Tema 3: Método del Simplex Revisado.
|
|
- Ernesto Jiménez Crespo
- hace 7 años
- Vistas:
Transcripción
1 Investigación Operativa 28/9 Tema 3: Método del Simplex Revisado. El método revisado o método del simples con multiplicadores: Conceptos básicos. Vector de Multiplicadores. Se basa en los mismos principios que el simplex, pero en cada iteración no se calcula toda la tabla, y la información que se necesita para pasar de una solución factible básica a otra se obtiene directamente de las ecuaciones originales. Información de interés: * C j * columna de la v. que entra * b Ejemplo: Max Z = 3x 1 + 2x 2 - x 1 + 2x 2 + x 3 = 4 3x 1 + 2x 2 + x 4 = 14 x 1 - x 2 + x 5 = 3 x i 1 1 Tabla 2 π = C B B -1 = (,,3) 1-3 = (,,3) 1 1-1/5 3/5 Tabla 3 π = C B B -1 = (,2,3) 1/5-3 = (,1,) 1/5 2/5 15
2 Investigación Operativa 28/9 C j 3 2 C B Base x 1 x 2 x 3 x 4 x 5 b x x x C j 3 2 Z = C B Base x 1 x 2 x 3 x 4 x 5 b x x x C j 5-3 Z = 9 C B Base x 1 x 2 x 3 x 4 x 5 b x 3 1-1/5 8/5 6 2 x 2 1 1/5-3/5 1 3 x 1 1 1/5 2/5 4 C j -1 Z = 14 C B Base x 1 x 2 x 3 x 4 x 5 b x 5 5/8-1/8 1 15/4 2 x 2 1 3/8 1/8 13/4 3 x 1 1-1/4 1/4 5/2 C j -1 Z = 14 16
3 Investigación Operativa 28/9 Desarrollo del método. El método del simplex revisado trabaja con la idea fundamental de que cualquier tabla del simplex correspondiente a una solución factible básica puede generarse directamente de las ecuaciones originales por medio de operaciones matriciales. Max (o Min) Z = Cx Ax = b x x 1... C = (C 1, C 2,..., C n ) 1 x n x = x m n x 1 x n a 11 a a 1n b 1 a 21 a a 2n b 2 m x 1 A = m x n b =... a m1 a m2... a mn m<n b m a 1i a 2i A = [ P 1 P 2 P n ] P i = m x 1 a mi i = 1,..., n Supongamos que tenemos una solución factible con variables básicas x 1... x m La matriz básica B será: a 11 a a 1m a 21 a a 2m B = (P 1... P m ) = a m1 a m2... a mm matrix m x m x 1 x 2 x B x B variables básicas x = xm x N x m+1 x N variables no básicas = x n 17
4 Investigación Operativa 28/9 b 1 b 2 La solución básica actual es x B = b =B -1 b =... b m y x N = ( ). x B b Z = C x = (C B C N ) = (C B, C N ) = C B x B + C N x N = C B b x N y cualquier columna: Pj = B -1 P j j de las variables no básicas Se llama vector de multiplicadores al vector π = (π 1, π 2,..., π m ) π = C B B -1 (mxm) (1xm) A partir de este vector, se pueden calcular los beneficios relativos: C j = C j - C B P j = C j - C B B -1 P j = C j - πp j j de variables no básicas 18
5 Investigación Operativa 28/9 Ejemplo: Min Z = -3x 1 + x 2 + x 3 sujeto a x 1 2x 2 + x x 1 + x 2 + 2x 3 3 2x 1 - x 3 = -1 x i Min Z = -3x 1 + x 2 + x 3 + Mx 6 + Mx 7 x 1-2x 2 + x 3 + x 4 = 11-4x 1 + x 2 + 2x 3 x 5 + x 6 = 3-2x 1 + x 3 + x 7 = 1 x i A = [ P 1 P 2 P 6 ] P 1 = -4 P 2 = 1 P 3 = 2 P 4 = P 5 = -1 P 6 = P 7 = b = Base inicial { x 4, x 6, x 7 } B = (P 4 P 6 P 7 ) = 1 1 B -1 = I b = B -1 b = b La tabla 1 del método del simplex revisado será: Base B -1 b x x x A completar más adelante π = (π 1, π 2, π 3 ) = C B B -1 = (C 4, C 6, C 7 ) B -1 = (, M, M) I = (, M, M) Los beneficios relativos de las variables no básicas: C j = C j - πp j j = 1, 2, 3, 5 19
6 Investigación Operativa 28/9 1 C 1 = -3 (, M, M) -4 = M -2-2 C 2 = 1 (, M, M) 1 = 1 M 1 C 3 = 1 (, M, M) 2 = 1 3M 1 C 5 = (, M, M) -1 = M Entra x 3 en la base. La columna pivote es: P = B 1 P3 = 1 2 = Tabla 1. Base B -1 Var. que entra b Columna pivote P 3 x x x 3 2 x Regla mínima proporción min{ 11 / 1, 3 / 2, 1 / 1 } sale x Nueva base {x 4, x 6, x 3} B = [P 4 P 6 P 3] = B -1 = b = B b = B 3 =
7 Investigación Operativa 28/9 Base -1 B b x x x π = C B B = (C4, C 6, C 3) B (, M, 1) B -1 = (, M, -2M+1) 1 C 1 = -3 - (, M, -2M+1) -4 = -1-2 C 2 = 1 M -1 = C 5 = M -2-2 e ntra x 2 en la base P 2 = B -1 P 2 = B -1 1 = 1 Tabla 2. B ase -1 B var que entra b P 2 x x x 2 1 x Regla m ínima proporción min{ 1 / -2, 1 / 1, 1 / } sale x N ueva base {x 4, x 2, x 3} B = [P 4 P 2 P 3 ] B -1 = b = B -1 b = B ase B b x x x π = (,, 1) 1-2 = (, 1, -1) 1 21
8 Investigación Operativa 28/ C 1 = -1 entra x 1 P 1 = = C5 = 1 Tabla 3. B ase -1 B Var que entra b P 1 x x x 1 x Nueva base {x 1, x 2, x 3 } Tabla 4. B ase -1 B b x 1 1 / 3 2 / 3-5 / 3 4 x x 3 2 / 3 4 / 3-7 / / 3 2 / 3-5 / 3 π = (-3, 1, 1 ) 1-2 = [- 1 / 3, 1 / 3, 2 / 3 ] 2 / 3 4 / 3-7 / 3 C 4 = 1 / 3 C5 = 1 / 3 Por lo tanto, la tabla 4 es óptima y la solución óptima es: x 1 = 4 x 2 = 1 x 3 = 9 x 4 = x 5 = 4 Z = C B b = (-3, 1, 1) 1 =
9 Investigación Operativa 28/9 Ventajas del método revisado del Simplex doble el método del Simplex regular. 1. El simplex revisado trabaja sobre una tabla cuyo tamaño lo determina el número de restricciones. 2. Si se calcula B -1 en cada iteración directamente de los datos del principio, no se acumulan errores de redondeo. 3. Los conceptos teóricos del método ayudan a entender conceptos de teoría de la dualidad y análisis de sensibilidad. 23
10 Investigación Operativa 28/9 Tema 4: Teoría de la Dualidad. 2 x 1 La teoría de la dualidad se centra en el hecho de que, asociado a cualquier problema de programación lineal, existe otro problema de programación lineal que se llama su dual, de manera que al resolver el primero se resuelve también el segundo sin coste computacional adicional. Problemas primal-dual simétrico. Propiedades y relaciones de los problemas primal y dual. Un problema de programación lineal está escrito en forma simétrica si todas las variables son no negativas, y todas las restricciones son desigualdades (si el problema es de maximizar, con, y si es de minimizar, con ). PRIMAL Max Z = Cx Min Z = Cx Ax b Ax b x x Max Z = (C 1, C 2,, C n ) x 1 x n a 11 a a 1n x 1 b 1 a 21 a a 2n x 2 b a m1 a m2... a mn x n b m x 1 x 2 x n 24
11 Investigación Operativa 28/9 DUAL Min W = by ya C y = (y 1, y 2,, y m ) y Min W = b 1 y 1 + b 2 y b m y m a 11 y 1 + a 21 y a m1 y m C 1 a 12 y 1 + a 22 y a m2 y m C a 1n y 1 + a 2n y a mn y m C n y 1, y 2,, y m Reglas generales de construcción del problema dual. 1. Definir una variable dual no negativa por cada restricción del problema primal. 2. Hacer que el vector de costes del problema primal pase a ser el vector de las constantes de la derecha del problema dual. 3. Hacer que el vector de constantes de la derecha del primal sea el vector de costes del dual. 4. La traspuesta de la matriz de coeficientes del primal es la matriz de coeficientes del dual. 5. Invertir la dirección de las desigualdades de las restricciones. 6. Invertir Maximizar por Minimizar (y viceversa). Problema Primal Max Z = Cx Ax b x A mxn x n variables b m restricciones Problema Dual Min W = by ya C siendo A la matriz y traspuesta de la matriz A del problema primal (y٠a A t ٠y t ) y m variables C n restricciones Teoremas de la dualidad. Teorema 1 (Teorema débil de la dualidad). Consideremos los problemas de programación lineal primal-dual simétricos: Max Z = Cx Min W = yb Ax b ya C x y 25
12 Investigación Operativa 28/9 Se tiene que el valor de la función del objetivo del problema dual (para toda solución factible del dual) es siempre mayor o igual que el valor de la función del objetivo primal (en cualquier solución factible del problema primal). Demostración. Sean x e y solución factible del primal y dual, respectivamente x solución factible del problema primal Ax b x (1) y solución factible del problema dual y A C y (2) (la solución factible cumple las restricciones) (1) y Ax y b (pues y ) (2) y Ax Cx (pues x ) Entonces Cx y Ax y b Z (primal) W (dual) (Z y W funciones objetivo) Corolarios. 1) El valor de la función del objetivo Z del problema primal para cualquier solución factible del primal es una cota inferior para el valor mínimo de la función del objetivo dual. 2) Análogamente, el valor de la función del objetivo del problema dual para cualquier solución factible es una cota superior para el valor máximo de la función del objetivo primal. 3) Si el problema primal tiene solución no acotada entonces el problema dual no tiene ninguna solución factible. 4) Análogamente, si el problema dual tiene solución no acotada entonces el primal no tiene ninguna solución factible. 5) Si el problema primal tiene solución, y el dual no, entonces el primal es no acotado. 6) Si el problema dual tiene solución, y el primal no, entonces el dual es no acotado. 7) Si el primal no tiene solución el problema dual no tiene solución o es no acotado. 8) Si el problema dual no tiene solución el problema primal no tiene solución o es no acotado. 26
13 Investigación Operativa 28/9 Ejemplo 1. Primal Max Z = x 1 + 2x 2 + 3x x 4 Sujeto a x 1 + 2x 2 + 2x 3 + 3x 4 2 2x 1 + x 2 + 3x 3 + 2x 4 2 x i Dual Min W = 2y 1 + 2y 2 Sujeto a y 1 + 2y 2 1 2y 1 + y 2 2 2y 1 + 3y 2 3 3y 1 + 2y 2 3 y i ej. x = (x 1, x 2, x 3, x 4 ) (1, 1, 1, 1) Z (x ) = 1 cualquier solución factible del problema dual verifica W 1 W opt 1 Ejemplo 2. Primal Max Z = x 1 + x 2 - x 1 + x 2 + x 3 2-2x 1 + x 2 - x 3 1 x i Dual Min W = 2y 1 + y 2 - y 1 + 2y 2 1 y 1 + y 2 1 y 1 - y 2 y i El primal tiene solución (por ejemplo x = (,, ) es una solución factible del primal). Pero el dual no tiene ninguna solución factible (si y i, - y 1-2y 2 siempre ). Por el corolario 5, el primal tiene solución no acotada. Ejemplo 3. Primal Min Z = -2x 1 3x 2 x 1 - x x 1 + x 2 1 x 1, x 2 Dual Max W = 2y 1 + y 2 y 1 - y y 1 + y 2-3 y i 27
14 Investigación Operativa 28/9 Ambos, primal y dual, no tienen soluciones factibles (corolarios 7 y 8). Teorema 2 (Criterio de optimalidad). Si existen soluciones factibles x e y para el problema primal y dual, respectivamente, tales que Cx = y b x e y son soluciones óptimas del problema primal y dual, respectivamente. Demostración (ejercicio) En el Ejemplo 1 Primal Max Z = x 1 + 2x 2 + 3x x 4 Sujeto a x 1 + 2x 2 + 2x 3 + 3x 4 2 2x 1 + x 2 + 3x 3 + 2x 4 2 x i Dual Min W = 2y 1 + 2y 2 Sujeto a y 1 + 2y 2 1 2y 1 + y 2 2 2y 1 + 3y 2 3 3y 1 + 2y 2 3 y i si tomamos: x = (,, 4, 4) Z = 28 y = (1 2, 2) W = 28 x e y óptimas del primal y dual respectivamente Teorema 3 (Teorema fundamental de la dualidad). Si el problema primal y el dual tienen soluciones factibles, entonces los dos tienen soluciones óptimas cuyos valores de la función objetivo coinciden. Teorema 4 (Teorema de las holguras complementarias). Sean x e y soluciones factibles del problema primal y dual: Max Z = Cx Min W = yb Ax b ya C x y x e y son soluciones óptimas (y A C)x + y (b Ax ) = Demostración. (y A - C)x + y (b - Ax ) = y Ax Cx + y b y Ax = - Cx + y b = Cx = y b 28
15 Investigación Operativa 28/9 Entonces x e y óptimas Cx = y b por el teorema 3 de la dualidad por el teorema 2 Condiciones de holguras complementarias. Supongamos x solución factible del problema primal e y solución factible del problema dual: Ax b n variables y A C m variables x m ecuaciones y n ecuaciones x 1 x 2 b 1 A٠ x n b m Si lo escribimos con holguras: x 1 x 2 b 2 (y 1, y 2,, y m )A (C 1, C 2,, C n ) U 1 U 2 b 1 b 2 A٠ + = (*) x n U m siendo U i i = 1, 2,, m el vector de holguras b m (y 1, y 2,, y m )A (V 1, V 2,, V n ) = (C 1, C 2,, C n ) (**) siendo V i i = 1, 2,, n el vector de holguras (*) Ax + U = b U = b - Ax (**) y A V = C V = y A - C El teorema 4 dice: x e y son soluciones óptimas óptimas (y A - C)x + y (b - Ax ) = V x + y U = x 1 x 2 U 1 U 2 (V 1, V 2,, V n ) + (y 1, y 2,, y m ) = x n U m n m V j x j = j=1 n sistema o condiciones V j x j + y j U j = de holguras j=1 j=1 y j U j = j=1 m complementarias V j ٠ x j = y j U j = v. primal j-ésima holgura primal holgura dual j-ésima v. dual j-ésima 29
16 Investigación Operativa 28/9 Se obtiene: 1) Si x j > V j = 2) Si V j > x j = 3) Si y j > U j = 4) Si U j > y j = Ejemplo 1: Max Z = x 1 + 2x 2 + 3x x 4 Sujeto a x 1 + 2x 2 + 2x 3 + 3x 4 2 x 1 + 2x 2 + 2x 3 + 3x 4 + U 1 = 2 2x 1 + x 2 + 3x 3 + 2x 4 2 2x 1 + x 2 + 3x 3 + 2x 4 + U 2 = 2 x i x i, U i Min W = 2y 1 + 2y 2 Sujeto a y 1 + 2y 2 1 y 1 + 2y 2 - V 1 = 1 2y 1 + y 2 2 2y 1 + y 2 - V 2 = 2 2y 1 + 3y 2 3 2y 1 + 3y 2 - V 3 = 3 3y 1 + 2y 2 3 3y 1 + 2y 2 - V 4 = 4 y i y i, V i La solución óptima del dual es: y 1 = 1 2 y 2 = 2 W = 28 Condiciones de holgura complementarias: U 1 y 1 = U 2 y 2 = x 1 V 1 = x 2 V 2 = x 3 V 3 = x 4 V 4 = y 1 = 1 2 > U 1 = y 2 = 2 > U 2 = y 1 + y 2 = 1 6 > 1 V 1 > x 1 = 2y 1 + y 2 = 2 6 > 2 V 2 > x 2 = 2y 1 + 3y 2 = 3 V 3 = x 3 3y 1 + 2y 2 = 4 V 4 = x 4 Y nos queda del sistema de ecuaciones del problema primal: 2x 3 + 3x 4 = 2 x 3 = 4 3x 3 + 2x 4 = 2 x 4 = 4 3
17 Investigación Operativa 28/9 x = (,, 4, 4) Z opt = 28 (que tiene que coincidir con el valor óptimo de la función objetivo dual) Problemas asimétricos primal-dual. Consideremos un problema de programación lineal no simétrico, por ejemplo: Primal Max Z = 2x 1 3x 2 Sujeto a 6x 1 3x x 1 + 3x x 1 + 4x 2 = -1 x 1 cq signo, x 2 Cualquier problema no simétrico puede convertirse en uno equivalente que sí lo sea Max Z = Cx Ax b x x 1 = x 1 ' x 2 ' x 1 ', x 2 ' x 2 = - x 3 ' x 3 ' - x 1 + 4x 2 = -1 - x 1 + 4x 2-1 x 1-4x x 1 + 4x 2-1 2x 1 + 3x 2 5-2x 1 3x 2-5 Max Z = 2x 1 ' 2x 2 ' 3x 3 ' Sujeto a 6x 1 ' 6x 2 ' + 3x 3 ' 15-2x 1 ' + 2x 2 ' + 3x 3 ' -5 x 1 ' - x 2 ' + 4x 3 ' 1 - x 1 ' + x 2 ' - 4 x 3 ' -1 x i ' Dual Min W = 15w 1-5w 2 w 3 + w 4 Sujeto a 6w 1 2w 2 + w 3 - w 4 2-6w 1 + 2w 2 - w 3 + w 4-2 3w 1 + 3w 2 + 4w 3 4w 4 3 w i Min W = wb wa C w Llamamos y 1 = w 1 y 2 = - w 2 y 3 = w 3 - w 4 31
18 Investigación Operativa 28/9 Min W = 15y 1 + 5y 2 y 3 Sujeto a 6y 1 + 2y 2 + y 3 2-6y 1 2y 2 - y 3-2 6y 1 + 2y 2 + y 3 = 2 3y 1 3y 2 + 4y 3 3 3y 1 3y 2 + 4y 3 3 Min W = 15y 1 + 5y 2 y 3 6y 1 + 2y 2 + y 3 = 2 3y 1 3y 2 + 4y 3 3 y 1, y 2, y 3 cq signo Max Z = 2x 1 3x 2 6x 1 3x x 1 + 3x x 1 + 4x 2 = -1 x 1 cq signo, x 2 PRIMAL (Maximizar) DUAL (Minimizar) ٠ A matriz de coeficientes ٠ Traspuesta ٠ Vector de constantes de la ٠ Vector de coeficientes de la f. derecha objetivo ٠ Vector de coeficientes de la f. ٠ Vector de constantes de la objetivo derecha ٠ i-ésima restricción con = ٠ Variable i-ésima de cualquier signo ٠ i-ésima restricción con ٠ Variable i-ésima ٠ i-ésima restricción con ٠ Variable i-ésima ٠ Variable j de cualquier signo ٠ Restricción j con = ٠ Variable j ٠ Restricción j con ٠ Variable j ٠ Restricción j con 32
19 Investigación Operativa 28/9 Ejercicio 1. Primal Max Z = x 1 + 4x 2 + 3x 3 2x 1 + 3x 2 5x 3 2 3x 1 - x 2 + 6x 3 1 x 1 + x 2 + x 3 = 4 x 1, x 2, x 3 cq signo Dual Min W = 2y 1 + y 2 + 4y 3 2y 1 + 3y 2 + y 3 1 3y 1 - y 2 + y 3 4-5y 1 + 6y 2 + y 3 = 3 y 1, y 2, y 3 cq signo Ejercicio 2. Primal Min Z = 2x 1 + x 2 - x 3 x 1 + x 2 - x 3 = 1 x 1 - x 2 + x 3 2 x 2 + x 3 3 x 1, x 2, x 3 cq signo Dual Max W = y 1 + 2y y 3 y 1 + y 2 2 y 1 - y 2 + y 3 1 -y 1 + y 2 + y 3 = -1 y 1 cq signo, y 2, y 3 Los teorema del 1 al 4 de la teoría de la dualidad también se aplican a los problemas asimétricos, con las modificaciones correspondientes. En el Ejercicio 2: x 1 = 2 x 2 = solución factible primal x 3 = 1 y 1 = 1 y 2 = y 3 = solución factible dual Por el teorema 1 de la dualidad Z W Cx = 3 > y b = 1 En el Ejercicio 1: x 1 = 33
20 Investigación Operativa 28/9 x 2 = x 3 = 4 Z = 12 solución factible primal y 1 = y 2 = y 3 = 3 W = 12 Por el teorema 2 ambas son soluciones óptimas. Si el problema viene en forma estándar: Max Z = Cx (Min) su dual es Ax = b x Min W = yb ya C y cq signo Max W = yb ya C y cq signo 34
21 Investigación Operativa 28/9 Cálculo de la solución óptima del problema dual a partir de la tabla óptima del problema primal. Sea x = Consideremos el problema de programación lineal en forma estándar: Min Z = Cx (dual) Max W = yb Ax = b ya C x y cq signo x B x N la solución óptima del primal. x B = B -1 b, siendo B la base óptima C j = C j πp j j por ser solución óptima donde π = C B B -1 En notación matricial C πa πa C el vector π es una solución factible del problema dual. Además W(π) = πb = C B B -1 b = C B x B = Z óptimo π es óptima del problema dual. 35
22 Investigación Operativa 28/9 Ejemplo: Primal Min Z = -3x 1 + x 2 + x 3 x 1-2x 2 + x x 1 + x 2 + 2x 3 3-2x 1 + x 3 = 1 x i Dual Max W = 11y 1 + 3y 2 + y 3 y 1-4y 2 2 y y 1 + y 2 1 y 1 + 2y 2 + y 3 1 y 1, y 2, y 3 cq signo Resolvemos el problema primal: la solución óptima es B = [P 1 P 2 P 3 ] x 1 = 4 x 2 = 1 x 3 = 9 Z = / 3 2 / 3-5 / 3 π = C B B -1 = (-3, 1, 1) = (-3, 1, 1) 1-2 = [- 1 / 3, 1 / 3, 2 / 3 ] / 3 4 / 3-7 / 3 Se comprueba que π es solución factible del problema dual y que W(π) = 11(- 1 / 3 ) + 3( 1 / 3 ) + 1( 2 / 3 ) = -2 36
23 Investigación Operativa 28/9 Cómo ver la solución dual óptima en la tabla óptima del simplex del problema primal. Base Solución (b) C j Sean {i 1, i 2,, i m } los índices de las variables básicas de la primera tabla del Simplex: 1ª tabla Base x 1 x 2 x i1 x i2 x im x n b x i1 ٠ ٠ 1 ٠ x i2 ٠ ٠ 1 ٠ x im ٠ ٠ 1 ٠ En cualquier tabla, B -1 aparece en las columnas de las variables básicas iniciales. En particular, en la última tabla: Base x i1 x i2 x im C i1 C i2 C im 37
24 Investigación Operativa 28/9 (C i1, C i2,, C im ) = (C i1, C i2,, C im ) π[p i1 P im ] 1 1 (C i1, C i2,, C im ) π π = (C i1, C i2,, C im ) (C i1, C i2,, C im ) 1 Tema 5: Método del Simplex Dual. Conceptos fundamentales. Bases factibles dual y primal. Consideremos un problema de programación lineal estándar: Min Z = Cx A mxn A = (P 1 P n ) Ax = b C = (C 1,, C n ) x b = b 1 b m x = m<n x 1 x n Sea B A una submatriz de A formada por m columnas de A linealmente independientes. Se dice que B es una base factible primal (o base factible del problema primal) si B -1 b. Sea B A una submatriz de A formada por m columnas de A linealmente independientes. Se dice que B es una base factible dual (o base factible del problema dual) si: C C B B -1 A (C C B B -1 A si el p. primal fuese de maximizar) Consecuencias de las definiciones. Que B sea factible primal significa que se le puede asociar una solución: x B x = con x B = B -1 b x N Que B sea factible dual significa que C C B B -1 A C C B B -1 A. 38
25 Investigación Operativa 28/9 Llamando y B = C B B -1 C y B A y B A C y B así definida es una solución factible del problema dual. Además C y B A como los beneficios relativos del problema primal se calculan como C = C πa, = C C B B -1 A = C y B A x B = B -1 b es una solución factible y óptima del problema primal. Luego como W o = y B b = C B B -1 = C B x B = Z opt y B y x B son soluciones óptimas del primal y dual. Resumiendo, si una matriz B es a la vez una base factible primal y dual, sus soluciones asociadas x B = B -1 b e y B = C B B -1 son óptimas del primal y dual, respectivamente. Desarrollo del método dual del Simplex. Consideremos el ejemplo Min Z = x 1 + 4x 2 + 3x 4 Sujeto a: x 1 + 2x 2 x 3 + x 4 3-2x 1 - x x 3 + x 4 2 x i Introducimos variables de holgura x 5 y x 6 : x 1 + 2x 2 x 3 + x 4 - x 5 = 3-2x 1 - x x 3 + x 4 - x 6 = 2 x i Multiplicamos por -1: -x 1-2x 2 + x 3 - x 4 + x 5 = -3 2x 1 + x 2-4 x 3 - x 4 + x 6 = -2 x i C j C B base x 1 x 2 x 3 x 4 x 5 x 6 b x x C j B = [P 5 P 6 ] = I B -1 = I b = B -1 b pero C - C B B -1 ª = C = (1,4,,3,,) Luego B no es factible primal (porque ), pero sí factible dual. Si tenemos, por tanto, una tabla del Simplex Dual donde C j y b estaríamos ante la solución óptima. 39
26 Investigación Operativa 28/9 Situación general. Base x 1 x r x m x m+1 x s x n b x 1 1 y 1,m+1 y 1s y 1n x r 1 y r,m+1 y rs y r n b 1 b r Alguno menor que cero x m 1 y n,m+1 y ns y mn b m C j C m+1 C s C n (min) El método del simplex dual va a calcular una solución factible básica dual adyacente, reemplazando una variable básica por una variable no básica. 1. Selección de la variable básica que deja la base. Se elige la variable básica con el mayor valor negativo b i. Sea b r = min {b i } x r deja la base, y la fila r es la fila pivote. b i < 2. Selección de la variable no básica que entra en la base (Regla de la máxima proporción). 4
27 Investigación Operativa 28/9 Entra en la base x s tal que c y s rs = max y rj < c y j rj y el valor y rs es el pivote para construir la nueva tabla. En nuestro ejemplo: 1) El mayor valor negativo de los b i es -3 x 5 deja la base 2) Variable no básica y ij C j C j /y ij x x x max {-1, -2, -3} = -1 x 1 entra en la base y el pivote es -1. Aquí el pivote es negativo. 41
28 Investigación Operativa 28/9 Tabla 2 del m.s.d. C j C base x x x x x x B b 1 x x C j sale x 6 proporciones: y ij C j x /3 = - 66 x /2 = - 5 x /3 = - 66 max {- 66, - 5} = - 5 entra x 3 y el pivote es -2. Tabla 3 del m.s.d. C B base x 1 x 2 x 3 x 4 x 5 x 6 1 x 1 1 x 3 7 / 2 3 / 2 1 b 5 / / / / 2 4 C j 1 / 2 1 / 2 2 Tabla óptima C j y b Solución óptima del problema de programación lineal. 1 / 2 Z = 7 OBSERVACIONES. 1.-) Resolución de problemas de maximización por el método del simplex dual. *La regla de salida es igual * Cambia la regla de entrada, que ahora va a ser de la mínima proporción Entra en la base x tal que s c s c = min j y y yrj < rs 2.-) Qué sucede si falla el criterio de entrada? Es decir, todos los yij de la fila de la variable que sale son. Entonces el problema no tiene solución. Por qué: ejercicio? rj 42
29 Investigación Operativa 28/9 3.-) Cómo se puede saber, utilizando el método del simplex dual, que el problema original tiene solución no acotada? Ejercicio: pensarlo usando los corolarios 1-8 del teorema 1 de la dualidad 43
30 Investigación Operativa 28/9 Tema 6: Análisis de Sensibilidad y Programación Paramétrica 1. Análi sis de sensibili dad. Se refiere al estudio de los cambios en la solución óptima y en el valor óptimo de Z debido a cambios en los datos del problema inicial, pero sin resolver el problema de nuevo desde el principio. Ejem plo. Una compañía fabrica 3 productos A, B y C. Los beneficios por unidad de estos productos son 2, 3 y 1 respectivamente, y para su fabricación son necesarios 2 recursos: trabajo y material. Supongamos que los valores óptimos a fabricar de los productos A, B y C se obtienen resolviendo el problema: Max Z = 2x 1 + 3x 2 + x 3 Sujeto a: 1 / 3 x / 3 x 2 + / 3 x 3 1 (trabajo) 1 / 3 x / 3 x 2 + / 3 x 3 3 (material) x i x i unidades a fabricar del producto i Tabla1 Cj C B base x 1 x 2 x 3 x 4 x 5 Tabla2 1 / x4 3 x 1 5 / 3 b 1 / 3 1 / / 3 7 / C j Z = 1 x 4 / 4-1 / / 4 1 / 4 3 x 2 1 / / 4 3 / 4 9 / 4 C j 5 / 4-17 / 4-9 / 4 Z = 27 / 4 Tabla3 2 x x C j Z = 8 x 1 = 1 x 2 = 2 Zo pt = 8 Solución óptima 44
31 Investigación Operativa 28/9 P 1 1 / 3 1 / 1 3 / 3 1 = P 2 = P 3 = P 4 = P 5 = 4 / 7 3 / / 3 C = (2,3,1,,) b = 1 3 Max Z = Cx Ax = b x x1... C = (C 1, C 2,..., C n ) 1 x n x = x m n x 1 x n a 11 a a 1n b 1 a 21 a a 2n b 2 m x 1 A = m x n b =... a m1 a m2... a mn m<n b m a1i a2i A = [ P 1 P 2 P n ] P i = m x 1 a i = 1,..., n mi Supongamos que tenemos una solución factible obtenida a partir de una base B La solución básica 1 x B = b = B b Z = C b B cualquier columna: 45
32 Investigación Operativa 28/9 P = B j de las variables no básicas 1 j P j π = C B B -1 L os beneficios relativos: c j 1 = c j πpj = c j cbb Pj = c j cbpj j de variables no básicas 46
33 Investigación Operativa 28/9 1. Modificaciones en los coeficientes de la función del objetivo. 1.1 Cambio en el C j de una variable no básica. Variable no básica de interés x 3 (forma parte del problema pero no está en la base) C 3 = -3 Mientras C 3 < la solución actual (x 1 y x 2 en la base) sigue siendo óptima -1 C3 = C3 C B P 3 = C3 - (2,3) = C columna de x en la tabla óptima 3 C3 = C 3-4 C 3 4 si C 3 > 4 entra x 3 en la base i, por jempl = 6 = 2 y haríamos una tabla más: S e o C 3 C 3 b base x 1 x 2 x 3 x 4 x 5 C B 2 x / 2 7 / 2-1 / x3 1 / / 2 1 / 2 1 C j Z = 1 óptima 1.2 Cambio en el C j de una variable básica. Analicemos, por ejemplo, como se altera la tabla óptima modificando C 1 : x 1 y x 2 están en la base C 1 = C2 = -1 C3 = C3 - C B P 3 = 1 (C 1,3) = C C 4 = (C 1,3) = -4C C5 = (C 1,3) = C
34 Investigación Operativa 28/9 La tabla 3 seguirá siendo óptima mientras C 3, C 4 y C 5 (estamos maximizando). C3 C 1-5 C 1 5 C 1-4C C 1 3 / 4 C5 C 1-3 C si C 1 [ 3 / 4,3] la tabla 3 sigue siendo óptima, si nos salimos del intervalo [ 3 / 4,3] la tabla ya no es óptima 3 / / 3 5 Si, por ejemplo C 1 = 1 la solución de la tabla 3 (x 1 = 1, x 2 = 2) sigue valiendo, 1 pero cambia Z opt = C B b = (1,3) = Cambio en C j tanto de variables básicas como no básicas. Hagamos, por ejemplo, C 1 =1, C 2 =4, C 3 =2 En la tabla 3 hay que cambiar C 1 = C 2 = (el C i de las variables básicas siempre es ) -1 C 3 = 2 (1,4) = -5 < 2 4 C 4 = (1,4) = -1-1 C 5 = (1,4) = -3 < 1 La solución de la tabla 3 sigue siendo óptima. Ahora Z opt = 9 y tendríamos una solución óptima alternativa haciendo entrar a x 4. Si alguno de los Ci fuese > la tabla no sería óptima y habría que seguir calculando tablas. En gener al, hay que recalcular la fila de los C j. Si la tabla deja de ser óptima, habría que continuar con el simplex. 2. Modificaciones en las constantes de la derecha de las restricciones. Como, en cada tabla del simplex: 48
35 Investigación Operativa 28/9 Base = { x i1, x i2,, x im } B = [P i1, P i2,, P im ] 1 x B = b = B b es el vector solución Supongamos que en el problema del ejemplo se puede realizar 1 hora más de trabajo (b 1 crece una unidad). b 1 2 b 1 = 1 b 1 = 2 b = = b 2 3 En la tabla óptima, B = (P1 P2) y B -1 = Luego b = B -1 b = = Así, la nueva solución óptima es: x 1 = 5 x 2 = 1 x 3 = Z opt = 13 Entonces, por unidad aumentada en la disponibil idad del recurso 1, el beneficio que se obtiene es: 13-8 = 5 unidades. Definici ón- Se llama precio sombra, marginal o d e equilibrio de la restricción (recurso) i al cambio que se produce en el valor de la función del objetivo por unidad aumentada en la disponibilidad del recurso i. Se prueba que los precios sombra de los recursos i = 1,, m son la solución óptima y opt i del dual i = 1,, m Ahora bien, para que los precios sombra no den información errónea, debemos calcular cuál es el campo de variación de los bi en el que la solución sigue siendo óptima. Lo calcu lamos, por ejemplo, para b 1 : b* = En nuestro caso: 4-1 (y 1 opt,y 2 opt ) = π =C B B -1 = (2,3) = (5,1) -1 1 b 1 3 Para que la tabla 3 siga siendo óptima, es preciso que B b* 4-1 b1 4b 4b 1 3 b / 4 B -1 b* = = b b b
36 Investigación Operativa 28/9 Si b1 [ 3 / 4,3] la solución seguirá siendo óptima x 1 = 4b 1 3 x 2 = -b x 3 = Z opt = 2(4b 1 3) + 3(-b 1 + 3) = 5b Sea, por ejemplo b 1 = 4, ahora B -1 b = -1 La tabla 3 queda: base x 1 x 2 x 3 x 4 x 5 b x x Cj Esta tabla no es factib le primal, pero sí factible dual aplicamos el Método del Simple x Dual: x deja la base y entra x 2 4 base x1 x 2 x 3 x 4 x 5 b x 1 9 x 4 1 Z opt = Modificaciones en la matriz de coeficientes de las res tricciones. 3.1Adición de una nueva actividad (variable). Supongamos que la compañía puede sacar a la venta un nuevo producto D, que requiere 1 unidad de trabajo y 1 unidad de material, con beneficio/unidad = 3. 1 Esto equivale a añadir una variable x6 y una columna en la tabla 1. 1 La tabla 3 seguirá siendo óptima si es C 6 : 1 C 6 = C 6 πp 6 = 3 (5,1) = -3 1 Luego la solución de la tabla 3 sigue siendo óptima. Si C 6 > se aplicaría el simples. 3.2 Variaciones en las condiciones de las variables existentes Camb ios correspondientes a una variable no bási ca. 5
37 Investigación Operativa 28/9 Se hace como en Cambios correspondientes a variables básicas. Mejor resolver el problema de nuevo, porque al cambiar la matriz básica B se cambian todas las columnas de la tabla. 3.3 Adición de nuevas restricciones. Supongamos que se añade una restricción referente a los servicios administrativos, de tal modo que los productos A, B y C requieren 1, 2 y 1 hora de servicios respectivamente, mientras las horas totales disponibles son 1. x 1 + 2x 2 + x 3 1 Si la solución óptima de la tabla 3 satisface la restricción, sigue siendo óptima: , cumple la restricción Si la restricción fuese x 1 + 2x 2 + x 3 4: Añadimos la nueva restricción a la tabla 3: CB base x 1 x 2 x 3 x 4 x 5 x 6 b 2 x x x Cj (3ªF 1ªF - 2 (2ªF)) CB x1 3 base x 2 x x 4 x 5 x 6 b x x x C j x 1 2 x 2 1 x
38 Investigación Operativa 28/9 Z o pt = 7 En la tabla 3, Z opt = 8 Z opt = -1 Esto siempre es cierto: al añadir una restricción a un problema de programación lineal el nuevo valor de la función del objetivo es igual o peor que el anterior. O bservaciones. Tiempo de resolución de un p.p.l f(m 3 ), siendo m el número de restricciones A) Quitar restricciones inactivas o secundarias. B) Resolver C) Añadir y comprobar si las restricciones de A) son verificadas por la solución óptima. Pr ogramación paramétrica. 1. Costes (Beneficios) paramétricos Z = [C + λc*] x Ax = b x C = (C 1, C 2,, C n ) λ R C = (C 1*, C 2 *,, C n* ) Primero se resuelve el problema para λ =. Sea B la base óptima: C j (Maximizando) C j = C j - C B P j Cj(λ) = (C j + λc j *) (C B + λc B *)P j = (C j - CBP j ) + λ (C j * - C B * P j ) = C j + λc j * Ejemplo: Max Z = (2 + λ)x 1 + (3 - λ)x 2 + (1 + λ)x / 3 x 1 + / 3 x 2 + / 3 x / 3 x / 3 x / 3 x 3 3 x i Cj* C j
39 Investigación Operativa 28/9 C B * C B base x 1 x 2 x 3 x 4 x 5 B 1 2 x x C j Z = 8 = C b * * C j * Z = 1= C b B B -1 Por ejemplo, C 3 * = C 3 * - C B *P 3 = 1 (1,-1) = 4 2 Z(λ) = Z + λz* = 8 - λ C3(λ) = λ λ 3 / 4 C 4 (λ) = -5-5λ λ -1 C5(λ) = λ λ 1 / 2 La solución sigue siendo óptima si λ [-1, 1 / 2 ]. Si λ > 1 / 2 C 5 (λ) > ( entra x 5 y sale x 2 ) base x 1 x 2 x 3 x 4 x 5 b x x C j Z = 6 C j * -2-3 Z* = 3 La solución es óptima si C 2 (λ), C 3 (λ), C 4 (λ) ocurre si λ 1 / 2 y Z = 6 + 3λ Para λ < -1 C 4 (λ)> ( sale x 1 y entra x 4 ) ase x x x x b x 5 b x 4 1 / 4-1 / / 4 1 / 4 53
40 Investigación Operativa 28/9 x 2 1 / / 4 3 / 4 9 / 4 Cj 5 / 4-17 / 4-9 / 4 Z = 27 / 4 5 / 4 C j * 11 / 4 3 / 4 Z* = - 9 / Z(λ) = / 4 - / 4 λ Solución óptima si C 1 (λ), C 3 (λ), C 5 (λ) λ -1 54
41 Investigación Operativa 28/9 2. Variación paramétrica del vector de recursos. Z = C x b 1 b 1 * Ax = b + αb* b = b* = x α R b m b m * Primero resolvemos para α =. Sea B la base óptima: x B = b = B -1 b Para b + αb*, x B = b = B -1 (b + αb*) = B -1 b + αb -1 b* = b + αb* Si b + αb* la base B seguirá siendo óptima. Ejemplo: 1 1+ α Hagamos b* = b + αb* = -1 3-α Resolver para α = : 55
42 Investigación Operativa 28/9 base x 1 x 2 x 3 x 4 x 5 b b* x x * * C j Z = 8 = C b Z = 4 = C b B B b = B -1 b = b* = B -1 b = = = x 1 = 1 + 5α α - 1 / 5 x 2 = 2-2α α 1 Z opt = 8 + 4α α [- 1 / 5,1] Si α > 1 x 2 < y la solución actual no es factible, pero sí factible dual. Usando el Método del Simplex Dual obtenemos: C base x x x x x B b b* 2 x x x 1 = 9-3α si α 3 x 2 = α si α 1 Z = 18-6α α [1,3] C j Z = 18 Z* = -6 Si α > 3 x 1 < y la solución actual no factible. Como en la fila de x 1 no hay coeficientes negativo s, el problema es NO FACTIBLE. Si α < - 1 / 5 x 1 < ( por el Método del Simplex Dual sale x 1 y entra x 5 ) base x x x x x b b* x
43 Investigación Operativa 28/9 x C j Z = 9 Z* = 9 x 2 = 3 + 3α si -1 α < - 1 / 5 x 5 = -1-5α Z = 9 + 9α Si α < -1 x 2 < problema NO FACTIBLE 57
44 Investigación Operativa 28/9 Tema 7. Programación lineal entera. Un p.p.l. entera es aquel en el que todas las variables de decisión (programación entera pura) o algunas de ellas (programación entera mixta) toman exclusivamente valores enteros. Una forma de tratar este problema es el redondeo (quedarse con la parte entera por arriba ó abajo teniendo cuidado de que la solución que así se obtenga sea factible) Algoritmo de ramificación y acotación (Branco and Bound Algorithm). Soluciones enteras Maximizar Z = 3x 1 +2x 2 Sujeto a x 1 2 x 2 2 x 1 + x x 1,x 2 y enteros. 58
45 Investigación Operativa 28/9 Z=3x 1 +2x 2 Z(,)= Z(,1)=2 Z(,2)=4 Z(1,)=3 Z(1,1)=5 Z(1,2)=7 Z(2,)=6 Z(2,1)= 8 óptimo Algoritmo. Primero resolvemos el problema olvidándonos de la restricción de variables enteras (PL-1) 59
46 Investigación Operativa 28/9 Región factible ABCDE óptimo x 1 =2, x 2 =1.5 Z Optimo =9 Sabemos que añadir las restricciones de que las variables sean enteras no puede mejorar la función del objetivo. Tenemos así que Z =9 es una cota superior para el valor óptimo del problema inicial. Creamos ahora 2 nuevos problemas x 2 =1.5 x 2 1 x 2 2 6
47 Investigación Operativa 28/9 PL-2 PL-3 Maximizar Z = 3x 1 +2x 2 Maximizar Z = 3x 1 +2x 2 x1 2 x1 2 x 2 2 x 2 2 x 1 + x x 1 + x x 2 1 x 2 2 x 1,x 2 x 1,x 2 PL-2 61
48 Investigación Operativa 28/9 PL-3 Región factible = segmento AB La solución óptima de PL-2 es x 1 =2, x 2 =1 Z Optimo =8 Así tenemos una s.f. entera de PL-1 (Fijarse que cada solución entera factible de PL-1 está contenida en PL-2 ó en PL-3). Aunque PL-2 pueda contener otras soluciones enteras, sus valores de la función objetivo no pueden ser más grandes que 8, Z=8 es una cota inferior del valor máximo de Z en el PL-1. Luego 8 Z optimo 9 En PL-3 la solución óptima es x 1 =1.5, x 2 =2 Z Optimo =8.5 x 1 no es factible (no es entero) para PL-1 pero Z=8.5>8, hay que construir 2 nuevos problemas PL-4 PL-5 PL-3 + restricción x 1 1 PL-3 + restricción x
49 Investigación Operativa 28/9 PL-5 No tiene región factible. PL-4 Solución óptima entera: x =1, x =2 Z timo =7 pero es peor que Op Por tanto la solución óptima es la de PL-2 x =2, x =1 Z =8 El árbol obtenido es el siguiente: 1 2 Optimo 63
50 Investigación Operativa 28/9 DETALLES GENERALES MIP (Mixed Integer Program) Maximizar Z = CX Sujeto a AX = b X Xj entera para j perteneciente a I = {índices de las variables enteras} Se resuelve el MIP sin condiciones enteras. A este problema le llamamos PL-1 con solución óptima Z 1. Supongamos que la solución óptima toma valores no enteros en alguna variable entera, y por lo tanto no es solución del MIP. Sí es, en cambio, una cota superior del valor óptimo de Z en el MIP. Se elige una variable en tera Xj que dio n o entera. Si Xj = βj, se construyen 2 nuevos problemas: 64
51 Investigación Operativa 28/9 PL-2: PL3: Maximizar Z = CX Maximizar Z = CX AX = b AX = b - Xj βj X Xj βj+ X Para elegir la variable Xj en la que hacer la bifurcación hay las siguientes reglas: 1). A ojo o al azar. 2). Por prioridades, según... La variable representa una decisión importante en el problema. Su coste (o beneficio) es más grande que en las demás variables. Decisión según resolución anterior del problema. Como PL-2 y PL-3 son PL-1 con una nueva restricción añadida, (Método del Simplex Dual) para encontrar sus soluciones óptimas. podemos usar el MSD Supongamos que las soluciones óptimas de PL-2 y de PL-3 siguen siendo fraccionarias. El siguiente paso consiste en seleccionar PL-2 o PL-3 para hacer una nueva ramificación. Para ello: a). Se elige aquel problema cuyo valor óptimo sea el mejor. b). Se selecciona el problema resuelto más recientemente (Last-in-First-out rule, LIFO) Continuamos así la sucesión de ramificaciones y resolución de p.p.l hasta resolver uno que tenga solución entera. El valor de la función objetivo en este caso será una cota inferior del valor óptimo del MIP original. En este momento podemos dejar de considerar todos aquellos nodos cuyos valores de Z no sean mejores que la cota inferior. Se dice que esos nodos han sido saturados. DEFINICIÓN: un nodo intermedio está explícita o implícitamente saturado siempre que se satisfaga una de las siguientes condiciones: 1). La solución óptima del p.p.l correspondiente es entera. 2). El p.p.l correspondiente es no factible. 3). El valor óptimo de Z para el p.p.l correspondiente no es mejor que la cota inferior actual. 65
52 Investigación Operativa 28/9 Del árbol mostrado en la figura superior: El Nodo 4 está saturado. Cualquier solución del problema MIP no puede ser mejor que esta. Notas El Nodo 5 está saturado por ser no factible. Supongamos que Z 6 < Z 4, el Nodo 6 está saturado implícitamente. En el caso de que Z 7 > Z 4, habría que ramificar a partir del Nodo7. - La eficacia del método radica en la rapidez con que se saturen los nodos. - Es importante mantener el número de variables enteras lo menor posible. - Proporcionar cotas ajustadas superiores e inferiores de Zoptimo. - Al contrario que un p.p.l general, la adición de nuevas restricciones a un MIP generalmente reducirá el tiempo de computación, especialmente cuando las nuevas restricciones contengan variables enteras. - A veces llega con que: [(CotaSuperior Z - CotaInferior Z) / CotaSuperior Z] < [% pequeño del óptimo continuo] 66
53 Investigación Operativa 28/9 Tema 8: Problemas Especiales de Programación Lineal. Problemas de Transporte. Consideremos: M almacenes con existencias a 1, a 2,, a M N mercados con demandas b 1, b 2,, bn Sea C ij coste por unidad enviada del almacén i al mercado j i = 1 M j = 1 N Se trata de calcular la cantidad a enviar desde cada almacén hasta cada mercado minimizando el coste total del transporte. ALMACÉN 1 2 i M MERCADO 1 2 j N Sea x = nº de unidades o cantidad enviada desde el almacén i al mercado j ij Función objetivo: Min Z = C ij x ij i=1 j=1 M N Sujeto a: Las restricciones vienen dadas por las capacidades de los almacenes y las exigencias de los mercados. 1 i M x i1 x ij x in 1 j N x i1 + x i2 + + x ij + + x in a i i= 1,2,,M cantidad total existencia enviada d esde el en el almacén almacén i-ésimo i-ésimo 67
54 Investigación Operativa 28/9 1 i M x 1j x ij x Mj 1 j N x 1j + x 2j + + x ij + + x Mj b j j=1,2,,n cantidad total que recibe el mercado j cantidad demandada por el mercado j M N Queda Min Z = C ij x ij i=1 j=1 N sujeto a: x ij a i i=1 M j=1 M x ij b j i=1 x ij i,j M+N restricciones j=1 N MxN variables Es evidente que el problema es factible (tiene solución) si: M i=1 N almacenado demandado M a i b j N j=1 Si a i = b j se tiene un problema de transporte estándar: i=1 j=1 M N Min Z = C ij x ij i=1 j=1 sujeto a: N x ij = a i j=1 M x ij = b j i=1 x ij i,j i=1 M j=1 N 68
55 Investigación Operativa 28/9 Desarrollaremos técnicas de resolución para problemas de este tipo, por ello, si no se cumple que: a i = b j por ejemplo si: M N a i > b j ( I ) i=1 j=1 (La cantidad enviada es mayor que la cantidad demandada. Habrá una cierta cantidad que no se enviará. Se crea entonces un mercado ficticio, llamado N+1, con demanda precisamente igual a esa cantidad). a 1 2 a a M M N b 1 b 2 b N b N+1 = a i - b j con C i,n+1 = i=1 N mercado ficticio i=1 j=1 exceso de mercancía El problema se reescribe: M N+1 Min Z = C ij i=1 j=1 sujeto a: N+1 x ij = a i j=1 x ij x i,n+1 i=1,,m lo que sobra en el almacén i i=1 M M xij = bj j=1 N+1 i=1 x ij i,j Si: M a i < i=1 N b j ( II ) j=1 69
56 Investigación Operativa 28/9 (La cantidad enviada es menor que la demandada. No se cumplirán todas las demandas y habrá una cierta pérdida en algún mercado. Se crea entonces un almacén ficticio, llamado M+ 1, con la cantidad que falta). 7
57 Investigación Operativa 28/9 almacén ficticio N M a 1 a 2 a M a M+1 = b j - a i con C M+1,j = y x M+1,j es la j=1 i=1 la pérdida en el mercado j b 1 b 2 b N El problema se reescribe: M+1 N Min Z = C ij x ij i=1 j=1 sujeto a: N x ij = j=1 M+1 x ij = b i=1 x i,j ij a i j i=1 M+1 j=1 N El problema de Transporte estándar puede expresarse en forma de tabla con los datos (a i, b j, C ij ). Almacene s 1 2 i M x 11 Mercados N Existencias x 12 x 13 x 1N C 11 x 21 x 22 x i1 x M1 C 12 C 13 C 1N a 1 x 23 x 12N 21 2N C 22 C 23 C C a2 x i2 x i1 xin ai Ci1 C i2 C i3 C in x x M2 M3 x MN C M1 C M2 C M3 C MN a M 71
58 Investigación Operativa 28/9 Demandas b 1 b 2 b 3 b N Sumas x ij por filas = existencias RESTRICCIONES DE ALMACENAJE Sumas xij por colum nas = demandas RESTRICCIONES DE DEMA NDAS 72
59 Investigación Operativa 28/9 Obtención de una solución factible básica inicial: El proble ma de transporte tiene M+N restricciones una solución factible básica necesita, en principio, M+N variables básicas. M N Ahora bien, dado que x ij = a i i=1 j=1 M M i=1 (sumamos todas las ecuaciones x ij = a i ) j=1 M x ij = b j i=1 j=1 N N M N M x ij = b j = a i j=1 i=1 j=1 i=1 Sistema de ecuaciones / suma de las M primeras filas = suma de las N restantes 1 ecuación es linealmente dependiente de las demás El problema de transporte estándar tiene M+N-1 restricciones linealmente independientes Una solución factible básica necesita M+N-1 variables básicas. Hay diferentes métodos para resolver la solución factible básica inicial, nosotros sólo vemos 2. (1) Obtención de una solución factible básica inicial (2) Comprobar si es óptima NO SI FIN (3) Se mejora obteniendo otra solución factible 73
60 Investigación Operativa 28/9 básica (1) Hay varios métodos: esquina noroeste, coste mínimo, de Vogel, de aproximación de Russell (2) Método U-V (3) Algoritmo de Steeping-Stone Método de la esquina noroeste. Consiste en elegir como variables básicas (>) aquellas que ocupen la esquina noroeste en la tabla de transporte estándar. M 1 M 2 M M 4 capacidades A A = a 1 + = a 2 + A = a 3 demandas b 1 + b 2 + b 3 + b 4 Elegimo s x 11 = min{3,4 } = 3 M1 M 2 M 3 M 4 A = A 2 7 A = Elegim os x 21 = min{a 2, b 1 } = min{7,1} = 1 b 1 es el b 1 después de restarle lo que enviamos M 1 M 2 M 3 M 4 A 1 3 A =6 A = Elegimos x 22 = min{a, b 2 } = min{6,3} =
61 Investigación Operativa 28/9 M 1 M2 M 3 M 4 A 1 3 A =3 A Elegimos x 23 = min{ b 2, a 3} = min{3,4} = 3 M 1 M 2 M 3 M 4 A 1 3 A A =1 4 Elegimos x = min{a, b } = min{1,5} = M 1 M 2 M 3 M 4 A 1 3 A A =4 4 M+N-1 = = 6 variables básicas >. Z = = 93 Método del coste mínimo. coste. Consiste en ir eligiendo como variables básicas (>) aquellas que tengan menor M 1 2 M M 3 M 4 A A A Menor coste C 14 = 1 x14 = min{3,4} = 3 M 1 M 2 M 3 M 4 75
62 Investigación Operativa 28/9 A 1 3 A 2 7 A Menor coste de celdas sin ocupar C 24 = 4 x 24 = min{7,1} = 1 M 1 M 2 M 3 M 4 A 1 3 A A A M 1 M 2 M 3 M 4 A A M1 M2 M3 M 4 A 1 3 A A Z = 79 M 1 M 2 M 3 M 4 A 1 3 A A Método de Steeping-Stone (Mejora de la solución factible básica inicial). Primero es preciso saber si la solución factible básica inicial es óptima o no. En el ejemplo anterior: A 1 M 1 M 2 M 3 M
63 Investigación Operativa 28/9 A 2 2 A Actualmente x 11 =, si hacemos x 11 = 1 M 1 M 4 A A C 11 = C 11 (cambio en x 11 ) + C 14 (cambio en x 14 ) + C 21 (cambio en x 21 ) + C 24 (cambio en x24) = 2 (1) + 1 (-1) + 1 (-1) + 4 (+1) = -5 beneficio relativo de C 1 Se pueden calcular todos los beneficios relativos de las variables no básicas simultáneamente, mediante el método U-V o MODI (Modified Distribution Method). Método U-V. Se calculan números: U i i=1 M V j j=1 N tales que: C ij = U i + V j para cada variable básica Se tendrá que C ij = C ij - (U i + V j ) para cada variable no básica. M1 M2 M3 M 4 A1 M4 U 1 + V 4 = 1 A U 2 + V 1 = 1 U 2 + V 3 = 5 U 2 + V 4 = 4 A 2 U 3 + V 1 = U 3 + V 2 = 6 A C11 - (U 1 + V 1 ) = 2 (+7) = -5 C 12 = 2 - ( + 6) = -4 Hacemos U 1 = V 4 = 1 U 2 = 3 V 1 =7 y V 3 = 2 U 3 = V 2 = 6 77
64 Investigación Operativa 28/9 C 13 = 2 ( + 2) = C22 = 8 (3 + 6) = -1 C 33 = 6 ( + 2) = 4 C 34 = 8 ( + 1) = 7 U 1 = U 2 = 3 U 3 = V 1 = 7 V 2 = 6 V 3 = 2 V 4 = Las casillas sin marca serán las variables no básicas = = -4 V 1 = 7 V 2 = 6 V 3 = 2 V 4 = 1 U 1 = U 2 = 3 U 3 = Menor beneficio relativo negativo -5 x 11 entra en la base: + θ 3 - θ 3 78
65 Investigación Operativa 28/9 2 - θ θ Máximo valor para θ = 2, porque sino en x 21 pasaría a ser negativo y no puede ser. (Steeping-Stone) Nueva solución factible básica: Z = 69 Miramos si es óptima (método U-V) V 1 = 2 V 2 = 1 V 3 = 2 V 4 = 1 U 1 = U 2 = 3 U 3 = Solución no óptima; entra x 33 en la base: 2 + θ 1 - θ 4 - θ 3 + θ 2 - θ 3 + θ Máximo valor posible para θ = Z = 68 y se comprueba que es la óptima. 79
66 Investigación Operativa 28/9 Problemas de Asignación. Formulación general de un problema de asignación estándar: Se tienen N máquinas y N trabajos diferentes. Cada máquina puede realizar un único trabajo y cada trabajo sólo puede efectuarlo una máquina. Se supone que el coste de realización de cada trabajo por cada máquina varía. El problema consiste en resolver qué trabajo realiza cada máquina de manera que el coste total de realización de los N trabajos sea mínimo. M 1 M 2 M N N máquinas T 1 T 2 T N N trabajos M ij la máquina i realiza el trabajo j con coste C ij, i = 1 N, j=1, N Si la máquina i no puede realizar el trabajo j se escribirá C ij = M con M Una manera intuitiva de resolver este problema es enumerar todas las posibilidades y calcular Z en ellas. Cuántas asignaciones posibles hay? Ej// Para 2 máquinas y 2 trabajos: T 1 T 2 M 1 C 11 C 12 M 2 C 21 C 22 1ª asignación: M 1 T 1 2ª asignación: M 1 T 2 M 2 T 1 M 2 T 1 Coste = C 11 + C 22 Coste = C 21 + C 12 Formulamos el problema de asignación como un problema de programación lineal. Sea x ij = 1 si la máquina i realiza el trabajo j no Dado que cada máquina realiza un único trabajo: N x ij = 1 j=1 i = 1 N suma de trabajos que realiza la máquina i Dado que cada trabajo se le asigna a una única máquina: N x ij = 1 j = 1 N 8
67 MB1B CB11B MB2B CB21B MBNB CBN1B MB1B 1 P P TB1B TB2B TB1B TB2B TB3B TB4B Investigación Operativa 28/9 i=1 cantidad de máquinas que realizan el trabajo j Función objetivo: Min BN N CBijB xbijb i=1 j=1 CB12B CB1NB 1 CB22B CB2NB 1 TBNB CBN2B CBNNB Tabla de costes de asignación estándar En general en un problema de transporte necesitaríamos 2N-1 variables básicas >, cuando en los problemas de asignación sólo habrá N variables >. No usaremos ni transporte ni simplex porque trabajaríamos con soluciones degeneradas. UFormulación general de un problema de asignación no estándar: a) Hay más máquinas que trabajos creamos trabajos ficticios con coste de realización cero. b) Hay más trabajos que máquinas creamos máquinas ficticias con coste de realización trabajo/máquina ficticia =. Método o Algoritmo Húngaro (König). El principio básico radica en que la asignación óptima no cambia si se suma o se resta una constante a una fila o columna de la tabla de costes de asignación estándar. El método consiste en restar una cantidad a las filas y/o columnas de manera que se encuentre una asignación óptima a simple vista. Iniciamos el algoritmo examinando cada fila (columna) de la matriz de costes para identificar el elemento más pequeño. Esa cantidad se le resta a todos los elementos de dicha fila (columna). Esto origina una tabla que contiene al menos un cero en cada fila (columna). Ahora se intenta realizar una asignación factible usando las celdas con coste cero. Si es posible, se tendrá una asignación óptima. UEjemplo: mínimo = 7 81
68 MB1B 3 MB2B MB3B 1 MB4B MB1B 3 MB2B MB3B 1 MB4B MB2B 3 MB3B 2 MB4B 4 MB1B 1 MB2B 5 MB3B 5 MB4B 2 MB1B 3 MB2B MB3B 1 MB4B 1 TB1B TB2B TB3B TB4B TB1B TB2B TB3B TB4B TB1B TB2B TB3B TB4B TB1B TB2B TB3B TB4B Investigación Operativa 28/ mínimo = mínimo = mínimo = 3 A cada xbijb le restamos el mínimo de su fila: Utilizando los ceros intentamos realizar una asignación factible: MB1 B TB4B MB2 B TB1B MB3 B TB2B TB3 MB4 B TB2 BMB3 B TB3B BMB4 B TB2B y ésta es la asignación óptima. UEjemplo: 4 máquinas, 4 trabajos mínimo = mínimo = mínimo = mínimo = 2 Cogemos el mínimo por filas y se lo restamos: MB2 B TB1B MB4 B TB1B Como dos máquinas estarían realizando el mismo trabajo no sería una asignación óptima. Cogemos el mínimo por columnas: MB1 B TB3B TB4B MB2 B TB1B MB3 B TB2B TB4B MB4 B TB1B 82
69 B B B B B B BZBoptB MB1B 3 MB2B MB3B 1 MB4B MB1B 4 MB2B MB3B 2 MB4B TB1B TB2B TB3B TB4B TB1B TB2B TB3B TB4B BMB3 Investigación Operativa 28/9 Lo que se hace ahora es trazar líneas de modo que se cubran todas las celdas con ceros. El teorema de König establece que el número mínimo de líneas necesario es igual al número máximo de trabajos que pueden asignarse usando dichas celdas Ahora se selecciona el elemento más pequeño no cubierto por las líneas, que en este ejemplo es el 1. Se resta este número de todos los elementos no cubiertos, y se le suma a los cubiertos que sean intersección de dos líneas. Es equivalente a restar 1 de la 2ª y 4ª fila y sumar 1 a la 1ª columna, por lo que la asignación óptima no varía. 1 1 MB1 B TB3 B TB4B MB2 B TB1 TB4B MB3 B TB2 B TB4B MB4 B TB1 B TB2B Las asignaciones serían: MB1 B TB3 MB2 B TB1 MB3 B BóB TB4 MB4 B TB2 BMB1 B TB3 BMB2 B TB4 B TB2 BMB4 B TB1 = 2 83
70 84 Investigación Operativa 28/9
84 Tema 3. Dualidad. todas las restricciones son del tipo, todas las variables son no negativas.
Tema 3 Dualidad En el desarrollo de la programación lineal la teoria de la dualidad es importante, tanto desde el punto de vista teórico como desde el punto de vista práctico. Para cada modelo lineal se
Más detallesDualidad 1. 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. 5 Condiciones de holgura complementaria.
Dualidad 1 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. Condiciones de holgura complementaria. 6 Solución dual óptima en la tabla. 7 Interpretación
Más detalles5.1. Algoritmo en modelos de maximización
5.1. Algoritmo en modelos de maximización El primer tipo de modelo que vamos a resolver por el método símplex es el que tiene como objetivo maximizar a una función lineal, la cual está sujeta a una serie
Más detallesForma estándar de un PPL con m restricciones y n variables. (b 0)
Forma estándar de un PPL con m restricciones y n variables Maximizar (minimizar) Z = c 1 x 1 + c 2 x 2 +... + c n x n a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 +a 22 x 2 +... + a 2n x n = b 2...
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesForma estándar de un programa lineal
Forma estándar de un programa lineal Sin pérdida de generalidad, todo programa lineal se puede escribir como: min cx s.t Ax = b x 0 Objetivo: minimizar Todas las desigualdades como ecuaciones Todas las
Más detallesDualidad y postoptimización
Dualidad y postoptimización José María Ferrer Caja Universidad Pontificia Comillas Definición A cada problema de optimización lineal le corresponde otro que se denomina problema dual En forma canónica
Más detallesmax z = c T x sujeto a Ax b
Tema 4 Análisis de sensibilidad El análisis de sensibilidad se realiza después de obtener la solución óptima de un modelo lineal para deteminar como afectan los cambios en los parámetros del modelo a la
Más detallesTema 18. Programación lineal Formulación primal de un programa lineal
Tema 18 Programación lineal 18.1. Formulación primal de un programa lineal Dentro de la programación matemática hablamos de programación lineal (PL) si tanto la función objetivo como las restricciones
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesExamen de Investigación Operativa (Plan 96) Febrero de er Parcial
Examen de Investigación Operativa (Plan 96) Febrero de 2010 1 er Parcial Solución del Ejercicio 1. Definimos las variables de decisión ½ 1, si se coloca una cámara en el punto de localización i x i = 0,
Más detallesProgramación Entera. Nelson Devia C. IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulos 10 y 11
Más detallesMÉTODO DEL DUAL (TEORIA DE DUALIDAD)
MÉTODO DEL DUAL (TEORIA DE DUALIDAD) Todo problema de programación lineal tiene asociado con él otro problema de programación lineal llamado DUAL. El problema inicial es llamado PRIMO y el problema asociado
Más detallesEl algoritmo del Simplex. Forma tabular
El algoritmo del Simplex. Forma tabular 1 Soluciones básicas factibles Consideremos el siguiente poliedro P = {x R n, tal que Ax = b, x } con A M m n, b R m, m n, x y RangoA = RangoA, b = m. Observación
Más detallesTema 5 Dualidad y condiciones de Karush-Kuhn-Tucker
Tema 5 Dualidad y condiciones de Karush-Kuhn-Tucker José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 5 Condiciones de Karush-Kuhn-Tucker (KKT). Problemas
Más detallesmax c T x s.a. Ax b x 0 y un diccionario general para dicho problema a rs x s, c s x s z = d + b r y r min b T y s.a. A T y c y 0
CO-34 (S8) 25/3/28 8 Formalizaremos lo visto en la clase anterior. Considere un problema en forma estándar max s.a. c T x Ax b x un diccionario general para dicho problema x r = b r + a rs x s, s NB z
Más detallesLa Programación Lineal. H. R. Alvarez A., Ph. D. 1
La Programación Lineal H. R. Alvarez A., Ph. D. 1 El Método Simplex Desarrollado en 1947 por George Dantzig como parte de un proyecto para el Departamento de Defensa Se basa en la propiedad de la solución
Más detallesDegeneración y ciclaje. Método de las dos fases CO-3411 (S08) 30/03/
CO-3411 (S08 30/03/2008 98 Degeneración y ciclaje En el caso de problemas generales, una solución será degenerada cuando alguna de las variables básicas se encuentra en una de sus cotas (comparar con el
Más detallesmaximización (con restricciones de la forma menor igual que). asociado al modelo primal de minimización y viceversa.
UNIDAD 5 MÉTODO SÍMPLEX maximización (con restricciones de la forma menor igual que). asociado al modelo primal de minimización y viceversa. minimización (con restricciones de la forma mayor que). tenga
Más detallesFundamentos de Programación Entera. A. Revisión. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera A. Revisión Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesProgramación Lineal. Yolanda Hinojosa
Programación Lineal Yolanda Hinojosa Contenido Formulación primal de un programa lineal. Propiedades Algoritmo del simplex Algoritmo dual del simplex Formulación dual de un programa lineal. Propiedades
Más detallesUnidad III Teoría de la Dualidad.
Curso de investigación de operaciones http://www.luciasilva.8k.com/5.5.htm Unidad III Teoría de la Dualidad. III.1 FORMULACIÓN DEL PROBLEMA DUAL La Teoría de la Dualidad es una de las herramientas que
Más detallesProgramación entera 1
Programación entera 1 1. El modelo de programación entera. 2. Aplicaciones de la programación entera. 3. Solución gráfica de problemas enteros. 4. El algoritmo de ramificación y acotación. 5. El algoritmo
Más detallesTeniendo en cuenta los valores de las variables se tienen 3 tipos de modelos lineales enteros:
Tema 5 Programación entera En este tema introducimos problemas lineales en los que algunas o todas las variables están restringidas a tomar valores enteros. Para resolver este tipo de problemas se han
Más detallesLa Programación Lineal. H. R. Alvarez A., Ph. D. 1
La Programación Lineal H. R. Alvarez A., Ph. D. 1 Aspectos generales Se considera a George Dantzig el padre de la P. L. Su objetivo es el de asignar recursos escasos a actividades que compiten por ellos.
Más detalles315 M/R Versión 1 Integral 1/13 2009/1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versión Integral /3 29/ UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA (VERSION.2) ASIGNATURA: Investigación de Operaciones I CÓDIGO: 35 MOMENTO: Prueba
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesTema 5: Análisis de Sensibilidad y Paramétrico
Tema 5: Análisis de Sensibilidad y Paramétrico 5.1 Introducción 5.2 Cambios en los coeficientes de la función objetivo 5.3 Cambios en el rhs 5.4 Análisis de Sensibilidad y Dualidad 5.4.1 Cambios en el
Más detallesCO5411. Dantzig-Wolfe / Descomposición de Benders. Prof. Bernardo Feijoo. 06 de febrero de 2008
Dantzig-Wolfe / Departmento de Cómputo Cientíco y Estadística Universidad Simón Bolívar 06 de febrero de 2008 Contenido 1 Dantzig-Wolfe 2 Contenido Dantzig-Wolfe 1 Dantzig-Wolfe 2 Ahora la nueva base produce
Más detallesANÁLISIS DE SENSIBILIDAD.
ANÁLISIS DE SENSIBILIDAD. En la mayoría de las aplicaciones practicas, algunos datos del problema no son conocidos con exactitud y por esto son estimados tan bien como sea posible. Es importante poder
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detallesLa lección de hoy de febrero de Notación. Solución factible básica
1.3 1 de febrero de La lección de hoy Método simplex (continuación) Entregas: material de clase Nota: el diseño de esta presentación incluye animaciones que permiten verla en forma de diapositivas. Repaso
Más detallesAuxiliar 7: Dualidad
IN3701: Modelamiento y Optimización Profs: Richard Weber, Rodrigo Wolf Coordinador: M. Siebert Aux: V. Bucarey, N. Devia, P. Obrecht Auxiliar 7: Dualidad Lunes 5 de Diciembre de 2011 Pregunta 1: Dualidad
Más detallesProgramación Lineal. - Si no: Sea j tal que c
Programación Lineal El objetivo de este documento es hacer una breve introducción a la programación lineal que pueda contribuir al fácil manejo de la aplicación. La programación lineal es un procedimiento
Más detallesPROBLEMA 1. Considere el siguiente problema de programación lineal:
PROBLEMA 1 Considere el siguiente problema de programación lineal: Sean h1 y h2 las variables de holgura correspondientes a la primera y segunda restricción, respectivamente, de manera que al aplicar el
Más detallesMÉTODO SIMPLEX REVISADO O FORMA MATRICIAL
MÉTODO SIMPLEX REVISADO O FORMA MATRICIAL Algoritmo del método simplex que mejora la eficiencia de los cálculos, se realizan los mismos pasos del método simplex visto, sólo se diferencia en la manera de
Más detallesProgramación lineal: Algoritmo del simplex
Programación lineal: Algoritmo del simplex Se considera la formulación estándar de un problema de programación lineal siguiendo la notación utilizada en las clases teóricas: Minimizar c t x sa: Ax = b
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesTema 3 Optimización lineal. Algoritmo del simplex
Tema 3 Optimización lineal. Algoritmo del simplex José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 3 Teorema fundamental de la programación lineal. Algoritmo
Más detallesINVESTIGACION DE OPERACIONES:
METODO SIMPLEX El algoritmo símplex fue descubierto por el matemático norteamericano George Bernard Dantzig en 1947, es una técnica para dar soluciones numéricas a problema de programación lineal Un problema
Más detallesProgramación Lineal II. Teoría de la dualidad
Programación Lineal II. Teoría de la dualidad P.M. Mateo y David Lahoz 27 de mayo de 2009 Este tema continúa el desarrollo iniciado en el tema 1. En el se define el problema dual asociado a un problema
Más detallesColección de Problemas II. mín Z = 8x 1 + 9x 2 + 7x 3 s. a: x 1 + x 2 + x x 1 + 3x 2 + x x 1 + x 2 x 3 30
1.- Dado el siguiente problema mín Z = 8x 1 + 9x + 7x 3 s. a: x 1 + x + x 3 40 x 1 + 3x + x 3 10 x 1 + x x 3 30 x 1 0, x 0, x 3 0 A) Plantear el problema dual y escribir las condiciones de la holgura complementaria
Más detallesEL PROBLEMA DE TRANSPORTE
1 EL PROBLEMA DE TRANSPORTE La TÉCNICA DE TRANSPORTE se puede aplicar a todo problema físico compatible con el siguiente esquema: FUENTES DESTINOS TRANSPORTE DE UNIDADES Donde transporte de unidades puede
Más detallesTRANSPORTE Y TRANSBORDO
TRANSPORTE Y TRANSBORDO En ésta semana estudiaremos un modelo particular de problema de programación lineal, uno en el cual su resolución a través del método simplex es dispendioso, pero que debido a sus
Más detallesDUALIDAD EN PROGRAMACION LINEAL
DUALIDAD EN PROGRAMACION LINEAL Relaciones primal-dual Asociado a cada problema lineal existe otro problema de programación lineal denominado problema dual (PD), que posee importantes propiedades y relaciones
Más detallesEjercicios - Resolución de problemas lineales. Método Simplex
Ejercicios - Resolución de problemas lineales. Método Simplex Programación Matemática LADE Curso 8/9. Dado el problema lineal máx x x x + x s.a. x + x + x = 4 x + x 4 x justifica que el punto x = ( T es
Más detallesPROGRAMACIÓN MATEMÁTICA
PROGRAMACIÓN MATEMÁTICA TEMA 1. INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA. CONJUNTOS CONVEXOS. CONVEXIDAD DE UNA FUNCIÓN. PLANTEAMIENTO FORMAL DEL PROBLEMA DE PROGRAMACION MATEMATICA. - Función Objetivo:
Más detallesEjemplo 1: Programación Entera
Repaso Prueba 2 Ejemplo 1: Programación Entera Supongamos que una persona está interesada en elegir entre un conjunto de inversiones {1,,7} y quiere hacer un modelo 0,1 para tomar la decisión. Modelar
Más detallesOptimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Más detallesMétodo Simplex. Ing. Ricardo Fernando Otero, MSc
Método Simplex Ing. Ricardo Fernando Otero, MSc Forma estándar de un modelo de programación lineal Dirección de mejora: Maximizar Todas las restricciones deben ser El lado izquierdo debe contener solo
Más detallesGuía de Problemas para el Control 2
Guía de Problemas para el Control 2 Geometría Problema 1 Demuestre que la intersección de conjuntos convexos es un conjunto convexo. Utilizando esto demuestre que todo poliedro es un conjunto convexo.
Más detallesMétodo Simplex: Variaciones (Caso Minimización)
Método Simplex: Variaciones (Caso Minimización) Existen dos formas de resolver un problema de minimización con método simplex:. Modificar en dos aspectos el algoritmo que se utilizó para el caso de maximización:
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesUn sistema de ecuaciones diferenciales son aquellas que tienen varias posibilidades para su solución. Estas son:
Unidad X: Programación lineal (continuación) Objetivo específico: Entender ampliamente el fenómeno del comportamiento de los modelos matemáticos para la resolución de problemas enfocados a las ecuaciones
Más detallesDirección de operaciones. SESIÓN # 6: Análisis de Sensibilidad. Primera parte.
Dirección de operaciones SESIÓN # 6: Análisis de Sensibilidad. Primera parte. Contextualización Qué sucede si varía algo en el problema de programación lineal? Ya en este momento tenemos los suficientes
Más detallesX m,j. X m,n C m,n C m,j. X m, C m,1. X i,n. C i,n MODELO DE TRANSPORTE. Matemáticamente:
MODELO DE TRANSPORTE El modelo de transporte se define como una técnica que determina un programa de transporte de productos o mercancías desde unas fuentes hasta los diferentes destinos al menor costo
Más detallesCAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA
CAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA Programación Lineal Entera Es una técnica que permite modelar y resolver problemas cuya característica principal es que el conjunto de soluciones factibles es discreto.
Más detallesAlgoritmo de ramificación y acotación
Algoritmo de ramificación y acotación Investigación Operativa Ingeniería Técnica en Informática de Gestión UC3M Curso 08/09 Descripción de los objetivos En esta práctica desarrollaremos el algoritmo de
Más detallesKg P1 Kg P Unidades Vitamina A
Dualidad El concepto de dualidad desempeña importantes papeles dentro de la programación lineal (también en la no lineal), tanto desde un punto de vista teórico como práctico. Todo programa lineal lleva
Más detallesmáx 5x 1 + 7x 2 s.a 2x 1 + x x 1 + 9x 2 41 x 1 0, x 2 0, enteras, z opt z opt 38
Programación Lineal Entera / Investigación Operativa PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 4. Resuelve el siguiente problema de programación entera por el método Branch and Bound: máx 5x + 7x s.a
Más detallesMETODO SIMPLEX. Paso 1 Se convierte el modelo matemático de Programación Lineal (PL) a su forma estándar.
METODO SIMPLEX El algoritmo Simplex comprende los siguientes pasos: Paso 1 Se convierte el modelo matemático de Programación Lineal (PL) a su forma estándar. Al elaborar el modelo matemático que representa
Más detallesOptimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detallesINGENIERO EN COMPUTACION TEMA: MÉTODO SIMPLEX
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACION TEMA: MÉTODO SIMPLEX ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: MARZO DE 2016 UNIDAD DE APRENDIZAJE
Más detallesUNIDAD 3 MÉTODO SIMPLEX. Fundamentos del método simplex
UNIDAD 3 MÉTODO SIMPLEX Fundamentos del método simplex Teoría Este método busca la solución, en cada paso, de forma mejorada hasta que no pueda seguir mejorando dicha solución. Al comienzo el vértice principal
Más detallesDualidad. Dpto. Ingeniería Industrial, Universidad de Chile. 22 de abril de IN3701, Optimización
Contenidos Motivación y Representación de Poliedros IN3701, Optimización 22 de abril de 2009 Contenidos Motivación y Representación de Poliedros Contenidos 1 Motivación 2 y Representación de Poliedros
Más detallesExamen de Investigación Operativa 2006/07
Examen de Investigación Operativa 2006/07 ITIG-UC3M, 10 de septiembre de 2007, 10:00-12:00 Nombre, apellidos, grupo y NIA: Problema 1 Problema 2 Problema 3 Problema 4 Total Nota: indica en cada caso el
Más detallesConjuntos y matrices. Sistemas de ecuaciones lineales
1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución
Más detalles7. PROGRAMACION LINEAL
7. PROGRAMACION LINEAL 7.1. INTRODUCCION A LA PROGRMACION LINEAL 7.2. FORMULACION DE UN PROBLEMA LINEAL 7.3. SOLUCION GRAFICA DE UN PROBLEMA LINEAL 7.4. CASOS ESPECIALES DE PROBLEMAS LINEALES 7.4.1. Problemas
Más detallesContenido: Solución algebraica a los problemas de programación lineal con el método simplex.
Tema II: Programación Lineal Contenido: Solución algebraica a los problemas de programación lineal con el método simplex. Introducción El método simplex resuelve cualquier problema de PL con un conjunto
Más detallesTEST IO-I T1. CONCEPTOS PREVIOS. C1.1. Cualquier conjunto convexo tiene al menos un punto extremo?
TEST IO-I T1. CONCEPTOS PREVIOS C1.1. Cualquier conjunto convexo tiene al menos un punto extremo? a) Puede tener puntos extremos. b) Puede no tener puntos extremos. c) Puede tener vértices. C1.2. Es convexo
Más detallesMétodo Simplex en Optimización de Problemas de Producción
Método Simplex en Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile - Fernando Islas - Carlos Testuri Héctor Cancela - Antonio Mauttone Depto. Investigación Operativa. Instituto de Computación.
Más detallesMatrices y sistemas de ecuaciones
Matrices y sistemas de ecuaciones María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Matrices y sistemas de ecuaciones Matemáticas I 1 / 59 Definición de Matriz Matrices
Más detallesTema 1: Matrices. Sistemas de ecuaciones. Determinantes
Tema 1: Matrices. Sistemas de ecuaciones. Determinantes José M. Salazar Octubre de 2016 Tema 1: Matrices. Sistemas de ecuaciones. Determinantes Lección 1. Matrices. Sistemas de ecuaciones. Determinantes
Más detallesAlgoritmos de Planos de Corte
Algoritmos de Planos de Corte Problema: max {cx / x X} con X = {x / Ax b, x Z n + } Proposición: conv (X) es un poliedro que puede entonces escribirse como conv (X) = {x / Ax b, x 0} Lo mismo ocurre para
Más detallesEJERCICIO 1. Max Z = 6 x x 2 s.r. (1) 4 x x 2 12 (2) 2 x x 2 16 (3) 2 x 1 6 x 1, x 2 0
Considere el Programa Lineal siguiente: EJERCICIO Max Z 6 x + 9 x 2 s.r. () 4 x + 6 x 2 2 (2) 2 x + 8 x 2 6 (3) 2 x 6 x, x 2 0 (.a) 3 2 0 2 3 4 5 6 7 8 El Problema tiene una Región Factible delimitada
Más detallesControl 2 IN mayo 2009
Profs: Auxs: Daniel Espinoza Gonzalo Romero Víctor Bucarey Nelson Devia Jocelyn González Daniel Lillo Fernando Solari Control 2 IN3701 28 mayo 2009 Pregunta 1 La empresa de pigmentos LILLO & Co. debe decidir
Más detalles-PROTHIUS- Métodos Cuantitativos de Organización Industrial: Programación Lineal. Joaquín Bautista Valhondo. D-05/2011 (Rec.
Cátedra Nissan -PROTHIUS- Métodos Cuantitativos de Organización Industrial: Programación Lineal. Joaquín Bautista Valhondo D-05/2011 (Rec. IO-JBV) Departamento de Organización de Empresas Universidad Politécnica
Más detallesOptimización lineal. José María Ferrer Caja Universidad Pontificia Comillas ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INDUSTRIAL
Optimización lineal José María Ferrer Caja Universidad Pontificia Comillas Introducción Herramienta más importante de la optimización y de la investigación operativa Multitud de aplicaciones en campos
Más detallesMatrices. En este capítulo: matrices, determinantes. matriz inversa
Matrices En este capítulo: matrices, determinantes matriz inversa 1 1.1 Matrices De manera informal una matriz es un rectángulo de números dentro de unos paréntesis. A = a 1,1 a 1,2 a 1,3 a 2,1 a 2,2 a
Más detallesProblemas de programación entera: El método Ramifica y Acota. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Problemas de programación entera: El método Ramifica y Acota Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema La estrategia Divide y vencerás Árboles de enumeración
Más detallesLicenciatura en Administración y Dirección de Empresas
Licenciatura en Administración y Dirección de Empresas Programación Matemática de junio de 200 Ejercicio 3 pt. Considera el siguiente problema de programación no lineal:. Se trata de un problema convexo?
Más detallesOptimización con restricciones de desigualdad. Yolanda Hinojosa
Optimización con restricciones de desigualdad Yolanda Hinojosa Contenido Optimización no lineal con restricciones de desigualdad. Condiciones necesarias y suficientes de óptimo Análisis de sensibilidad.
Más detallesPOST-OPTIMIZACIÓN Y SENSIBILIDAD EN PROBLEMAS LINEALES.
POST-OPTIMIZACIÓN Y SENSIBILIDAD EN PROBLEMAS LINEALES. Una de las hipótesis básicas de los problemas lineales es la constancia de los coeficientes que aparecen en el problema. Esta hipótesis solamente
Más detalles4. Métodos de Solución PPL : Solución Algebraica: MÉTODO SIMPLEX Segunda Parte
4. Métodos de Solución PPL : Solución Algebraica: MÉTODO SIMPLEX Segunda Parte Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co MÉTODO SIMPLEX Ejemplo de Simplex: Vamos a
Más detallesTEMA N 1.- MODELOS EN INVESTIGACIÓN OPERATIVA
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI 1.1 Modelo de transporte Asignatura: Investigación Operativa I Docente: Ing. Jesús Alonso Campos TEMA N
Más detallesLicenciatura en Administración y Dirección de Empresas
Licenciatura en Administración y Dirección de Empresas Programación Matemática 19 de junio de 006 Ejercicio 1 3 pt. Considera la función fx, y = x y en la región factible R = {x, y R : x 1 + y 1; y x 1
Más detallesEjercicios de Programación Lineal
Ejercicios de Programación Lineal Investigación Operativa Ingeniería Informática, UCM Curso 5/6 Una compañía de transporte dispone de camiones con capacidad de 4 libras y de 5 camiones con capacidad de
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detallesEjemplo: ubicación de estación de bomberos
15.053 Jueves, 11 de abril Más aplicaciones de la programación entera. Técnicas de plano de corte para obtener mejores cotas. Ejemplo: ubicación de estación de bomberos Considere la ubicación de estaciones
Más detallesMÉTODO SIMPLEX. Introducción
MÉTODO SIMPLEX Introducción El Método Simplex publicado por George Dantzig en 1947 consiste en un algoritmo iterativo que secuencialmente a través de iteraciones se va aproximando al óptimo del problema
Más detallesTema 4: Teoría de dualidad. Algoritmo Dual del Simplex 1
Tema 4: Teoría de dualidad. Algoritmo Dual del Simplex 1 4.1 Introducción 4.2 Definición del Problema Dual 4.3 Relaciones Primal-Dual 4.4 Condiciones de Holgura Complementaria 4.5 Interpretación Económica
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesAnálisis de sensibilidad 1
Análisis de sensibilidad Planteamiento general Cambios en el vector de recursos 3 Cambios en el vector de costes 4 Cambios en un vector a j no básico 5 Nuevas variables 6 Nuevas restricciones Planteamiento
Más detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesIntegradora 3. Modelos de Programación Lineal
Métodos Cuantitativos para la Toma de Decisiones Integradora 3. Modelos de Programación Lineal Objetivo Al finalizar la actividad integradora, serás capaz de: R l bl d PL di d l ét d Resolver problemas
Más detallesRepaso del algoritmo SIMPLEX
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN70K: Clase Auxiliar Repaso del algoritmo SIMPLEX Marcel Goic F. 1 1 Esta es una versión bastante
Más detallesRESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY
25 de Junio de 2012 RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación
Más detalles1.Restricciones de Desigualdad 2.Procedimiento algebraico
Universidad Nacional de Colombia Sede Medellín 1. Restricciones de Desigualdad Clase # 6 EL MÉTODO M SIMPLEX El método m simplex es un procedimiento algebraico: las soluciones se obtienen al resolver un
Más detalles