Programación Lineal Pedro Sánchez
|
|
- Álvaro Casado Montes
- hace 7 años
- Vistas:
Transcripción
1 Pedro Sánchez
2 Contents 1. Solución gráfica 2. Sensibilidades gráficas 3. Método Simplex 4. Metodología Simplex 5. Dualidad 6. Análisis de sensibilidad 7. Método simplex dual 2
3 1 Solución gráfica Sensibilidades gráficas Método Simplex Metodología Simplex Dualidad Análisis de sensibilidad Método simplex dual Solución gráfica
4 Solución gráfica (i) Ejemplo: Un artesano fabrica trenes y camiones de juguete Utilizando tornillos, bloques y ruedas como componentes En la semana próxima dispone de 8000, 6000 y 6300 componentes respectivas Los beneficios i por tren y camión son 1.6 euros/unidad d y 1.4 euros/unidad d Tornillos Bloques Ruedas Tren Camión
5 Formulación matemática: Solución gráfica (ii) Max Z 1.6 x 1.4 x sujetoa : 1 2 Maximización del beneficio total 10x120x Existencias TORNILLOS 15 x110x Existencias BLOQUES 18 x 6x x, x 0 Existencias RUEDAS x x : 1 : 2 Número de trenes a fabricar Número de camiones a fabricar Se consideran variables reales en primera aproximación 5
6 Solución gráfica (iii) Representación gráfica de restricciones 400 x2 (0, 400) r1: 10x1 + 20x2 <= 8000 TORNILLOS 300 (200, 300) Región factible (300, 150) r2: 15x1 + 10x2 <= 6000 BLOQUES r3: 18x1 + 6x2 <= 6300 RUEDAS (0, 0) (350, 0) x1 6
7 Rectas de isobeneficio: e o: 400 x2 (0, 400) Solución gráfica (iv) 300 (200, 300) r1: 10x1 + 20x2 <= 8000TORNILLOS SOLUCIÓN ÓPTIMA r2: 15x1 + 10x2 <= 6000 BLOQUES 200 (300, 150) r3: 18x1 + 6x2 <= 6300 RUEDAS 100 (0, 0) (350, 0) Z = 740 Z = 690 x1 Z = 0 Z = 560 = 1.6x1 16x1+1.4x2 7
8 Solución gráfica (v) Solución óptima: La solución óptima es fabricar 200 trenes y 300 camiones Se utilizan todas las existencias de tornillos (8000) Se utilizan todas las existencias de bloques (6000) Se utilizan 5400 ruedas sobrando 900 de las existencias El beneficio resultante es de 740 euros 8
9 2 Solución gráfica Sensibilidades gráficas Método Simplex Metodología Simplex Dualidad Análisis de sensibilidad Método simplex dual Sensibilidades gráficas
10 Sensibilidades gráficas (i) Cambios en coeficientes de la función objetivo (i) Camiones 400 x2 btren: 0 Aumentando el beneficio i por tren (btren) 300 (0, 400) (200, 300) Manteniendo el beneficio por camión en 1.4 euros 200 (300, 150) 100 (0, 0) (350, 0) Trenes x1 10
11 Sensibilidades gráficas (ii) Cambios en coeficientes de la función objetivo (ii) Camione s 400 x2 btren: 0 (0, 400) btren btren btren btren (0, 400) (200, 300) (300, 150) (350, 0) f.o.: 560 f.o.: f.o.: f.o.: (200, 300) (300, 150) Aumentando el beneficio por tren (btren) (0, 0) (350, 0) Trenes x1 11
12 Sensibilidades gráficas (iii) Cambios en las restricciones de existencias (i) x2 Reduciendo el número de existencias de ruedas y manteniendo la función objetivo Se generan tres rangos de ruedas: 400 (0, 400) I 5400 Ruedas 300 (200, 300) 200 (300, 150) 100 III II I II 2400 Ruedas 5400 III 0 Ruedas 2400 r3: 18x1 + 6x2 <= 6300 RUEDAS (0, 0) (350, 0) x1 12
13 Sensibilidades gráficas (iv) Cambios en las restricciones de existencias (i) x2 l ió La solución en cada uno de los rangos es: I II III (0, 400) (200, 300) 10x120x r1: 10x1 + 20x2 <= x 6x Ruedas 1 2 x1 0 18x 6x Ruedas 1 2 isobeneficio i (200, 300) r2: 15x1 + 10x2 <= (0, 0) III II I (300, 150) (350, 0) r3: 18x1 + 6x2 <= 6300 RUEDAS x1 13
14 Solución no acotada Sensibilidades gráficas (v) No siempre existe una solución acotada para un problema de optimización En el ejemplo del artesano se obtiene una solución no acotada si: No se limitan las existencias de tornillos, bloques y ruedas Siel proveedor de componentes obliga a que se adquieran almenos 4 bloques y 4 ruedas por cada 4 tornillos x1 x2 x1 x2 x x x x / / / / isobeneficio 14
15 3 Solución gráfica Sensibilidades gráficas Método Simplex Metodología Simplex Dualidad Análisis de sensibilidad Método simplex dual Método simplex
16 Método Simplex (i) Geometría de la programación lineal Poliedro: Región definida por la intersección de un conjunto finito de hiperespacios p hiperespacios j j a x b ij j i a x b ij j i La región factible de un problema de programación lineal es un poliedro Vértice de un poliedro: punto que no se expresa como combinación lineal convexa de dos puntos distintos de un poliedro Si existe un óptimo en un problema de programación lineal, éste se encuentra en un VÉRTICE 16
17 Método Simplex (ii) Forma estándar min T Z c x Axb x 0 Problema del artesano Min Z 1.6 x 1.4 x 0h 0h 0h sujetoa : x 20x h x 10x h x 6x h 6300 xr n ; AR mxn ; cr n ; br m x, x, h, h, h El método simplex requiere de iteraciones proporcionales al número de restricciones m y el tiempo de resolución es proporcional a m 3 c x T T 1.6, 1.4,0,0,0 x, x, h, h, h A b
18 Método Simplex (iii) Transformaciones a la forma estándar Función objetivo : max Z min Restricciones Restricciones j j Z : Se introduce una variable de holgura a x b a x u b ij j i ij j i i j u i b 0 : Se introduce una variable de holgura o exceso a x b a x v b ij j i ij j i i j Variables negativas : 0 Variables negativasacotadas : L x 0 0 xj yj ; 0 yj x j i bi x y L ; 0 y L j j j j j j j Variables libres : Se sustituye por 2 variables xj xj xj 0 x 0 x j 0 j 0 vi 18
19 Tipos de Soluciones Método Simplex (iv) Solución Factible: Satisface todas las restricciones Pertenece a la región factible Solución Infactible: Viola al menos una restricción No pertenece a la región factible Solución Básica Factible: Tiene m variables básicas asociadas a la matriz no singular de restricciones A de rango m que toman valor # 0 y el resto = 0 Solución Óptima : Solución básica factible con mejor valor de la f.o. 19
20 Método Simplex (v) Teorema fundamental de la Si admite solución factible, ésta es Solución Básica Si admite solución óptima finita, ésta es Solución Básica Óptima 20
21 4 Solución gráfica Sensibilidades gráficas Método Simplex Metodología Simplex Dualidad Análisis de sensibilidad Método simplex dual Metodología Simplex
22 Métodología Simplex (i) Descomposición en componentes BASICAS y NO BASICAS T x x, x c x R m T B B N x n m N R vector de variables BASICAS vector de variables NO BASICAS mxm T BR matriz BASE AB, N mxn m N R matriz NO BASICA m T c R T B cb, cn n m cn R coeficientes de variables BASICAS coeficientes de variables NO BASICAS 22
23 Reformulación del problema Axb Métodología Simplex (ii) Bx Nx b x B bnx B bb Nx B N B N N Función objetivo Z c x c x c B b c c B N x T T T 1 T T 1 B B N N B N B N Al tomar valor nulo las variables no básicas se tiene: x B 1 B b T T 1 Z cb xb cb B b 23
24 Loscostes reducidos Métodología Simplex (iii) ˆ T T T 1 CN CN cb B N cˆ c c B a c z T 1 j j B j j j Vector de costes reducidos a :columna dela variable ena j x j Los costes reducidos en la función objetivo: T Z c x cˆ x zˆ cˆ x zˆ c z x B B j j j j j j j ji ji ji N N N El coste reducido indica el cambio en la f.o. debido a un incremento unitario de la variable En el óptimo todos los costes reducidos de las variables no básicas son 0 (estándar) Los costes reducidos de las variables básicas son siempre 0 Si el coste reducido de una variable no básica en el óptimo es 0 múltiples óptimos 24
25 Métodología Simplex (iv) Metodología en el problema del artesano: h x xb h2 xn cn cb 0 B N x h B N xb B b 6000 xn T T Costes reducidos: T 1 cˆ N cn cb B N , Solución inicial ( x, x ) (0, 0) 1 2 Cambios en las variables básicas: 1 1 xb B bb NxN x B x x
26 Métodología Simplex (v) Evolución de la función objetivo del artesano: La función objetivo cambia de valor al cambio de las variables básicas x Z c B bc x x x 1 ˆ B N N 0 1.6, x 2 T 1 T Ejemplo: La f.o. disminuye al aumentar cualquiera de las variables no básicas La base actual NO es óptima La prueba de optimalidad consiste en comprobar si existe alguna variable con coste reducido negativo Si no existieran, la base actual es óptima Si existen, se selecciona entre ellas la variable básica entrante cuyo coste reducido tenga mayor valor absoluto Ejemplo: La x 1 tiene coste reducido 1.6y por ello es la variable entrante 26
27 Métodología Simplex (vi) Incremento de las variables NO BASICAS: Lasvariables NOBÁSICAS se puedenincrementar hasta que las variables BÁSICAS incumplan una o varias restricciones x B b B N x bˆ B ax bˆ y x B 1 b B 1 N b B 1 B N t t b t t p t x t a :columna de la matriz A correspondiente a la variable y x Si 0 it x b y x ii ˆ ; B i i it t N B i x t Disminuye cuando se incrementa hasta (hasta que se anula) bˆ ˆi y it y x Si 0 it B i Aumenta o permanece 27
28 Métodología Simplex (vii) Máximo incremento de variables NO BASICAS: La variable NO BÁSICA elegida como variable BÁSICA ENTRANTE se incrementa hasta que la primera variable BÁSICA se anula La variable BÁSICA SALIENTE es la que primero se anula Ejemplo artesano: y B a x 1 1 x x t bˆ i min : y it 0 1im y it x 1 min,,, min 800, 400,350 h es la variable ibl básica saliente 3 h h 3 28
29 Métodología Simplex (viii) Actualización de las variables BASICAS y la F.O.: x B 1 B b ˆ T Z c x Ejemplo: 1 B B x B B h h x B 2 x Solución 1ª iteración: (350, 0) Función objetivo = 560 x 1 29
30 Métodología Simplex (ix) PASOS del método SIMPLEX (i) Inicialización: i ió Solución básica factible inicial i i B ˆ 1 0 x bb b T zˆ c x B Prueba de optimalidad: Se calculan los costes reducidos B 1 cˆ T T T N cn cb B N Si todos los costes reducidos son 0, la base es óptima Si existe algún coste reducido <0 se selecciona var. básica entrante aquella cuyo coste reducido negativo tenga mayor valor absoluto x t 30
31 Métodología Simplex (x) PASOS del método SIMPLEX (ii) Iteración 1 yt B at : columna pivote de xt bˆ y s st bˆ i min : yit 0 : variable básica saliente 1 i m yit x s y 0 Si todas las el problema resulta no acotado it Pivotamiento B 1 Actualización de la matriz Actualización del vector de variables básicas x B Volver al paso 31
32 Métodología Simplex (xi) Pasos del simplex al problema de artesano: Iteración 2 h h3 xb h2 xn x B x x Costes reducidos: T T T 1 ˆ cn cn cb B N 0, 1.4 0,0, , y t Se selecciona la variable x 2 como variable básica entrante B a 5 6 x 2 x t min,, min 270, 150, Se selecciona la variable h 2 como variable básica saliente 32
33 Métodología Simplex (xii) Pasos del simplex al problema de artesano: Iteración 2 (cont.) h xb x2 B b x Solución Iteración 2ª Función objetivo: 690 x, 1 x2 300,150 Las soluciones van cambiando por vértices adyacentes x 2 La función objetivo siempre mejora o permanece x 1 33
34 Métodología Simplex (xiii) Pasos del simplex al problema de artesano: Iteración 3 h3 xn h2 Costes reducidos: c c c B N T T T 1 ˆN N B 0,0 0, 1.4, ,0.173 y t Se selecciona la variable h 3 como variable básica entrante B a 0.16 h 3 x t min, nulo, min 900, nulo, Se selecciona la variable h 1 como variable básica saliente 34
35 Métodología Simplex (xiv) Pasos del simplex al problema de artesano: Iteración 3 (cont.) h xb x2 B b x Solución Iteración 3ª Función objetivo: 740 x, x 200, x 2 Sabemos gráficamente que es el óptimo Falta comprobarlo x 1 Iteración 4 35
36 Métodología Simplex (xv) Pasos del simplex al problema de artesano: Iteración 4 Costes reducidos: h h1 xb x2 xn x B 300 h 2 x T T ˆ T B 1 N N B N 0,00 0, 1.4, , c c c B N No hay costes reducidos negativos Por tanto se ha alcanzado el ÓPTIMO en la iteración anterior 36
37 Múltiples óptimos: Métodología Simplex (xvi) Se detectan múltiples óptimos cuandoenel el óptimoexisten variables no básicas cuyos costes reducidos son nulos Para que sean diferentes óptimos, la variable no básica con coste reducido nulo ha de tomar valor no nulo al entrar en la base Ejemplo: Dos soluciones óptimas x , x2 x1, x2 0 1 x x 1x x x 1x
38 Forma tabular: Métodología Simplex (xvii) Se expresa el problema de optimización en una tabla con la siguiente estructura: -z -1 c T N c T B 0 Función Var.básicas z x N x B Cotas N x B 0 N B b B objetivo Restricciones Se resta de la función objetivo las restricciones multiplicadas por c B T B 1 Se multiplican las restricciones por B 1 Var.básicas z x N x B Cotas -z -1 NT -c BT -1 -c BT B -1 Costes c B N 0 b x B 0 B -1 N I B -1 b reducidos Valores solución 38
39 Eliminación gaussiana: Metodología simplex (xviii) Sirve para actualizar la tabla de una a otra iteración Iteración 1 Se pone un 1 en el elemento pivote y un 0 en el resto de la columna Dividir idi la fila pivote por el elemento pivote y st Restar a las demás filas la nueva fila pivote multiplicada por el elemento que se anula de la columna pivote Variable básica saliente z x1 x2 h1 h2 h3 Cotas Relación -z h /10 10 h /15 15 h /18 Variable básica entrante 39 y El elemento pivote resulta 31 /18
40 Metodología simplex (xix) Iteración 2 Variable básica saliente z x1 x2 h1 h2 h3 Cotas Relación -z h h / x / / /5 1/3 Variable básica entrante El elemento pivote resulta y 22 f.o.: 560 (0,0) (350,0) 40
41 Metodología simplex (xx) Iteración 3 Variable básica saliente z x1 x2 h1 h2 h3 Cotas Relación -z h x /5-1/6 150 nulo x /15 1/ /2.2 +1/6 1/9 f.o.: 690 (300,150) Variable básica entrante El elemento pivote resulta y12 (0,0) (350,0) 0) 41
42 Metodología simplex (xxi) Iteración 4 z x1 x2 h1 h2 h3 Cotas -z h x x Todos los costes reducidos son positivos o nulos por lo que el óptimo ha sido alcanzado Solución óptima: (200, 300) Función objetivo:
43 Metodología simplex (xxii) Solución básica factible inicial En las restricciones la base está formada por las variables de holgura i En las restricciones se introducen variables de exceso y variables artificiales a i En las restricciones = se introducen variables artificiales e i h j j j a x b a x h b ij j i ij j i i j a x b a x e a b ij j i ij j i i i j a x b a x a b ij j i ij j i i j 43
44 Metodología simplex (xxiii) Solución básica factible inicial (cont.) Las variables artificiales y las variables de holgura (en restricciones ) constituyen la base inicial del Simplex Las soluciones con variables artificiales no son factibles Si no se pueden eliminar las variables artificiales problema INFACTIBLE 44
45 Metodología simplex (xxiv) Métodos de anulación de variables artificiales Método de la M mayúscula Introduce variables artificiales en la f.o. penalizadas con un coeficiente elevado, M Pueden existir problemas numéricos en su resolución Método de las dos fases La fase I tiene por f.o. la suma de las variables artificiales Si la fase I acaba con la f.o. nula, el problema es factible y se obtiene una solución básica factible La fase II restablece la f.o. original y parte de la solución básica factible del final de la fase I 45
46 Metodología simplex (xxv) Ejemplo del método de las dos fases En el ejemplo del artesano se introduce la restricción de que el número total de juguetes fabricados debe ser al menos de 400 x2 r1: 10x1 + 20x2 <= 8000 TORNILLOS 400 (0, 400) r4: x1 + x2 >= 400 PRODUCCIÓN MÍNIMA 300 (200, 300) Solución inicial NO VÁLIDA (0, 0) (300, 150) (325, 75) (350, 0) r2: 15x1 + 10x2 <= 6000 BLOQUES r3: 18x1 + 6x2 <= 6300 RUEDAS x1 46
47 Metodología simplex (xxvi) Ejemplo del artesano(cont.i) Min a 1 sujeto a : 10 x1 20 x2 h x110 x2 h x1 6 x2 h x1x2 e1a1 400 Fase I (iteración 0) x1, x2, h1, h2, h3, e1, a 1 0 Var. básicas z x1 x2 h1 h2 h3 e1 a1 cotas -z h h h a
48 iteración 1 Var. básicas Metodología simplex (xxvii) z x1 x2 h1 h2 h3 e1 a1 cotas Relación -z h h h iteración 2 a Var. básicas z x1 x2 h1 h2 h3 e1 a1 cotas Relación -z / / h / / h / x / / a / /
49 iteración 3 Fase II iteración 1 Metodología simplex (xxviii) Var. básicas z x1 x2 h1 h2 h3 e1 a1 cotas -z h h / x /12 1/2-1/2 325 x /12-3/2 3/2 75 Var. z x1 x2 h1 h2 h3 e1 a1 cotas básicas -z h h / x /12 1/2-1/2 325 x /12-3/2 3/
50 Metodología simplex (xxix) Fase II iteración 2 Var. z x1 x2 h1 h2 h3 e1 a1 cotas Relación básicas -z h h / x /12 1/2-1/ x /12-3/2 3/2 75 iteración 3 Var. z x1 x2 h1 h2 h3 e1 a1 cotas Relación básicas -z h e /15-1/ x /15 1/ x /5-1/
51 Metodología simplex (xxx) Fase II iteración 4 Var. básicas z x1 x2 h1 h2 h3 e1 a1 cotas -z h / e x x (200,300) FASE II (300,150) FASE II (325,75) FASE I 51
52 5 Solución gráfica Sensibilidades gráficas Método Simplex Metodología Simplex Dualidad Análisis de sensibilidad Método simplex dual Dualidad
53 Dualidad (i) PRIMAL (m x n) DUAL (n x m) max z x miny T = c x y 0 Ax x b = T Ay T b y ³ c ³ 0 y ³ 0 n å j= 1 max z x j = n å j= 1 cx ax b i = 1,, m ij j i x ³ 0 j = 1,, n j j j m å i= 1 min y y i 0 m = åby i i= 1 ay ³ c j= 1,, n ij i j y ³ 0 i = 1,, m i i 53
54 Dualidad (ii) PRIMAL (m x n) DUAL (n x m) Max Z 1.6 x 1.4 x 1 2 sujeto a : 10 x 20 x 8000 x, x x 10 x x 6 x Max Z x x x x, x Min W 8000 y 6000 y 6300 y sujeto a:10y 15y 18y 1.6 y, y, y y 10 y 6 y y1 y x 1 MinW y 2 y y y 3 y, y, y
55 Dualidad (iii) TABLA DE TRANSFORMACIÓN min max Variable Restricción no restringida = Restricción = Variable 0 00 no restringida 55
56 Dualidad (iv) Teorema y propiedades: ld El dual ldl del problema dual es el problema primal Propiedad débil de la dualidad: x Si es una solución factible del primal e es solución factible del dual, T T se verifica que q cx by y Propiedadfuerte deladualidad: dualidad: ˆx Si es una solución óptima del primal e es solución óptima del dual, T T se verifica que se e caque cx by ŷ 56
57 Dualidad (v) Propiedad de las soluciones básicas complementarias Encada iteración del métodosimplex se encuentra unasolución básica factible del primal y una solución básica complementaria infactible del dual T cx T b y Propiedad de la solución básica óptima complementaria En la iteración final se encuentra simultáneamente la solución básica óptima del primal y la básica óptima complementaria del dual xˆx T T cxˆ byˆ ẑˆ w ˆ En el óptimo, los valores de los costes reducidos de las variables de holgura y de exceso del DUAL corresponden con los valores óptimos del PRIMAL ŷy 57
58 Dualidad (vi) Propiedad de la complementariedad de holguras Si una solución óptima del PRIMAL tiene una variable de holgura o exceso >0, la solución DUALcomplementaria tiene valor cero en la variable dual asociada a esa restricción y viceversa T cx T b y Teorema de la dualidad Si un problema tiene soluciones óptimas factibles entonces también las tiene su dual Si un problema tiene soluciones factibles y función objetivo no acotada, el otro problema no tiene soluciones factibles Si un problema no tiene soluciones factibles, el otro o tampoco tiene o no tiene función objetivo acotada 58
59 Fase I Forma estándar Dualidad (vii) Resolución del problema DUAL del artesano Iter 0 z y1 y2 y3 y4 y5 a1 a2 Cotas -z a a Iter 1 z y1 y2 y3 y4 y5 a1 a2 Cotas Relación -z a a
60 Dualidad (viii) Fase I Iter 2 z y1 y2 y3 y4 y5 a1 a2 Cotas Relación -z /2 0 3/2-0.9 a /2 1-1/ y /2 3/10 0-1/20 0 1/ Iter Cota 3 z y1 y2 y3 y4 y5 a1 a2 s -z y /3 1-1/15 1/30 1/15-1/ y /10 0 1/50-3/50-1/50 3/ Solución inicial factible 60
61 Fase II Dualidad (ix) Iter 1 z y1 y2 y3 y4 y5 a1 a2 Cotas -z y /3 1-1/15 1/30 1/15-1/ y /10 0 1/50-3/50-1/50 3/ Iter 2 Función objetivo original z y1 y2 y3 y4 y5 a1 a2 Cotas Relación -z y /3 1-1/15 1/30 1/15-1/ y /10 0 1/50-3/50-1/50 3/ Forma estándar 61
62 Fase II Iter 3 Dualidad (ix) z y1 y2 y3 y4 y5 a1 a2 Cotas -z y /2-1/10 1/20 1/10-1/ y /20 1/20-3/40-1/20 3/ Solución ÓPTIMA (Costes reducidos 0 en variables no artificiales) Los costes reducidos de las variables de holgura y exceso del DUAL son las soluciones óptimas de las variables del PRIMAL Los costes reducidos de las variables del DUAL son las soluciones óptimas de las variables de holgura y exceso del PRIMAL Las soluciones óptimas de las variables del DUAL son los costes reducidos de las variables de holgura y exceso del PRIMAL 62
63 Esquemáticamente: Dualidad (xi) Variables dual Variables holgura dual Primera Costes Solución variables Solución variables Fila reducidos holgura primal primal Resto de filas Variables básicas Costes reducidos holgura primal Variables primal Variables holgura primal Primera Fila Costes reducidos Solución variables holgura dual Solución variables dual Resto de filas Variables básicas Costes reducidos holgura dual 63
64 5 Solución gráfica Sensibilidades gráficas Método Simplex Metodología Simplex Dualidad Análisis de sensibilidad Método simplex dual Análisis de sensibilidad
65 Análisis de Sensibilidad (i) Partiendo de la solución óptima, se estudian los efectos sobre ella debidos a cambios en cualquier parámetro del problema: A, b ó c Fases: T B BNC,,, C T N Introducción de los cambios en la tabla simplex Adecuación a la forma estándar de la tabla Prueba de factibilidad (var. básicas no negativas) Prueba de optimalidad (costes reducidos no negativos var. no básicas) Nueva iteración método simplex o método simplex dual 65
66 Cambios en cotas de las restricciones Análisis de Sensibilidad (ii) Pueden afectar a: la factibilidad de la solución óptima alcanzada anterior la función objetivo x2 r1: 10x1 + 20x2 <= 8000 TORNILLOS Cambio de existencias de TORNILLOS 400 (0, 400) r1*: 10x1 + 20x2 <= Región factible (200, 300) (300, 150) r2: 15x1 + 10x2 <= 6000 BLOQUES r3: 18x1 + 6x2 <= 6300 RUEDAS (0, 0) (350, 0) x1
67 Análisis de Sensibilidad (iii) Cambios en cotas de las restricciones (cont.) X B h 3 x 1 B 2 x B B B X B bb bb X X Última tabla b simplex 0 X B b11.5b2 b3 300 X B b10.05b b1 0.1b2 Rango de variación h b 1.5 b b x b 0.05b b, b, b x b1 0.1 b
68 Análisis de Sensibilidad (iv) Cambios en coeficientes de variables no básicas No afectan a la factibilidad pero sí a la optimalidad Los coeficientes de las variables no básicas son: ˆ T T T 1 CN CN CB B N Si Si ˆ T C 0 N ˆ T C 0 N la solución sigue siendo óptima la var. no básica es var. básica entrante ˆ Intervalo de variación T T T 1 N 0 de C N B N para el cual se mantiene solución óptima C C C B N 68
69 Análisis de Sensibilidad (v) Introducción de una variable nueva Se calcula su coste reducido: Si es 0 se introduce en la base y B a j 1 Se calcula la añadiéndose como columna de la tabla Se continúan las iteraciones del simplex 69
70 Análisis de Sensibilidad (vi) Cambio en un coeficiente en la f.o. de una variable básica Si algún coste reducido resulta Ejemplo: ˆ T T T 1 CN CN CB B N 0 entonces se sigue iterando El artesano juguetero puede devolver al proveedor de tornillos, bloques y ruedas aquellos componentes que le sobren. El proveedor le devuelve 0.01 /tornillo, 0.05 /bloque y 0.03 /rueda. Partiendo de la solución óptima anterior Cambia el óptimo? 70
71 Ejemplo (cont.): Análisis de Sensibilidad (vii) Cambian coeficientes de variables básicas y no básicas X N ˆ T T T 1 C N C N C B B N h 3 h 1 T N , XB x2 h 2 x1 T C C B , , ˆ T 0.01, , 1.4, , C N La solución no es óptima, la h 2 es variable básica entrante 71
72 Análisis de Sensibilidad (viii) Ejemplo (cont.): z x1 x2 h1 h2 h3 Cotas Relación -z h x x z x1 x2 h1 h2 h3 Cotas -z h x h Solución óptima: (x1,x2,h1,h2,h3) = (0, 400, 0, 2000, 1200) F.O.:
73 Análisis de Sensibilidad (ix) Cambio en un coeficiente de una variable básica en B La tabla se pone en la forma estándar con eliminación gaussiana Estos cambios pueden hacer perder factibilidad y/o optimalidad Introducción de nuevas restricciones Se comprueba si la nueva restricción se satisface con la solución Silasatisface satisface, lasolución sigue siendoóptima Si no la satisface, se introduce la restricción en la tabla Su variable de holgura o artificial es variable básica entrante Se aplica eliminación gaussiana y se sigue con simplex dual Nota: La variable básica asociada a la nueva restricción toma valores 0 73
74 6 Solución gráfica Sensibilidades gráficas Método Simplex Metodología Simplex Dualidad Análisis de sensibilidad Método simplex dual Método simplex dual
75 Método simplex dual (i) Es otro procedimiento análogo al método simplex Se aplica a problemas con formulación primal o dual Se utiliza cuando: Se introducen muchas variables artificiales para la primera solución básica factible La solución óptima por análisis de sensibilidad se hace infactible Funcionamiento Manejan soluciones básicas que cumplen optimalidad según el método simplex (costes reducidos ) 0 0 Estassoluciones soluciones soninfactibles (variables básicas ) 75
76 Método simplex dual (ii) Procedimiento: Inicialización: Se parte de una solución básica que cumpla el criterio de optimalidad (costes reducidos 0 ) Si la solución resulta factible, se ha alcanzado el óptimo, si no se itera Iteración: Se determina la variable básica saliente (variable con valor negativo de mayor valor absoluto) Se determina la variable básica entrante (aquella variable con coeficiente < 0 en la fila pivote que minimice el valor absoluto entre el coste reducido y el coeficiente de la fila pivote) cj z j min : ykj 0 1jn ykj Si no hubiera elementos < 0 el dual sería no acotado y el primal infactible Se actualiza la tabla por eliminación gaussiana y vuelve al hasta que la solución resulta factible y por tanto óptima 76
77 Ejemplo: Método simplex dual (iii) Resolver el problema dual del artesano con el método simplex dual Min 8000 y 6000y 6300y3 sujeto a : y115y218y y1 10 y2 6 y3 1.4 y, y, y Min 8000y16000y26300y3 sujeto a : 10 y115y218y3y y 10y 6y y Sin variables artificiales i Min 8000 y1 6000y2 6300y 3 sujeto a : 10y115y218y3y y 10y 6y y y, y, y, y, y 0 y1, y2, y3, y4, y5 0 77
78 Ejemplo(cont.i): Método simplex dual (iv) z y1 y2 y3 y4 y5 Cotas Relación z y y z y1 y2 y3 y4 y5 Cotas Relación z y / y /
79 Ejemplo(cont.ii): Método simplex dual (v) z y1 y2 y3 y4 y5 Cotas Relación z y y Valores óptimos primal z y1 y2 y3 y4 y5 Cotas -z y y Costes reducidos primal ÓPTIMO 79
80 Programación lineal paramétrica Cambios simultáneos en coeficientes de la f.o. n Se supone una función objetivo z = å c j=1 1 x Se desea conocer el cambio en la función objetivo j j n ˆ( q) åj= al modificar q, conocidos los pesos a j para cada variable x j 1. Resolver con q = 0 con el método simplex 2. Mediante análisis de sensibilidad introducir D cj = aq j 3. Modificar la ecuación de la f.o. para hacer 0 los coeficientes de las variables básicas en la f.o.. Aplicar la condición ió de optimalidad (coef. variables no básicas >= 0) para obtener el rango de q que mantiene la misma base óptima 4. Incrementar q hasta anular un coeficiente de variable no básica. Ésta será la variable básica entrante 5. Encontrar la nueva base óptima aplicando elsimplex y volver a 3 Se cambia el óptimo pero no la región factible ( aq ) 1 z = c + x j j j 80
81 Programación lineal paramétrica Cambios simultáneos en cotas de las restricciones Se desea conocer el cambio en la f.o. óptima ẑ al cambiar q en las cotas de las restricciones D bi = aqsupuestos conocidos los pesos a i i Los cambios en las cotas son equivalentes a cambios en coeficientes de la función objetivo en el problema dual 1. Resolver con el simplex para q = 0 2. Mediante análisis de sensibilidad introducir D bi = aq i 3. Expresar la condición de factibilidad de las variables básicas o, lo que es equivalente, la condición de optimalidad de las variables del dual (cotas de las restricciones >=0) 4. Incrementar q hasta anularlascotaslas de lasrestricciones (haciéndose infactible). Esa será la variable básica saliente en el simplex dual 5. Iterar el algoritmo simplex dual y volver al paso 2 Los distintos valores de qdeterminan regiones factibles habiendo en cadaq una de ellas una base óptima. El proceso acaba con un intervalo final de donde d ya no cambia la base o bien ya la base resulta infactible 81
Dualidad 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 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 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 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 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 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 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 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 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 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 detalles84 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 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 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 detallesIntroducción.- Problema dual.-
30 Unidad 3 Análisis de dualidad y sensibilidad Competencia-el estudiante debe convertir un modelo estático en dinámico a través del análisis de sensibilidad basado en dos situaciones cambios en la función
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 detallesINGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA
INGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA Sesión 4 Objetivos: Aplicar el método simplex a la solución de problemas reales. Contenido: Introducción al método Simplex Requerimiento del método Simplex
Más detallesProgramación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13
Programación Lineal María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Qué es la Programación Lineal? Introducción La Programación
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 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 detallesAnálisis de Sensibilidad de los Resultados
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 22 Análisis de Sensibilidad de los Resultados ICS 02 Optimización Profesor : Claudio Seebach
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 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 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 detallesControl 2 13 de Mayo 2009
Control 2 13 de Mayo 2009 Profs: Auxs: Guillermo Durán Richard Weber Fernanda Bravo, André Carboni, Rodrigo Wolf Pregunta 1 1. (1.2 Ptos.) Cuáles son los 3 criterios principales que guían el algoritmo
Más detallesProgramación Lineal. El método simplex
Programación Lineal El método simplex El método simplex es una herramienta algebraica que permite localizar de manera eficiente el óptimo entre los puntos extremos de una solución a un problema de programación
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 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 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 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 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 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 detallesSoluciones básicas factibles y vértices Introducción al método símplex. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Soluciones básicas factibles y vértices Introducción al método símplex Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema PLs en formato estándar Vértices y soluciones
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 detallesAlgebra lineal y conjuntos convexos 1
Algebra lineal y conjuntos convexos Solución de sistemas. Espacios vectoriales. 3 Conjuntos convexos. 4 Soluciones básicas puntos extremos. Rango de una matriz A R m n. Reducir A a una matriz escalonada
Más detallesA= ; b 3 ; c ; x = = = h h
RESULTADOS DE LA BIBLIOTECA DE PROBLEMAS DE CLASE SOLUCIÓN. PROBLEMA a) Sólo una: B= ( a, a), solución (5/,,0) b) Valor de la función objetivo 8/ c) Sí, es solución factible (verifica las restricciones)
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 detallesUniversidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Estudiantes: FAREM-Carazo Unidad III Metodologías para la Solución
Más detallesInvestigación Operacional I EII 445
Investigación Operacional I EII 445 Programación Lineal Método Simple Gabriel Gutiérrez Jarpa. Propiedades Básicas de Programación Lineal Formato Estándar Un problema de programación lineal es un programa
Más detallesFormato para prácticas de laboratorio
Formato para prácticas de laboratorio CARRERA INGENIERIA INDUSTRIAL PLAN DE ESTUDIO CLAVE DE UNIDAD DE APRENDIZAJE 2007-1 9013 NOMBRE DE LA UNIDAD DE APRENDIZAJE METODOLOGIA PARA LA RESOLUCION DE PROBLEMAS
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 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 detallesContenido Nº1 Factor Común Monomio
GUIA PREPARATORIA MATEMATICA UNIDAD : ALGEBRA. CONTENIDOS : Factorizaciones. NOMBRE: Fecha:.. Contenido Nº1 Factor Común Monomio I. EJERCICIOS. Halla el factor común de los siguientes ejercicios: 1) 6x
Más detallesFigura 1: Esquema de las tablas simplex de inicio y general.
RELACIONES PRIMAL-DUAL Los cambios que se hacen en el modelo original de programación lineal afectan a los elementos de la tabla óptima actual el que se tenga en el momento, que a su vez puede afectar
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 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 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 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 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 detallesMETODO SIMPLEX: SOLUCION DE PROBLEMAS DE PROGRAMACION LINEAL.
METODO SIMPLEX: SOLUCION DE PROBLEMAS DE PROGRAMACION LINEAL. El método Simplex es un procedimiento general para resolver problemas de programación lineal. Desarrollado por George Dantzig en 1947, esta
Más detallesContenido. 1 Resolución mediante planos de corte. Resolución mediante planos de corte
Contenido 1 Resolución mediante planos de corte para LP para IP Facultad de Ingeniería. UdelaR Fundamentos de Programación Entera 1/20 para LP para IP Resolución mediante planos de corte La metodología
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 detallesProgramación Lineal Continua
Elisenda Molina Universidad Carlos III de Madrid elisenda.molina@uc3m.es 8 de octubre de 2008 Esquema 1 Formulación y Ejemplos 2 3 Ejemplo: Producción de carbón Una empresa minera produce lignito y antracita.
Más detallesEs decir, det A = producto de diagonal principal producto de diagonal secundaria. Determinante de una matriz cuadrada de orden 3
1.- DETERMINANTE DE UNA MATRIZ CUADRADA Determinante de una matriz cuadrada de orden 1 Dada una matriz cuadrada de orden 1, A = (a), se define det A = det (a) = a Determinante de una matriz cuadrada de
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 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 detalles0. En la solución inicial estos ratios son 30; 155
PASO 7. Regla de entrada. Se introduce en la base la variable con mayor coste reducido, en este caso, la variable. PASO 8. Regla de salida. A continuación debemos determinar qué variable sale de la base.
Más detallesUniversidad Nacional de Ingeniería. UNI RUACS. Investigación de Operaciones I 3T1 I.S. Docente: Ing. Mario Pastrana. Nombres: Frania Flores Zeledón.
Universidad Nacional de Ingeniería. UNI RUACS Investigación de Operaciones I 3T1 I.S. Docente: Ing. Mario Pastrana. Nombres: Frania Flores Zeledón. Tema: Teoría de la Dualidad. 28/ Septiembre/2011 Teoría
Más detallesCon miras a conocer la metodología que se aplica en el Método SIMPLEX, tenemos a continiacion un ejemplo:
Método Simplex. Este método fue creado en el año 1947 por el estadounidense George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el objetivo de crear un algoritmo capaz de crear soluciones
Más detallesTema 2: Optimización lineal. Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga
Tema 2: Optimización lineal Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga Sumario El modelo de programación lineal Formulación de modelos Método gráfico
Más detallesLo que se hace entonces es introducir variables artificiales ADAPTACIÓN A OTRAS FORMAS DEL MODELO.
Clase # 8 Hasta el momento sólo se han estudiado problemas en la forma estándar ADAPTACIÓN A OTRAS FORMAS DEL MODELO. Maximizar Z. Restricciones de la forma. Todas las variables no negativas. b i 0 para
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
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 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 detallesDEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES
ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 01 Taller 1, E = 2 4
(i) Sean A = [ ] 1 3, B = 1 4 posible calcule: Universidad Nacional de Colombia Departamento de Matemáticas 100003-1 Álgebra Lineal - Grupo 01 Taller 1 1 0 1, C = 3 1 3 4 1 5, D = 3 1 3 [ ] 3, E = 4 4
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Más detallesUniversidad Nacional de Ingeniería UNI-RUACS 01/09/11
Universidad Nacional de Ingeniería UNI-RUACS 01/09/11 Elaborado por: Deall Daniel Irías Estelí, Nicaragua El método Simplex es un procedimiento iterativo que permite ir mejorando la solución a cada paso.
Más detallesPara poder elaborar el problema dual a partir del primal, este se debe presentar en su forma canónica de la siguiente forma:
TEORIA DE LA DUALIDAD. Cada problema de programación lineal tiene un segundo problema asociado con él. Uno se denomina primal y el otro dual. Los 2 poseen propiedades muy relacionadas, de tal manera que
Más detalles3.1. Motivación gráfica del método Simplex
l método Simplex. Algoritmo de las dos fases.. Motivación gráfica del método Simplex l método gráfico de resolución nos garantiza que si la región de soluciones posibles es acotada, como ocurre en los
Más detalles1 ÁLGEBRA DE MATRICES
1 ÁLGEBRA DE MATRICES 1.1 DEFINICIONES Las matrices son tablas numéricas rectangulares. Se dice que una matriz es de dimensión m n si tiene m filas y n columnas. Cada elemento de una matriz se designa
Más detallesUNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS
UNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS Sistemas de dos ecuaciones con dos incógnitas. Método de igualación. Método de reducción. Método de sustitución Método de eliminación Gaussiana.
Más detallesIN Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0
IN3701 - Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0 Acá va una pequeña guía con problemas resueltos de Geometría en Programación Lineal con problemas básicamente extraídos del
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 detallesDefinición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual
7. Programación lineal y SIMPLEX Definición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual Programación Lineal
Más detallesFundamentos matemáticos. Tema 2 Matrices y ecuaciones lineales
Grado en Ingeniería agrícola y del medio rural Tema 2 José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2017 Licencia Creative Commons 4.0 Internacional J.
Más detallesEnero Febrero Marzo Abril. D: uds D: uds D: uds D: uds
PROBLEMA Una empresa dedicada a la fabricación de diferentes artículos, ante la inminente llegada de la estación invernal se plantea establecer su política de fabricación almacenae de estufas de gas para
Más detallesOptimización lineal. Diego A. Patino. 2 de septiembre de Pontificia Universidad Javeriana 1/ 29
Optimización lineal Diego A. Patino Pontificia Universidad Javeriana 2 de septiembre de 2016 1/ 29 Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones 2/
Más detallesx 1, x 2 0 Maximizar 3x 1 + x 2 s.a 2x 1 + x 2 4 2x 1 + 3x 2 4 x 1 + 3x 2 3
EJERCICIOS DE INVESTIGACIÓN OPERATIVA. Hoja. Dado el PL: Maximizar x + x x s.a x + x + x x x x x, x, x Calcula la solución del problema aplicando el algoritmo del Simplex. Existe más de una solución óptima?
Más detallesRESOLVER PROBLEMA DE PROGRAMACIÓN LINEAL POR METODO SIMPLEX
RESOLVER PROBLEMA DE PROGRAMACIÓN LINEAL POR METODO SIMPLEX Prof. MSc. Julio Rito Vargas ================================================================================ Resolver por el método Simplex,
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 detalles2. Cual es el contexto histórico y evolución de la investigación de operaciones?
1. Que es la Investigación de operaciones? Es una rama de las Matemáticas consistente en el uso de modelos matemáticos, estadística y algoritmos con objeto de realizar un proceso de toma de decisiones.
Más detallesResolución de sistemas de ecuaciones lineales
Tema 2 Resolución de sistemas de ecuaciones lineales 21 Métodos directos de resolución de sistemas de ecuaciones lineales 211 Resolución de sistemas triangulares Definición 211 Una matriz A se dice triangular
Más detallesBASES MATEMÁTICAS DEL MÉTODO SIMPLEX (Parte 3)
4 de Julio de 26 ASES MATEMÁTICAS DEL MÉTODO SIMPLEX (Parte 3) Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela 4 de Julio de 26 MÉTODO SIMPLEX REVISADO
Más detallesEcuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones
de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es 1 Índice 1. Definiciones 3 2. Herramientas 5 2.1. Factorización de polinomios: Regla
Más detallesSimulacion Numerica / Metodos Numericos. Unidad III Solución de Ecuaciones Lineales. Ing. Deny González Msc.
Unidad III Solución de Ecuaciones Lineales Contenido Introducción. Métodos Alternativos para Pequeños Sistemas Método Grafico Regla de Cramer Eliminación de Incógnitas. Eliminación de Gauss Simple Descomposición
Más detallesUNIVERSIDAD NACIONAL DE INGENIERÍA SEDE: UNI-NORTE PRIMER PARCIAL DE INVESTIGACIÓN DE OPERACIONES I (SOLUCIÓN)
UNIVERSIDAD NACIONAL DE INGENIERÍA SEDE: UNI-NORTE PRIMER PARCIAL DE INVESTIGACIÓN DE OPERACIONES I Prof.: MSc. Ing. Julio Rito Vargas Avilés (SOLUCIÓN) I. Representar gráficamente la región determinada
Más detallesMatrices y Sistemas Lineales
Matrices y Sistemas Lineales Álvarez S, Caballero MV y Sánchez M a M salvarez@umes, mvictori@umes, marvega@umes 1 ÍNDICE Matemáticas Cero Índice 1 Definiciones 3 11 Matrices 3 12 Sistemas lineales 5 2
Más detallesEcuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones
Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Herramientas 6 1.1. Factorización
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 detallesInterpolación y aproximaciones polinómicas
This is page i Printer: Opaque this Interpolación y aproximaciones polinómicas Oldemar Rodríguez Rojas Octubre 008 ii This is page iii Printer: Opaque this Contents 1 Interpolación y aproximaciones polinómicas
Más detallesDada la proporción =, calcula el producto de extremos menos el producto de medios. 4. Halla los determinantes de las siguientes matrices: Solución:
3 Determinantes. Determinantes de orden 2 y 3 por Sarrus Piensa y calcula 3 6 Dada la proporción =, calcula el producto de extremos menos el producto de medios. 4 8 3 8 6 4 = 24 24 = 0 Aplica la teoría.
Más detallesDirección de Operaciones
Dirección de Operaciones 1 Sesión No.5 Nombre: El método simplex. Segunda parte. Objetivo Al finalizar la sesión, el alumno será capaz de identificar las herramientas que permiten resolver problemas de
Más detallesProgramación Lineal III. Análisis Post-Optimal
Programación Lineal III. Análisis Post-Optimal P.M. Mateo y David Lahoz 7 de mayo de 009 En este tema se estudia al análisis post-optimal, qué ocurre en un problema de programación lineal que ya hemos
Más detallesConjuntos y funciones convexas
Conjuntos y funciones convexas Un conjunto X R n se dice convexo si para todo par de puntos x 1 y x 2 en X, λ x 1 + ( 1- λ) x 2 X, para todo λ [0,1] Qué significa esto geométricamente? Un punto λ x 1 +
Más detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detallesAlgunos conceptos que utilizaremos en lo sucesivo son: Sistema de restricciones lineales: conjunto de todas las restricciones.
A partir del planteamiento del problema de Programación Lineal expresado en su formulación estándar, vamos a estudiar las principales definiciones y resultados que soportan el aspecto teórico del procedimiento
Más detalles