Investigacin de Operaciones

Paso

Inicial: Se revisan las restricciones del problema original introduciendo variables artificiales segn se necesite para obtener una solucin bsica factible inicial obvia para el problema artificial.

 Uso

del mtodo simplex para resolver el problema de programacin lineal. Minimizar Z = de variables artificiales, sujeta a las restricciones revisadas. La solucin ptima que se obtiene para este tipo de problemas (con Z = 0) ser una solucin bsica factible par el problema real.

 Se

eliminan las variables artificiales (estas en esta fase valen 0). Comenzando con la solucin BF que se obtiene al final de la fase I, se usa el mtodo simplex para resolver el problema real. A continuacin se presenta un ejemplo de terapia de radiacin y se identifican la funcin objetivo y las restricciones para cada una de las fases.

 Fase

= + Sujeta a: . + . + . + . . + . Y , , , , , = = + = . = + =

 Fase

II

= . + . Sujeta a: . + . + . + . . + . Y , , , , = . = =

 La

nica diferencia entre estas dos fases se encuentra en la funcin objetivo y en la inclusin (fase I) o exclusin (fase II) de las variables artificiales . Sin la variables artificiales, el problema para la fase II no tiene una solucin bsica factible inicial obvia. El nico propsito de resolver el problema para la fase I es obtener una solucin BF con = que se pueda usar como la solucin BF inicial para la fase II. Para la siguiente tabla el rengln Z se convierte de minimizar a maximizar.

 Para

poder encontrar los valores de x1 y x2 en el rengln Z de la fase I de la iteracin 0, se trabaja el proceso del mtodo de la M.
Mtodo de la M 0.4 0.5 0.6 0.5, 0.5, 0.4, 0, , 0, , 0, 1, 0, 0, 0, 0 , 0, 0 0 6 6

1.1 + 0.4, 0.9 + 0.5, 0.5, 0, , 0, ,

Para x1 se coloca el valor que acompaa a M que sera -1.1 y para x2 -0.9

metodo simplex 2 fases.xlsx

 Hasta

aqu se ha trabajado e identificado la solucin BF inicial, cuando no se dispone de una obvia. Se debe estar consciente de un obstculo que se puede que se puede presentar. Puede no existir una eleccin obvia para la solucin BF inicial por la razn de que no existan soluciones factibles. Para ello existe la tcnica de las variables artificiales.

 Si

el problema original no tiene soluciones factibles, entonces cualquier solucin ptima obtenida con el mtodo de la M o en la fase 1 del mtodo de dos fases lleva a una solucin final que contiene al menos una variable artificial mayor que cero. De otra manera, todas son iguales a cero.

 Es

un anlisis que se hace despus de obtener una solucin ptima para la versin inicial del modelo, constituye una parte muy importante de casi todos los estudios de investigacin de operaciones. A continuacin se muestra una tabla donde se resumen los pasos que se deben seguir en una anlisis posptimo en estudios de programacin lineal. En la ltima columna se identifican algunas tcnicas que emplean el mtodo simplex.

Tarea Extraccin de errores del modelo Validacin del modelo Decisin gerencial final sobre asignacin de recursos

Propsito Encontrar errores y debilidades del modelo Demostrar la validez del modelo final

Tcnica Reoptimizacin

Validacin del modelo

Efectuar una divisin Precios sombra apropiada de los recursos de la organizacin entre actividades bajo estudio y las importantes

Evaluacin de las estimaciones de los parmetros del modelo Evaluacin de trueques entre parmetros del modelo

Determinar las Anlisis de estimaciones que puede Sensibilidad efectuar la solucin ptima Determinar el mejor trueque Programacin lineal paramtrica

 Deduce

los cambios que deben introducirse a la tabla simplex final. Una de las ventajas de la tcnica de reoptimizacin sobre el hecho de volver a resolver el problema desde el principio, es que quiz la solucin ptima para el problema revisado est mucho ms cerca de la solucin ptima anterior que de una solucin BF inicial construida como siempre para el mtodo simplex. Por lo tanto la prueba de reoptimizacin requiere slo una aplicacin de la prueba de optimalidad y ninguna iteracin.

 Los

precios sombra para el recurso i (denotada como yi) miden el valor marginal de este recurso, es decir, la tasa a la que Z puede aumentar si se incrementa (un poco) la cantidad que se proporciona de este recurso (bi). El mtodo simplex identifica este precio sombra como: Yi = coeficiente de la i-sima variable de holgura en el rengln Z de la tabla simplex final.

 Por

ejemplo: en el problema de Wyndor Glass Co. Recurso i = capacidad de produccin de la planta i (i = 1, 2, 3) que se proporciona para los dos nuevos productos bajo estudio. bi = horas del tiempo de produccin por semana que se proporcionan en la planta i para estos nuevos productos.

 El

propsito principal del anlisis de sensibilidad es identificar los PARAMETROS SENSIBLES (esto es, aquellos que no pueden cambiar sin cambiar la solucin ptima). Los parmetros sensitivos son los parmetros que ser necesario controlar muy de cerca conforme el estudio se ponga en prctica. Si se descubre que el valor verdadero de un parmetro es sensitivo difiere de su valor estimado en el modelo, esto da la seal inmediata de que la solucin debe cambiar.

 Ejemplo:
Solucin ptima Valor de funcin objetivo: Z = 36

Variable X1 X2

Valor 2 6

Restriccin 1 2 3

Holgura o Supervit 2 0 0

Precio Sombra 0 1.5 1

Anlisis de Sensibilidad Intervalo permitido para seguir ptimo Mnimo Mximo 0 7.5 2 +

Valor Actual 3 5

Lados derechos Intervalo permitido para seguir factible Mnimo Mximo 2 + 6 18 12 24

Valor Actual 4 12 18

 Resuelva

los siguientes ejercicios por el mtodo de dos fases. Incisos: 4.6-7 4.6-8 4.6-9 4.6-10 Fecha de entrega: 15/10/2013, realice todas las iteraciones en excel y debe enviarlo a mi correo. El examen parcial ser el 15/10/2013.