Optimización de Problemas de Producción

Transcripción

1 Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR / 29

2 Método Simplex Fundamentos del método Simplex: formulación, soluciones factibles, básicas y óptimas. Interpretación geométrica. Algoritmo del método Simplex. multiplicadores Simplex, precios sombra y nociones de dualidad / 29

3 Método Simplex Formulación estándar de un PL: min c T x Ax = b x 0 c y x vectores en R n. Matriz A en R m,n de rango m con m con m n. Formulaciones con desigualdades, / 29

4 Método Simplex Soluciones factibles: los x R n que cumplen las restricciones. Definen lo que se denomina región factible. Soluciones óptimas: Aquellas soluciones factibles x para las cuales c T x c T x, para cualquier x de la región factible. El conjunto de soluciones factibles forman un politopo convexo en R n (en R 3 es un poliedro) / 29

5 Método Simplex Teorema Fundamental de la Programación Lineal: Si un problema de PL tiene solución óptima finita, entonces existe una solución óptima que está en un vértice del politopo convexo. En el caso de que haya más de una solución óptima, entonces hay infinitas soluciones óptimas / 29

6 Método Simplex Los vértices de la región factible se corresponden con las llamadas soluciones básicas factibles (BFS por sus siglas en inglés). Las BFS son aquellas soluciones factibles x que se pueden representar como un conjunto de columnas de la matriz A linealmente independiente (restricciones activas). Llamaremos matriz básica B a [A,j R n tal que x j > 0] 1 l.i. 1 A,j es el vector columna j de la matriz A / 29

7 Método Simplex Formulación estándar de un PL para BFS: min z Bx B + Nx N = b c T B x B + c T N x N z = 0 x B 0, x N = 0 B es una matriz de R m,n con rango m y no singular (existe la matriz B 1 B = I) / 29

8 Método Simplex Formulación canónica min z Ix B + B 1 Nx N = B 1 b (c T N ct B B 1 N)x N z = x B 0, x N = 0 c T B B 1 b / 29

9 Método Simplex Tableau inicial con variables artificiales: x B x N y LD B N I b c T B c T N / 29

10 Método Simplex Tableau final con base B óptima: x B x N y LD I B 1 N B 1 B 1 b 0 c T N ct B B 1 N c T B B 1 c T B B 1 b / 29

11 Método Simplex Idea del algoritmo: comenzando en una BFS, recorrer las BFS adyacentes una a la vez, hasta que se cumpla una de las condiciones de finalización: se encontró una solución óptima o bien el problema es no acotado. Observación 1: Hay una cantidad finita de soluciones básicas factibles (vértices del politopo convexo que forma la región factible). Observación 2: El valor de la función objetivo en cada paso es mejor o igual que en el paso anterior / 29

12 Método Simplex Para cada matriz básica B, la solución básica factible correspondiente esta dada por: x B = B 1 b 0, x N = 0 Para la solución óptima se cumple que: c T B = 0, c T N = c T N pn = c T N c T BB 1 N 0 con c el vector de costos reducidos y p los multiplicadores del simplex o precios sombra / 29

13 Método Simplex Entra a la base alguna variable no básica x Nk para la que se cumple que: c Nk < 0 Sale la variable básica x Bi para la cual se cumple que: { } b i min, ā ik > 0 con Ā = B 1 N. i ā ik En nuevo valor objetivo se reduce en c Nk x Nk < 0. Si no existe un ā ik > 0 el problema es no acotado / 29

14 Algoritmo del Método Simplex 1 Determinar una BFS inicial (Fase 1) 2 2 Si todos los costos reducidos son no negativos: FIN. 3 Determinar variable no básica k que entra a la base. 4 Si no existe ā ik > 0, entonces el problema es no acotado: FIN. 5 Determinar variable básica que sale de la base. 6 Actualizar la tabla mediante pivoteo. 7 Volver a 2. 2 Considera el problema auxiliar de minimizar la suma de las variables de holgura. Si el valor óptimo es 0, se pasa a fase 2. En caso contrario, el problema no tiene solución factible / 29

15 Algoritmo del Método Simplex Empíricamente el algoritmo termina en promedio en una cantidad de pasos (pivoteos) que está entre m y 3m iteraciones, con m la cantidad de restricciones. El orden del algoritmo en el peor caso es no polinomial. Existen implementaciones más eficientes computacionalmente, como por ejemplo la de Simplex Revisado / 29

16 Método Simplex y Dualidad Para todo problema PL P se puede definir otro problema de PL D que se llama problema Dual. El original se denomina Primal. Teorema: Si P tiene solución óptima, entonces D tiene solución óptima y el valor óptimo de ambos coincide. El tableau final del Método Simplex aplicado al problema primal P nos da también la solución del problema dual D / 29

17 Método Simplex y Dualidad Primal: Dual: (P) (D) min c T x Ax = b x 0 max λ T b λ T A c T λ R n / 29

18 Método Simplex λ T = c T B B 1 es solución óptima del problema D, con B la matriz básica optimal del problema P. λ T A = [λ T B, λ T N] = [c T B, c T BB 1 N] [c T B, c T N] = c T λ T b = c T BB 1 b = c T Bx B p = c T B B 1 son los Multiplicadores Simplex que aparecen en la última fila del tableau final del algoritmo del Método Simplex / 29

19 Método Simplex: Ejemplo Una empresa produce 3 tipos de productos x, y, z para los cuales necesita 2 tipos de recursos b 1 y b 2 de acuerdo a la siguiente tabla: x y z Máx. b 1 1/ b Precio La empresa desea maximizar la venta de los productos cumpliendo con las restricciones de los recursos con los que dispone / 29

20 Método Simplex: Ejemplo (P) max sujeto a: 6x + 14y + 13z 1 2 x + 2y + z 24 x + 2y + 4z 60 x, y, z / 29

21 Método Simplex: Ejemplo (P ) min sujeto a: 6x 14y 13z 1 2 x + 2y + z + s 1 = 24 x + 2y + 4z + s 2 = 60 x, y, z, s 1, s / 29

22 Método Simplex: Ejemplo Tableau #1 sale x y z s 1 s 2 LD 1/ F II -3/ F I entra / 29

23 Método Simplex: Ejemplo Tableau #2 sale x y z s 1 s 2 LD 1/4 3/ /4 9 1/4 1/ / /4-15/ /4 195 F II -1/4-3/ /4-9 F I entra / 29

24 Método Simplex: Ejemplo Tableau #3 sale x y z s 1 s 2 LD 1/ /3-1/6 6 1/ /3 1/3 12-3/ F II F I entra / 29

25 Método Simplex: Ejemplo Tableau #4 x y z s 1 s 2 LD / /2 294 Todos los costos reducidos son no negativos: FIN / 29

26 Método Simplex: Ejemplo (D) min 24λ λ 2 sujeto a: 1 2 λ 1 + λ 2 6 2λ 1 + 2λ 2 14 λ 1 + 4λ 2 13 λ 1, λ / 29

27 Método Simplex: Ejemplo B = ( 1/ ) B 1 = ( /2 ) c T B = ( 6 13) p = c T BB 1 = (11 1/2) = λ T / 29

28 Método Simplex: Ejemplo Los Multiplicadores Simplex se pueden interpretar como el valor asignado a los recursos. Por eso se denominan también Precios Sombra. En el ejemplo anterior, el valor o costo marginal del recurso b 1 es de 11 unidades y el del recurso b 2 es de 0, 5 unidades. Los precios sombra son los precios máximos que la empresa debería pagar por esos recursos. Por cada nueva unidad de recurso, el valor óptimo mejora según los costos marginales de cada nueva unidad / 29

29 Método Simplex: Bibliografía "Linear Programming and Extensions", G.B. Dantzig, Princeton University Press, "Programación Lineal y No Lineal", David G. Luenberger, Addison-Wesley Ed., 2da edición. "Linear Programming", Katta G. Murty, Wiley Ed., 1era edición. "Applied Mathematical Programming", Bradley, Hax and Magnati, Addison-Wesley Ed., disponible en / 29