OBJETIVOS:
Podemos encontrar los valores ptimos para los cuales una produccin
consuma el mnimo de recursos, o bien para maximizar los ingresos entre
otros.
Maximizar las utilidades de una empresa o para reducir al mnimo sus
costes de produccin.
1
PROGRAMACIN LINEAL AVANZADA
2
1.1. Desde puntos extremos hasta soluciones bsicas
Conviene expresar el problema lineal general en forma de ecuacin con notacin
matricial. Se define X como un -vector que representa las variables; A como matriz de
( ) que representa los coeficientes de restriccin, y C como un -vector que
representa los coeficientes de la funcin objetivo. Entonces el programa lineal se escribe
como sigue:
Maximizar o minimizar z = CX
sujeta a =
Al usar el formato del captulo 3 (vase tambin la figura 4.1), siempre se puede
hacer que las m columnas de la extrema derecha de A representen la matriz identidad
I mediante arreglos adecuados de las variables de holgura y artificiales asociadas con
la solucin bsica de arranque.
Una solucin bsica de = se determina igualando variables a cero,
y resolviendo las ecuaciones resultantes con las incgnitas que quedan, siempre
que la solucin obtenida sea nica. Dada esta definicin, la teora de la programacin
lineal establece la siguiente relacin entre la definicin geomtrica de puntos extremos,
y la definicin algebraica de soluciones bsicas:
Puntos extremos de { = } Soluciones bsicas de =
La relacin indica que los puntos extremos del espacio de soluciones del
programa lineal estn totalmente definidos por las soluciones bsicas del sistema AX =
b, y viceversa. Se llega entonces a la conclusin de que las soluciones bsicas de AX
= b contienen toda la informacin necesaria para determinar la solucin ptima del
problema lineal. Adems, si se impone la restriccin de no negatividad X 0, la
bsqueda de la solucin ptima se confina slo a las soluciones bsicas factibles.
Para formalizar la definicin de una solucin bsica, se puede expresar el
sistema = en forma vectorial como sigue:
3
El vector es la es la -sima columna de A. Se dice que un subconjunto de
vectores forma una base B, si y slo si esos vectores son linealmente independientes.
En este caso, la matriz B es no singular. Si es el conjunto de variable asociado
con los vectores de B no singular, entonces debe ser una solucin bsica. En este
caso,
=
Ejemplo
Determinar y clasificar (en factible y no factible) todas las soluciones bsicas del
siguiente sistema de ecuaciones:
4
Cada uno de 1 , 2 , 3 , Y, y b es un vector bidimensional que se puede
representar, en forma genrica, como (1 , 2 ) . En la figura 7.3 se grafican estos
vectores en el plano (1 , 2 ). Por ejemplo, para b = (4, 2) , 1 = 4 y 2 = 2
Como se manejan dos ecuaciones ( = 2), una base debera incluir
exactamente dos vectores, seleccionados entre y 1 , 2 , 3 . Segn la figura 7.3, las
combinaciones (1 , 2 ) y (2 , 3 ) forman bases, porque sus vectores asociados son
independientes, en la combinacin (1 , 3 ) los dos vectores son dependientes y en
consecuencia no forman una base.
5
1.2. Tabla simplex generalizada en forma matricial
En esta seccin se usarn matrices para desarrollar la tabla simplex general.
Esta representacin ser la base para desarrollos posteriores en el captulo.
Se tiene la programacin lineal en forma de ecuacin:
Maximizar = , sujeta a = , 0
El problema se puede escribir en forma equivalente como sigue:
6
2. MTODO SMPLEX MODIFICADO
En la seccin 7.1.1 se demuestra que la solucin ptima de un programa lineal
siempre est asociada a una solucin bsica (factible). La bsqueda del ptimo con el
mtodo simplex se inicia seleccionando una base B factible, y pasando entonces a otra
base B factible, que conduce a un valor mejor (o cuando menos, a uno no peor) de la
funcin objetivo. Al continuar de esta manera se llega al final a la base factible ptima.
Los pasos iterativos del mtodo simplex modificado o revisado son exactamente
iguales que en la tabla del mtodo simplex. La diferencia principal es que los clculos
del mtodo modificado se basan en lgebra de matrices, y no en operaciones de
rengln. El uso del lgebra de matrices reduce el efecto adverso del error de redondeo
de las mquinas, al controlar la exactitud de clculo de . Este resultado se debe a
que, toda la tabla simplex se puede calcular a partir de los datos originales y con .
en ese momento. En el mtodo de la tabla simplex del captulo 3, cada cuadro se genera
partiendo del inmediato anterior, lo que tiende a empeorar el problema del error de
redondeo.
2.1. Desarrollo de las condiciones de optimalizad y factibilidad
El problema lineal general se puede plantear como sigue:
7
Cuando se selecciona el vector con la condicin de optimalidad para
entrar a la base, su variable asociada aumentar sobre el nivel cero. Al mismo
tiempo, todas las variables no bsicas restantes quedan en el nivel cero. As, la
i-sima ecuacin de restriccin se reduce a
8
En caso contrario, aplique la condicin de optimalidad y determine la
variable entrante como la variable no bsica con el valor ms negativo de
en caso de maximizacin, y ms positivo en caso de minimizacin.
3. DUALIDAD
Hemos manejado el problema dual a un nivel elemental en el captulo 4. En esta
seccin se presenta un tratamiento ms riguroso de la dualidad, que nos permite
verificar las relaciones primal-duales que formaban la base del anlisis de sensibilidad.
Tambin esta presentacin establece las bases del desarrollo de la programacin
paramtrica.
3.1. Definicin matricial del problema dual
Suponga que el problema primal, en forma de ecuacin con m restricciones y n
variables se define como sigue:
Si el vector = (1 , 2 . , ) representa las variables duales, producen el
siguiente problema dual:
Minimizar w = Yb
sujeta a
Y no restringida
Observe que algunas de las restricciones pueden saltarse la Y no
restringida.
3.2. Solucin dual ptima
En esta seccin se establecen las relaciones entre los problemas primal y dual,
y se indica cmo se puede determinar la solucin dual ptima a partir de la solucin
primal ptima. Sea B la base primal ptima actual, y defnase C como los coeficientes
de la funcin objetiva asociados con el vector ptimo X
4. PROGRAMACIN LINEAL PARAMTRICA
La programacin lineal paramtrica es una extensin de los procedimientos de
anlisis de, P sensibilidad. Investiga el efecto de variaciones continuas predeterminadas
en los coeficientes de la funcin objetivo, y el lado derecho de las restricciones, sobre la
solucin ptima.
9
Supongamos que el problema lineal se define como
10
Comenzaremos presentando la idea principal del mtodo de Karmarkar, para
despus describir los detalles de cmputo del algoritmo.
5.1. Idea bsica del algoritmo del punto interior
Considrese el siguiente ejemplo (trivial):
Maximizar = 1
sujeta a 0 1 2
Si se usa 2 como variable auxiliar, se puede reexpresar el problema como
sigue:
11
Algoritmo en un punto no ptimo. Esto es, bsicamente, lo que se logra con el
algoritmo del punto interior de Karmarkar.
12
Karmarkar proporciona modificaciones que permiten resolver el problema
cuando no se satisface la segunda condicin. No presentaremos aqu esas
modificaciones.
En el siguiente ejemplo se ilustra cmo se puede poner una programacin lineal general
en la forma homognea AX = 0 con 1X = 1, con lo cual tambin se tiene a = ( , , )
como solucin factible (condicin 1). En un segundo ejemplo se muestra cmo se puede
hacer que la transformacin satisfaga las dos condiciones, aunque los clculos son
tediosos.
6. CONCLUSIONES
13