4 1 13
Al interpretar la última matriz aumentada de la manera usual, se tiene la solución
básica X=3, Y=2 y P=3. Como no existen entradas negativas en el último renglón,
la solución es óptima y P no puede crecer más.
La solución óptima es la esquina factible C (3, 2), debemos observar que dicha
solución concuerda con la determinada mediante el método de las esquinas (figura
4.7)
63
1.- Se plantea la tabla símplex inicial
64
El procedimiento consiste en resolver el modelo en dos etapas o fases. En la
primera, se busca obtener una SBF del modelo aumentado, que no incluya
variables artificiales. Cuando en esta solución básica factible del MA, todas las
variables artificiales valen cero, ella es una solución básica factible inicial del
Modelo original y a partir de ahí se inicia la segunda fase del método símplex.
Pero puede ocurrir que en la fase 1 no sea posible extraer todas las variables
artificiales de la solución básica, presentándose los casos de: restricción
redundante analíticamente, solución infactible, inexistencia de solución;
situaciones que discutiremos más adelante.
Fase 1
Empieza con una solución básica factible inicial artificial y equivale al paso inicial
del método símplex que conocemos, ya que en ella se trata de hallar una SBFI del
modelo original.
Para propiciar que las variables artificiales tomen el valor de cero, se construya
una función objetivo que reemplaza provisionalmente a la del modelo original.
Esta nueva función se forma con la suma de las variables artificiales y el objetivo
es minimizar la suma de ellas. Es importante aclarar que el objetivo de la fase 1,
siempre es minimizar la suma de las variables artificiales, aunque el objetivo del
modelo original sea maximizar o minimizar.
Fase 2
65
escrito para iniciar la Fase 1. Enseguida se actualizan la fila Cj y la columna CB,
para luego recalcular los valores Zj y Ej, así como el valor Z. A partir de este
tablero se continúa el Método Símplex para la búsqueda de la solución óptima,
considerando el objetivo del problema original.
3X1 + 5X2 ≥ 15
X2 ≤ 5
X1, X2 ≥ 0
3X1 + 5X2 - E3 + A3 = 15
X2 + H4 =5
Fase 1 de la solución
66
Vamos a determinar la solución óptima del Modelo Aumentado, la cual será la
SBFI del modelo original. Para ello planteamos la nueva función objetivo, así:
Mín P1 = A1 + A2
3X1 + 5X2 – E3 + A3 = 15
X2 + H4 = 5
Tabla 0 Fase I
Cj 0 0 0 0 0 0 1 1
CB X1 X2 E1 H2 E3 H4 A1 A3 solución XB
1 6 4 -1 0 0 0 1 0 24 A1
0 20 8 0 1 0 0 0 0 160 H2
1 3 5 0 0 -1 0 0 1 15 A3
0 0 1 0 0 0 1 0 0 5 H4
Zj 9 9 -1 0 -1 0 0 0 0 Z1
Ej -9 -9 1 0 1 0 0 0
Ahora procedamos con el Símplex, para buscar la solución óptima del modelo
aumentado. Como el objetivo es minimizar, la variable de entrada puede ser X1 ó
X2 pues ambas tienen el efecto neto más negativo. Seleccionamos arbitrariamente
a X1 como variable de entrada. La variable de salida será A1 como se indica a la
derecha de la tabla 0.
67
La nueva tabla es:
Tabla 1 Fase I
Cj 0 0 0 0 0 0 1 1
CB X1 X2 E1 H2 E3 H4 A1 A3 solución XB
0 1 2/3 -1/6 0 0 0 1/6 0 4 X1
0 0 -16/3 10/3 1 0 0 -10/3 0 80 H2
1 0 3 1/2 0 -1 0 -1/2 1 3 A3
0 0 1 0 0 0 1 0 0 5 H4
Zj 0 3 1/2 0 -1 0 -1/2 1 3 Z1
Ej 0 -3 -1/2 0 1 0 3/2 0
Tabla 2 Fase I
Cj 0 0 0 0 0 0 1 1
CB X1 X2 E1 H2 E3 H4 A1 A3 solución XB
0 1 0 -5/18 0 2/9 0 5/18 -2/9 10/3 X1
0 0 0 38/9 1 -16/9 0 -38/9 16/9 256/3 H2
0 0 1 1/16 0 -1/3 0 -1/6 1/3 1 X2
0 0 0 -1/6 0 1/3 1 1/6 -1/3 4 H4
Zj 0 0 0 0 0 0 0 0 0 Z1
Ej 0 0 0 0 0 0 1 1
68
La tabla actual representa la solución óptima de la fase 1 del Modelo Aumentado,
ya que todos los evaluadores de la fila cero son no positivos (además, el valor de
Z1 es cero). Como todas las variables artificiales están fuera de la base, esta
solución es una SBFI para el modelo original y podemos continuar con la fase
siguiente.
Fase 2 de la solución
Tabla 3(Max)
Cj 100 90 0 0 0 0
CB X1 X2 E1 H2 E3 H4 solución XB
100 1 0 -5/18 0 2/9 0 10/3 A1
0 0 0 38/9 1 -16/9 0 256/3 H2
90 0 1 1/6 0 -1/3 0 1 X2
0 0 0 -1/6 0 1/3 1 4 H4
Zj 100 90 -115/9 0 -70/9 0 1270/3 Z2
Ej 0 0 115/9 0 70/9 0
69
Y continuando con el procedimiento del Símplex, entra E1 y sale X2, con lo cual
queda:
Tabla 4
Cj 100 90 0 0 0 0
CB X1 X2 E1 H2 E3 H4 solución XB
100 1 5/3 0 0 -1/3 0 5 X1
0 0 -76/3 0 1 20/3 0 60 H2
0 0 6 1 0 -2 0 6 E1
0 0 1 0 0 0 1 5 H4
Zj 100 500/3 0 0 -100/3 0 500 Z
Ej 0 -230/3 0 0 100/3 0
Entra E3 sale H2
Tabla 5
Cj 100 90 0 0 0 0
CB X1 X2 E1 H2 E3 H4 solución XB
100 1 2/5 0 1/20 0 0 8 X1
0 0 -19/5 0 3/20 1 0 9 E3
0 0 -8/5 1 3/10 0 0 24 E1
0 0 1 0 0 0 1 5 H4
Zj 100 40 0 5 0 0 800 Z
Ej 0 50 0 -5 0 0
Entra X2 sale H4
Tabla 6
Cj 100 90 0 0 0 0
CB X1 X2 E1 H2 E3 H4 solución XB
100 1 0 0 1/20 0 -2/5 6 X1
70
0 0 0 0 3/20 1 19/5 28 E3
0 0 0 1 3/10 0 8/5 32 E1
90 0 1 0 0 0 1 5 X2
Zj 0 0 0 5 0 50 1050 Z
Ej 0 0 0 -5 0 -50
El valor de las variables artificiales de la base obviamente debe ser cero. Antes de
continuar con la fase 2 debemos intercambiar "Forzadamente" estas variables
71
artificiales por variables reales no básicas. Puede comprobarse que el intercambio
es posible sólo en los casos en que el coeficiente de remplazo entre las variables
artificial saliente y la variable real candidata a entrar, sea diferente de cero.
Solución Degenerada
Caso 3: P1>0
Es lógico pensar que para que esto ocurra, deben tenerse variables artificiales
básicas con valor positivo. Veremos enseguida que esta situación es indicio de
que el modelo tiene solución inconsistente, ya sea por no existir una solución o por
ser infactible.
Solución Infactible
72
Inexistencia de una solución
1. Optima única.
2. Optima múltiple.
3. Optima Ilimitada.
4. Infactible.
5. Inexistente.
73
4.4 CAMBIOS DE VARIABLE.
Xi ≥ 0
Y poder aplicar el método símplex. Es decir, lo que vamos a buscar es que sólo
quede la restricción de positividad.
74
CAPITULO V
ANALISIS DE SENSIBILIDAD
75
La tabla que nos proporciona el método símplex es una gran fuente de información
sobre los datos de nuestro problema, siempre y cuando los sepamos descifrar.
Para ello realizaremos lo que se denomina análisis de sensibilidad.
Una de las cosas más importantes que nos proporciona este análisis, es la de
conocer el intervalo de variación de los parámetros del problema, sin que cambie
nuestra solución óptima.
Si tenemos lo siguiente:
FUNCION OBJETIVO: Max 4X1 + 5X2 + 9X3 + 11X4
76
Supongamos que X2 = 0.
Vamos a ver cuánto podríamos variar el coeficiente de la variable X2 sin que se
modifique el valor óptimo de nuestra función objetivo:
X1 X2 X3 X4 X5 X6 X7 bi
L0 0 3/7 – P 0 11/7 13/7 0 5/7 695/7
Si p2 = 3/7, entonces quiere decir que podría obtener otra solución en la que X2
entrase en la base. El valor de nuestra función objetivo no variaría.
5 + 3 / 7 = 38 / 7
77
X1 X2 X3 X4 X5 X6 X7 bi
L0 0 3/7 0 11/7 13/7 0 5/7 695/7
Variables básicas
Ahora vamos a ver hasta cuánto pueden variarse los coeficientes de variables
básicas de forma que continuemos teniendo una solución óptima. Tomando el
ejemplo anterior, las variables básicas son X1, X3 y X6.
Evidentemente, si aumentamos los coeficientes de las variables básicas, nuestra
función objetivo aumentará.
Entonces, si por ejemplo incrementamos en p1 el coeficiente de X1 y realizamos
los procesos del símplex, obtendríamos la siguiente tabla:
X1 X2 X3 X4 X5 X6 X7 bi
L0 0 3/7 + 0 11/7 – 13/7 – 0 5/7 - 5 695/7
5/7Pi 5/7Pi 5/7Pi +
50/7P1
78
Lj de Xi: el coeficiente de la fila Lj columna Xi correspondiente a la variable básica
modificada Xj.
Xi: es una variable no básica.
pj: indica el incremento del coeficiente de la variable básica modificada Xj.
Lo que nos interesa es determinar un intervalo de variación de pj (en nuestro caso
p1) en el cual no cambie nuestra solución optimal.
Para ello nos fijamos en los coeficientes correspondientes a las variables no
básicas de la L0, ya que para que continúe óptima nuestra solución, han de ser
menores que cero. Es decir, en nuestro caso:
3/7 + 5/7 p1 < 0 entonces 5/7 p1 < -3/7 entonces p1 < -3/5
11/7 – 5/7 p1 < 0 entonces 5/7 p1 > 11/7 entonces p1 > 11/5
13/7 + 10/7 p1 < 0 entonces 10/7 p1 < -13/7 entonces p1 < -13/10
5/7 – 1/7 p1 < 0 entonces 1/7 p1 > 5/7 entonces p1 > 5
79
5.2. LAS VARIABLES DE HOLGURA.
El valor de una variable de holgura, representa el sobrante de la restricción a la
que está asociada. Por ello, una variación en el valor de una variable de holgura
implica una modificación en los términos independientes de las restricciones.
Variables básicas:
El valor de una variable de holgura BÁSICA representa la disminución máxima que
puede tener la restricción a la que está asociada, sin que varíe nuestra base
factible. Es decir, refleja el exceso que tenemos en la restricción correspondiente.
En nuestro ejemplo de las papas tenemos:
X6 = 325/7
Que corresponde a la restricción
7 X1 + 5 X2+ 3 X3 + 2 X2 + X6 = 120
80
sucede si modificamos un coeficiente correspondiente a una restricción cuya
variable de holgura asociada es no básica.
Si en la restricción:
X1 + X2 + X3 + X4 + X5 = 15
Hacemos
15 + p0
Al realizar el proceso del método símplex el valor p0 aparecerá en todas las
casillas bi de nuestra tabla solución:
bi
L 695/7 – 13/7 p0
0
L 50/7 – 10/7 p0
1
L 325/7 – 61/7 p0
2
L 55/7 – 3/7 p0
3
Para que la solución siga siendo factible, todos estos valores nuevos, de la
columna bi (bi’), han de ser mayores o iguales a cero; sin tener en cuenta el de la
L0, que lo será por definición.
50/7 + 10/7 p0 ≥ 0 entonces p0 ≥ -5
325/7 – 61/7 p0 ≥ 0 entonces p0 ≤ 325/61
55/7 – 3/7 p0 ≥ 0 entonces p0 ≤ 55/3
81
Luego:
-5≤ p0≤325/61
Que será el intervalo p0 fuera del cual la solución deja de ser factible.
Así, en nuestro ejemplo, se podrá incrementar la cantidad de productos
almacenados hasta:
Con este sistema se pueden hallar las variaciones que se pueden llevar a cabo sin
que se varíe la base.
82
5.3. INCLUSIÓN DE VARIABLES.
Vamos a pasar a estudiar la posible inclusión de una nueva variable en nuestro
problema. Para ello nos basaremos en un ejemplo. Supongamos el siguiente
problema:
FUNCION OBJETIVO: Max 3 X1 + 5 X2
Sujeto a: X1 ≤ 4
3 X1 + 2 X2 ≤ 18
Cuya solución final es:
X1 X2 X3 X4 bi
L0 9/2 0 0 5/2 45
L1 1 0 1 0 4
L2 3/2 1 0 ½ 9
Vamos a ver qué sucede si nos aparece una nueva variable X5 que nos
transforme el problema en:
FUNCION OBJETIVO: Max 3 X1 + 5 X2 + 7 X5
Sujeto a: X1 + X5≤ 4
3 X1 + 2 X2 + 2 X5 ≤ 18
El coeficiente correspondiente a esta variable en la L0 será:
(A) * (B) + m = n
Siendo:
A: matriz fila de los coeficientes de las variables de holgura en la L0
B: matriz columna de los coeficientes (de la nueva variable) incluidos en las
restricciones antiguas.
m: coeficiente (de la nueva variable) incluido en la función objetivo antigua.
83
n: coeficiente de la nueva variable en la L0 de la nueva tabla solución.
Así tendremos:
(0,5/2) * 1 - 7 =2
2
84
X2 = 5
X5 = 4
Siendo:
A: matriz fila de los coeficientes de las variables de holgura en la L0.
B: matriz columna de los coeficientes nuevos (de la variable modificada)
m: coeficiente (de la variable modificada) en la función objetivo.
n: coeficiente nuevo de la variable modificada en la L0 de la nueva tabla solución.
Así tendremos:
(0,5/2) * 2 -3=2
85
2
Donde
A’: matriz de los coeficientes correspondientes a las variables de holgura en las
líneas de las restricciones en la tabla solución del problema inicial.
B: matriz columna de los coeficientes nuevos (de la variable modificada).
C: matriz de los coeficientes correspondientes a la variable modificada en las
líneas de las restricciones en la tabla de nuestro problema modificado.
1 0 * 2 = 2
0 ½ 2 1
86
5.5. AÑADIR NUEVAS RESTRICCIONES.
En el caso de tener un problema de programación lineal y querer modificarlo
incluyendo nuevas restricciones, en lugar de volver a resolverlo, podremos realizar
un análisis de sensibilidad y modificar la tabla anteriormente obtenida para
encontrar una solución óptima a nuestro nuevo problema.
Vamos a ilustrarlo con el siguiente ejemplo:
FUNCION OBJETIVO: 5 X1 + 3 X2
Sujeto a: 3 X1 + 5 X2 ≤ 15
5 X1 + 2 X2 ≤ 10
Si añadimos la restricción:
X2≤ 1
87
L1 0 1 5/19 -3/19 0 45/19
L2 1 0 -2/19 5/19 0 20/19
L3 0 0 -5/19 3/19 1 -26/19
Esto nos proporciona una solución no factible. Es decir, esta solución no vales.
Más adelante veremos cómo modificar esta solución para intentar encontrar una
solución factible y óptima.
88
CAPITULO VI
TEOREMA DEL METODO DUAL
CAPITULO VI DUALIDAD
89
En un problema original de programación lineal, denominado problema primario o,
simplemente, primario, el dual puede formularse con la información contenida en
el primario. El problema dual es importante por muchas razones teóricas y,
además por motivos prácticos. Una de sus propiedades es que, al ser resuelto
suministra información indispensable sobre la solución del problema primario.
De manera análoga, la solución del primario da toda la información esencial
relativa a la solución del problema dual. En un problema de programación lineal,
su solución puede determinarse resolviendo el problema original o su dual.
Las propiedades estructurales de los dos problemas pueden provocar una
decidida preferencia sobre cuál problema solucionar. Aun con los métodos
computarizados, las eficiencias del cómputo pueden provenir de la solución de una
forma de problema.
1.- Las funciones objetivo de los problemas primal y dual alcanzan el mismo valor
óptimo
2.- La solución óptima del problema primal aparece debajo de las variables de
holgura del último renglón de la tabla símplex final relacionada con el problema
dual.
90
maximización y su dual. A continuación se hacen algunas observaciones acerca
de las relaciones entre estos problemas primarios y duales
Maximice Minimice
2x1 + 4x2
800y1 + 350y2 + 125y3
Sujeto a Sujeto a
Figura 6.1
2.- El problema primario consta de dos variables y dos restricciones, mientras que
el dual tiene tres variables y dos restricciones. El número de restricciones en el
problema primario siempre es igual a la de las variables del dual.
91
restricción del problema primario es igual al coeficiente de la función objetivo para
la i – ésima variable del dual.
5.- Los coeficientes de las variables para la restricción (1) del problema primario
son iguales a los de la columna para la variable dual y1. Los coeficientes de las
variables para las restricciones (2) y (3) del problema primario son iguales a los
coeficientes de columna de las variables del dual y2 Y y3. Los coeficientes de aij
en el problema primario son la transpuesta de los del dual. Es decir, los
coeficientes del renglón del problema primario se convierten en los coeficientes de
la columna en el dual y a viceversa.
92
problema de maximización en el correspondiente de minimización o a la inversa.
La tabla 6.2 sintetiza la simetría de los dos tipos de problema y sus relaciones.
Las relaciones 4 y 8 indican que una restricción de igualdad en un problema
corresponde a una variable sin restricción en el otro. Está ultima puede adoptar un
valor positivo, negativo o cero. De igual manera, las relaciones 3 y 7 denotan que
un problema puede tener variables no positivas (por ejemplo xj ≤ 0). Las variables
sin restricción y no positivas violan al parecer la condición de no negatividad del
método símplex. Aunque eso es cierto, en el caso de los problemas que
contengan cualquiera de esos tipos especiales de variables se cuenta con
métodos que nos permiten ajustar la formulación para cumplir con dicha condición.
93
CAPITULO VII
ALGORITMO SÍMPLEX DUAL
Este algoritmo que vamos a detallar a continuación presenta una serie de ventajas
prácticas sobre el símplex normal, siendo algunas de ellas las siguientes:
94
Permite eliminar una base inicial infactible en el caso de restricciones del tipo = ó
≥, sin necesidad de introducir variables artificiales.
Problema:
FUNCION OBJETIVO: Min 160 X1 + 120 X2 + 280 X3
Sujeto a: 2 X1 + X2 + 4 X3 ≥ 10
2 X1 + 2 X2 + 2 X3 ≥ 15
X1, X2; X3 ≥ 0
Añadimos loas variables de holgura, y nos queda:
Sujeto a: 2 X1 + X2 + 4 X3 – X4 = 10
2 X1 + 2 X2 + 2 X3 – X5 = 15
Formamos la tabla buscando una base factible del dual.
X1 X2 X3 X4 X5 bi
L0 -160 -120 -280 0 0 0
L1 -2 -1 -4 1 0 -10
L2 -2 -2 -2 0 1 -15
Nota: Obsérvese que hemos cambiado de signo los coeficientes de las líneas L1 y
L2 para obtener una base, que será una base factible de este método. Aquí no nos
importa que los valores de las variables de holgura sean negativos.
95
CRITERIO I: (Factibilidad)
Este criterio nos dice que saldrá de la base aquella variable que sea más
infactible.
En este caso saldrá d la base X5, que tiene el valor de –15.
En el caso de que todos los bi sean positivos finaliza el algoritmo y por tanto
habremos obtenido la solución óptima.
CRITERIO II (Optimalidad)
Este criterio selecciona aquella variable que al entrar en la base optimiza más la
función objetivo, saliendo de la base la variable elegida en el criterio I.
Siendo:
Cj: coeficiente de la variable Xj en LO.
aij: coeficiente correspondiente a la variable Xj en la línea L1. La variable básica
Xh se encuentra en la línea L1.
Si todos los aij son positivos, entonces el problema primal no tiene solución
factible y, por tanto, el dual no tiene solución acotada.
Tomaremos el valor máximo de estos cocientes cuando el problema sea
maximizar y el mínimo de ellos cuando se trate de minimizar.
Volviendo a nuestro ejemplo tendremos:
X1 X2 X3 X4 X5 bi
L0 -160 -120 -280 0 0 0
L1 -2 -1 -4 1 0 -10
L2 -2 -2 -2 0 1 -15
Entra X2 y sale X5
Hacemos los cálculos, y como nuestro problema es de minimizar tomaremos el
mínimo de ellos:
Min (Cj/aij) = Min (-160/-2, -120/-2, -280/-2) = Min (80, 60, 140) =60
96
60 = -120/-2; -120≡ C2
-2≡ a22
Entra la variable X2
Entra X1 y sale X4
Operando:
X1 X2 X3 X4 X5 bi
L0 0 0 -40 -40 -40 1000
L1 1 0 3 -1 1/2 5/2
L2 0 1 -2 1 -1 10/2
Aquí vemos que no podemos aplicar el criterio I, luego el problema termina, siendo
la solución:
X1 = 5/2
X2 =5
X3 = 0
97
c) Adición de nuevas restricciones.
d) Etc.
X1 X2 X3 X4 X5 X6 X7 bi
L0 0 3/7 0 11/7 13/7 0 5/7 695/7
L1 1 5/7 0 -5/7 10/7 0 -1/7 50/7
L2 0 -6/7 0 13/7 -61/7 1 4/7 325/7
L3 0 2/7 1 12/7 3/7 0 1/7 55/7
Calculamos su dual:
FUNCION OBJETIVO: Min 15 Y1 + 120 Y2 + 100 Y3
Sujeto a: Y1 + 7 Y2 + 3 Y3≥ 4
Y1 + 5 Y2 + 5 Y3≥ 5
Y1 + 3 Y2 + 10 Y3≥ 9
Y1 + 2 Y2 + 13 Y3≥ 11
Cuya solución es:
Y1 = 13/7
Y2 = 0
Y3 = 5/7
98
Y4 = 0
Y5 = 3/7
Y6 = 0
Y7 = 11/7
Y1 + 5 Y2 + 5 Y3 ≥ 5 + P2
Por tanto, mientras esta condición se cumpla, nuestra solución seguirá siendo
factible.
Nota: si hubiésemos tomado otra variable básica (por ejemplo X3) habríamos
obtenido el mismo resultado.
99
INTRODUCCIÓN DE UNA NUEVA VARIABLE.
La introducción de una nueva variable en el primal va a suponer incluir una
restricción en el dual. Mientras esta restricción se cumpla en el dual, la variable
nueva no entrará en la base.
Supongamos que en nuestro problema, don Francisco y doña Remedios, su
mujer, deciden producir además papas congeladas para ensalada.
Supongamos también que para cada Kg. fabricado necesita 3 horas y dos Kg. de
materia prima. Además desea venderlo a 3 pesos/Kg.
En estas condiciones nuestro modelo quedaría modificado de la siguiente manera:
Por tanto se cumple esta restricción y la variable que hemos introducido se queda
fuera de la base.
Si don Francisco desea fabricar este producto, tendrá que obtener un beneficio
unitario superior a 28/7 (provocando que la nueva variable introducida X8 entrase
en la base). Supongamos que decide que este valor sea 10. Esto quiere decir que
la restricción del dual, correspondiente a la nueva variable introducida en el primal,
es no factible y por lo tanto, la solución de ambos se modificará.
Para poder continuar aplicando el método iterativo símplex – dual necesitamos
conocer los valores de la columna, en la tabla, de la nueva variable.
100
El coeficiente de la LO (en el primal) sabemos que es el valor de la variable de
holgura del dual, correspondiente a su restricción. Y este valor será:
13/7 + 3 * 5/7 – Y8 = 10
Y8 = -6
Donde
a15 a16 a17
X8
L0 -6
L1 1
L2 -5
101
L3 0
Por tanto, podemos aplicar el criterio1 del símplex – dual para proseguir las
iteraciones.
102
Previamente tendremos que calcular el valor de los coeficientes de la nueva línea
L4.
a4j j= 1,..,7
Nos queda:
X1 X2 X3 X4 X5 X6 X7 X9 bi
L4 0 43/7 0 -22/7 -5/7 0 -3/7 1 -205/7
Con esto podemos aplicar el símplex dual para eliminar esta infactibilidad.
103