Академический Документы
Профессиональный Документы
Культура Документы
APUNTES DE
OPTIMIZACIN
Teora y Ejercicios Parte 1
Programacin Lineal
PROBLEMAS DE OPTIMIZACIN.
- Tipo 1:
- Tipo 2:
- Tipo 3:
Donde son constantes conocidas. Esta funcin debe optimizarse, cumpliendo las
restricciones anteriores, para as poder darle una solucin al problema.
Las definiciones anteriores suelen ser confusas, por lo que es mejor ejemplificarlas de
forma ms concreta. Vamos a suponer entonces que la Compaa Metalrgica DIMIN
1
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
(Chile) dispone de dos procesos de reaccin mediante los cuales debe producir dos tipos
de surfactantes, que sern utilizados en procesos de flotacin. Con el primer proceso se
producen 2 [kg/hr] del surfactante 1 y 1 [kg/hr] del surfactante 2. Mientras que el segundo
proceso produce 3 [kg/hr] del surfactante 1 y 1 [kg/hr] del surfactante 2.
Ahora debemos construir la funcin objetivo para este modelo. La compaa desea
aumentar sus utilidades todo lo posible. Si representa la utilidad diaria total, el objetivo
de la empresa se puede representar de la siguiente forma:
( ) ( ) ( )
A continuacin definiremos las restricciones que limitan las horas en que se ejecuta cada
proceso y la demanda. Para la demanda de ambos surfactantes, las restricciones
respectivas se pueden expresar verbalmente como sigue:
( ) ( )
( ) ( )
Se tiene entonces:
2
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
- Demanda de Gerencia para el surfactante 2:
Adems, como la diferencia entre las horas en que se corre el proceso 1 y el proceso 2 no
debe ser superior a 5 horas diarias, se tiene que
Por lo que el modelo de programacin lineal representativo del problema planteado con
anterioridad es el siguiente:
( ) ( ) ( )
Cualquier valor de y que satisfaga todas las restricciones del modelo es una
solucin factible del problema. Sin embargo, a nosotros nos interesa determinar la
solucin ptima factible, que maximice , y que, al mismo tiempo, satisfaga todas las
restricciones del problema. No se acepta enumerar las soluciones factibles, porque el
modelo tiene una cantidad infinita de ellas, por lo que se hace patente desarrollar un
mtodo que, de forma sencilla, sea capaz de determinar tal solucin ptima a partir de los
datos del problema.
3
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
SOLUCIN GRFICA DE LA PROGRAMACIN LINEAL.
4
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
El valor ptimo de es de 1380 USD. Por lo tanto, el proceso 1 debe correrse durante
9 horas y el proceso 2 debe correrse 4 horas, para as maximizar las utilidades de la
compaa.
Las necesidades dietticas del alimento especial son un mnimo de 30% de protenas
y un mximo de un 5% de fibras. La Granja Educativa desea determinar las
proporciones de alimento que produzcan un costo diario mnimo.
Sean entonces:
( )
( )
( )
6
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Se debe notar que, a diferencia del ejemplo de maximizacin, la segunda y tercera
restricciones pasan por el origen.
ALGORITMO SMPLEX
La solucin grfica del modelo de programacin lineal indica que la solucin ptima
factible del modelo siempre est asociada a un punto esquina del ESF. Este resultado es
la clave del mtodo smplex, el cual es un procedimiento algebraico e iterativo para
resolver cualquier modelo de programacin lineal.
La idea del mtodo smplex es sencilla: se busca un punto esquina del ESF, y se verifica
si ste cumple con ser la solucin ptima del problema. Si no es as, saltamos a un nuevo
punto esquina. El mtodo termina cuando ya no es posible optimizar la funcin objetivo en
otro punto, lo que indica que hemos llegado al ptimo.
1. Todas las restricciones (excepto las de no negatividad) son ecuaciones cuyo lado
derecho es no negativo
En las restricciones del tipo , el lado derecho se puede imaginar como la representacin
del lmite de disponibilidad de un recurso, y en ese caso, el lado izquierdo representara el
uso de este recurso limitado por parte de las actividades (variables) del modelo. La
diferencia entre el lado derecho y el lado izquierdo de la restriccin representa, por
consiguiente, la cantidad no usada u holgura del recurso.
Para convertir una desigualdad del tipo en ecuacin, se agrega una variable de holgura
al lado izquierdo de la ecuacin. Por ejemplo, en el modelo de la compaa DIMIN
(ejemplo de maximizacin), la restriccin asociada a la demanda de Gerencia para el
surfactante 1, con respecto a la mxima cantidad diaria a fabricar, est dada por la
desigualdad:
7
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Prosigamos. Una restriccin del tipo establece, normalmente, un lmite inferior para las
actividades (variables) del modelo de programacin lineal. Como tal, la cantidad por la
cual el lado izquierdo es mayor que el lmite mnimo (lado derecho) representa un
excedente.
La conversin de una desigualdad del tipo a una ecuacin se logra restando una
variable de excedencia, del lado izquierdo de la desigualdad. Por ejemplo, en el problema
de la dieta (ejemplo de minimizacin), la restriccin que representa los requisitos mnimos
de alimento est dada por:
Es importante sealar que el lado derecho de las ecuaciones convertidas debe ser
siempre no negativo. Esta condicin se puede satisfacer siempre, si es necesario,
multiplicando ambos miembros de la ecuacin por -1.
Como el modelo de programacin lineal est definido slo para variables no negativas, la
aparicin de variables no restringidas sugiere un cambio de variable en el problema. Si
es una variable no restringida ( ), debe hacerse la siguiente sustitucin:
8
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Las variables necesarias para poder determinar la cantidad de puntos esquina en el
ESF son llamadas variables no bsicas (VNB). Las variables restantes, en caso de
tener una solucin nica, son llamadas variables bsicas (VB), y su solucin (al resolver
las ecuaciones), se llama solucin bsica.
( )
( )
Punto Valor
Variables no Variables Solucin
esquina Factible? objetivo de
bsicas (cero) bsicas bsica
asociado z
( ) ( ) (5 , 4) O S 0
( ) ( ) (4 , -3) A No -
( ) ( ) (2.5 , 1.5) D S 7.5
( ) ( ) (2 , 3) B S 4
( ) ( ) (5 , -6) E No -
( ) ( ) (1 , 2) C S 8
Tabla 1: Variables no bsicas y variables bsicas del ejemplo anterior. Notemos que el
ptimo se encuentra en C, ya que es en este punto donde el valor objetivo de Z es
mximo
9
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
El algoritmo smplex es un mtodo iterativo, que selecciona un punto esquina del ESF,
verificando los valores de las variables no bsicas y de la funcin objetivo. Si stos no son
ptimos, el proceso de resolucin salta al punto esquina siguiente, generando un
intercambio de variables dependiendo de las condiciones del problema.
Paso inicial
Paso iterativo
No ptima
Prueba de
optimalidad
ptima
Fin
10
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Para entender mejor la aplicacin del algoritmo smplex, vamos a utilizarlo para resolver el
siguiente PPL:
( )
( )
El primer paso del algoritmo smplex es la generacin del llamado modelo lineal estndar
(MLE) del problema. En dicho modelo, la funcin a optimizar siempre debe minimizarse, y
las restricciones deben ser todas del tipo . Esto ltimo es lo mismo que decir que todas
las restricciones deben presentar holguras, o bien, variables que cumplan el papel de
holguras. Esta condicin puede cumplirse siempre, incluso cuando se presentan variables
de excedencia en las restricciones. Como ste no es el caso, dejaremos ese tipo de
problemas para despus.
( ) ( )
( )
11
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
limitantes de cada restriccin junto a la solucin bsica del problema. Para nuestro caso,
el tableau smplex de inicio es el siguiente:
V.B. x1 x2 s1 s2 s3 s4 b
s1 6 4 1 0 0 0 24
s2 1 2 0 1 0 0 6
s3 -1 1 0 0 1 0 1
s4 0 1 0 0 0 1 2
-z* -5 -4 0 0 0 0 0
En el diseo del tableau se especifican el conjunto de variables bsicas (las que aparecen
en la columna V.B.) y las variables no bsicas (las que no aparecen en la columna V.B.), y
tambin se muestra la solucin bsica asociada con la iteracin de inicio (la cual es z = 0,
y corresponde al elemento inferior de la columna b, que es la columna de las limitantes de
las restricciones; la fila z es llamada comunmente la fila objetivo), la cual es llamada
solucin bsica inicial. Por comodidad, siempre que sea posible, las iteraciones smplex
comienzan en el origen, ( ) ( ). As, el conjunto asociado de variables bsicas y
variables no bsicas puede definirse como sigue:
V.B: ( )
V.N.B: ( ) las variables no bsicas son siempre nulas
Para determinar la variable de salida, en forma directa con la tabla, se deben calcular los
elementos definidos por la razn entre los elementos de la columna b y los
respectivos elementos que corresponden a la columna de la variable de entrada. En
12
(*) El uso de z en la tabla smplex responde a que la funcin objetivo ingresa al
tableau escribindose de la forma
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
este caso, la columna correspondiente a . La variable de salida queda definida por el
valor mnimo de los calculados, tales que . Para nuestro ejemplo, el clculo
de los se muestra a continuacin:
V.B. x1 b
s1 6 24 24/6 = 4 Mnimo
s2 1 6 6/1 = 6
s3 -1 1 1/-1 -1 Ignorar
s4 0 2 2/0 = Ignorar
( ) { }
V.B: ( )
V.N.B: ( ) las variables no bsicas son siempre nulas
Ahora se deben manipular los coeficientes de nuestro tableau de inicio, de modo que las
columnas ahora identifiquen la nueva solucin bsica en esta nueva iteracin (que
corresponde a otro punto esquina). Para ello, lo ms comn es tratar al tableau como una
matriz, y aplicar el mtodo de eliminacin gaussiana, construyendo as el nuevo tableau
para esta iteracin.
El pvot para comenzar a trabajar con la eliminacin gaussiana es aquel que es producto
de la interseccin entre la fila que se corresponde con la variable de salida y la columna
que se corresponde con la variable de entrada. En el siguiente tableau se detalla la
ubicacin de dicho pvot.
13
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
V.B. x1 x2 s1 s2 s3 s4 b
s1 6 4 1 0 0 0 24
s2 1 2 0 1 0 0 6
s3 -1 1 0 0 1 0 1
s4 0 1 0 0 0 1 2
-z -5 -4 0 0 0 0 0
2. Luego procedemos a generar los ceros en las siguientes filas, justo debajo del pvot.
Si la matriz tiene un pvot distinto de cero, y queremos eliminar los elementos
( ) o ( ), debemos restarle a las filas
respectivas el producto entra la fila del pvot por los elementos y/o , definidos
para cada fila como ,o . Los elementos y son llamados
multiplicadores de la matriz.
Pvot
V.B. x1 x2 s1 s2 s3 s4 b
x1 1 2/3 1/6 0 0 0 4
s2 0 4/3 -1/6 1 0 0 2
s3 0 5/3 1/6 0 1 0 5
s4 0 1 0 0 0 1 2
-z 0 -2/3 5/6 0 0 0 -20
14
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
tiene que es la variable de entrada. Asimismo, aplicando el criterio de factibilidad, se
obtiene que es la variable de salida, ya que el valor del elemento para la fila es
mnimo, tal y como se puede ver en Tabla 3:
V.B. x1 b
x1 2/3 4 4:(2/3) = 6
s2 4/3 2 2:(4/3) = 1.5 Mnimo
s3 5/3 5 5:(5/3) = 3
s4 1 2 2:1 = 2
V.B. x1 x2 s1 s2 s3 s4 b
x1 1 0 1/4 -1/2 0 0 3
x2 0 1 -1/8 3/4 0 0 3/2
s3 0 0 3/8 -5/4 1 0 5/2
s4 0 0 1/8 -3/4 0 1 1/2
-z 0 0 3/4 1/2 0 0 21
Como ninguno de los coeficientes de la fila z es negativo, podemos concluir, a partir del
criterio de optimalidad, que hemos llegado al ptimo.
La tabla smplex nos muestra una gran cantidad de informacin adicional, la cual
comprende lo siguiente:
1. El estado de los recursos (ya que si una holgura es nula, hablamos de un recurso que
es escaso, porque no nos sobran unidades adicionales; por otro lado, holguras
positivas implican recursos abundantes)
2. El precio o valor por unidad adicional de cada recurso (tambin llamados valores
duales, o precios sombra, y que corresponden a los coeficientes que tienen las
holguras, o las variables que cumplen el papel de holguras, en la tabla ptima)
15
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
holguras (la que se obtiene haciendo que las variables del problema tomen valores nulos
en la tabla de inicio). Los modelos donde intervienen restricciones del tipo = o no
poseen esta propiedad, porque sus ESF no contienen al origen del sistema de
coordenadas donde est definido. El problema de la dieta, explicado al principio, es un
PPL de este tipo.
Dado , tal que (llamada la gran M), el coeficiente objetivo de una variable
artificial representa una penalizacin adecuada s:
( )
( )
( )
En el nuevo modelo (que es modelo lineal estndar de este problema) se pueden usar
ahora , y como solucin bsica inicial. La tabla de inicio para este problema es
entonces la siguiente:
V.B. x1 x2 a1 a2 s2 s1 b
a1 3 1 1 0 0 0 3
a2 4 3 0 1 0 -1 6
s2 1 2 0 0 1 0 4
-z 4 1 M M 0 0 0
Antes de proseguir con los clculos del mtodo smplex, se necesita hacer que la fila
objetivo (la fila z) sea consistente con el resto de la tabla. En forma especfica, en la
tabla, , lo cual produce la solucin bsica inicial (que se ve en la
columna b de la tabla) . Esta solucin indica que el valor de z
debe ser , en lugar de 0, como se ve en la fila z. Esta
inconsistencia se debe a que y tienen coeficientes distintos de cero ( ) en la
fila z.
( )
V.B. x1 x2 a1 a2 s2 s1 b
a1 3 1 1 0 0 0 3
a2 4 3 0 1 0 -1 6
s2 1 2 0 0 1 0 4
-z 4 1 M M 0 0 0
-z 4 7M 1 4M 0 0 0 M -9M
Esta ltima tabla queda lista para aplicarse el mtodo smplex; notemos que, como ya
habamos comentado, se han dispuesto las holguras de tal forma que stas formen
una matriz cannica, marcada con celeste en la tabla. Aplicando el criterio de
optimalidad, debemos seleccionar la variable cuyo coeficiente sea el ms negativo en
17
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
la fila z. Sin embargo, es posible establecer la siguiente conjetura: existe empate
entre y , porque si , ambos coeficientes son infinitamente grandes y por
ende son equivalentes. Sin embargo, debe destacarse que este mtodo se ide
pensando en que ordenadores con capacidades de procesamiento significativas
computaran los resultados de problemas de optimizacin de mal comportamiento.
Nosotros somos seres humanos, pero bajo este marco, debe sealarse que, para
estos efectos, no es posible programar una cantidad infinitamente grande para
generar una solucin, puesto que los software que resuelven este tipo de problemas
suelen tener complicaciones cuando trabajan con nmeros muy pequeos y muy
grandes a la vez, por lo cual, asumiremos que es un nmero muy grande, y no
infinitamente grande. As, la variable de entrada es , porque la sustitucin de en la
expresin produce un nmero menor que si lo sustituimos en la expresin
.
V.B. x1 x2 a1 a2 s2 s1 b
x1 1 1/3 1/3 0 0 0 1
a2 0 5/3 -4/3 1 0 -1 2
s2 0 5/3 -1/3 0 1 0 3
-z 0 (-1 - 5M)/3 (-4 + 7M)/3 0 0 M -4 - 2M
Se le deja al lector comprobar que, a partir de esta ltima tabla, las variables de
entrada y de salida son y , respectivamente. As, si continuamos con los clculos
smplex, podremos hallar la solucin ptima de este problema, la cual est dada por
, lo que da un valor objetivo ptimo de
b) Mtodo de las dos fases: Es otro mtodo, ms prctico que el anterior. Tal y como
su nombre lo indica, el mtodo resuelve la programacin lineal en dos fases: la fase 1
trata de determinar una solucin bsica factible de inicio y, si se encuentra, se invoca
la fase 2 para resolver el problema original.
18
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
Reescribiendo este problema en forma estndar, con todas las holguras y variables
artificiales (sin penalizarlas en la funcin objetivo), y haciendo el cambio de variable
para asegurarnos que todas las variables del PPL sean no negativas.
obtenemos:
( )
Notemos que hemos multiplicado la tercera restriccin por -1, ya que como dijimos con
anterioridad, el lado derecho de las restricciones debe ser siempre no negativo.
Procedemos primero con la fase 1. Como bien dijimos, la fase 1 minimiza la suma de
las variables artificiales, estando esta nueva funcin objetivo sujeta a las mismas
restricciones que el problema de programacin lineal original. De lo anterior, se tendr
entonces lo siguiente:
( )
V.B. x1 x2 x3 s1 a1 a2 s2 s3 b
s1 1 1 1 1 0 0 0 0 4
a1 -1 -1 1 0 1 0 -1 0 3
a2 2 1 2 0 0 1 0 -1 1
-z -1 -2 -1 0 0 0 0 0 0
-w 0 0 0 0 -1 -1 0 0 0
-w -1 0 -3 0 0 0 1 1 -4
Al respecto, aclaremos algunas cosas antes de empezar. Lo primero es que, al igual que
en el mtodo M, la nueva funcin objetivo se debe ajustar para que sea consistente con
la tabla, ya que la solucin bsica de inicio indica que y , lo que implica que
. Esto se ha llevado acabo automticamente en la tabla anterior. La primera fila
w nos muestra los coeficientes originales de la funcin objetivo en fase 1, ( )
19
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
. La segunda fila w nos muestra los coeficientes ajustados para as darle consistencia
la tabla smplex, lo que se logra restndole a la primera fila w las filas y .
La tabla ptima que corresponde al fin de la fase 1, o dicho de otra forma, a la solucin
ptima para la funcin objetivo ( ) es la siguiente (comprubelo!):
V.B. x1 x2 x3 s1 a1 a2 s2 s3 b
s1 2 2 0 1 -1 0 1 0 1
a1 -4 -3 0 0 2 -1 -2 1 5
a2 -1 -1 1 0 1 0 -1 0 3
-z -2 -3 0 0 1 0 -1 0 3
-w 0 0 0 0 1 1 0 0 0
Esta tabla es ptima, porque todos los coeficientes de la fila w (la fila objetivo para la
fase 1) son no negativos. La solucin ptima es entonces ( ) , con .
Concluimos, a partir de esto, que existe una solucin bsica factible de inicio para el PPL
original en la fase 2, porque ( ) no es positivo. Se procede entonces a la fase 2, a
partir de esta misma tabla. La nica diferencia es que desecharemos la fila w, porque
sta ya no nos es til en la fase 2, y la fila z pasar a ser la fila objetivo, resolvindose el
problema de forma idntica a como ya sabemos hacerlo, mediante el algoritmo smplex.
V.B. x1 x2 x3 s1 a1 a2 s2 s3 b
s1 2 2 0 1 -1 0 1 0 1
a1 -4 -3 0 0 2 -1 -2 1 5
a2 -1 -1 1 0 1 0 -1 0 3
-z -2 -3 0 0 1 0 -1 0 3
A partir de la tabla anterior, se le deja como ejercicio al lector el comprobar que la solucin
ptima del PPL al fin de la fase 2 es ( ) , con .
Recordando que , y que ( ) ( ) obtenemos y ( )
.
20
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
SOLUCIN DEGENERADA: Al aplicar la condicin de factibilidad del mtodo smplex, se
puede romper un empate en los ( ) en forma arbitraria. Cuando se presenta un
empate, al menos una variable bsica ser nula en la siguiente iteracin, y se dice que la
nueva solucin es degenerada.
Desde el punto de vista prctico, la condicin de degeneracin indica que el modelo tiene
al menos una restriccin redundante, lo que quiere decir que no influye en la solucin
ptima del problema.
( )
( )
Iteracin V.B.
0 1 4 1 0 8
Entra 1 2 0 1 4
Sale -3 -9 0 0 0
1 1/4 1 1/4 0 2
Entra 1/2 0 -1/2 1 0
Sale -3/4 0 9/4 0 18
2 0 1 1/2 -1/2 2
ptimo 1 0 -1 2 0
0 0 3/2 3/2 18
21
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
Solucin: La solucin grfica de este PPL se puede ver en Figura 6; adems, la tabla
siguiente muestra las iteraciones smplex que resuelven la programacin lineal:
Iteracin V.B.
0 1 2 1 0 5
Entra 1 1 0 1 4
Sale -2 -4 0 0 0
1 (ptimo) 1/2 1 1/2 0 5/2
Entra 1/2 0 -1/2 1 3/2
Sale 0 0 2 0 10
22
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
2 0 1 1 -1 1
(ptimo 1 0 -1 2 3
alternativo) 0 0 2 0 10
Figura 6: ESF del ejemplo anterior. La funcin objetivo es paralela a la restriccin dada
por la semirrecta AC. Esta recta define infinitos ptimos alternativos
El mtodo smplex slo determina los dos puntos esquina, A y C. Se pueden determinar
matemticamente todos los puntos ( ) en el segmento de recta AC como promedio
ponderado no negativo de los puntos A y C. As, dado , tal que , y adems:
A:
C:
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
23
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
resultado es que el valor objetivo puede aumentar (en caso de una maximizacin) o
disminuir (si se trata de una minimizacin) en forma indefinida. En ese caso, tanto el ESF
como el valor ptimo objetivo no estn acotados.
La no acotacin apunta hacia la posibilidad de que el modelo est mal construido. Las
irregularidades ms probables en estos modelos son que no se hayan tomado en cuenta
una o ms restricciones no redundantes, y que los parmetros (constantes) de algunas
restricciones puedan no haberse estimado en forma correcta.
( )
Solucin: la iteracin smplex de inicio para este PPL se muestra en la tabla siguiente:
V.B. x1 x2 s1 s2 b
s1 1 -1 1 0 10
s2 2 0 0 1 40
-z -2 -1 0 0 0
En la tabla de inicio, tanto como son candidatos para entrar a la solucin. Como
tiene el coeficiente ms negativo, se selecciona, normalmente, como la variable de
entrada. Sin embargo, todos los coeficientes de restriccin bajo son negativos o cero, y
eso indica que puede aumentar en forma indefinida sin violar cualquiera de las
restricciones (comprese con la interpretacin grfica de la condicin de factibilidad en
Figura 7). Como cada aumento de una unidad de aumentar 1 a , un aumento infinito
de tambin dar como resultado un aumento infinito de . As, el problema no tiene
solucin acotada. El ESF no est acotado en la direccin de , por lo que cuando
.
Figura 7: ESF del ejemplo anterior. Ntese que no se encuentra acotado superiormente
24
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
La regla para reconocer la no acotacin es que si, en cualquier iteracin, todos los
coeficientes de restriccin de toda variable no bsica son negativos o cero, entonces el
ESF no est acotado en esa direccin. Si, adems, el coeficiente objetivo de esa variable
es negativo en caso de maximizacin, o positivo en caso de minimizacin, entonces
tambin el valor objetivo es no acotado.
Desde el punto de vista prctico, un ESF no factible indica la posibilidad de que el modelo
est mal construido.
( )
Figura 8: ESF del ejemplo anterior. No hay solucin factible, porque las restricciones
apuntan hacia semiplanos que no tienen puntos en comn
25
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
solucin factible. Lo anterior tambin se da cuando, al asignar variables artificiales al
modelo, stas tienen un valor positivo en el ptimo.
Lo estudiado con anterioridad nos permite, con mayores o menores dificultades, resolver
cualquier problema de programacin lineal. Sin embargo, la utilizacin del algoritmo
smplex es computacionalmente costosa, porque se calculan valores que, o bien son
intiles desde el punto de vista prctico, o bien, no necesitan conocerse para llegar a la
solucin. Tal es el caso de los coeficientes de las restricciones para cada iteracin, que no
se encuentren en la fila (columna) que se corresponda con la variable de entrada (variable
de salida). Por lo tanto, es posible establecer otro mtodo, que slo trabaje con los
elementos necesarios de la tabla smplex, desechando los dems, o calculndolos slo
cuando se necesiten. Esta es la idea del mtodo smplex revisado, el cual establece
elementos matriciales para resolver un modelo.
( )
V.B.
( )
Los componentes de la tabla se han rellenado con colores distintos para explicar los
elementos matriciales que conforman esta tabla y que son imprescindibles en la
implementacin del mtodo smplex revisado. Estas definiciones son algo complicadas,
26
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
pero el ejemplo de ms abajo es bastante claro al respecto, ilustrando la aplicacin de
este mtodo.
Matriz inversa: Definimos la matriz inversa como la matriz conformada por los
coeficientes de las holguras en cada una de las restricciones para la correspondiente
iteracin. Para una tabla de inicio, esta matriz siempre es cannica, y su notacin es .
La matriz inversa para la ( ) iteracin en el mtodo smplex revisado est definida por
la siguiente expresin:
Donde es una matriz identidad, de orden equivalente a la matriz inversa del problema,
y con una nica columna definida de la siguiente manera:
( )
Matriz de valores duales: Definimos la matriz de valores duales (tambin llamada matriz
de precios sombra) como el vector fila cuyos elementos estn conformados por los
coeficientes de las holguras en la fila correspondiente a la funcin objetivo para la
iteracin respectiva. Su notacin es .
27
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
La matriz , para la -sima iteracin, est definida por la siguiente expresin:
( )
Las matrices anteriores nos permiten, siempre que se pueda, obtener todos los elementos
de la tabla smplex.
( )
Como hemos utilizado variables artificiales para que cumplan el papel de holguras, el PPL
debe resolverse utilizando el mtodo smplex de dos fases, pero para este ejemplo, lo
adaptaremos al mtodo smplex revisado. La tabla smplex de inicio para este problema
es la siguiente:
V.B. x1 x2 x3 s1 a1 s2 b
s1 2 0 1 1 0 0 8
a1 -1 1 1 0 1 -1 13
-z -3 2 2 0 0 0 0
-w 0 0 0 0 1 0 0
-w 1 -1 -1 0 0 1 -13
( )
29
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Aplicando la condicin de factibilidad, determinamos que la variable de salida es
(comprubelo!). Por lo tanto, la matriz se escribe de la siguiente manera:
( ) ( )
El segundo elemento, que se ubica en la misma fila que el pivote, es igual a 1 dividido por
el elemento pvot, que es 1.
Por lo tanto:
( ) ( ) ( )
( )
Las variables bsicas para la primera iteracin son y . Por lo tanto, la matriz ( )
es igual a ( ) ( ), porque el coeficiente de en la fila objetivo es 0, y el de
es -1. El orden en el cual estn definidas las variables bsicas en el PPL debe respetarse
(el primer elemento de la matriz corresponde al coeficiente de , el segundo al coeficiente
de , y no al revs). Esto suele facilitarse utilizando la siguiente tabla de valores:
V.B. ( )
( )
En esta tabla puede apreciarse el orden de las variables bsicas, y por ende, la forma
correcta de escribir la matriz ( ). Por lo tanto, se tiene que:
( ) ( ) ( )
30
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
La matriz es aquella cuyos elementos son los coeficientes originales de la funcin
objetivo para las variables del problema (se excluyen las variables de holgura y
artificiales); en este caso, y . Vale decir:
( )
La matriz es aquella cuyos elementos son los coeficientes originales de las variables
para cada una de las restricciones del problema (se excluyen las variables de holgura y
artificiales); en este caso, y . Vale decir:
( )
( ) ( ) ( ) ( )
Esta ltima matriz corresponde a los coeficientes de las variables del problema (que no
sean holguras y artificiales) en la funcin objetivo para la primera iteracin.
Consecuentemente con lo que realizamos en el mtodo smplex ordinario, a esta matriz
se le debe aplicar la condicin de optimalidad. En particular, para este caso, como ningn
coeficiente es negativo, estamos en el ptimo (para la fase 1, cuya funcin objetivo es w).
Por lo tanto, debemos ahora calcular la solucin ptima para este PPL en la fase 1, lo que
implica calcular la matriz y el valor de ( ).
( )
Por lo tanto:
( ) ( ) ( )
31
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
V.B. ( )
( )
Luego:
( ) ( ) ( )
Lo nico que cambia, al igual que en el paso 5, es que la matriz est conformada por
los coeficientes originales de las variables del PPL (exceptuando las holguras y
artificiales) en la fila z. Por lo tanto:
( )
( ) ( ) ( ) ( )
Notemos que uno de los coeficientes reducidos es negativo para esta iteracin, lo que
indica que la solucin no es ptima para la fase 2. La variable que se corresponde con
dicho coeficiente es , por lo que, aplicando el criterio de optimalidad, sta pasa a ser la
variable de entrada para la siguiente iteracin.
( ) ( )
( ) ( )
32
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Por lo tanto:
( ) ( ) ( ) ( ) ( )
Calculamos los elementos dividiendo fila a fila los elementos de la matriz por los
elementos de la matriz ( ), con lo cual se obtiene lo siguiente:
V.B. ( )
8 2 8/2 = 4 Mnimo
13 -1 13/-1 = -13 Ignorar
( )
Por lo tanto:
( ) ( ) ( )
( )
V.B. ( )
( )
33
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Se tiene entonces:
( ) ( ) ( ) ( )
Se tiene entonces:
( ) ( ) ( ) ( )
Notemos que el resultado anterior indica que ya hemos llegado al ptimo, porque los
coeficientes de las variables del PPL son positivas o nulas en la funcin objetivo.
( ) ( ) ( )
34
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Para formar el problema dual, definimos el primal en forma de ecuacin como sigue:
( )
Las variables incluyen las variables de excedencia, holguras y artificiales, si las hay.
( )
De lo anterior, observamos:
35
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Lema de optimizacin para el modelo primal dual: La funcin objetivo del problema
primal siempre debe cambiarse a la forma estndar antes de construir el correspondiente
problema dual.
Los siguientes ejemplos ilustran el como se obtiene el dual a partir del primal.
( )
Solucin: Lo primero es reescribir el problema primal de tal forma que la funcin objetivo
sea de minimizacin, y que las restricciones sean del tipo o = (o sea, en forma
cannica). Lo primero se logra haciendo la sustitucin ( ) ( ), mientras que lo
segundo se logra multiplicando la primera restriccin por -1. Por lo tanto, se obtiene:
( )
( )
Ahora podemos construir el problema dual. Utilizando la definicin dada con anterioridad,
podemos deducir que el problema dual presenta dos variables, ya que se tienen dos
restricciones primales. Adems, tendr tres restricciones, porque hay tres variables
primales. Por lo tanto, se obtiene lo siguiente:
36
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
( )
Tabla 5: Naturaleza de las variables duales en funcin del tipo de las restricciones
primales
37
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Esta simple, pero til tabla, nos permite obviar el escribir las holguras, excedentes o
variables artificiales en el primal cuando queramos construir el dual, simplemente
verificando el tipo de restriccin primal para determinar la naturaleza de la
correspondiente variable dual. Recordemos que la variable dual se corresponde con la
-sima restriccin primal.
( )
Solucin: Aprendida la tabla anterior, obviaremos el escribir las holguras del primal.
Simplemente lo rescribiremos de forma tal que la funcin objetivo sea de minimizacin, y
cuidando que todas las restricciones sean del tipo o =. Se tiene entonces:
( )
Notemos que este PPL tiene una particularidad que el del ejemplo anterior no tena: una
de las variables es no restringida. Utilizando el cambio de variable , con
y , se tiene:
( )
Construimos entonces el problema dual; del primal, ya sabemos que el dual tendr 3
variables y 2 restricciones. Adems, utilizando la Tabla 4, sabemos que las variables
duales y son positivas o nulas, mientras que la variable dual es no restringida. Se
obtiene entonces:
( )
38
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Detengmonos nuevamente por un momento No deberamos tener 2 restricciones en
lugar de 3? Pues, en efecto, debera ser as. Resulta que el haber considerado el cambio
de variable en el primal para la variable , que era no restringida, ha provocado que sta
se fragmente en dos variables. Sin embargo, si observamos las primeras dos
restricciones duales, que se corresponden con las variables primales y , podemos
notar lo siguiente:
Restriccin 1:
Restriccin 2:
( )
Los cambios que se hacen en el modelo original de programacin lineal afectan a los
elementos de la tabla ptima actual (y el que se tenga en el momento), que a su vez
puede afectar la optimalidad y/o factibilidad de la solucin actual.
( )
Cotejando esto con lo aprendido acerca del problema dual concluimos lo siguiente: esta
matriz representa los valores de las variables del problema dual para la k-sima iteracin.
Esto confirma lo dicho en primera instancia: el problema primal y el problema dual estn
tan estrechamente relacionados, que la solucin bsica que obtengamos para uno,
automticamente conduce a la solucin bsica del otro. La frmula anterior prueba esta
afirmacin (ya veremos el porqu del signo negativo en esta frmula).
Recapitulando, se tiene entonces que las relaciones existentes entre los problemas primal
y dual son las siguientes:
( )
( )
Notemos que, a partir de lo anterior, es posible demostrar que el dual del dual es igual al
primal. Esto se le deja como ejercicio al lector.
Las soluciones primal y dual estn tan estrechamente relacionadas, que la solucin
ptima del primal produce en forma directa, con un simple clculo adicional, la solucin
ptima del dual. Para ello contamos con dos mtodos. Ambos igualmente vlidos.
Tal y como vimos con anterioridad, uno de los elementos matriciales de la tabla smplex
es la matriz de valores duales, que corresponde a los valores de las variables duales para
la correspondiente iteracin. Si la k-sima iteracin resulta ser la ptima en el primal, la
solucin ptima del problema dual est dada por la siguiente expresin:
( )
Por qu esta expresin tiene un signo negativo que la precede, cuando en el mtodo
smplex revisado no lo haba? Esto sucede porque, desde un principio, nos hemos
forzado a resolver problemas de minimizacin, inclusive cundo stos no estn definidos
de esta forma, utilizando el cambio de variable ( ) ( ). Por lo tanto, este
cambio de signo implica que antepongamos un signo negativo a la frmula de la matriz de
valores duales.
40
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Mtodo 2: Teorema de holguras complementarias.
( ) ( )
[ ]
[ ]
Donde corresponde a los trminos independientes para las m restricciones del primal, y
mientras que corresponde a los coeficientes de las variables en la funcin objetivo del
primal.
( )
41
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
Construimos ahora el problema dual. Del primal, observamos que el dual tiene 3 variables
y 4 restricciones. Adems, la variable dual es no restringida, mientras que el resto son
no negativas. Por lo tanto, el problema dual es el siguiente:
( )
Para el primal:
( )]
( )]
( )]
Para el dual:
( )]
( )]
( )]
( )]
( ) ( )
Donde las funciones z y v corresponden a las funciones objetivo para los problemas
primal y dual, respectivamente. La igualdad de la expresin anterior se cumple si y
slo si estamos en el ptimo.
42
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
3. Si el primal no est acotado, y la funcin objetivo tiende a , entonces el dual
tambin tendr una funcin objetivo no acotada, tal que
Si ambos problemas primal y dual son factibles, entonces ambos tendrn una
solucin ptima finita, con valores objetivos finitos
Si el primal no es factible y el dual es factible, entonces el problema dual tendr un
ESF no acotado
Si el primal es factible y el dual no es factible, entonces el problema primal tendr un
ESF no acotado
Si ambos problemas primal y dual no son factibles, ambos poseen valores objetivos
infinitos
PRIMAL DUAL
( ) ( )
Desde el punto de vista del modelo de asignacin de recursos, el problema primal tiene
actividades econmicas y recursos. El coeficiente del primal representa la utilidad por
unidad de actividad . El recurso , cuya disponibilidad mxima es , se consume con la
tasa de unidades por unidad de actividad .
( ) ( )
43
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
La igualdad estricta, ( ) ( ), es vlida cuando las soluciones primal y dual son
ptimas.
( ) ( )
Eso quiere decir que las variables duales representan el valor por unidad de recurso .
Con la misma lgica, la desigualdad ( ) ( ) relativa a dos soluciones
asociadas, primal y dual, se interpreta como sigue:
Segn esta relacin, siempre que los ingresos totales por todas las actividades sean
menores que el valor de los recursos, las soluciones primal y dual correspondientes no
son ptimas. La optimalidad slo se alcanza cuando se han explotado los recursos por
completo, lo que slo puede suceder cuando los datos (valor de los recursos) son iguales
a los resultados ($ de utilidad). En trminos econmicos se dice que el sistema
permanece inestable (no ptimo) cuando los datos (valor de los recursos) son mayores
que el resultado (ingreso). La estabilidad se da slo cuando estas dos cantidades son
iguales.
Esta frmula nos permite interpretar las restricciones duales. La utilidad por unidad de
actividad est en $ por unidad. En consecuencia, para tener consistencia, la cantidad
, que aparece en la ecuacin con signo contrario, tambin debe estar en $ por
unidad. Adems, como representa una utilidad, la cantidad , que aparece en
la ecuacin con signo contrario, debe representar un costo. Al mismo tiempo, como es
la cantidad del recurso que usa la actividad , las variables duales deben representar
al costo imputado de todos los recursos necesarios para producir una unidad de actividad
.
44
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( ) ( )
Como en el mtodo smplex, la base del mtodo smplex dual es que cada iteracin
siempre est asociada a una solucin bsica. Las condiciones de optimalidad y
factibilidad se establecen para preservar la optimalidad de las soluciones bsicas y al
mismo tiempo, mover las iteraciones de la solucin bsica hacia la factibilidad.
Por lo tanto, a diferencia del algoritmo smplex estndar, el smplex dual busca la
factibilidad de la solucin bsica, que ya es ptima. Luego, este algoritmo est diseado
para tratar problemas no factibles, que tienen trminos independientes en sus
restricciones que son negativos.
( )
( )
45
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
a) Formule el problema dual
b) Resuelva el problema dual mediante el algoritmo smplex dual
( )
Ahora procedemos a construir el problema dual. Notemos que el dual tendr 3 variables y
4 restricciones. Las 3 variables duales son no negativas. Por lo tanto:
( )
Ahora debemos resolver el problema dual mediante smplex dual. Como el algoritmo
smplex dual est diseado para resolver problemas no factibles, entonces no es
necesario multiplicar las restricciones duales a fin de tener trminos independientes no
negativos. Es ms, el algoritmo smplex dual slo funciona en problemas no factibles.
V.B.
-1 -5 -2 1 0 0 0 -2
-1 -3 -1 0 1 0 0 -3
-1 0 -1 0 0 1 0 -9
-1 -2 0 0 0 0 1 -9
-12 -20 -10 0 0 0 0 0
46
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
V.N.B. Coeficiente en fila Coeficiente en fila -v
-1 -12 -12/-1 = 12
0 -20 -20/0 = Ignorar
-1 -10 -10/-1 = 10 Mnimo
V.B.
1 -5 0 1 0 -2 0 16
0 -3 0 0 1 -1 0 6
1 0 1 0 0 -1 0 9
1 -2 0 0 0 0 1 -9
-2 -20 0 0 0 -10 0 90
V.B.
0 -7 0 1 0 -2 1 7
0 -3 0 0 1 -1 0 6
0 -2 1 0 0 -1 1 0
1 2 0 0 0 0 -1 9
0 -16 0 0 0 -10 -2 108
Como todos los elementos de b son positivos, hemos llegado a una solucin factible. Esta
solucin es ptima, porque todos los coeficientes en la fila objetivo son negativos o cero.
Esta condicin es la inversa que se utiliz para los problemas de minimizacin, donde
todos los coeficientes de la fila objetivo deban ser positivos o cero. En este caso, la
funcin objetivo entr a la tabla smplex como una funcin de maximizacin, lo que implica
que se utilice la condicin inversa.
47
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
EJERCICIOS PEP 1
PROBLEMA #1
Una fbrica de jugos de 1 litro (1000 cc) desea lanzar al mercado una nueva variedad de
jugo. Para ello, disponen de 4 ingredientes base. La nueva variedad apuntar a conservar
un balance alimenticio, debiendo contener al menos un 15% de vitamina C, y a lo ms un
30% de potasio. Existe adems una relacin entre los betacarotenos y la vitamina A que
impone lo siguiente: la cantidad de vitamina A debe ser, cuando menos, un tercio de los
betacarotenos. Adems, la vitamina A no puede superar el 35% del contenido del jugo.
El costo por adquirir los ingredientes, los lmites de los pedidos por da, y los aportes
porcentuales de cada componente a los ingredientes por unidad se resumen en la
siguiente tabla:
( )
( ) ( )
Para el potasio, la suma de las cantidades de cada ingrediente no puede superar el 30%
del total del juego (que son 300 cc). Luego:
Para la vitamina A, esta suma debe ser al menos 1/3 de los betacarotenos. Por lo tanto:
48
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
De manera simplificada:
Adems, la contribucin de la vitamina A no debe superar el 35% del jugo (350 cc). Por
ende:
( )
( )
PROBLEMA #2
( )
( )
V.B ( )
-4 1 -7 -3 0 1 0 0 50 50
3 2 2 4 0 0 1 0 150 75
1 0 4 2 -1 0 0 1 10 ---
5 -1 -1 -1 0 0 0 0 0
0 0 0 0 0 1 0 1 0
3 -1 3 1 1 0 0 0 -60
V.B ( )
-4 1 -7 -3 0 1 0 0 50 50/7
11 0 16 10 0 -2 1 0 50 25/8
1 0 4 2 -1 0 0 1 10 5/2
1 0 -8 -4 0 1 0 0 50
-1 0 -4 -2 1 1 0 0 -10
Entra , sale .
( )
Como ya definimos el pvot y las variables de entrada y salida a partir de la tabla anterior,
podemos calcular inmediatamente la matriz :
( ) ( )
50
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
( ) ( )
Construimos una pequea tabla para verificar el orden de las variables bsicas:
V.B. ( )
( )
( ) ( ) ( )
( )
( )
Luego:
( ) ( ) ( ) ( )
Por lo tanto:
( ) ( )
Como todos los coeficientes reducidos de la funcin objetivo w son nulos, hemos llegado
al ptimo para la fase 1. Como y son no bsicas, y por tanto nulas, se tiene que
( ) , por lo que existe un espacio de soluciones factible para el PPL
original en la fase 2.
Ahora debemos calcular los valores duales para la funcin objetivo z en la fase 2
(iteracin 2). Verificando el orden de las variables bsicas:
V.B. ( )
( )
Por lo tanto:
51
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( ) ( ) ( )
( )
( )
Luego:
( ) ( ) ( ) ( )
Por lo tanto:
( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
Por lo tanto:
V.B. ( )
135/2 -7/4 (135/2):(-7/4) = -270/7 Ignorar
10 4 10/4 = 5/2 Mnimo
5/2 -1/4 (5/2):(-1/4) = -10 Ignorar
Donde:
52
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
( ( ) ) ( )
Entonces:
( ) ( ) ( )
V.B. ( )
( )
( ) ( ) ( )
( )
( )
Luego:
( ) ( ) ( ) ( )
Por lo tanto:
( ) ( )
53
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Como ahora todos los coeficientes reducidos son no negativos, hemos llegado al ptimo.
Calculamos entonces para encontrar la solucin ptima de este problema:
( ) ( ) ( )
PROBLEMA #3
V.B. X1 X2 X3 X4 S1 S2 b
X1 1 -5 4 13 5 0 7
S1 0 2 1 6 10 1 3
-Z 0 3 1 8 4 0 76
SOLUCIN: Tenemos:
PROBLEMA #4
Una fbrica de ropa produce tres lneas de trajes: jeans, franela y amasado. La ropa es
vendida en lotes de 100 trajes de cada tipo. Cada lote pasa a travs de tres procesos:
corte, cosido y empaque. La planta dispone de 16 cortadores como mximo, 41 mquinas
de coser como mximo y debe ocupar a 10 empacadores (no ms no menos). Los
54
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
requerimientos para producir un lote de 100 trajes de cada tipo y las utilidades asociadas,
se presenta a continuacin:
( )
Las restricciones del problema estn asociadas al lmite de recursos impuesto por la
fbrica en funcin de la cantidad de cortadores, mquinas de coser y personal encargado
de empacar. As, se tiene lo siguiente:
Cortadores:
Mquinas de coser:
Personal de empaque:
( )
55
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
Notemos que los nicos puntos candidatos a solucin ptima de este problema son A y B.
Evaluando la funcin objetivo se obtiene que el punto esquina ptimo es B, dado por
lotes de jeans, resultando no rentable fabricar lotes de franela (porque ).
Reemplazando lo anterior en el modelo original, se obtiene que lotes de amasados.
La utilidad mxima que percibe la fbrica es de ( ) unidades monetarias.
PROBLEMA #5
Escriba el DUAL del siguiente problema. Verifique que el dual del dual es el problema
original.
( )
( )
56
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
SOLUCIN: Del primal, tenemos que:
( )
Construimos ahora el problema dual. Notemos que, a partir de la definicin, el dual tendr
8 variables y 5 restricciones. Adems, la variable dual es no restringida, mientras que
el resto son no negativas.
( )
La comprobacin de que el dual del dual es el primal es obvia, y se deja como ejercicio al
lector.
57
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
PROBLEMA #6
La compaa minera FERROJAC CHILE tiene dos operaciones mineras que alimentan de
mineral de hierro a una sola planta. Cada mina tiene dos reas de las cuales puede
extraer el mineral. La ley alimentada a planta debe ser mayor que 35% Fe, y debe ser
menor que 12% Si. La planta requiere al menos 45.000 toneladas, pero no puede manejar
ms de 60.000. El mercado interno requiere que al menos 12.000 toneladas de Fe deben
estar disponibles para el consumo asumir un 90% de recuperacin en el proceso. La
razn promedio de estril/mineral determinada para las operaciones de extraccin mineral
tiene un valor de 3,5.
Dado los datos que se indican, FORMULAR (no RESOLVER) un modelo de programacin
lineal, el cual permita obtener un plan minero de produccin que cumpla las restricciones
operacionales y permita minimizar la desviacin de la razn estril/mineral total.
Reservas Razn
Mina rea % Fe % Si
(toneladas) Estril/Mineral
Cerro Norte 20.000 40 17 3,0
GRANATE Lomas 10.000 30 10 2,0
Lomas Sur Sur 15.000 40 11 4,0
BAYAS Alberta 30.000 35 13 5,0
Para este problema, es muy til la elaboracin de un diagrama que muestre el proceso en
cuestin:
Ley de Fe 35%
Ley de Si 12%
Planta
Ahora veamos las restricciones del problema. En cuanto a las capacidades de la planta,
como sta debe recibir al menos 45.000 toneladas y no ms 60.000 toneladas, se tendr:
58
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Si el mercado interno requiere de, al menos, 12.000 toneladas de Fe, entonces el 90% de
la produccin que llega a planta, en trminos del Fe, debe conformar como mnimo, este
tonelaje. Luego:
( )
Se debe agregar que los sectores de produccin tienen como limitante a sus reservas
totales. Luego:
Por ltimo, la planta debe recibir como mnimo una ley del 35% de Fe y, a lo ms, una ley
del 12% de Si. Luego, tenemos lo siguiente:
( )
( )
( ) ( ) ( )
( )
( )
,
( )
( )
PROBLEMA #7
( )
59
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
SOLUCIN: Se debe reescribir el PPL en forma estndar. Se tiene entonces:
( )
V.B. ( )
-3 1 -5 -3 1 0 0 0 400 400
-3 2 2 4 0 1 0 0 1500 750
1 0 4 2 0 0 1 -1 120 ---
-2 -1 -1 -1 0 0 0 0 0
0 0 0 0 1 0 1 0 0
2 -1 1 1 0 0 0 1 -520
V.B. ( )
-3 1 -5 -3 1 0 0 0 400 ---
3 0 12 10 -2 1 0 0 700 175/3
1 0 4 2 0 0 1 -1 120 30
-5 0 -6 -4 1 0 0 0 400
-1 0 -4 -2 1 0 0 1 -120
V.B. ( )
-7/4 1 0 -1/2 1 0 5/4 -5/4 550 ---
0 0 0 4 -2 1 -3 3 340 ---
1/4 0 1 1/2 0 0 1/4 -1/4 30 120
-7/2 0 0 -1 1 0 3/2 -3/2 580
0 0 0 0 1 0 1 0 0
( )
60
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Como ya definimos el pvot y las variables de entrada y salida a partir de la tabla anterior,
podemos calcular inmediatamente la matriz :
( )
( )
( ) ( )
( )
Construimos una pequea tabla para verificar el orden de las variables bsicas:
V.B. ( )
( )
( ) ( ) ( ) ( )
( )
Luego:
( ) ( ) ( ) ( )
Por lo tanto:
( ) ( )
61
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
Por lo tanto:
V.B. ( )
760 -3 760:(-3) = -253.33 Ignorar
340 3 340:3 = 113.33 Mnimo
120 -1 120:(-1) = -120 Ignorar
Donde:
( )
( )
Entonces:
( )
( ) ( )
V.B. ( )
( )
62
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( ) ( ) ( ) ( )
( )
Luego:
( ) ( ) ( )
Por lo tanto:
( ) ( )
Como ahora todos los coeficientes reducidos son no negativos, hemos llegado al ptimo.
Calculamos entonces para encontrar la solucin ptima de este problema:
( ) ( ) ( )
PROBLEMA #8
Un florista sabe hacer slo dos tipos de arreglos florales, para los cuales dispone de 3
tipos distintos de flores: rosas, tulipanes e ibizcos. Los requerimientos de flores para cada
arreglo, la disponibilidad de flores y los requerimientos de cada arreglo vienen dados en la
siguiente tabla:
63
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
d) Suponga que retorna frustrado despus que una bella dama le cerrara la puerta
cuando usted le llevaba amablemente una rosa, un tulipn y un ibizco. Si se encuentra
con el florista Cunto cree que estara dispuesto a pagar l por sus flores?
a) Sean y los dos tipos de arreglos que puede hacer el florista. De la tabla, y en
forma inmediata, se obtiene el PPL deseado:
( )
b) Es posible formular inmediatamente el problema dual a partir del primal, sin utilizar la
transformacin de primal simtrico, invirtiendo las situaciones presentadas en la
definicin de ambos problemas. Se tiene entonces:
( )
El modelo dual resuelve el problema de un agente externo que desea saber el precio
unitario que puede ofrecer por cada una de las flores, en el caso de ste quiera
comprarle todas las flores al florista. As, y son los precios unitarios
asociados a las rosas, tulipanes e ibizcos, respectivamente.
( )
Tabla de inicio:
V.B. ( )
3 1 1 0 0 300 100
1 1 0 1 0 140 140
1 3 0 0 1 300 300
-2000 -1000 0 0 0 0
64
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
V.B. ( )
1 1/3 1/3 0 0 100 300
0 2/3 -1/3 1 0 40 60
0 8/3 -1/3 0 1 200 75
0 -1000/3 2000/3 0 0 -200000
V.B.
1 0 1/2 -1/2 0 80
0 1 -1/2 3/2 0 60
0 0 1 -4 1 40
0 0 500 500 0 -220000
Como todos los coeficientes de las variables en la funcin objetivo son no negativas,
hemos llegado al ptimo. La utilidad mxima que puede percibir el florista es de
$220.000, con arreglos florales del tipo 1, y arreglos florales del tipo 2.
En este punto ptimo, es vlido el teorema de holguras complementarias. Por lo tanto:
Para el primal:
( )]
( )]
( )]
Para el dual:
( )]
( )]
Por lo tanto, el florista vender rosas y tulipanes a un precio de $500 c/u, y entregar
como oferta los ibizcos gratis, siempre y cuando venda todo como un paquete. Esto
tiene sentido, porque si vende slo las rosas y tulipanes, dado que slo sabe hacer los
arreglos florales descritos, no le sacar provecho a los ibizcos.
d) Si tuviramos tan desgraciada suerte, entonces, idealmente, el valor mximo que nos
pagar el florista por las flores es el descrito con anterioridad: $500 por cada rosa y
tulipn, y $0 por los ibizcos.
65
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
PROBLEMA #9
( )
Se pide:
a) Se debe obtener el modelo lineal estndar (MLE) del problema. Para ello, hacemos los
cambios de variable y , con lo cual el problema se re-escribe de la
siguiente forma:
( )
( )
66
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
En el grfico anterior, los puntos esquina del ESF estn dados por los siguientes
pares:
Por tanto, el valor mximo del problema dual es , y se cumple cuando estamos
en el punto esquina J.
c) Si el proceso de resolucin del problema dual no tiene por qu seguir las reglas del
smplex, entonces basta que, a partir del origen, el algoritmo ignore la regla dada por
el criterio de optimalidad en un problema de maximizacin, la cual dicta que se escoja
siempre el coeficiente ms negativo en la fila objetivo del tableau smplex. Por tanto, si
partimos desde el origen, podemos comenzar en el punto E, y luego llegar de
inmediato al punto J utilizando el hecho de que, en este punto, se encuentra la
solucin.
Notemos que, adems, este nuevo proceso ignora la subdivisin del problema en dos
fases, ya que se cuenta de inmediato con una solucin bsica de inicio (el origen).
Para el primal:
( )]
( )]
Para el dual:
67
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )]
( )]
( )]
( )]
PROBLEMA #10
La Compaa Minera ASIOP S.A. (ASIOPSA) produce dos tipos distintos de concentrado,
cobre y zinc. La siguiente tabla muestra las demandas mensuales esperadas para cada
producto (en toneladas):
Estos dos ltimos costos se refieren a las fluctuaciones en los niveles de produccin, ya
que ASIOPSA tiene como poltica trabajar todos los meses la misma cantidad de horas.
68
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Concentrado Maquinaria [hr/ton] Mano de obra [hr/ton]
Cu 0,10 0,05
Zn 0,08 0,07
( ) ( ) ( ) ( )
( ) ( ) ( )
( )
Mes 1:
Mes 2:
69
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Mes 3:
Mes 1:
Mes 2:
Mes 3:
Naturalmente, todas las variables consideradas para este problema son no negativas. El
modelo completo (simplificado) es el siguiente:
70
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
, , , ,
PROBLEMA #11
El dinero restante en cada mes, una vez realizados los pagos, puede ser invertido durante
un mes a una tasa del 0,1% mensual; durante dos meses a una tasa del 052% mensual;
durante tres meses a una tasa del 1,0% mensual; o durante cuatro meses a una tasa del
2,0% mensual.
71
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
SOLUCIN: Lo primero es definir las variables de este problema. Sea la cantidad de
dinero invertido al comienzo del mes durante un perodo de meses. La funcin objetivo
queda entonces definida como sigue:
( )
Las restricciones del modelo naturalmente representan la distribucin del dinero. As,
stas se definen por las siguientes desigualdades:
PROBLEMA #12
Se pide:
( )
( )
La tabla siguiente evala el valor de las variables del PPL en cada uno de los puntos
esquina del ESF:
Por lo tanto, el punto esquina B es el ptimo, porque es aquel donde la funcin objetivo
alcanza su mnimo valor. Se concluye entonces que FERROSUR debe fabricar 1,25
toneladas de acero puro, a un costo mnimo de 3,75 unidades monetarias. La chatarra no
es rentable de producir.
73
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
PROBLEMA #13
Temporadas
Tipo
1 2 3 4
Seco 10 12 14 8
Frutoso 13 15 17 19
Aejo 21 25 9 11
El whisky seco lo vende a 34 dlares por botella, el frutoso a 28,8 y el aejo a 22,5 en la
primera temporada. En las siguientes se espera poder venderlos a un 5% ms caro. Cada
tipo de whisky es elaborado mezclando tres materias primas, A, B y C, de las cuales se
puede importar un mximo de 2000, 2500 y 1200 botellas por temporada a un costo de
35, 25 y 20 dlares, respectivamente. Estos costos, vlidos para la primera temporada,
deberan aumentar un 2% en cada temporada. El whisky seco debe contener por lo
menos un 60% de la materia prima A y no ms de un 20% de la materia prima C. El
whisky frutoso debe contener por lo menos un 15% de la materia prima A y no ms de un
60% de la materia prima C. El whisky aejo debe contener por lo menos un 50% de la
materia prima B. Cada botella de whisky fabricada en una temporada puede ser vendida
en dicha temporada o almacenada a un costo unitario por temporada de 0,5 dlares para
ser vendidas posteriormente.
SOLUCIN: Las variables a considerar para este problema son las siguientes:
( ( ))( )
( ( ))( )
74
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
( )
Las restricciones del problema vienen dadas por la disponibilidad de materia prima para
producir cada tipo de whisky, la cantidad mxima de ventas por temporada, la proporcin
de uso de las materias primas en la elaboracin de cada tipo de whisky, y la produccin,
ventas y almacenaje por temporada. Luego, se tiene lo siguiente:
75
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Las restricciones anteriores se cumplen para todo .
Finalmente, a partir de los datos entregados en el enunciado del problema con respecto a
la produccin, ventas y almacenaje por temporada, se obtienen las siguientes
expresiones:
76
Universidad de Santiago de Chile
Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Bibliografa
77