INVESTIGACION DE OPERACIONES

PROF.: FELIPE LILLO V. ING. CIVIL INDUSTRIAL flillo@hualo.ucm.cl

INVESTIGACION DE OPERACIONES Programa del Curso

DESCRIPCION

El curso trata principalmente sobre la aplicacin de los modelos usuales de Investigacin de Operaciones en la solucin de problemas reales, tales como modelos de Programacin Lineal, Problemas de Transporte y Asignacin, Simulacin y Teora de Inventarios.
OBJETIVOS Aplicar modelos cuantitativos en la resolucin de problemas de administracin. Optimizar soluciones usando la Investigacin de Operaciones. Conocer el potencial que presenta la simulacin en el diseo de procesos. Conocer los sistemas de manejo de inventarios basados en demanda conocida. METODOLOGA Clases expositivas para conceptos tericos con discusiones sobre cada tema. Practicas en laboratorio , donde se conocern diversos software de apoyo a la I.O.

INVESTIGACION DE OPERACIONES Programa del Curso

CONTENIDOS .Introduccin a la Investigacin de Operaciones Definicin de I.O. Historia de la I.O. Campos de aplicacin. 2.Formulacin matemtica Metodologa para la generacin de modelos. Formulaciones matemticas tpicas presentes en la P.L. 3.Programacin Lineal Definicin de P.L. Mtodos de Resolucin: Mtodo grfico Mtodo algebraico (simplex) Anlisis de sensibilidad. Problemas especiales de P.L: Problemas de transporte Problemas de asignacin 4. Introduccin a la Simulacin Definicin de la simulacin Gua para proyectos de simulacn. Simulacn de Monte Carlo Modelos con incrementos de tiempo discretos Modelos con incrementos de tiempo variable. Softwares de Simulacin 5.Teora de Inventarios Modelos con demanda real conocida: Modelo General. Sistema de revisin continua. Sistemas de revisin peridica. Nota Final = 0.25*P1+25*P2+0.2T+0.30*PG P1 / P2: Notas pruebas parciales T: Promedio trabajos practicos. PG: Prueba global FECHAS Prueba 1: 02 de Octubre del 2003 Prueba 2: 27 de Noviembre del 2003 P. Global: 04 de Diciembre del 2003 BIBLIOGRAFIA
Titulo: Investigacin de Operaciones Autor: Hamdy Taha Editorial: Prentice Hall / sexta edicin. Ao: 1998 Titulo: Administracin de Operaciones Autor: Roger Schroeder Editorial: Mc Graw Hill. / 3 edicin / Ao: 1999

INVESTIGACION DE OPERACIONES

Definicin: Conjunto de tcnicas matemticas y estadsticas aplicable a diversos sistemas con el fin de mejorarlos, buscando las mejores alternativas de accin; esto mediante el modelamiento matemtico de los problemas en estudio.

Sistemas v/s Procesos

Proceso: Conjunto de Actividades que crean una Salida
o Resultado a partir de una o ms Entradas o Insumos.

Sistema: Un Conjunto de Elementos interconectados

utilizados para realizar el Proceso. Incluye subprocesos pero tambin incluye los Recursos y Controles para llevar a cabo estos procesos. En el diseo de Procesos nos enfocamos en QU se ejecuta. En el diseo del Sistemas el nfasis est en los detalles de CMO, DNDE Y CUNDO.

Sistemas v/s Procesos

Reglas de Operacin (Controles)

Sistema

Entidades que Entran

Actividades

Entidades que Salen

Recursos

Modelos
Con el propsito de estudiar cientficamente un sistema del mundo real debemos hacer un conjunto de supuestos de cmo trabaja.

Estos supuestos, que por lo general toman la forma de relaciones matemticas o relaciones lgicas, constituye un Modelo que es usado para tratar de ganar cierta comprensin de cmo el sistema se comporta.

INVESTIGACION DE OPERACIONES

INVESTIGACION DE OPERACIONES Clasificacin de los modelos

Existen mltiples tipos de modelos para representar la realidad. Algunos son: Dinmicos: Utilizados para representar sistemas cuyo estado vara con el tiempo. Estticos: Utilizados para representar sistemas cuyo estado es invariable a travs del tiempo. Matemticos: Representan la realidad en forma abstracta de muy diversas maneras. Fsicos: Son aquellos en que la realidad es representada por algo tangible, construido en escala o que por lo menos se comporta en forma anloga a esa realidad (maquetas, prototipos, modelos analgicos, etc.). Analticos: La realidad se representa por frmulas matemticas. Estudiar el sistema consiste en operar con esas frmulas matemticas (resolucin de ecuaciones). Numricos: Se tiene el comportamiento numrico de las variables intervinientes. No se obtiene ninguna solucin analtica.

INVESTIGACION DE OPERACIONES Clasificacin de los modelos

Continuos: Representan sistemas cuyos cambios de estado son graduales. Las variables intervinientes son continuas. Discretos: Representan sistemas cuyos cambios de estado son de a saltos. Las variables varan en forma discontinua. Determinsticos: Son modelos cuya solucin para determinadas condiciones es nica y siempre la misma. Estocsticos: Representan sistemas donde los hechos suceden al azar, lo cual no es repetitivo. No se puede asegurar cules acciones ocurren en un determinado instante. Se conoce la probabilidad de ocurrencia y su distribucin probabilstica. (Por ejemplo, llega una persona cada 20 10 segundos, con una distribucin equiprobable dentro del intervalo).

INVESTIGACION DE OPERACIONES Clasificacin de los modelos

Es interesante destacar que algunas veces los modelos y los sistemas no pertenecen al mismo tipo. Por ejemplo: El estudio del movimiento del fluido por una caera (Fluidodinmica)

corresponde a sistemas continuos. Sin embargo si el fluido se lo discretiza

dividindolo en gotas y se construye un modelo discreto por el cual circulan gotas de agua (una, dos, diez, cien, mil) se est representando un sistema continuo por un modelo discreto.

INVESTIGACION DE OPERACIONES Clasificacin de los modelos

La obtencin del rea bajo la curva representada por f(x,y)=0 para el rango 0 <= x <= 1 con 0 <= y <= 1 en todo el intervalo, es un problema determinstico. Sin embargo, para un nmero N, suficientemente grande de puntos, de coordenadas x,y generadas al azar (0 <= x <= 1; 0 <= y <= 1) el rea de la curva, aplicando el mtodo de Monte Carlo, es igual a:

En este caso, mediante un modelo estocstico se resuelve un sistema determinstico.

INVESTIGACION DE OPERACIONES Clasificacin de los modelos

El azar en computadora es pseudo azar: Mediante un algoritmo matemtico se generan nmeros al azar con una distribucin aleatoria similar a la real. Se los puede utilizar en los modelos estocsticos obteniendo similares resultados a los que se obtienen en el sistema real. Sin embargo, este azar es repetitivo (cualquiera que conoce el algoritmo puede predecirlo) lo cual contradice a lo que sucede en un proceso aleatorio. En este caso, un sistema estocstico es representado por un modelo pseudoazar (determinstico).

INVESTIGACION DE OPERACIONES Clasificacin de los modelos segn la I.O.

Modelo Matemtico Es aquel modelo que describe el comportamiento de un sistema a travs de relaciones matemticas y supone que todas las variables relevantes son cuantificables. Por ende tiene una solucin optima. Modelo de Simulacin Es un modelo que imita el comportamiento de un sistema sobre un periodo de tiempo dado, esta basado en observaciones estadsticas. Este tipo de modelo entrega soluciones aproximadas.

Modelo Heurstico Es una regla intuitiva que nos permite la determinacin de una solucin mejorada, dada una solucin actual del modelo, generalmente son procedimientos de bsqueda. Este tipo de modelo tambin entrega soluciones aproximadas.

INVESTIGACION DE OPERACIONES Tpicos relacionados

Anlisis Estadstico Simulacin Programacin Lineal Sistema de Redes Lneas de Espera Problemas de Inventario Programacin No - Lineal Programacin Dinmica Programacin Entera Teora de Decisiones Teora de Juegos

INVESTIGACION DE OPERACIONES El Arte del Modelado

La I.O debe ser considerada como una ciencia y la vez como un arte. Una ciencia por el uso de tcnicas matemticas para la resolucin de los problemas. Un arte ya que la formulacin del modelo depende en gran parte de la creatividad y la experiencia delas operaciones del equipo investigador.

INVESTIGACION DE OPERACIONES Etapas para puesta en prctica

1. Definicin del problema: Alternativas de decisin (vars. de decisin). El objetivo de estudio (Funcin Objetivo). Identificacin de las restricciones del sistema que se modela. 2. Construccin del modelo: Traducir el problema a relaciones matemticas que incluyan las vars. decisin, la Funcin Objetivo y las restricciones.

3. Solucin del modelo: Uso de algoritmos de optimizacin. Se encuentran los valores de las vars. decisin.
4. Validacin del modelo: El modelo entrega una prediccin razonable del comportamiento del sistema estudiado? 5. Puesta en prctica: Traducir los resultados del modelo en instrucciones de operacin.

PROGRAMACIN LINEAL

PROGRAMACION LINEAL FORMULACION MATEMATICA PROBLEMA GENERAL METODO GRAFICO METODO ALGEBRAICO (SIMPLEX) PROBLEMAS ESPECIALES PROBLEMAS DE TRANSPORTE PROBLEMAS DE ASIGNACIN

PROGRAMACIN LINEAL
Es un mtodo matemtico que se emplea para resolver problemas de optimizacin. En palabras simples la P.L. busca asignar recursos limitados, entre actividades que compiten, de la forma mas optima posible.

Supuestos de la P.L. Proporcionalidad Aditividad Divisibilidad Certidumbre Objetivo nico No negatividad

PROGRAMACIN LINEAL Construccin de modelos

PROBLEMA DE LA MEZCLA DE PRODUCTOS Una compaa fabrica dos tipos de componentes electrnicos: transistores y bobinas. Cada transistor requiere un minuto de tiempo en el departamento de ensamble, dos minutos de tiempo en el departamento de Control de Calidad y un minuto de tiempo en empaque. Cada bobina requiere dos minutos de tiempo en ensamble, un minuto de tiempo en Control de Calidad y dos minutos en empaque. Existe un total de 300 minutos en Ensamble, 400 minutos en C. Calidad y 400 minutos en Empaque disponibles cada da. Tanto los transistores como las bobinas contribuyen en un dlar a la utilidad. La compaa desea determinar la mezcla de productos optima que maximice la utilidad total.

PROGRAMACIN LINEAL Construccin de modelos

Solucin:

Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar Maximizar las utilidades de la compaa (U).{dlares/da} Paso 2: Identificar las variables de decisin que deseamos determinar

X.Cantidad de transistores a fabricar por da {unds./da}

Y.Cantidad de bobinas a fabricar por da {unds./da} Paso 3: Identificar las restricciones del modelo R1) Tiempo disponible en el depto. de Ensamble por da 300 min. R2) Tiempo disponible en el depto. de C. Calidad por da de 400 min. R3) Tiempo disponible en el depto. de Empaque por da de 400 min. R4) No Negatividad.

PROGRAMACIN LINEAL Construccin de modelos

Paso 4: Construccin del modelo matemtico

F.Objetivo
MAX { U = X + Y } Sujeto a : R1) X + 2Y 300 R2) 2X + Y 400 R3) X + 2Y 400 R4) X , Y 0

PROGRAMACIN LINEAL Construccin de modelos

EJERCICIO PROPUESTO

El departamento de rayos X de un hospital tiene dos mquinas, A y B, que

pueden utilizarse para revelar radiografas. La capacidad de procesamiento diaria de estas mquinas es A=80 y B=100 radiografas. El departamento debe planear procesar al menos 150 radiografas por da. Los costos de operacin por

radiografa son $4 para la mquina A y $3 para la mquina B. Cuntas

radiografas por da debe procesar cada mquina para minimizar costos? Se pide: Formular como un problema de P.L. identificando claramente la funcin objetivo y

las variables de decisin.

PROGRAMACIN LINEAL Construccin de modelos

Solucin:

Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar Minimizar los costos de procesamiento (C).{dlares/da} Paso 2: Identificar las variables de decisin que deseamos determinar

X.Cantidad de radiografas a procesar en mquina A al da {rad./da}

Y. Cantidad de radiografas a procesar en mquina B al da {rad./da} Paso 3: Identificar las restricciones del modelo R1) Capacidad de procesamiento de rad. en la maquina A de 80. R2) Capacidad de procesamiento de rad. en la maquina B de 100. R3) Capacidad mnima del departamento de 150 rad. por da. R4) No Negatividad.

PROGRAMACIN LINEAL Construccin de modelos

Paso 4: Construccin del modelo matemtico

F.Objetivo
M IN { C = 4X + 3Y } Sujeto a : R1) X R2) Y

80 100 150

R3) X + Y R4) X , Y 0

PROGRAMACIN LINEAL Construccin de modelos

PROBLEMA DE LA DIETA

La compaa OF utiliza diariamente por lo menos 800 libras de alimento especial.

El alimento especial es una mezcla de maz y semilla de soya, con las siguientes composiciones.
libra componente por libra de alimento ganado
A. ganado Proteinas Fibra Costo US$/lb

Maz Similla Soya

0.09 0.60

0.02 0.06

0.30 0.90

PROGRAMACIN LINEAL Construccin de modelos

Los requerimientos dietticos diarios de alimento especial estipulan por lo menos un 30% de protenas y cuando mucho un 5% de fibra. OF desea determinar el costo mnimo diario de la mezcla de alimento.

.?

PROGRAMACIN LINEAL Construccin de modelos

Solucin:

Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar Minimizar el costo diario total de la mezcla de alimento(C).{dlares/da} Paso 2: Identificar las variables de decisin que deseamos determinar

X.libras de maiz en la mezcla diaria {lb./da}

Y. Libras de semilla de soya en la mezcla diaria {lb./da} Paso 3: Identificar las restricciones del modelo R1) Requerimientos de alimentos de por lo menos 800 lbs.al da R2) Requerimiento de protenas de por lo menos un 30% R3) Requerimientos de fibra de cuando mucho un 5%. R4) No Negatividad.

PROGRAMACIN LINEAL Construccin de modelos

Paso 4: Construccin del modelo matemtico

F.Objetivo
M IN { C = 0.3X + 0.9Y } Sujeto a : R1) X + Y R2) 0.09X + 0.6Y R3)0.02 X + 0.06Y R4) X , Y

800 0.3(X + Y) 0.05(X + Y) 0

PROGRAMACIN LINEAL Construccin de modelos

Paso 4.1: Construccin del modelo matemtico (ORDENADO)

F.Objetivo
M IN { C = 0.3X + 0.9Y } Sujeto a : R1) X + Y R2) 0.21X - 0.30Y R3)0.03 X - 0.01Y R4) X , Y

800 0 0 0

PROGRAMACIN LINEAL Construccin de modelos

PROBLEMA DE TRANSPORTE

Considere el problema que enfrenta el departamento de planificacin de la

compaa DALLAS S.A. ,que tiene tres plantas y cuatro almacenes regionales. Cada mes se requiere de una lista de requerimientos de cada almacn y se conocen, tambien las capacidacdes de produccin de las plantas. Ademas se

conoce el costo de transporte de cada planta a cada almacn. El problema es

determinar qu plantas deben abastecer a que almacenes de manera que minimicen los costos totales de transporte. Consideremos que los costos de transporte entre dos ciudades cualquiera, son proporcionales a las cantidades embarcadas. Supongase que las capacidades mensuales de cada planta son 70, 90 y 180 respectivamente. Los requerimientos de cada almacn para el mes de Marzo son: 50, 80, 70 y 140. Los costos unitarios de transporte son los que se muestran en la tabla siguiente:

PROGRAMACIN LINEAL Construccin de modelos

Planta 1 2 3 1 19 70 40 Almacn 2 30 30 8

3 50 40 70

4 10 60 20

Se pide:
Formular como un PPL.

PROGRAMACIN LINEAL Construccin de modelos

Paso 4.1: Construccin del modelo matemtico F.Objetivo

Min{C=19X11+70X21+40X31+30X12+30X22+8X32+50X13+40X23+70X33+10X14+60X24+20X34}
Sujeto a : R1) X11+X12+X13+X14 R2) X21+X22+X23+X24

70 90

R3) X31+X32+X33+X34
R4) X11+X21+X31 R5) X12+X22+X32 R6) X13+X23+X33

180
50 80 70

R7) X14+X24+X34
R8) Xij

140
0

i,j

Modelo General de PL
Definicin de variables: Sea xj = #.... ; j = 1, 2, 3....n Funcin objetivo: Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn Sujeto a restricciones: i = 1, 2, 3, ... , m a11X1 + a12X2 + ... + a1jXj + ... + a1nXn a21X1 + a22X2 + ... + a2jXj + ... + a2nXn . . ai1X1 + ai2X2 + ... + aijXj + ... + ainXn = . . am1X1 + am2X2 + ... + amjXj + ... + amnXn = Condiciones de signo para variables: toda xj 0 m = # total de restricciones, n = # de variables de decisin (originales) Cj, aij y bi son constantes (o parmetros) dados.
8

= =

b1 b2

bi

bm

Mtodos de Resolucin
Mtodo Grfico Empleado principalmente para PPL con dos variables de decisin. Este mtodo se basa en la idea de obtener regiones de soluciones factibles (RSF), en las cuales se encontrara la combinacin de variables de decisin que optimizan el modelo.

Mtodo Algebraico (SIMPLEX) Empleado principalmente para PPL con ms de dos variables de decisin. Este mtodo se desarrollo con base en el mtodo grfico y corresponde a un sistema heurstico, por lo cual requiere de una solucin inicial factible para empezar a funcionar.

Mtodos de Resolucin
GRAFICO
Maximize Z = 400X1 + 800 X 2
Sujeto a:

Where 3X1 + 5X 2 5,000 Fab R1) Z = the monthly profit from Max and Multimax 3,000 Assy X =R2) number + Max2produced each month the X1 of 4X
1

X1 , X 2 0 Nonnegativity R3) X 2 = the number of Multimax produced each month

Mtodo de Resolucin: Paso 1

Grficar las restricciones
X2 3,000
Fab R1 X1 0 1,666.7 Assy R2 X1 0 3,000 X2 1,000 0

2,000

1,000 A

X2 750 0

B C 2,000

0,0

1,000

3,000

X1

10

PROGRAMACIN LINEAL Construccin de modelos

Solucin: Formulacin Paso 1: Identificar el objetivo (meta) a optimizar Minimizar el costo total de transporte (C).{u.m/mes} Paso 2: Identificar las variables de decisin que deseamos determinar Xij.Cantidad a enviar de la planta i al almacn j mensualmente {uds/mes} i = 1,2,3 / j = 1,2,3,4 Paso 3: Identificar las restricciones del modelo R1) Capacidad mensual de produccin planta 1 de 70 R2) Capacidad mensual de produccin planta 2 de 90 R3) Capacidad mensual de produccin planta 3 de 180 R4) Requerimientos del almacn 1 para Marzo de 50 R5) Requerimientos del almacn 2 para Marzo de 80 R6) Requerimientos del almacn 3 para Marzo de 70 R7) Requerimientos del almacn 4 para Marzo de 140 R8) No Negatividad.

Mtodo de Resolucin: Paso 1

Grficar las restricciones
X2 3,000
Fab R1 X1 0 1,666.7 Assy R2 X1 0 3,000 X2 1,000 0

2,000

1,000 A

X2 750 0

B C 2,000

0,0

1,000

3,000

X1

11

Mtodo de Resolucin: Paso 2

Obtener la RSF
X2 3,000
Fab R1 X1 0 1,666.7 Assy R2 X1 0 3,000 X2 1,000 0

2,000

1,000 A
RSF

X2 750 0

B C 2,000

0,0

1,000

3,000

X1

11

Mtodo de Resolucin:
X2 3,000
Premisa: el punto optimo siempre se encuentra en uno de los vrtices de la RSF.

2,000

1,000 A
RSF

B C 2,000

0,0

1,000

3,000

X1

11

Mtodo de Resolucin: Paso3

Encontrar el Punto Optimo: Alternativas
Alternativa 1 Encontrar todas las combinaciones de X1 y X2 que determinan los vrtices de la RSF, luego se evalan en la funcin objetivo y se elige la combinacin que maximice (o minimice) dicha funcin.

Alternativa 2 Grficar la F.O. dandose en valor arbitrario de Z (depende de la escala del grfico), luego la recta se desplaza en forma paralela en el sentido estricto de la optimizacin. El ultimo punto que tope la F.O al salir de la RSF corresponder a la solucin optima.

13

Mtodo de Resolucin: Paso3

Encontrar el Punto Optimo(1)
X2 3,000

2,000

1,000 A Z=320.000

B C 2,000

0,0

1,000

3,000

X1

13

Mtodo de Resolucin: Paso 3

Encontrar el Punto Optimo (2)
X2 3,000

2,000 Optimal Point 1,000 A B C 2,000

0,0

1,000

3,000

X1

14

Mtodo de Resolucin: Paso 3

Encontrar el Punto Optimo (3)
X2 3,000

2,000

El punto optimo (B) se encuentra en la interseccin de las dos rectas

B C 2,000

1,000 A

3X1 + 5X 2 5,000 X1 + 4X 2 3,000

3,000 X1

Fab Assy

0,0

1,000

3X1 + 12X 2 9,000 Assy 3X1 + 5X 2 5,000 Fab 7X 2 4,000 X 2 = 571.43, or 571 Multimax X1 = 5000 - 5(571) 715 Max 3
15

RESULTADOS
Max Z = 400X1 + 800 X 2 Z = 400(715) + 800 (571) Z = $286,000 + $456,800 = $742,800

X1=715 X2=571 Z =742,800.

16

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
El mtodo smplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el desarrollo de la computadora hizo posible la solucin de problemas grandes planteados con la tcnica matemtica de programacin lineal. El algoritmo denominado smplex es la parte medular de este mtodo; el cual se basa en la solucin de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss-Jordan y apoyado con criterios para el cambio de la solucin bsica que se resuelve en forma iterativa hasta que la solucin obtenida converge a lo que se conoce como ptimo.. El conjunto de soluciones factibles para un problema de P.L. es un conjunto convexo. La solucin ptima del problema de programacin lineal , si existe, es un punto extremo (vrtice) del conjunto de soluciones factibles. El nmero mximo de puntos extremos (vrtices) por revisar en la bsqueda de la solucin ptima del problema es finito.

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Estndar de un PPL

La forma estndar pasa por realizar los siguientes cambios:

1 Conversin de desigualdades en igualdades (ecuaciones) a.- Restriccin menor o igual ()

Para transformar este tipo de restriccin a una ecuacin de tipo igualdad se debe aumentar
su lado izquierdo con una variable de holgura. Esta representa la cantidad disponible del recurso que excede al empleo que le dan las actividades. Ej. 6X1 + 4X2 24 F.e 6X1 + 4X2 + h1 = 24 h1 0 (h1 cantidad no utilizada de recurso)

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
b.- Restriccin mayor o igual () Las restricciones de este tipo comnmente determinan requerimientos mnimos de especificaciones. En este caso se debe incorporar una variable de supervit que representa el requerimiento mnimo del lado izquierdo, sobre el requerimiento mnimo del derecho ( cuanto falta para cumplir con lo pedido). Ej. X1 + X2 800 X1 + X2 - r1 = 800 r1 0 Sin embargo la F.E pasa por hacer un ajuste ms: F.E X1 + X2 - r1 + t1 = 800 r1, t1 0 t1 = variable artificial (se necesita para generar la solucin inicial del simplex)

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
d.- Restriccin de igualdad (=) Aqu la estandarizacin pasa slo por incorporar una variable artificial. Ej. X1 + X2 = 800 X1 + X2 + t1 = 800 t1 0 Como las variables artificiales no tienen sentido, es importante que el simplex las deje fuera al comienzo del procedimiento y esto se logra al penalizar la inclusin de las variables

artificiales en la funcin objetivo con un coeficiente M muy grande que para el caso de
maximizar es M y para el caso de minimizar es + M.

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
2 Cambios de variables a.- Variables no restringidas Algunas veces las variables de decisin pueden tomar cualquier valor real. Xi s.r.s

Cambio de variable
Xi = Ui Vi Ui . Parte positiva de Xi Vi . Parte negativa de Xi Ej.

X1 + X2 24
X1 0, X2 s.r.s Luego X2 = U2 V2 F.E. X1 + U2 V2 + h1 = 24

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
b.- Variables negativas

Algunas veces las variables de decisin pueden tomar negativos.

Xi 0 Cambio de variable Yi = Xi Donde Yi 0

Ej.
X1 + X2 40 X1 0, X2 0 Luego Y2 = X2, o bien X2 = - Y2 F.E. X1 - Y2 + h1 = 40

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
3 Cambio en criterio de optimizacin Muchas veces el objetivo no es maximizar. MIN (Z) Cambio de variable: Z* = -Z MIN Z = MAX ( Z*) Ej. MIN [ Z = X1 + X2 ] Z* = -Z F.E MAX [ Z* = -X1 X2]

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
EJEMPLO MIN (Z = 15X1 + 10X2 20X3) S/A R1) X1+2X2+4X3 30 70

R2) 5X1+5X2+3X3 = 40 R3) X1 + X2 + X3

R4) X1 s.r.s; X20; X30

Cambios de variable:

Z* = -Z

X1=U1-V1

X2=-Y2

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Estndar

Z*

15

U1 U1

15

V1 V1

10 2 25

Y2 Y2 Y2 Y2

+ + +

20 4 3

X3 X3 X3 X3 -

+ M t1 r1 + t1

M t2

= 30 + t2 + = 40 h1 = 70

U1 U1

V1 V1

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular

BASE
z

Z
1

U1

V1

Y2

X3

r1

t1

t2

h1

SOLUCION

15

-15

-10

-20

t1

-1

-2

-1

30

t2

-5

-25

40

h1

-1

-1

70

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE
z M t1

U1

V1

Y2

X3

r1

t1

t2

h1

SOLUCION

15 0 1

-15 0 -1

-10 0 -2

-20 0 4

0 0 -1

0 1 1

0 1 0

0 0 0

0 0 30

t2

-5

-25

40

h1

-1

-1

70

Mtodos de Resolucin
ALGEBRAICO
Se una vez obtenida la F.E se esta en condiciones de iniciar el Simplex que nos permitir encontrar la (s) solucin (es) del PPL. Como el algoritmo se mueve de punto en punto extremo requiere que variables basicas entren y salgan. Las reglas para seleccionar las variables de entrada y salida se conocen

como condiciones de optimalidad y factibilidad. Resumiendo:

C. Optimalidad: la variable de entrada en un problema de maximizacin es la variable no bsica que tiene el coeficiente mas negativo en el reglon de la F.O. los empates se rompen arbritariamente. Se llega al optimo en la iteracin donde todos coeficientes del reglon de la F.O. de las variables bsicas son positivos. C. Factibilidad: tanto para los problemas de maximizacin como minimizacin, la variable de salida es la variable bsica asociada con la razn no negativa ms pequea entre los lados derecho y los coeficientes de la columna entrante.

Mtodos de Resolucin
ALGEBRAICO
Pasos del Simplex:

Paso 0

: determinar la solucin factible inicial.

Paso 1

: seleccione la variable de entrada empleando la condicin de optimalidad.

Detngase si no hay variable de entrada.

Paso 2 Paso 3

: seleccione una variable de salida utilizando la condicin de factibilidad. : determine las nuevas soluciones bsicas empleando los calculos apropiados de Gauss Jordan, luego vuelva al paso 1.

Mtodos de Resolucin
ALGEBRAICO
EJEMPLO

Max Z = 7x1 + 4x2 + 5x3

S/A 2x1 + x2 30

3x1 + 2x2 + x3
x2 + 2x3

25
20

x1 , x2 , x3 0

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE
z h1

X1

X2

X3

h1

h2

h3

SOLUCION

-7 2

-4 1

-5 0

0 1

0 0

0 0

0 30

h2

25

h3

20

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE z h1

X1

X2

X3

h1

h2

h3

SOLUCION

-7 2

-4 1

-5 0

0 1

0 0

0 0

0 30

h2

25

h3

20

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE z h1

X1

X2

X3

h1

h2

h3

SOLUCION

-7 2

-4 1

-5 0

0 1

0 0

0 0

0 30

Razn 30 / 2

h2

25

25 / 3

h3

20

___

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE z h1

X1

X2

X3

h1

h2

h3

SOLUCION

-7 2

-4 1

-5 0

0 1

0 0

0 0

0 30

Razn 30 / 2

h2

25

25 / 3

h3

20

___

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE z h1

X1

X2

X3

h1

h2

h3

SOLUCION

-7 2

-4 1

-5 0

0 1

0 0

0 0

0 30

Razn 30 / 2

h2

25

25 / 3

h3

20

___

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial

BASE z h1

X1

X2

X3

h1

h2

h3

SOLUCION

-7 2

-4 1

-5 0

0 1

0 0

0 0

0 30

Razn 30 / 2

h2

25

25 / 3

h3

20

___

PIVOTE
8

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Gauss Jordan

BASE z h1

X1

X2

X3

h1

h2

h3

SOLUCION

0 0

2 0

0 0

0 1

7/3 -2/3

4/3 1/3

85 20

X1

1/2

1/3

-1/6

h3

1/2

1/2

10

Optimo!
8

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
SOLUCIN
z X1 85 5

X2

X3

h1

20

h2

h3

10

Mtodos de Resolucin
DUAL SIMPLEX
Se basa en la idea que todo PPL tiene un problema espejo, llamado DUAL. Esto provoca que se genere un segundo algoritmo de resolucion conocido como Metodo Dual Simplex,

el cual funciona de la siguiente manera:

Condicion de Factibilidad: La variable que sale es la variable basica que tiene el valor mas negativo, si todas las variables basicas son no negativas el proceso termina y se alcanza la solucion factible - optima. Condicion de Optimalidad: La variable entrante se escoge de la manera siguiente: Calcule la razon entre los coeficientes del reglon cero y los coeficientes de la fila asociada a la variable que sale, ignore coeficientes positivos o ceros. La

variable que entra es la que posee la razon mas pequea si el problema es de

minimizacion. Si todos los denominadores son cero o positivos el problema no tiene solucion factible.

Mtodos de Resolucin
DUAL SIMPLEX
EJEMPLO MIN (Z = 2X1 + X2) S/A R1) 3X1+X2 R2) 4X1+3X2 R3) X1 + 2X2 R4) X1 0 ; X2 0 3 6 3

Forma Estndar:

Mtodos de Resolucin
DUAL SIMPLEX
Forma Estndar

-2 -3 -4

X1 X1 X1 X1

+ 3 2

X2 X2 X2 X2 + r1 + r2 +

= = = h1 =

0 -3 -6 3

Mtodos de Resolucin
DUAL SIMPLEX
Forma Tabular Especial

BASE z r1

X1

X2

r1

r2

h1

SOLUCION

-2 -3

-1 -1

0 1

0 0

0 0

0 -3

r2

-4

-3

-6

h1

Mtodos de Resolucin
DUAL SIMPLEX

BASE z r1

X1

X2

r1

r2

h1

SOLUCION

-2 -3

-1 -1

0 1

0 0

0 0

0 -3

r2

-4

-3

-6

h1

Sale mas negativa

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/4
X1

1/3
X2

0
r1

0
r2

0
h1
SOLUCION

BASE z r1

-2 -3

-1 -1

0 1

0 0

0 0

0 -3

r2

-4

-3

-6

h1

Mtodos de Resolucin
DUAL SIMPLEX
Entra razon mas pequea
RAZON

2/4
X1

1/3
X2

0
r1

0
r2

0
h1
SOLUCION

BASE z r1

-2 -3

-1 -1

0 1

0 0

0 0

0 -3

r2

-4

-3

-6

h1

Mtodos de Resolucin
DUAL SIMPLEX
Entra razon mas pequea
RAZON

2/4
X1

1/3
X2

0
r1

0
r2

0
h1
SOLUCION

BASE z r1

-2 -3

-1 -1

0 1

0 0

0 0

0 -3

r2

-4

-3

-6

h1

Mtodos de Resolucin
DUAL SIMPLEX
Gauss Jordan

BASE z r1

X1

X2

r1

r2

h1

SOLUCION

-2/3 -5/3

0 0

0 1

-1/3 -1/3

0 0

2 -1

X2

4/3

-1/3

h1

-5/3

2/3

-1

Mtodos de Resolucin
DUAL SIMPLEX

BASE z r1

X1

X2

r1

r2

h1

SOLUCION

-2/3 -5/3

0 0

0 1

-1/3 -1/3

0 0

2 -1

X2

4/3

-1/3

h1

-5/3

2/3

-1

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/5
X1

0
X2

0
r1

1
r2

0
h1
SOLUCION

BASE z r1

-2/3 -5/3

0 0

0 1

-1/3 -1/3

0 0

2 -1

X2

4/3

-1/3

h1

-5/3

2/3

-1

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/5
X1

0
X2

0
r1

1
r2

0
h1
SOLUCION

BASE z r1

-2/3 -5/3

0 0

0 1

-1/3 -1/3

0 0

2 -1

X2

4/3

-1/3

h1

-5/3

2/3

-1

Pivote

Mtodos de Resolucin
DUAL SIMPLEX
Gauss Jordan

BASE Z X1

X1

X2

R1

r2

h1

SOLUCION

0 1

0 1

-2/5 -3/5

-1/5 1/5

0 0

12/5 3/5

X2

4/5

-3/5

6/5

h1

-1

Optimo Factible!!!

Mtodos de Resolucin
DUAL SIMPLEX
Solucin:
BASE Z
SOLUCION

12/5

X1

3/5

X2

6/5

r1

r2

h1

Mtodos de Resolucin
DUAL SIMPLEX
Ejercicio Propuesto MIN (Z = 5X1 + 4X2 + 8X3) S/A R1) X1+2X2+X3 R2) 2X1+X2+X3 R3) X1 + X2 +X3 15 10 20

R4) X1 0 ; X2 0; X3 0