Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 1 MÉTODO SIMPLEX. El método simplex es un método algebraico y algorítmico diseñado para la solución de programas lineales, este se caracteriza por ser un algoritmo iterativo en el que cada iteración contribuye a mejorar la solución anterior. La aplicación del método simplex requiere de una solución de partida la que se denomina solución básica inicial sobre la cual comienzan a realizarse las iteraciones, las que se detienen cuando se alcanza a la solución optima. El algoritmo del simplex esta diseñado sobre la base que el objetivo del programa es la maximización y su estructura esta diseñada de manera tal que este utilizara la menor cantidad de iteraciones requeridas para obtener una solución optima. Este método esta generado sobre la base del álgebra matricial (asociada a la solución de sistema de ecuaciones lineales) razón por la cual la aplicación del método requiere como primer requisito que todas las restricciones asociadas al programa estén expresadas como igualdades, es decir, que el programa lineal sea estandarizado. La estandarización de un programa lineal es el proceso de transformación de las restricciones expresadas como desigualdades a igualdades, tal proceso requiere de la incorporación de las nuevas variables al programa, tanto en las restricciones como en la función objetivo, estas variables incorporadas en el programa como nuevas variables de decisión pueden ser holguras o superfluas. Variable de Holgura: es la variable de decisión que se incorpora al programa con el objeto de transformar en igual aquella restricción dada por la relación ≤ . jkk bxaxaxa ≤+++ 1212111 .................... jkk bxaxaxa =Η++++ 1212111 .................... La variable de holgura cuantifica el desperdicio del recurso es decir aquella parte del recurso no utilizada (recurso ocioso), las variables de holgura están relacionada a las restricciones de recursos. Variable Superfluas: es la variable de decisión que se incorpora al programa con el objeto de transformar en igualdad a una restricción dada por la relación . ≥ jkk bxaxaxa ≥+++ 1212111 .................... jkk bSxaxaxa =−+++ 1212111 .................... La variable superflua cuantifica la escasez de un recurso, o bien el excedente producido por las actividades, asimismo las variables superfluas están asociadas a las restricciones de beneficios. El obtener información de los recursos no utilizados o de la magnitud de la escasez, no aporta valor económico al beneficio, por lo que la incorporación de las variables de holgura y superfluas en el resultado económico, considera una contribución económica unitaria nula. OPT Z = SXCXCXC KK 00...........2211 +Η++++ UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 2 Además, es imposible que el desperdicio sea una magnitud negativa, puesto que no se puede utilizar más que el disponible de un recurso, por lo tanto, las variables de holgura deben satisfacer el principio de no negatividad. H 0 ≥ Sin embargo, la utilización de variables superfluas podría transgredir el principio de no negatividad en algunos puntos, situación que obliga a considerar otro tipo de variables en el programa, éstas son las variables artificiales. Variables artificiales: como su nombre lo indica las variables artificiales son variables que no tienen ninguna connotación real dentro del programa, es decir, carecen de sentido práctico y por lo tanto de interpretación. La incorporación de variables artificiales en un programa lineal persigue dos objetivos: 1. Salvaguardar el principio de no negatividad cuando se han utilizado variables superfluas. 2. Facilitar la búsqueda de una solución básica inicial. Dado que las variables artificiales no tienen representación física en el programa, estas no pueden formar parte del conjunto solución (BASE), ya que no es posible realizar una actividad que no existe. En consecuencia, para evitar que la solución contenga variables artificiales, es decir, para que las variables artificiales que son básicas dejen de serlo y por lo tanto dejen de pertenecer al conjunto solución, su uso es penalizado a través de una cantidad positiva muy grande (genéricamente llamada M) si el objetivo es minimizar o una cantidad negativa muy grande (-M) si el objetivo es maximizar. Estas multas tienen por objetivo asegurar que mientras la solución contenga una variable artificial, el objetivo no será logrado, por lo que la incorporación de las variables artificiales debe considerar estas multas como contribución económica al ser incorporadas en la función objetivo, lo que asegura su pronta eliminación de la base. Por lo tanto, las variables artificiales deben ser utilizadas en restricciones de la forma ≥ (donde cumple con los 2 roles anteriormente identificados) y en restricciones de igualdad, donde sólo cumple el segundo rol. Las variables artificiales se asumen siempre como no negativas y su utilización asegura que las variables superfluas también satisfagan el principio de no negatividad, para cualquier combinación de valores particulares de las variables de decisión. A 0 ≥ S 0 ≥ Así por ejemplo para el programa: OPT Z = 1 1 * XC k i i∑ = S.T.: 1 1 1 bxa i k i i ≤∑ = 2 1 2 bxa i k i i =∑ = 3 1 3 bxa i k i i ≥∑ = 0≥ix UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 3 Su forma estándar si el óptimo se refiere a maximizar es: MÁX. Z = 3321 1 00* MASMAXC i k i i −+−Η+∑ = S.T.: 11 1 1 bxa i k i i =Η+∑ = 22 1 2 bAxa i k i i =+∑ = 333 1 3 bASxa i k i i =+−∑ = 0A;A;S;H;X 3231i ≥ 3321 1 00 MASMAHXC i k i i ++++∑ = ⎟⎟ ⎠ ⎞ ⎝Ca C Sin embargo, si el óptimo se refiere a minimizar, entonces la forma estándar del P.L. mantiene las restricciones como en el caso anterior, pero la función objetivo queda expresada por: MIN Z = Así entonces, un programa lineal estándar representado matricialmente queda: OPT Z = (C’) t * X’ S.T. A’ * X’ = B X’ 0≥ Donde: A’, C’, X’ son las matrices ampliadas1, mientras que B es la matriz de disponibilidades. C’ = ⎜⎜ ⎛ A’= ( )AaA ⎟⎟ ⎠ ⎞ ⎝ ax x X’= ⎜⎜ ⎛ B = ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ mb b b .. .. 2 1 La forma estándar de un programa lineal da origen a una tabla de trabajo denominada Tableau simplex inicial Variables de decisión )( jX Variables básicas Contribuciones unitarias (V.B.) Vector de costos )( jC 0X 0C Matriz de coeficientes tecnológicos Vector de Disponibilidades jZ Vector de perdida de oportunidad Valor de la 1 Matrices ampliadas en el sentido de considerar los coeficientes de las variables de decisión propias de la situación (C, A y X) y los coeficientes proporcionados por las variables agregadas en el proceso de estandarización (Ca, Aa, Xa). UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 4 ( )jj ZC −± Vector de decisión simplex (Contribución unitaria neta) FunciónObjetivo Donde: 0X 0C jii m 1i 0j a*)C(Z ∑ = = 0 : Vector de variables básicas : Vector de las contribuciones unitarias de las variables básicas Producto escalar entre los vectores c y el vector aj que corresponde al vector asociado a la j-ésima columna de la matriz de coeficientes tecnológicos, es decir, (En EXCEL corresponde a la función SUMA PRODUCTO) j t 0 aC ∗ Ejemplo: Dado el programa lineal MAX Z = 21 1030 XX + S.T. 16084 21 ≤+ XX 5022 21 ≤+ XX 6034 21 ≥ + XX 404 21 ≥+ XX 021 ≥∧ XX La correspondiente estandarización es: MAX Z= 30 43432121 000010 MAMASSHHXX −−+++++ 121 84 HXX ++ S.T. =160 21 22 XX + 2H+ = 50 21 34 XX + 33 AS +− = 60 214 XX + 44 AS +− = 40 0;;;;;;; 43432121 ≥AASSHHXX ⎟⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜⎜ ⎜ ⎜ ⎜ ⎝ ⎛ − − 11000014 00110034 00001022 00000184 ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ 4 4 3 3 2 1 2 1 A S A S H H X X Lo que matricialmente permite expresar al conjunto de restricciones mediante la siguiente ecuación: * ⎜ = ⎟⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜⎜ ⎜ ⎜ ⎜ ⎝ ⎛ 40 60 50 160 Mientras que la función objetivo queda dada por la expresión: UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 5 Max Z = ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ ∗ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ − − 4 4 3 3 2 1 2 1 T A S A S H H X X M M 0 0 0 0 10 30 Que es equivalente a: ( )MM −−00001030 ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎛ 4 3 4 3 2 1 2 1 A A S S H H X X 3S * MAX Z= Situación que representado a través del tablero simplex, conduce al siguiente tableau, que se denomina tableau inicial: 1X 2X 1H 2H 3A 4S 4A Variables Básicas C 0 30 10 0 0 0 -M 0 -M Disponibilidades 1H 0 4 8 1 0 0 0 0 0 160 2H 0 2 2 0 1 0 0 0 0 50 3A -M 4 3 0 0 -1 1 0 0 60 4A -M 4 1 0 0 0 0 -1 1 40 JZ -8M -4M 0 0 M -M M -M JJ ZC − 30+8M 10+4M 0 0 -M 0 -M 0 -100M De donde se visualiza la solución básica inicial, dada por: 1H =160 = 0 1X 2H = 50 = 0 2X 3A = 60 = 0 3S 4A = 40 = 0 4S Con un resultado económico dado por: Z= -100M Obs.: Tal como lo establecen los criterios establecidos para la solución de sistemas de ecuaciones, se puede observar que las variables básicas, son aquellas cuyas columnas están asociadas a la matriz identidad, en este caso de orden 4, ya que el programa tiene 4 restricciones. De igual forma y tal como se señaló anteriormente, los valores del vector Zj, se obtienen del producto escalar entre el vector de contribuciones unitarias asociado a UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 6 las variables básicas y cada uno de los respectivos vectores columna de la matriz de coeficientes tecnológicos. Así por ejemplo: Z1 es el producto escalar entre los vectores: ⎟⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜⎜ ⎜ ⎜ ⎜ ⎝ ⎛ = ⎟⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜⎜ ⎜ ⎜ ⎜ ⎝ ⎛ − − = 4 4 2 4 ay M M 0 0 C 1o , dado por ( ) M8 4 4 2 4 MM00aC 1 t 0 −= ⎟⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜⎜ ⎜ ⎜ ⎜ ⎝ ⎛ •−−=⋅ ALGORITMO DEL MÉTODO El algoritmo del método simplex desarrollado para modelos de maximización, es el siguiente: 1. Determinar la solución básica inicial 2. Verificar si esta solución es óptima mediante la prueba de optimalidad, que se define más adelante. 3. Si la solución propuesta satisface la prueba de optimalidad, entonces se tiene la solución óptima para el programa. En caso contrario, se debe proceder a mejorar esta solución, es decir, realizar la siguiente iteración. 4. Identificar la variable que pasa a tomar parte del conjunto de variables básicas - VARIABLE QUE ENTRA-, esta variable corresponde a aquella que en el vector de decisión simplex, posee la mayor contribución unitaria neta, es decir, es aquella variable de decisión, cuya incorporación a la base produce la mayor contribución al resultado económico. La columna asociada a la variable que entra se denomina columna pivote o columna de trabajo. 5. Identificar a la variable que deja de formar parte del conjunto de variables básicas, la que se denomina VARIABLE QUE SALE, para esto se divide cada uno de los elementos del vector de disponibilidades por el termino correspondiente (homólogo) de la columna pivote, seleccionándose como variable que sale aquella que tenga asociado el menor cuociente, la fila identificada por esta variable se denomina fila pivote o fila de trabajo. Es importante tener presente que en la obtención de estas razones, sólo se consideran aquellas en las que el termino correspondiente en la columna pivote es positivo, es decir, se descartan aquellos casos en los que el término de la columna pivote son nulos o negativos. La fila asociada a la variable que sale se denomina fila pivote o fila de trabajo. Observación 1: La intersección entre la fila y la columna pivote corresponde al elemento pivote o elemento de trabajo. Observación 2: Tanto en la identificación de la variable que entra como de la variable que sale es posible que se produzcan empates; frente a la ocurrencia de esta situación es importante tener presente que no existen criterios formales para dirimir los empates, por lo tanto éstos se rompen de manera arbitraria. 6. Mediante la operación elemental fila “Multiplicar todos los términos de una fila por un escalar”, se convierte el elemento pivote en la unidad. (Esto deja en evidencia que el escalar que se debe utilizar es el recíproco del elemento pivote). UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 7 7. Mediante operaciones elementales fila se deben convertir en cero los restantes elementos de la columna pivote. Realizada esta secuencia se ha encontrado una nueva solución para el programa la que obviamente mejora la anterior y cuya optimalidad debe ser verificada por lo que se debe volver al paso 2. Prueba de Optimalidad. La solución encontrada es óptima si ninguna de las variables de decisión contribuye a mejorar el valor de la función objetivo, esto significa que todas las variables tienen que tener una contribución unitaria neta nula o negativa. Si así no fuere, es decir, si alguna variable presenta una contribución unitaria neta positiva entonces la solución obtenida no es optima ya que existe al menos una variable no básica cuya incorporación a la base contribuye a mejorar el resultado económico, por lo que se debe realizar una nueva iteración. Observación: En un programa lineal en el que participan variables artificiales, estas pueden eliminarse del programa en la misma iteración en las que dejan de ser básicas. Observación: Si bien el método simplex fue diseñado sobre la base de la maximización este también puede utilizarse en problemas de minimización, para esto debe considerarse el principio matemático que establece que el mínimo de una función corresponde al máximo de su opuesto. MIN Z = MAX -Z Tal relación deja en evidencia que el método simplex para minimizar se desarrolla exactamente igual que para maximizar produciéndose el cambio únicamente en el vector de decisión simplex (contribuciones unitarias netas) dado por ( ) JJjj CZZC −=−− Ejemplo: Al considerar el problema anterior: MAX Z = 21 1030 XX + S.T. 1608421 ≤+ XX 5022 21 ≤+ XX 6034 21 ≥ + XX 404 21 ≥ + XX 021 ≥∧ XX Cuyo tableau inicial está dado por: 1X 2X 1H 2H 3S 3A 4S 4A Variables Básicas C 0 30 10 0 0 0 -M 0 -M Disponibilidades 1H 0 4 8 1 0 0 0 0 0 160 2H 0 2 2 0 1 0 0 0 0 50 3A -M 4 3 0 0 -1 1 0 0 60 4A -M 4 1 0 0 0 0 -1 1 40 JZ -8M -4M 0 0 M -M M -M JJ ZC − 30+8M 10+4M 0 0 -M 0 -M 0 -100M Que conduce a la solución básica inicial dada por: 1H =160 = 0 = 50 = 0 1X 2H 2X 3A = 60 = 0 = 40 = 0 3S 4A 4S UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 8 Que produce como resultado económico Z = -100M, se tiene que al aplicar la prueba de optimalidad, las variables X1 y X2 tienen una contribución unitaria neta positiva (30 + 8M y 10 + 4M respectivamente), por lo que existen variables no básicas, cuya incorporación a la base produce un mejoramiento del resultado económico, por lo que debe realizarse una nueva iteración: Primera iteración: La mayor contribución unitaria neta en el tableau inicial es 30+8M, por lo que la variable que entra es X1 y la columna pivote es la primera columna de la tabla. Al realizar los cuocientes entre los elementos de vector de disponibilidades y su homólogo de la columna se tiene: 160 : 4 = 40 50 : 2 = 25 60 : 4 = 15 40 : 4 = 10 Al ser 10 el menor cuociente, se tiene que la variable A4 deja de formar parte de la base, es decir, es la variable que sale y la fila asociada es la fila pivote. De la intersección entre la fila pivote y la columna pivote, se tiene que a41= 4 es el elemento pivote, así el nuevo tableau es: Primera Iteración: 1X 2X 1H 2H 3S 3A 4S Variables Básicas 0C 30 10 0 0 0 -M 0 Disponibilidades 1H 0 0 7 1 0 0 0 1 120 2H 0 0 3/2 0 1 0 0 1/2 30 3A -M 0 2 0 0 -1 1 1 20 1X 30 1 1/4 0 0 0 0 -1/4 10 JZ 30 7,5 - 2M 0 0 M -M -M - 7,5 JJ ZC − 0 2M + 2,5 0 0 -M 0 M + 7,5 300-20M Iteración que conduce a una nueva solución, dada por: =120 = 30 = 0 = 20 2H 2X 3A1H 3S = 0 =10 = 0 1X 4S Que produce como resultado económico Z= 300 – 20M Solución en la que al evaluar la optimalidad, se puede verificar que no es óptima, puesto que existen dos variables (X2 y S4), que poseen una contribución unitaria neta positiva, es decir, la incorporación de alguna de éstas variables a la base, produce una mejoría de la función objetivo, lo que conduce a una nueva iteración. Observaciones: 1. Nótese que en la solución inicial el resultado económico era –100M, mientras que en la solución actual, el resultado económico es 300-20M, es decir, se produjo una mejoría de 300 + 80M, valor que corresponde a la contribución unitaria nata (30+8M) por el nivel de la variable que en este caso es 10. 2. Nótese además que la variable artificial A4, dejó de formar parte de la base, por lo tanto fue eliminada del programa. (su presencia ya no se justifica). 3. El algoritmo del método simplex considera como primera instancia transformar el elemento pivote en la unidad, para esto se utilizó la operación elemental fila que multiplica la cuarta fila por ¼. 4/1ff 44 ⋅→ 4. Para hacer ceros al resto de los elementos de la columna pivote, se utilizaron las siguientes operaciones elementales fila: ( ) 11441 ff4f4f →+−⋅=− UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 9 ( ) 22442 ff2f2f →+−⋅=− ( ) 33443 ff4f4f →+−⋅=− 5. Para la siguiente iteración, se tiene que la mayor contribución unitaria neta entre 2M+2,5 y M+7,5 es 2M+2,5, por lo tanto, la variable que entra es X2 y la columna correspondiente (segunda) es la columna pivote, luego para determinar la variable que sale, se evalúan las razones entre los elementos que componen la nueva matriz de disponibilidades y el correspondiente elemento de la columna pivote, así: 120 : 7 = 17,14285 30 : 3/2 = 20 20 : 2 = 10 10 : ¼ =40 Donde el menor valor es 10 y por lo tanto, la variable que sale es A3 y el correspondiente elemento pivote es a32=2 Segunda Iteración: 1X 2X 1H 2H 3S 4S Variables Básicas C 0 30 10 0 0 0 0 Disponibilidades 1H 0 0 0 1 0 7/2 -5/2 50 2H 0 0 0 0 1 3/4 -1/4 15 2X 10 0 1 0 0 -1/2 1/2 10 1X 30 1 0 0 0 1/8 -3/8 15/2 JZ 30 10 0 0 -5/4 -25/4 JJ ZC − 0 0 0 0 5/4 25/4 325 Iteración que conduce a una nueva solución, dada por: 1H =50 = 15 = 10 = 0 =15/2 = 0 2H 2X 3S 1X 4S Que produce como resultado económico Z= 325 Solución en la que al evaluar la optimalidad, se puede verificar que no es óptima, puesto que existen dos variables (S3 y S4), que poseen una contribución unitaria neta positiva, es decir, la incorporación de alguna de éstas variables a la base, produce una mejoría de la función objetivo, lo que conduce a una nueva iteración. Observaciones: 6. Nótese que en la solución actual registra una mejora significativa respecto de la anterior de 25 + 20M que corresponde a la diferencia 325 – (300 – 20M), que coincide con la contribución unitaria neta 2M+2,5 multiplicada por el nivel de la variable que en este caso es 10. 7. Nótese además que la variable artificial A3, dejó de formar parte de la base, por lo tanto, también fue eliminada del programa. (su presencia ya no se justifica). 8. Las iteraciones realizadas dejan a la vista que cada una de ellas conduce a un desplazamiento de la correspondiente columna asociada a la matriz identidad desde la variable que sale a la variable que entra. 9. Para la nueva iteración la variable que entra es S4, puesto que es la que presenta la mayor contribución unitaria neta, determinando con esto que la sexta columna del tableau es la columna pivote. 10. Luego para identificar a la variable que sale, se evalúan las razones entre los elementos de la nueva columna de disponibilidades y el correspondiente término homólogo de la columna pivote, así: 50 : -5/2 No aplica 15 : -1/4 No aplica UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 10 10 : 1/2 = 20 15/2 = -3/8 No aplica Lo que deja a la vista que la variable que sale es X2 Tercera Iteración: 1X 2X 1H 2H 3S 4S Variables Básicas C 0 30 10 0 0 0 0 Disponibilidades 1H 0 0 5 1 0 1 0 100 2H 0 0 1/2 0 1 1/2 0 20 4S 0 0 2 0 0 -1 1 20 1X 30 1 3/4 0 0 -1/4 0 15 JZ 30 45/2 0 0 -15/2 0 JJ ZC − 0 -25/2 0 0 15/2 0 450 Iteración que conduce a una nueva solución, dada por: 1H =100 = 20 = 0 = 0 =15 = 20 2H 2X 3S 1X 4S Que produce como resultado económico Z= 450 Solución en la que al evaluar la optimalidad, se puede verificar que no es óptima, puesto que existe una variable (S4), que posee una contribución unitaria neta positiva, es decir, la incorporación de esta variable a la base, produce una mejoría de la función objetivo, lo que conduce a una nueva iteración. Observaciones: 11. Nótese que en la solución actual registra una mejora respecto de la anterior de 125 que corresponde a la diferencia 450 – 325, que coincide con la contribución unitaria neta 25/4 multiplicada por el nivel de la variable que en este caso es 20. 12. Para la nueva iteración la variable que entra es S3, puesto que es la que única con una contribución unitaria neta positiva, determinando con esto que la quinta columna del tableau es la columna pivote. 13. Luego para identificar a la variable que sale, se evalúan las razonesentre los elementos de la nueva columna de disponibilidades y el correspondiente término homólogo de la columna pivote, así: 100 : 1 = 100 20 : 1/2 = 40 20 : -1 No aplica 15 : -1/4 No aplica Lo que deja a la vista que la variable que sale es H2, siendo a25 = 1/2 el elemento pivote. Cuarta Iteración: 1X 2X 1H 2H 3S 4S Variables Básicas C 0 30 10 0 0 0 0 Disponibilidades 1H 0 0 4 1 -2 0 0 60 3S 0 0 1 0 2 1 0 40 4S 0 0 3 0 2 0 1 60 1X 30 1 1 0 1/2 0 0 25 JZ 30 30 0 15 0 0 JJ ZC − 0 -20 0 -15 0 0 750 UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 11 Iteración que conduce a una nueva solución, dada por: 1H =60 = 0 = 0 = 40 =25 = 60 2H 2X 3S 1X 4S Que produce como resultado económico Z= 750 Solución en la que al evaluar la optimalidad, se puede verificar que es óptima, puesto que no existe ninguna variable que tenga una contribución neta positiva. Por lo tanto, el proceso de búsqueda de lsa solución óptima ha finalizado. Observaciones: 14. Nótese que en la solución actual registra una mejora respecto de la anterior de 300 que corresponde a la diferencia 750 – 450, que coincide con la contribución unitaria neta 15/2 multiplicada por el nivel de la variable que en este caso es 40. COMPARACIÓN MÉTODO SIMPLEX V/S MÉTODO GRÁFICO Al Observar el gráfico, se puede verificar, como el método simplex, “va saltando” de un punto a otro, hasta llegar al óptimo que se ubica en una de los puntos extremos. Nótese que en este caso en particular, los primeros “saltos”, no fueron de un punto extremo a otro punto extremo, esto debido a la presencia de variables artificiales. Lo anterior, deja en vista que cuando el programa no incluye variables artificiales, los saltos van de un punto extremo a otro punto extremo. Ejercicio: Para cada uno de los siguientes casos y considerando cada una de las iteraciones: 1. Determine cada una de las soluciones. 2. Evalúe la optimalidad. UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 12 3. Evalúe en mejoramiento económico, relacionándolo con la variable que fue incorporada a la base y su contribución unitaria neta. CASO 1: MAX Z = 4321 406050160 XXXX +++ S.T. 304424 4321 ≤+++ XXXX 10328 4321 ≤+++ XXXX 0,,, 4321 ≥XXXX 1X 2X 3X 4X 1H 2H VB 0C 160 50 60 40 0 0 Disponibilidades 1H 0 4 2 4 4 1 0 30 2H 0 8 2 3 1 0 1 10 JZ 0 0 0 0 0 0 jj ZC − 160 50 60 40 0 0 0 1X 2X 3X 4X 1H 2H VB 0C 160 50 60 40 0 0 Disponibilidades 1H 0 0 1 5/2 7/2 1 -1/2 25 1X 160 1 1/4 3/8 1/8 0 1/8 5/4 JZ 160 40 60 20 0 20 C jj Z− 0 10 0 20 0 -20 200 1X 2X 4X 1H 3X 2H VB 0C 160 50 60 40 0 0 Disponibilidades 4X 40 0 2/7 5/7 1 2/7 -1/7 50/7 1X 160 1 3/14 2/7 0 -1/28 1/7 5/14 JZ 160 320/7 520/7 40 40/7 120/7 C jj Z− 0 30/7 -100/7 0 -40/7 -120/7 2400/7 1X 2X 3X 4X 1H 2H VB 0C 160 50 60 40 0 0 Disponibilidades 4X 40 -4/3 0 1/3 1 1/3 -1/3 20/3 2X 50 14/3 1 4/3 0 -1/6 2/3 5/3 JZ 180 50 80 40 5 20 C jj Z− -20 0 20 0 -5 -20 350 UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 13 CASO 2: MIN Z = 21 1030 XX + S.T. 16084 21 ≥+ XX 5022 21 ≥+ XX 6034 21 ≥+ XX 404 21 ≥+ XX 021 ≥∧ XX 1X 2X 1S 1A 2S 2A 3S 3A 4S 4A VB 0C 30 10 0 M 0 M 0 M 0 M Disp. 1A M 4 8 -1 1 0 0 0 0 0 0 160 2A M 2 2 0 0 -1 1 0 0 0 0 50 3A M 4 3 0 0 0 0 -1 1 0 0 60 4A M 4 1 0 0 0 0 0 0 -1 1 40 jZ 14M 14M -M M -M M -M M -M M jj CZ − 14M-30 14M-10 -M 0 -M 0 -M 0 -M 0 310M 1X 2X 1S 2S 2A 3S 3A 4S 4A VB 0C 30 10 0 0 M 0 M 0 M Disp. 2X 10 1/2 1 -1/8 0 0 0 0 0 0 20 2A M 1 0 1/4 -1 1 0 0 0 0 10 3A M 5/2 0 3/8 0 0 -1 1 0 0 0 4A M 7/2 0 1/8 0 0 0 0 -1 1 20 jZ 7M+5 10 -5/4+3/4M -M M -M M -M M jj CZ − -25+7M 0 -5/4+3/4M -M 0 -M 0 -M 0 200+30M 1X 2X 1S 2S 2A 3S 4S 4A VB 0C 30 10 0 0 M 0 0 M Disp. 2X 10 0 1 -1/5 0 0 1/5 0 0 20 2A M 0 0 1/10 -1 1 2/5 0 0 10 1X 30 1 0 3/20 0 0 -2/5 0 0 0 4A M 0 0 -2/5 0 0 7/5 -1 1 20 jZ 30 10 5/2-3/10M -M M -10+9/5M -M M jj CZ − 0 0 5/2-3/10M -M 0 -10+9/5M -M 0 200+30M UNIVERSIDAD TECNOLÓGICA METROPOLITANA FACULTAD DE ADMINISTRACIÓN Y ECONOMÍA DEPARTAMENTO DE ESTADÍSTICA Y ECONOMETRÍA Métodos Cuantitativos/Investigación de Operaciones PROFESOR HUGO GONZÁLEZ A. Página Nº 14 1X 2X 1S 2S 2A 3S 4S VB 0C 30 10 0 0 M 0 0 Disp. 2X 10 0 1 -1/7 0 0 0 1/7 120/7 2A M 0 0 3/14 -1 1 0 2/7 30/7 1X 30 1 0 1/28 0 0 0 -2/7 40/7 3S 0 0 0 -2/7 0 0 1 -5/7 100/7 jZ 30 10 -5/14+3/14M -M M 0 -50/7+2/7M jj CZ − 0 0 -5/14+3/14M -M 0 0 -50/7+2/7M 2400/7 1X 2X 1S 2S 3S 4S VB 0C 30 10 0 0 0 0 Disp. 2X 10 0 1 -1/4 1/2 0 0 15 2A M 0 0 3/4 -7/2 0 1 15 1X 30 1 0 1/4 -1 0 0 10 3S 0 0 0 1/4 -5/2 0 0 25 jZ 30 10 5 -25 0 0 jj CZ − 0 0 5 -25 0 0 450 1X 2X 1S 2S 3S 4S VB 0C 30 10 0 0 0 0 Disp. 2X 10 0 1 0 -2/3 0 1/3 20 2A M 0 0 1 -14/3 0 4/3 20 1X 30 1 0 0 1/6 0 -1/3 5 3S 0 0 0 0 -4/3 0 1/3 20 jZ 30 10 0 -5/3 0 -20/3 jj CZ − 0 0 0 -5/3 0 -20/3 350 MÉTODO SIMPLEX. ALGORITMO DEL MÉTODO Prueba de Optimalidad. COMPARACIÓN MÉTODO SIMPLEX V/S MÉTODO GRÁFICO
Compartir