Programación Vectorial Lineal y Entera

UNIVERSIDAD DE LA LAGUNA
Programacin vectorial lineal y entera
Autor: Jorge Santiso, Jess Manuel Director: Carlos Gonzlez Martn
Departamento de Estadstica, Investigacin Operativa y Computacin
UNIVERSIDAD DE LA LAGUNA
Departamento de Estadstica, Investigacin Operativa y Computacin
D. Carlos Gonzlez Martn, Catedrtico de Estadstica e Investigacin Operativa del Departamento de Estadstica,
Investigacin Operativa y Computacin de la Universidad de La Laguna,
CERTIFICA:
Que
la
presente
Memoria
titulada
Programacin Vectorial Lineal y Entera, ha sido realizada bajo mi direccin, en el Departamento de Estadstica, Investigacin Operativa y Computacin de la Universidad de La Laguna, por D. Jess Manuel Jorge Santiso, y constituye su Tesis Doctoral para optar al grado de Doctor en Ciencias Matemticas.
Y para que as conste, en cumplimiento de la legislacin vigente y a los efectos que haya lugar, firmo el presente certificado en La Laguna, a veintisis de Febrero de dos mil dos.
Fdo.: Carlos Gonzlez Martn
A mi esposa Marianela, mi amor y mi inspiracin.
A mis hijos Samuel, David e Ivn, un maravilloso sueo hecho realidad.
A mis padres Jess y Genoveva, por todas las enseanzas y valores que me han transmitido a lo largo de la vida.
Agradecimientos
Cuando hace ya algn tiempo, mi director y tutor Carlos Gonzlez Martn, me propuso como tema general de investigacin para mi tesis doctoral la Programacin Multiobjetivo y, en particular, el estudio de los casos lineal y entero desde la perspectiva vectorial, ignoraba hasta qu punto me iba a entusiasmar y cautivar este inmenso campo, tan duro y tan lleno de posibilidades al mismo tiempo. A l le debo la confianza inicialmente depositada en m y el haberme introducido en el oficio, ensendome lo necesario para salir adelante. Pero sobre todo, quiero agradecerle sinceramente, la libertad y autonoma de trabajo que me ha proporcionado durante la realizacin de esta empresa. Para m ha sido un verdadero honor. Es difcil expresar con palabras cunto les debo a mis compaeros del rea de Lenguajes y Sistemas Informticos de la Universidad de La Laguna, especialmente, a Casiano Rodrguez Len y a Coromoto Len Hernndez. Su clida acogida en el Grupo de Paralelismo y la ayuda de todo tipo que me han brindado ininterrumpidamente, han facilitado de manera considerable mi empeo. Para ellos, mi ms profundo agradecimiento. Tambin quiero enviar un mensaje de gratitud a todos aquellos amigos, tanto del Departamento de Estadstica, Investigacin Operativa y Computacin, como de otros Departamentos afines de la Universidad de La Laguna, que se han interesado por la marcha de este proyecto y ofrecido innumerables comentarios y sugerencias. Deseo reconocer a Marianela todos los sacrificios generosamente realizados y el enorme apoyo que siempre me ha proporcionado. Sin su comprensin y nimos constantes no hubiese tenido la fuerza suficiente. Gracias de corazn. Por ltimo, deseo mencionar a mis hijos, los cuales, a pesar de no comprender muy bien el motivo de mis largas jornadas en el trabajo, siempre lograron contagiarme sus risas y alegra, recordndome cun hermosa es la vida y hacindome sentir lo afortunado que soy al compartirla con ellos.
Prlogo
En el mundo actual, la mayor parte de los problemas de decisin con cierta importancia y trascendencia admiten, de forma natural, una formulacin donde intervienen mltiples criterios o juicios de valor. Debido a esto, y como quiera que optimizacin y decisin estn ntimamente ligadas entre s (al decidir siempre intentamos elegir la alternativa ptima, es decir, que ms nos satisface, de entre el conjunto de acciones u opciones posibles), los problemas de Decisin Multicriterio (MCD) han ido acaparando una gran atencin dentro de la Investigacin Operativa y en gran parte de ambientes y sectores de la sociedad. Una vasta clase de problemas de Decisin Multicriterio pueden ser especificados mediante la maximizacin, de manera conjunta, de varias funciones objetivo sobre una determinada regin factible dada de forma implcita. Esta formulacin, que ha resultado ser de gran utilidad prctica (ver, por ejemplo, las referencias incluidas en [Rm93]), recibe el nombre de Programa Multiobjetivo (MOP) y fue definida explcitamente, por primera vez, por Kuhn y Tucker, en 1951 ([KhTc51]). Cuando todas las funciones que aparecen en el MOP son lineales, tenemos un problema de Programacin Lineal Multiobjetivo (MOLP). Si, adems, las variables son de tipo entero se trata de un problema de Programacin Lineal Multiobjetivo Entero (MOILP). Debido al frecuente conflicto que se produce entre los diferentes criterios, en los problemas MOP no suele existir una solucin que optimice simultneamente todos los objetivos. La consecuencia directa de esto es que el concepto de solucin ptima, tal como lo conocemos en programacin escalar, debe ser revisado (por dejar de tener validez) y, en su lugar, aparecen otros nuevos, siendo las nociones de solucin eficiente y dbilmente eficiente dos de las ms tiles. Desde una perspectiva amplia, los mtodos de resolucin del MOP pretenden encontrar, de entre el conjunto de soluciones eficientes, la ms preferida por el decisor (DM) ([Ev84]). Los procedimientos de resolucin del MOP pueden agruparse en tres grandes categoras, dependiendo del momento en que el DM manifiesta sus ix
PRLOGO
preferencias: antes, durante o despus de la resolucin del problema (ver, por ejemplo, [HwMs79], [Ev84], [Jr92], ...). En el primer grupo (articulacin a priori de las preferencias), y hablando en trminos generales, el DM es capaz de precisar la importancia relativa de cada funcin objetivo a travs de ciertos coeficientes escalares (pesos). Debido a ello el MOP se puede reducir a uno o varios problemas de optimizacin escalar que, comnmente, suelen ser sencillos de resolver (especialmente para el caso lineal). Por contra, el principal inconveniente de este enfoque radica en la dificultad que encuentra el DM para proporcionar la informacin detallada y especfica que se le solicita. Dentro de esta clase de procedimientos se enmarcan, entre otros, los mtodos de Programacin por Metas ([ChCp77]) y el mtodo Lexicogrfico ([HwMs79], p. 45-55). La segunda categora incluye a todos aquellos algoritmos en los que el DM expresa informacin sobre sus preferencias durante la fase de resolucin del problema. Existen una gran cantidad de tales procedimientos (ver, por ejemplo, [ShRv91], [GrSt94], [Gn85], ...), los cuales son denominados, genricamente, como interactivos, debido a que requieren una interaccin continua entre el analista y el DM. Los mtodos interactivos gozan de una gran popularidad y reputada fama entre los especialistas del MOP, representando para muchos la nica alternativa de resolucin verdaderamente viable ([St86], p. 361). En esencia, su esquema de funcionamiento consiste en resolver, en cada iteracin, uno o ms programas escalares, construidos a partir de las revelaciones hechas por el DM sobre su estructura de preferencias. Comparados con las tcnicas de la categora anterior, la informacin que se solicita al DM en cada paso no es tan difcil de obtener. No obstante, los mtodos interactivos no estn exentos de dificultades. Algunas de las ms preocupantes son que la convergencia de tales procedimientos no est siempre garantizada y, en general, precisan ciertas suposiciones que no son fcilmente verificables. Adems, an bajo condiciones propicias, el nmero de iteraciones requeridas por el correspondiente algoritmo puede ser muy elevado, cansando enormemente al DM. Por otra parte, el procedimiento resolutor empleado condiciona fuertemente la bsqueda realizada, al limitar a travs de su diseo los puntos que se pueden explorar. Por ltimo, dado que en cada iteracin slo se procesan puntos aislados, sin realizarse una bsqueda exhaustiva de la regin ms prometedora, suele ser frecuente obtener ptimos locales en lugar de globales ([BrZn92]). La tercera clase de procedimientos (articulacin a posteriori de las preferencias) se caracterizan porque no utilizan ningn tipo de informacin sobre las preferencias del DM durante la optimizacin. Generalmente en una primera etapa se calculan todas (o una parte de inters especial de) las soluciones eficientes, para posteriormente presentarlas al DM, al objeto de elegir la solucin ms satisfactoria (segunda etapa). Existen numerosos
PRLOGO
xi
mtodos generadores de soluciones eficientes, tanto para el caso general (ver, por ejemplo, [ChHm83]), como para los casos especiales lineal ([Sy96], [Ar93b], [ArMl91], [Mr85], ...) y entero (ver las referencias incluidas en [TgKn86] y [Rs86]). Este tipo de metodologa es conocida en la literatura con el nombre de Programacin Vectorial (VP) y representa, desde un punto de vista estrictamente matemtico, la extensin natural de la programacin escalar tradicional. El enfoque vectorial aplicado a un MOLP lo denotaremos a lo largo de esta memoria como un problema de tipo LVP (= MOLP + VP). Anlogamente, para el MOILP obtendramos el paradigma ILVP (= MOILP + VP). En general, y abusando de la notacin, cuando pretendamos resolver vectorialmente un MOP genrico tendremos un problema de tipo VP. La principal ventaja de la programacin vectorial es que el proceso de optimizacin est totalmente automatizado. Por contra, existen evidentes desventajas cuando esta metodologa se aplica sin las cautelas adecuadas y de manera indiscriminada. Efectivamente, la tarea de generar, para problemas moderados o grandes, todo el conjunto de soluciones eficientes de un VP puede requerir una cantidad de esfuerzo computacional desproporcionada, incluso para el caso lineal, hacindola, por tanto, inadecuada en la prctica. A modo de ejemplo, Benson manifiesta ([Bn98a], p. 3) que, utilizando el algoritmo ADBASE de Steuer ([St89]) para obtener el conjunto de vrtices eficientes de una serie aleatoriamente generada de 10 LVPs, con 50 desigualdades, 50 variables y 4 funciones objetivo, el nmero medio de soluciones halladas fue de 83781. Adems, al incrementar el nmero de variables hasta un total de 60, encontr que ADBASE fue incapaz de resolver los problemas propuestos, por exceder cualquiera de ellos el lmite de 200000 vrtices eficientes establecido por el programa. No obstante, supongamos por un momento que tales conjuntos de soluciones eficientes (y an mayores) pudieran ser generados de manera rutinaria y gil (lo cual no es del todo descabellado que ocurra pronto, si la tecnologa informtica, hardware ms software, sigue progresando a ritmos parecidos a los mantenidos en los ltimos aos). An as, todava quedara otra importante cuestin por resolver, como es la saturacin experimentada por el DM, al no tener ste capacidad suficiente para procesar adecuadamente tal cantidad de datos. Efectivamente, la competencia de la mente humana para gestionar informacin tiene ciertos lmites que no se pueden superar ([Bn98a]). Las dificultades anteriores, consideradas insalvables por muchos profesionales del mundo de la optimizacin multiobjetivo, han hecho que la programacin vectorial haya sido desestimada sistemticamente como una
xii
PRLOGO
metodologa posible, siendo percibida, en numerosos crculos intelectuales, como una curiosidad meramente acadmica (de fuerte carcter matemtico) y sin un claro futuro prctico. Sin embargo, creemos que la situacin no es tan desalentadora como pudiera parecer a primera vista. Sin pretender establecer ningn tipo de confrontacin, en nuestra opinin, los inconvenientes anteriormente reseados pueden ser, cuando menos, atemperados sustancialmente. Con respecto al esfuerzo computacional, es ampliamente aceptado que para un mismo problema, una reduccin en el tamao de la regin eficiente generada induce una reduccin casi proporcional en el tiempo de ejecucin del algoritmo (ver, por ejemplo, [MvDA98], p. 556). Al hilo de esta argumentacin, existen al menos dos tcnicas bien conocidas para contraer, a priori, el tamao del conjunto de soluciones eficientes que se pretende generar en el espacio de decisin. La primera de ellas, y ms sofisticada, consiste en restringir a subintervalos de (0, 1) el rango de variacin de todos o algunos de los pesos aplicados a las funciones objetivo. Esta prctica es denominada en la literatura inglesa como interval weight coefficients y, para el caso lineal, ha sido estudiada, entre otros, por Steuer ([St76b]). El procedimiento presentado por Steuer consiste en transformar el LVP con ponderaciones en intervalo en otro LVP equivalente, que tiene como regin eficiente el conjunto contrado de soluciones eficientes del problema original. La segunda estrategia, y ms ampliamente utilizada, consiste en restringir el rango de valores de las funciones objetivo mediante la introduccin de cotas inferiores adecuadas. Estas acotaciones se pueden incorporar en el modelo como restricciones ordinarias, obtenindose un problema ampliado que debe ser resuelto. Entre otros autores, Mavrotas, Diakoulaki y Assimacopoulos ([MvDA98]) han investigado ampliamente el efecto de tales acotaciones en el tamao de la regin eficiente. Sus experimentos para el LVP, basados en establecer grados de acotacin (expresados como un tanto por ciento sobre el rango de variacin de los valores de las funciones objetivos obtenidos a partir de los datos de la tabla de pagos), tanto para objetivos individuales, como para el conjunto de todos ellos, son bastante esperanzadores, sobre todo si el DM est dispuesto a aceptar acotaciones significativas. A modo de ejemplo, los autores exponen que acotaciones simultneas en torno al 40% del rango inducen reducciones alrededor del 50% en el nmero de vrtices eficientes. Por otra parte, una vez generado el conjunto de soluciones eficientes es posible discretizarlo y filtrarlo para reducir su tamao a posteriori. Es esencial que los procedimientos empleados en la discretizacin de la regin eficiente de un LVP proporcionen una muestra suficientemente representativa y dispersa de puntos (no, necesariamente, vrtices). Para un compendio de las tcnicas ms ampliamente utilizadas ver [St86]. Por otra parte, el filtrado de un conjunto de puntos, entendido como un problema de
PRLOGO
xiii
eleccin de representantes adecuados, es un tema ampliamente estudiado por la Estadstica ([Sm96]). En el mbito de la programacin vectorial, autores como Steuer ([St86]) o Morse ([Mr80]), han tratado este aspecto en profundidad. Combinando las contracciones a priori y a posteriori de la regin eficiente se puede reducir hasta lmites manejables el tamao de la regin eficiente, empleando en la tarea conjunta tiempos de clculo razonables. Una vez que el DM elige una solucin como preferida, mediante un filtrado inverso (reverse filtering, [St86]) es posible reconstruir un entorno eficiente de pequea dimensin con la intencin de realizar en l mismo una bsqueda exhaustiva. Cerrando esta ronda de explicaciones previas, conviene mencionar que la metodologa vectorial no tiene como nico objetivo la obtencin de descripciones completas, ya sean globales o locales, de la regin eficiente. Es posible una percepcin ms ambiciosa de la misma, que abarque tambin la generacin, en un solo paso, de representaciones globales (discretas), de tamao adecuado, de la regin eficiente. Un avance decidido en esta direccin lo constituye el algoritmo propuesto por Benson y Sayin ([BnSy97]). En esta monografa estudiamos numerosos aspectos (sin pretender hacer una relacin exhaustiva de los mismos) de la programacin vectorial relacionados con los casos lineal y entero. Dado que en la literatura existe una gran cantidad de publicaciones y trabajos sobre el LVP (literalmente, cientos de artculos, captulos de libros y libros) y el ILVP (aunque en mucha menor profusin), debemos aclarar que una actitud enciclopedista por nuestra parte hubiese constituido una tarea abrumadora y casi irrealizable. En una primera fase fueron seleccionados una serie de tpicos (en nuestra opinin esenciales) sobre los que realizar un estudio preliminar sobre el estado del arte. Esto fue complicado, pues los conocimientos de nuestro inters, aparte de estar dispersos en el tiempo y en el espacio, presentaban la dificultad aadida de la utilizacin de mltiples y complejas notaciones distintas. No se trataba de un simple ejercicio de lectura y recopilacin, sino de una reelaboracin personal y actualizada totalmente nueva. La motivacin era doble. Una con un claro carcter, digamos, divulgativo, que quiere hacer la programacin vectorial lineal y entera mejor conocida y comprendida (aunque cierto dolor est garantizado) y que pretende resaltar algunas de las principales dificultades que plantea su aplicacin. La otra, de carcter ms tcnico, aspira a conocer con precisin los numerosos resultados disponibles y dnde encajan (cmo se interrelacionan) en el cuerpo de la teora.
xiv
PRLOGO
Pero la cuestin, obviamente, no era tanto lo que se haba hecho, sino lo que se poda hacer. Descubrimos, para nuestra satisfaccin, que lejos de constituir un campo agotado, la programacin vectorial lineal y entera presentaba (y sigue presentando en la actualidad) una gran cantidad de retos y desafos sobre los que reflexionar y trabajar duramente. En este sentido, desarrollamos y ampliamos, siempre que pudimos, todos aquellos aspectos que nos parecan que estaban insuficientemente tratados o que eran susceptibles de ser mejorados. Y el resultado de este proceso queda recogido en la memoria que ahora presentamos. La organizacin de la misma refleja un intento de dividir la extensa materia tratada en partes coherentes. Dado que cada captulo de la tesis incluye una introduccin, con descripciones pormenorizadas acerca de su contenido, aqu slo daremos unas breves pinceladas generales. En el captulo uno se expone la teora bsica utilizada en el desarrollo de esta memoria. Sin perder de vista nuestro inters especfico por el LVP, se intent hacer un estudio, lo ms general posible, de propiedades, con el fin de aprovechar al mximo las ventajas de la teora. Aun a pesar de que los temas tratados pueden considerarse tradicionales y tienen un fuerte carcter preliminar, nos fue posible hacer ciertas contribuciones de provecho. En este sentido merecen ser destacadas las secciones 1.5, en la que damos una clasificacin exhaustiva del VP, 1.7, dedicada a los fundamentos del LVP y en la que aportamos algunos resultados y herramientas tericas, y 1.9, en la que se presenta una teora de cotas eficientes que permite establecer una cierta relacin de polaridad entre el problema de programacin vectorial convexo (CVP) y el que surge en el clculo de sus supremos eficientes. El segundo captulo est dedicado a la caracterizacin de las caras eficientes de un LVP. Este es un tema clsico que ofrece innumerables oportunidades. En primer lugar se analiz el problema general de identificar las caras de un poliedro (seccin 2.3), tanto si se conocen elementos locales (vrtices) de las mismas como si no, prestando especial cuidado al fenmeno de la degeneracin. En este contexto se propone la nocin de descriptor maximal como un mecanismo adecuado para el reconocimiento preciso de caras. Dado que las caras eficientes siempre se pueden describir a travs del conjunto de soluciones ptimas de ciertos problemas escalares, y puesto que este tema general suele estar insuficientemente tratado en la literatura, tambin se estudi con detenimiento la caracterizacin apropiada del conjunto de soluciones ptimas de problemas escalares arbitrarios (seccin 2.4). Con estas herramientas en la mano fue posible disear nuevos tests para determinar la eficiencia de caras arbitrarias (seccin 2.9) e incidentes en algn vrtice conocido (seccin 2.8).
PRLOGO
xv
En el tercer captulo se abordan ciertos tpicos especficos del LVP que, a pesar de estar ms indirectamente relacionados con el clculo de soluciones eficientes, llamaron poderosamente nuestra atencin por las nuevas potencialidades que ofrecan. Evidentemente, la lista de cuestiones tratadas es forzosamente incompleta para poder hacer manejable un trabajo de estas caractersticas. Entre los aspectos desarrollados que ms nos han satisfecho, merece la pena destacar el anlisis de eficiencia completa (seccin 3.2) por su trascendencia en otras partes de la teora, el estudio de la dualidad (seccin 3.4) por su indiscutible belleza y elegancia, y la optimizacin de una funcin lineal sobre la regin eficiente (seccin 3.5) por el nuevo enfoque que permite en la metodologa vectorial ([Bn84]) y su complejidad (estrechamente relacionada con la optimizacin global, [HrTuy96]). El cuarto captulo estudia los principales aspectos relativos a los mtodos generadores de soluciones eficientes. Atendiendo exclusivamente a su diseo proponemos una clasificacin exhaustiva basada en cuatro categoras (seccin 4.5), siendo el enfoque descendente local (LTD) una iniciativa nuestra. Asimismo, para cada clase de mtodos se desarroll un nuevo algoritmo y se analizaron sus propiedades. En el quinto captulo se examina el caso lineal entero. En nuestra opinin este tema no ha recibido en la literatura la atencin que merece su importancia. Por ello, y porque consideramos que el ILVP tiene una gran aplicabilidad en el mundo real, hemos dedicado un esfuerzo especial al estudio de este problema. Despus de ilustrar convenientemente la dureza del modelo (seccin 5.2), entre otras cosas probamos rigurosamente algunas de sus propiedades ms notables (seccin 5.3) y desarrollamos varios algoritmos generadores de soluciones eficientes (seccin 5.5). Finalmente, se presentan las conclusiones de este trabajo, enumerando sus principales aportaciones. Adems, se sealan posibles lneas de desarrollo e investigacin que se esperan llevar a cabo en un futuro prximo. Jess M. Jorge Santiso
Notacin y Smbolos
Matriz de restricciones. En general, se considerar que A R mn es regular por filas. Fila i -sima de la matriz A . Columna j -sima de la matriz A . Base (matriz no singular de orden m ) de A . Conjunto de todas las bases de A asociadas a x . Conjunto de cotas eficientes para el problema P . Vector de recursos. En general, supondremos que b R m . B 1 b . Matriz de costos. Se considerar que C R k n . Cono de preferencias inducido por la matriz C : d R n / Cd 0 { 0 }
ai aj B B(x ) B(P )
b
b
C CNH (D ) CVH (Q )
(CoNic Hull) Envolvente cnica o cono generado por un conjunto de vectores D . (ConVex Hull) Envolvente convexa de un conjunto de puntos Q.
xvii
xviii ci Dx
NOTACIN Y SMBOLOS Gradiente de la i-sima funcin objetivo. Conjunto de dominacin de x : x R n / x = x + y, y C
Vector cuyas componentes son todas uno. La dimensin depender del contexto. Conjunto de todas las soluciones eficientes del problema P . Conjunto de todos los vrtices eficientes del problema P . Conjunto de todos los rayos extremos eficientes del problema P. Conjunto de las aristas eficientes del problema P . Conjunto de las caras eficientes del problema P . Conjunto de las caras eficientes maximales del problema P . Conjunto de las caras eficientes del problema P incidentes en el vrtice x . Conjunto de todas las bases eficientes del problema P . Conjunto de todas las bases duales-eficientes del problema P. Conjunto de soluciones eficientes propias del problema P . Conjunto de soluciones eficientes impropias del problema P . Soluciones eficientes soportadas del problema entero IP . Soluciones eficientes no soportadas del problema entero IP . Se ha empleado con dos significados. En los primeros cuatro captulos de la memoria representa una cara de un poliedro. En el captulo 5 denota la regin factible de un ILVP genrico.
EP
P E xp
P E xr
EeP EP f
P Emf
EP f (x )
P EB
P E DB
P Ep
EiP E sIP
IP Ens
NOTACIN Y SMBOLOS ILVP
xix
Problema de programacin vectorial lineal entera, formulado en forma estndar como: max(imizar) z (x ) = Cx n s.a : x F = x Z + / Ax=b
I (B ) I P (Y ) int (Y ) JB
Regin de indiferencia asociada a la base B : k t R+ + / R0
Regin de indiferencia de Y asociada al problema P : 0k / Y S P
Interior de Y . Conjunto de ndices asociados a las variables bsicas. Cuando este conjunto se utilice como superndice o subndice, slo se escribir B para simplificar la notacin. Conjunto de ndices asociados a las variables no bsicas. Cuando este conjunto se utilice como superndice o subndice, slo se escribir N para simplificar la notacin. Nmero de funciones objetivo. Problema de programacin lineal escalar (Linear Program). Problema de programacin vectorial lineal (Linear Vector Program), formulado en forma estndar como: max(imizar) z (x ) = Cx n s.a : x X = x R+ / Ax=b
JN
LP LVP
m n
N
Nmero de restricciones. Nmero de variables estructurales. Matriz formada por las columnas no bsicas de A . Problema de maximizacin de holguras: k max e t s / z (x ) s = , x X , s R+
P( ) ( ) P
Problema de maximizacin uniforme de holguras: max{s / z (x ) es , x X , s R+ }
xx P
NOTACIN Y SMBOLOS Problema paramtrico o ponderado: max t z (x ) / x X
} }
P ,
Problema paramtrico-restringido: max t z (x ) / x X , z (x )
P , p
Problema de la norma ponderada: p k I min i zi zi (x ) / x X i =1 Problema objetivo:
Pi ( )
-restringido
con
maximizacin
del
i-simo
max{z i (x ) / x X , z j (x ) j , j i}
Matriz con los costos reducidos asociados a las variables no bsicas ( C B B -1 N -C N ). Ortante no negativo de R n ( x R n / x 0 ).
n R+
n R+ +
Ortante positivo de R n ( x R n / x > 0 ). Acrnimo de right hand side. Conjunto de supremos eficientes del problema P . Conjunto de soluciones superiores del problema P . Conjunto de soluciones ptimas de un problema escalar Q . Acrnimo de solucin factible bsica. Tabla cannica asociada a la base B . Acrnimo de variables bsicas. Cono generado por las filas de la matriz C : {v R n / v t = t C, R+k } Cuando C es la matriz de costos, a V ( C) se le llama cono criterio o cono gradiente.
r.h.s. S (P ) SP SQ s.f.b. T (B ) v.b. V ( C)
NOTACIN Y SMBOLOS VP
xxi
Problema de programacin vectorial (Vector Program). Su formulacin genrica es: max{z (x ) / x X } Conjunto de supremos dbilmente eficientes del problema P . Conjunto de cotas dbilmente eficientes para el problema P . Conjunto de soluciones dbilmente eficientes del problema P . Regin factible. Para el caso lineal, es un poliedro que, formulado en forma estndar, escribiremos como: n x R+ / Ax = b
WS (P ) WB(P ) WE P X
X xp X xd X* Xe X xr Xf Xq f x xi xj
x y
Conjunto de puntos extremos de X . Conjunto de direcciones extremas de X . Cono de recesin de X . Conjunto de aristas de X . Conjunto de rayos extremos (aristas no acotadas) de X . Conjunto de todas las caras de X . Conjunto de todas las caras de X de dimensin q . Vector de variables de decisin. Componente i-sima del vector x . Vector j-simo. x es preferido a y . x es indiferente a y . x1 es E-adyacente a x 2 .
2 x1 j. j < xj
x~ y x1 ~ E x 2 x1 < x 2
xxii x1 x 2 x1 x 2 x1 x 2 x1 / x2 Y0 z zI z z (X ) #
NOTACIN Y SMBOLOS
2 1 2 x1 j x j j y, adems, i tal que xi < xi .
2 x1 j xj j .
1 2 j tal que x1j < x 2 j xj > xj
2 i, j tales que xi1 < xi2 y x 1 j > xj
Interior relativo del conjunto Y . Vector de funciones objetivo. Punto ideal. Valores objetivos asociados a la solucin x ( z = z (x ) ). Regin objetivo, especificada por: { z (x ) / x X } Absurdo. Final de demostracin. Final de ejemplo.
0k
k R / > 0, k R / 0,
i=1 k
= 1 = 1
i=1
Contenidos
Prlogo Notacin y Smbolos 1 Fundamentos de la Programacin Vectorial: El Caso Lineal 1 ix xvii
1.1 Introduccin ..........................................................................................1 1.2 El Problema de Decisin Multicriterio ................................................4 1.2.1 El Sistema de Preferen cias como una Relacin Binaria ..........5 1.2.2 El Sistema de Preferen cias Inducido por una Funcin de Valor ......................................................................................9 1.3 El Problema General de Programacin Vectorial .............................12 1.4 Escalarizaciones para el VP ..............................................................18 1.4.1 Problema Paramtrico (o Ponderado) .....................................18 1.4.2 Problema de la Norma Ponderada ..........................................23 1.4.3 Problema -Restringido con Maximizacin del i-simo Objetivo ....................................................................................24 1.4.4 Problema de Maximiza ci n de Holguras ................................25 1.4.5 Problema Paramtrico -Restringido ........................................28 1.5 Clasificacin de los VP .......................................................................29 1.6 El Problema de Programacin Vectorial Lineal ...............................32 1.6.1 Nomenclatura ...........................................................................33 1.6.2 El LVP Expresado en F ormato de Tabla ................................38 1.7 Resultados Bsicos para el LVP ........................................................40 1.7.1 Teoremas de la Altern ativa .....................................................40 xxiii
xxiv
CONTENIDOS 1.7.2 Caracterizaciones de E ficiencia ..............................................42 1.7.3 Estructuracin del Con junto de Soluciones Eficientes ..........45 1.7.4 Eficiencia y Conexidad ..............................................................47 1.7.5 Caracterizaciones para la Acotacin de un LVP ....................49
1.8 Mtodos Grficos de Resolucin ........................................................51 1.8.1 Mtodo de los Gradien tes Compuestos ...................................52 1.8.2 Mtodo de los Conjunt os de Dominacin ................................53 1.9 Cotas para el VP ................................................................................56 1.10 Relajacin de un VP ...........................................................................67 1.10.1 Imposicin de Niveles a las Funciones Objetivo ..................69 1.10.2 Cortes Mediante Hiper planos Arbitrarios ............................70
2 Caracterizaciones de Caras Eficientes
73
2.1 Introduccin ........................................................................................73 2.2 Consideraciones sobre Degeneracin ................................................76 2.3 Identificacin de las Caras de un Poliedro ........................................80 2.3.1 Caras Arbitrarias .....................................................................80 2.3.2 Caras Incidentes en un V rtice ...............................................85 (i) (ii) Caso No Degenerado ........................................................87 Caso Degenerado...............................................................88
2.4 Soluciones ptimas de un Programa Escalar Lineal .......................93 2.5 Eficiencia y Envolventes Convexas .................................................104 2.6 Vrtices Eficientes ............................................................................107 2.6.1 Caso No Degenerado ..............................................................108 2.6.2 Caso Degenerado ....................................................................110 2.7 Aristas Eficientes Incidentes en un Vrtice ....................................112 2.7.1 Caso No Degenerado ..............................................................112 2.7.2 Caso Degenerado ....................................................................116 2.8 Caras Eficientes Incidentes en un Vrtice ......................................120 2.8.1 Caso No Degenerado ..............................................................121 2.8.2 Caso Degenerado ....................................................................125
CONTENIDOS
xxv
2.9 Caras Arbitrarias Eficientes ............................................................133 2.10 Regiones de Indiferencia ..................................................................136
3 Tpicos Seleccionados en Programacin Vectorial Lineal 139
3.1 Introduccin ......................................................................................139 3.2 Eficiencia Completa .........................................................................141 3.3 Identificacin de Objetivos Redundantes ........................................152 3.4 Dualidad ...........................................................................................163 3.4.1 Concepto de Dualidad de Gale, Kuhn y Tucker ...................163 3.4.2 Concepto de Dualidad de Kornbluth ....................................173 3.4.3 Concepto de Dualidad de Isermann ......................................174 3.4.4 Concepto de Dualidad de Hannan ........................................180 3.5 Optimizacin Lineal sobre la Regin Eficiente ...............................181 3.5.1 Propiedades Generales ..........................................................181 3.5.2 El Problema del Clcu lo del Rango de Variacin Eficiente de las Funciones Objetivo ......................................................188 3.5.3 Estrategias Bsicas de Resolucin .......................................191 3.5.4 Mtodo de Planos de C orte ....................................................192 3.5.5 Mtodo de Maximizaci n Facial Progresiva .........................194
4 Mtodos Generadores de Soluciones Eficientes
205
4.1 Introduccin ......................................................................................205 4.2 Clculo de un Vrtice Eficiente Inicial ............................................207 4.2.1 Mtodo Paramtrico (o Ponderado) .......................................208 4.2.2 Mtodo de Maximizaci n Lexicogrfica ................................209 4.2.3 Mtodo de Ecker y Kou ada ...................................................212 4.2.4 Mtodo de Isermann ...............................................................214 4.2.5 Mtodo de Benson ..................................................................215 4.2.6 Mtodo de Hartley ..................................................................217
xxvi
CONTENIDOS
4.3 Clculo del Conjunto de Vrtices Eficientes ...................................218 4.3.1 Consideraciones Prct icas .....................................................221 4.4 Clculo del Conjunto de Aristas Eficientes .....................................227 4.4.1 Consideraciones Prct icas .....................................................230 4.5 Clculo de Todo el Conjunto de Soluciones Eficientes ...................233 4.5.1 Mtodos Ascendentes G lobales .............................................235 4.5.2 Mtodos Ascendentes L ocales ...............................................241 4.5.3 Mtodos Descendentes Globales ...........................................256 4.5.4 Un Nuevo Enfoque: M todos Descendentes Locales ............264
5 Programacin Vectorial Lineal Entera
279
5.1 Introduccin ......................................................................................279 5.2 El problema de Programacin Vectorial Lineal Entero .................282 5.3 Preliminares Tericos ......................................................................288 5.3.1 Relaciones entre el Pro blema Entero y su Relajacin Convexa ..................................................................................288 5.3.2 Relaciones entre el Pro blema Entero y su Relajacin Lineal .....................................................................................292 5.3.3 Eficiencia Completa ...............................................................295 5.4 Distancias entre las Soluciones Eficientes del ILVP y las de su Relajacin Lineal ..............................................................................296 5.5 Mtodos Generadores de Soluciones Eficientes Enteras ................300 5.5.1 Mtodo Elemental ..................................................................301 5.5.2 El Caso Biobjetivo ..................................................................302 (i) (ii) (iii) Mtodo NISE ..................................................................302 Mtodo de Chalmet-Lemonidis-Elzinga.........................305 Mtodo Restringido ........................................................307
5.5.3 El Caso General ......................................................................308 (i) (ii) (iii) Mtodo de Klein y Hannan ............................................309 Mtodo de Marcotte y Soland ........................................311 Mtodo de Puntos Subeficientes ....................................314
CONTENIDOS (iv)
xxvii Mtodo de los Retculos Completamente Eficientes .....320
Conclusiones e Investigaciones Futuras Bibliografa
325 331
Captulo 1
Fundamentos de la Programacin Vectorial: El Caso Lineal

1.1 Introduccin
En este captulo se estudian con cierta profundidad los aspectos generales del VP determinstico, dedicando una especial atencin al caso lineal. Previamente se introduce la notacin necesaria para la formalizacin adecuada de estos problemas. Los tpicos abordados en esta primera parte del trabajo desempean un papel fundamental, pues su objetivo no es otro que construir una plataforma slida para acceder al resto de cuestiones tratadas en esta memoria. En esencia, constituyen una recopilacin de hechos ampliamente conocidos o clsicos, aunque hay que destacar que la presentacin de los mismos se ha reelaborado totalmente, incorporando numerosas ideas propias que han derivado en desarrollos ms simplificados y en algunos nuevos resultados. En la seccin 1.2 se comienza describiendo el escenario de la Decisin Multicriterio, haciendo nfasis en que, dado que es muy probable que el sistema de preferencias del decisor extienda la preferencia de Pareto, podemos admitir que las soluciones ms preferidas del problema sern eficientes (Proposicin 1.2.9). Este importante hecho se sigue manteniendo si la funcin de valor del decisor (supuesta su existencia) es creciente en cada uno de sus argumentos (Corolario 1.2.15). Tales consideraciones dan pie, en la seccin 1.3, a presentar el VP como un paradigma alternativo y viable en programacin multiobjetivo. 1
1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...
Adems de definir explcitamente diversos conceptos de solucin, probamos que la formulacin dada para el problema es lo ms general posible. La programacin vectorial gira en torno al concepto de solucin eficiente (o dbilmente eficiente) pero, lamentablemente, su definicin no es matemticamente cmoda. Por tal motivo, las caracterizaciones de eficiencia suelen darse en funcin de algn tipo de escalarizacin del VP. En este sentido, la seccin 1.4 estudia los problemas escalares de mayor utilidad asociados a un programa vectorial, sin pretender en ningn momento ser exhaustivos. Ciertamente, se puede argumentar que este aspecto ha sido tratado por numerosos autores a lo largo del tiempo, existiendo recopilaciones bastante completas de resultados en determinados libros de texto (ver, por ejemplo, [ChHm83]) y monografas. Sin embargo, los motivos que nos han aconsejado a ofrecer nuestra perspectiva personal del tema, se basan en que ste es un eje esencial de la programacin vectorial y su integracin de manera unificada en la memoria, abundando en los detalles de inters y eliminando los meramente accesorios, facilitara la asimilacin y comprensin de conclusiones posteriores. Entre los resultados ms importantes, y bien conocidos, expuestos en este apartado, merece la pena destacar, relacionados con el problema ponderado, las caracterizaciones de soluciones eficientes propias y dbilmente eficientes para los programas vectoriales convexos (CVP) dadas en los Teoremas 1.4.7 y 1.4.9, respectivamente. Con respecto al problema de maximizacin de holguras, resulta de particular inters el test de eficiencia para puntos arbitrarios enunciado en el Teorema 1.4.35. En la seccin 1.5 proponemos una clasificacin exhaustiva de problemas para el VP que extiende de manera natural la existente en optimizacin escalar. De este modo, un problema slo puede ser o no factible, o acotado, o no acotado (Proposicin 1.5.4). Otros autores han propuesto clasificaciones alternativas, siendo la dada por Isermann para el caso lineal ([Is76]), formalmente equivalente a la aqu presentada. Hemos credo sugerente la inclusin en este apartado del estudio de las relaciones que se establecen entre la acotacin de un VP y las de sus funciones objetivo consideradas individualmente (Proposicin 1.5.9 y siguientes). El problema de programacin vectorial lineal, abreviadamente denotado por LVP, no es ms que un VP donde todas las funciones objetivo y las restricciones son de tipo lineal. La idoneidad de este modelo en el mundo real est fuera de toda duda. La seccin 1.6 introduce el LVP, as como la terminologa y notacin propia asociada al mismo. La seccin 1.7 ahonda en la estructura del LVP, abordando las propiedades especficas de este problema. Se comienza con una serie de novedosas y tiles herramientas tericas dadas en forma de teoremas de la alternativa para sistemas de desigualdades lineales (Teorema 1.7.1 y
1.1. INTRODUCCIN
siguientes). Esto nos permite obtener, de forma sencilla y elegante, entre otras, las condiciones de eficiencia para el caso lineal (Teorema 1.7.6). Asimismo, merece la pena mencionar las caracterizaciones (aparentemente desapercibidas hasta ahora) dadas para soluciones eficientes y dbilmente eficientes arbitrarias que no son necesariamente puntos extremos (Corolario 1.7.8 y Corolario 1.7.12, respectivamente). Tambin se tratan en este apartado las cuestiones relacionadas con la estructuracin de la regin eficiente en caras eficientes maximales (Corolario 1.7.27), as como la conexidad de la frontera eficiente (Teorema 1.7.40). Adems se realiza un estudio innovador y detallado de las condiciones que garantizan la acotacin o no de un LVP (Teorema 1.7.41 y siguientes). La seccin 1.8 est dedicada a los mtodos grficos de resolucin de un VP los cuales, aunque cuentan con una utilidad muy limitada, nos permitirn resolver geomtricamente la mayor parte de los ejemplos que aparecen en esta memoria (principalmente en 2 y 3 dimensiones). Hemos seleccionado y expuesto dos tcnicas bsicas, a saber, el mtodo de los gradientes compuestos y el mtodo de los conjuntos de dominacin. En la seccin 1.9 introducimos las nociones originales de cota y supremo eficiente de un VP a travs de la generalizacin de sus contrapartidas escalares. Se prueba que si un problema es acotado entonces tiene cotas (Corolario 1.9.7) y supremos eficientes (Corolario 1.9.20). Sin embargo, en contra de lo que sucede en el caso escalar, un VP puede tener cotas y no ser acotado (Ejemplo 1.9.12). Hemos demostrado que en condiciones de linealidad, si el problema tiene cotas dbilmente eficientes entonces tambin es dbilmente acotado (Teorema 1.9.14). Quizs el resultado ms importante de esta seccin sea que para un VP con regin objetivo cerrada y convexa (en particular, para los LVP), el conjunto de soluciones no dominadas coincide con los supremos eficientes del problema (Corolario 1.9.34). Para nosotros result una gran satisfaccin comprobar que, para el caso lineal, el clculo de las soluciones no dominadas se poda abordar utilizando una relacin de polaridad como la que habamos planteado. Por otra parte, el hecho de haber obtenido, de forma independiente, la formulacin de problema dual propuesta por Gale-KuhnTucker para el caso vectorial ([GlKT51], p. 320) nos insufl una gran cantidad de nimo. Por ltimo, la seccin 1.10 aborda la cuestin de la relajacin de un VP. Entre otros resultados novedosos podemos citar que el problema relajado proporciona cotas para el problema original (Proposicin 1.10.2). Una de las particularizaciones ms tiles de la nocin de relajacin consiste en extender slo la regin factible manteniendo la misma funcin objetivo. Para estos problemas, aunque las soluciones dominadas del problema original siguen conservando su condicin en el problema relajado (Proposicin 1.10.4), en general, no se puede afirmar lo mismo con respecto a
las soluciones no dominadas (Ejemplo 1.10.5). Sin embargo, para ciertas relajaciones especiales muy utilizadas en la prctica, si se cumple que las soluciones eficientes del problema original siguen sindolo en el problema relajado (Proposicin 1.10.7). Los resultados concernientes a la relajacin de un VP permiten obtener fcilmente algunas conclusiones clsicas de la teora del LVP, entre las que se pueden citar que el LVP es N-acotado (Corolario 1.10.10).
1.2 El problema de Decisin Multicriterio

Desde hace ya bastante tiempo, la sociedad moderna presencia un lento pero inexorable cambio de mentalidad en la manera de tratar y discutir los problemas de decisin que ha de afrontar, debido al hecho de que, por lo comn, las consecuencias que se derivan de nuestras determinaciones son multidimensionales. Es por ello que una cantidad cada vez mayor de los problemas de decisin se plantean desde una ptica multicriterio, en el sentido de tomar en consideracin dos o ms objetivos simultneamente. La perspectiva multicriterio plantea no pocos problemas, siendo el ms significativo el frecuente conflicto entre los criterios establecidos. El problema de Decisin Multicriterio, denotado como MCD, se formula matemticamente como ([Zl82]): max(imizar){z (x ) / x X } (1.1) donde: X R n es el conjunto de alternativas o regin factible, x X , es el vector de variables (estructurales) de decisin y z : R n R k , es la funcin objetivo vectorial, siendo k 2 . A R n se le denomina comnmente espacio de decisin y a R k espacio objetivo (tambin conocido como espacio criterio o espacio de consecuencias). El MCD (acrnimo de Multiple Criteria Decision) pretende encontrar aquellas soluciones que son ptimas o ms preferidas (representan las mejores consecuencias) de acuerdo al juicio del decisor (DM). El modelo (1.1) quedar especificado de forma genrica por (z, X ) . Cuando la funcin objetivo vectorial sea la identidad, para simplificar la notacin, slo indicaremos la regin factible (X ) . Si la regin factible viene dada de forma implcita (explcita) se dice que (1.1) es un problema de optimizacin multiobjetivo (multiatributo). En la prctica ocurre, normalmente, que k es mucho menor que n . Dauer apunta que, en los problemas reales, suele ser frecuente que 2 k 5 ([Dr87], p.579). Algunos autores, entre otros Zionts ([Zn85], p. 230),
1.2. EL PROBLEMA DE DECISIN MULTICRITERIO
recomiendan que, como mucho, aparezcan 7 objetivos en la formulacin del modelo MCD. Llamaremos z (X ) a la imagen de X a travs de la aplicacin vectorial z , es decir: z (X ) = { z (x ), x X } A z (X ) se le conoce como la regin objetivo o conjunto criterio (criterion set), del problema (1.1), y no es ms que el conjunto de todos los resultados o consecuencias posibles asociados a las alternativas de que se disponen en el problema. Como k suele ser mucho menor que n se produce, en palabras de Dauer, un colapsamiento ([Dr87], p. 586) de la regin factible. Por tal motivo, z (X ) suele tener una estructura ms simple que X . El problema (1.1) es, trivialmente, equivalente al siguiente problema: max { z / z z (X )} (1.2) El problema (1.2) tiene los atractivos de tener una regin factible de pequea dimensin y de que trabaja directamente sobre las consecuencias de nuestras determinaciones, lo cual hace ms intuitivo el proceso de decisin. Por otra parte, es claro que si z es una solucin ptima de (1.2), z 1 (z ) = {x X / z (x ) = z } representa decisiones ptimas en (1.1). Para que el analista pueda hacer alguna contribucin al proceso de decisin, es necesario que las preferencias del DM tengan una estructura matemtica apropiada, de forma que se establezca una ordenacin de los elementos del conjunto criterio. Esta estructura es, o bien una relacin binaria, denominada relacin de preferencia, y denotada por , ([Yu85], Chapter 2), o bien una funcin, denominada funcin de valor o de preferencia, y denotada por v ([ChHm83], p. 62-88). Sea Z = z (X ) .
1.2.1 El Sistema de Preferencias como una Relacin Binaria

Es obvio que, dados dos elementos arbitrarios del conjunto criterio, z 1 , z 2 Z , slo puede ocurrir uno de los siguientes sucesos: z 1 es preferido o mejor que z 2 , denotado por z 1 z 2 , z 1 es menos preferido o peor que z 2 , denotado por z 1 % z 2 o z 1 es no comparable o indiferente a z 2 , denotado por z 1 ~ z 2 .
Cualquier informacin sobre las preferencias del DM en Z se puede representar como un subconjunto de Z Z . En este sentido, una preferencia no es ms que una relacin binaria. Diremos que:
(z , z ) { } (z , z ) {%} (z , z ) {~}
1 1 2 2 1 2
z1 z 2 z1 % z 2 z1 ~ z 2
De esta forma:
{ } = {(z1 , {%} = {(z1 , {~} = {(z1 ,

Obsrvese que:
z 2 Z Z / z1 z 2 z 2 Z Z / z1 % z 2 z 2 Z Z / z1 ~ z 2
) ) )
} } }
Los conjuntos { } y {%} son simtricos, en el sentido de que z 1 , z 2 { si, y slo si, z 2 , z 1 {%}.
{ }, {%} y {~} forman una particin de
ZZ .
Dada una preferencia especificada por { }, a partir de ella se pueden obtener {%} y {~}. Efectivamente, {%} = z 1 , z 2 Z Z / z 2 z 1 y {~} = Z Z ({%} { }) .
{(
Convengamos de ahora en adelante en que dados x, y R k , x y si, y slo si, x y y x y . Definicin 1.2.1 La preferencia de Pareto, tambin conocida como ms es mejor (more is better), se formula matemticamente como: Dados z1 , z 2 Z , z 1 z 2 si, y slo si, z 1 z 2 . La preferencia de Pareto es la preferencia que se establece sobre el conjunto criterio cuando el DM slo indica que est tanto ms satisfecho, cuanto mayores sean los niveles alcanzados en cada uno de los objetivos individualmente. Evidentemente, se trata de una preferencia muy simple que dar lugar a una deficiente e incompleta ordenacin de Z . Consideremos la siguiente definicin:
1.2. EL PROBLEMA DE DECISIN MULTICRITERIO Definicin 1.2.2 Se dice que la preferencia si { } { }.
{ } extiende a la preferencia { }
Parece razonable suponer (y as lo haremos en esta memoria) que cualquiera que sea la preferencia del DM, sta extender, al menos, la preferencia de Pareto. Es posible introducir nuevas relaciones binarias a partir de las consideradas anteriormente. Efectivamente: Definicin 1.2.3 Se dice que z 1 es al menos tan preferido como z 2 , y lo denotaremos por z 1 z 2 , si ( z 1 , z 2 ) { } {~}. Luego,
{ } = { } {~}.
z2 y z2 z1 . z 2 y z 2 / z1 .
Proposicin 1.2.4 (i) z 1 ~ z 2 si, y slo si, z 1 (ii) z 1 z 2 si, y slo si, z 1
De esta manera, dada la preferencia viceversa.
{}
se puede deducir
{}
La necesidad, implcita en cualquier proceso de toma de decisiones, de construir directa o indirectamente, el sistema de preferencias del DM es debida a que para poder seleccionar una alternativa ptima necesitamos previamente haberlas ordenado de alguna manera. Consideramos lgico suponer, por mantener cierta conformidad con los usos habituales del lenguaje (ver, por ejemplo, [Yu85], Remark 2.4) que { } verifique las propiedades irreflexiva y antisimtrica y que {~} cumpla la reflexiva y simtrica. Definicin 1.2.5 ([Yu85], Definition 2.4) Una preferencia { } es un orden: (i) parcial si verifica, adems, la propiedad transitiva. (ii) dbil si es un orden parcial y su preferencia inducida { } verifica la propiedad transitiva. (iii) estricto si es un orden dbil y verifica la propiedad conexa. El siguiente resultado no reviste dificultad. Proposicin 1.2.6 La preferencia de Pareto es un orden parcial pero, en general, no es un orden dbil.
Obsrvese que, en ciertos casos concretos, la preferencia de Pareto s es un orden dbil como, por ejemplo, si Z R 2 es el segmento que une los puntos (0, 0) y (1, 1). En particular, resulta evidente que: Proposicin 1.2.7 Si la preferencia de Pareto definida en Z no tiene puntos indiferentes entonces es un orden estricto. El principio de optimalidad inducido por una preferencia { } establece que si un punto x X es una solucin ptima (ms preferida) para el DM, entonces / x X tal que z (x ) % z (x ) . Teniendo en cuenta este hecho damos los siguientes conceptos: Definicin 1.2.8 ([Yu85], Definition 2.6) Dada una preferencia { } definida en Z , los conjuntos no dominado y dominado de Z segn { }, vienen dados por N ({ } / z Z , z z } y D({ } , Z ) = {z Z / , Z ) = {z Z / z Z , z z }, respectivamente. A los elementos de N ({ } , Z ) ( D({ } , Z ) ) se les denomina soluciones no dominadas (dominadas) segn { }. Obsrvese que: N ({ } , Z ) y D({ } , Z ) forman una particin de Z . Si { } especifica completamente la preferencia del DM, entonces N ({ } , Z ) representa las consecuencias del conjunto de soluciones ms preferidas (ptimas), siendo todas ellas indiferentes entre s.
Cuando la preferencia { } sea la de Pareto denotaremos los conjuntos de soluciones no dominadas y dominadas por N (Z ) y D(Z ) , respectivamente. Adems, en este caso, N (Z ) = {z Z / / z Z , z z } y D(Z ) = {z Z / z Z , z z }. A los elementos de X cuya imagen a travs de z pertenezca a N (Z ) se les llama soluciones eficientes. A las soluciones eficientes tambin se les conoce como ptimos de Pareto, pues representan el conjunto de soluciones ptimas segn el principio de optimalidad inducido por la preferencia de Pareto. El siguiente resultado nos indica que, bajo la hiptesis de que la preferencia del DM extienda la preferencia de Pareto, cualquier solucin ptima para el problema (1.1) es tambin un ptimo de Pareto.
Proposicin 1.2.9 Si la preferencia { } extiende la preferencia de Pareto entonces N ({ } , Z ) N (Z ) . Demostracin. Sea z N ({ } , Z ) . Supongamos, por reduccin al absurdo Z tal que z z z z z N ({ } que z N (Z ) z , Z ) #, luego z N (Z ) .
1.2.2 El Sistema de Preferencias Inducido por una Funcin de Valor.

Definicin 1.2.10 ([Yu85], Definition 5.2) Una funcin, v: Z R k R , se dice que es una funcin de valor que representa la estructura de preferencias del DM si se verifica que z 1 z 2 si, y slo si, v( z 1 ) > v(z 2 ) . En las condiciones de la definicin anterior, preferencia inducida por v . Es sencillo probar los siguientes resultados: Proposicin 1.2.11 Si v: Z R k R es una funcin de valor que representa la estructura de preferencias del DM, entonces (i) z 1 ~ z 2 si, y slo si, v( z 1 ) = v( z 2 ) . (ii)
{ } se puede ver como la
{ } es un orden dbil.
En funcin del resultado anterior podemos concluir que, en general, la preferencia de Pareto no se puede representar mediante una funcin de valor, por no ser un orden dbil. Si fusemos capaces de especificar de forma explcita la funcin de valor que representa la estructura de preferencias del DM, entonces el problema MCD se reduce a resolver un problema de optimizacin escalar: max{v( z ) / z Z } (1.3)
Si denotamos por S v el conjunto de soluciones ptimas del problema (1.3) y por { } la preferencia inducida por v , entonces: , Z ). Proposicin 1.2.12 S v = N ({ }
10
Demostracin. Sea z S v z Z , v( z ) v( z ) . Supongamos, por reduccin al absurdo que Z tal que z z v( z ) > v( z ) #, luego, z N ({ } , Z) z z N ({ } , Z ). Sea z N ({ } , Z ) . Supongamos, por reduccin al absurdo que z S v ) > v( z ) z Z tal que v( z z z N ({ } z , Z ) #, luego z S v . Desafortunadamente, en la prctica es difcil construir la funcin de valor del DM, siendo necesario realizar fuertes hiptesis para poder garantizar, siquiera, su existencia (ver, por ejemplo, [Yu85], Chapter 5 y [ChHm83], Chapter 3). En general, la funcin de valor v no es conocida ni por el analista ni por el DM. Proposicin 1.2.13 Sea { } la preferencia de un DM particular y v su funcin de valor (supuesta su existencia). Si { } extiende la preferencia de Pareto, entonces v es no decreciente en cada uno de sus argumentos. Demostracin. Sean z1 , z 2 Z , z 1 z 2 . Como { } extiende la preferencia de Pareto z1 z 2 . Supongamos, por reduccin al absurdo que v z 1 < v z 2 z 1 % z 2 #, luego v z 1 v z 2 .
( ) ( )
( ) ( )
Por otra parte, si v es creciente en cada uno de sus argumentos, es posible garantizar que las soluciones ms preferidas del DM siguen siendo ptimos de Pareto. Efectivamente: Proposicin 1.2.14 Sea v: Z R k R la funcin de valor del DM. Supongamos que v es creciente en cada uno de sus argumentos. Entonces, la preferencia del DM extiende a la de Pareto. Demostracin. Sea z 1 z 2 v( z 1 ) > v(z 2 ) z1 z 2 . Corolario 1.2.15 ([St86], Theorem 6.11) Sea v: Z R k R la funcin de valor del DM. Supongamos que v es creciente en cada uno de sus argumentos. Entonces, S v N (Z ) . Demostracin. Aplicar Proposicin 1.2.14 y Proposicin 1.2.9. Aunque la suposicin de que v sea creciente en cada uno de sus argumentos nos resulta bastante creble (realista), vamos a realizar el ejercicio de estudiar lo que sucede si la relajamos, dejndola mramente en
11
no decreciente en cada uno de sus argumentos. Para ello necesitamos el siguiente concepto: Definicin 1.2.16 ([Yu85], Definition 2.7) Dado Z R k y una preferencia { } tal que N ({ }, Z ) , se dice que Z es N-acotado con respecto a { } si z Z ocurre que z N ({ } , Z ) , o bien, z N ({ } , Z ) tal que z z . Teorema 1.2.17 Sean v: Z R k R la funcin de valor del DM. Supongamos que v es no decreciente en cada uno de sus argumentos y que Z es N-acotado con respecto a la preferencia de Pareto. Entonces, si S v se tiene que S v N (Z ) . Demostracin. Sea z S v y supongamos que z N (Z ) . Por ser Z N N (Z ) tal que z ) v( z ) . Como z S v z v( z acotado z S v N (Z ) . z Luego, an imaginando que v es no decreciente en cada uno de sus argumentos, si Z es N-acotado con respecto a la preferencia de Pareto, se puede garantizar que alguna solucin ptima para el DM es tambin un ptimo de Pareto. Queremos finalizar esta seccin haciendo algunas apreciaciones de carcter general. Cuando las preferencias sobre el conjunto de consecuencias Z estn correctamente especificadas (ya sea a travs de una relacin de preferencia o a travs de una funcin de valor) e inducen un orden estricto, el problema MCD est claramente formulado, en el sentido de que hay una sola solucin ptima. Sin embargo, en los problemas reales no solemos disponer ni de una completa especificacin de las preferencias del DM, ni de buenas ordenaciones de los elementos de Z . Esto no significa que no se puedan tomar decisiones. nicamente habr que articular los mecanismos adecuados que permitan recabar informacin adicional sobre las preferencias y obtener, si se puede, el conjunto de soluciones ptimas segn la estructura revelada. En el otro extremo de la metodologa, una alternativa a este proceso consiste en utilizar, como nica informacin acerca de las preferencias del DM, que sta extiende a la preferencia de Pareto. En este caso se debera generar todo el conjunto de soluciones eficientes y presentarlo al DM para que seleccione la solucin ms preferida. Concretamente, esta ltima estrategia es la empleada por la programacin vectorial, la cual ser objeto de un profundo estudio en esta memoria.
12
1.3 El Problema General de Programacin Vectorial

El problema de programacin vectorial (contnuo), VP, tambin conocido como problema de maximizacin vectorial, se define como un problema de optimizacin multiobjetivo en el que, para la resolucin del mismo, la nica informacin que se emplea sobre el sistema de preferencias del DM es que ste extiende la preferencia de Pareto. De esta manera, resolver el VP se entiende como la generacin de todo el conjunto de soluciones eficientes (ver, por ejemplo, [Gf68], p. 618, [EvSt73], p. 54, [ChHm83], p. 114 o [Gal86], p.253). Ntese que el adjetivo vectorial se emplea con un doble propsito o funcionalidad. Por un lado indica que se tienen en consideracin dos o ms funciones objetivo y es contrapuesto al trmino escalar, que se utiliza para designar aquellos problemas de optimizacin matemtica que slo tienen una nica funcin objetivo. Por otra parte hace referencia al enfoque o metodologa de resolucin utilizada. El modelo matemtico del VP se formula, sin prdida de generalidad, como: max(imizar){z (x ) / x X }
n
(1.4)
donde la regin factible, X R , viene dada en forma implcita a travs de restricciones que deben ser satisfechas. Obsrvese que para el caso ms general X no tiene porqu ser cerrado, convexo y ni siquiera conexo. Cuando la regin factible X es un conjunto cerrado y convexo, y la funcin objetivo vectorial z es cncava, tenemos lo que se denomina un problema de programacin vectorial convexa (CVP). En este apartado vamos a presentar diversos conceptos de solucin en sintona con el espritu metodolgico del VP. Sea P el VP dado en (1.4). Sin lugar a dudas, la nocin ms natural de solucin ptima para P , atendiendo exclusivamente al principio de optimalidad de Pareto, es la siguiente: Definicin 1.3.1 Un punto x s X se dice que es una solucin superior, tambin conocida como solucin ptima global, de P , si, y slo si, x X se verifica que z (x ) z x s .
( )
Al conjunto de soluciones superiores de P lo denotaremos por S P .
1.3. EL PROBLEMA GENERAL DE PROGRAMACIN ...
13
Existe otro concepto ntimamente relacionado con el de solucin superior y utilizado profusamente en la literatura. Sea i {1, ..., k } . Consideremos el problema escalar, Pi max{zi ( x) / x X }, y denotemos al conjunto de soluciones ptimas de Pi por S Pi . Definicin 1.3.2 Supongamos que i {1, ..., k } , Pi es acotado. Se define el punto ideal del problema P como el punto, z I = z1I , ..., z kI , del espacio objetivo, R , tal que i {1, ..., k } , z es el valor objetivo ptimo de Pi .
k I i
A veces se suele denotar al punto ideal por z max . Resulta claro que si x s es una solucin superior de P , entonces z( x s ) = z I . Por desgracia, en la vida real ocurre, con mucha frecuencia, que al menos 2 de los k objetivos entran en conflicto entre s, es decir, mejorar uno de ellos empeora el otro y viceversa. Por este motivo, la inexistencia de una solucin superior para el VP es algo bastante corriente. Es por ello que, a esta clase de solucin, se le conoce tambin con el nombre de solucin utopa. Esto obliga a considerar el concepto de ptimo de Pareto, quizs, menos natural y cmodo que el anterior pero, sin lugar a dudas, ms realista y, en definitiva, til. Recordemos (ver Definicin 1.2.8 y apreciaciones siguientes) que, bajo la preferencia de Pareto, un punto y Y R k se dice no dominado si, y slo si, / y Y tal que y y , siendo dominado en caso contrario. Al conjunto de puntos no dominados (dominados) de denotaremos por N (Y ) ( D(Y ) ). Sea Z = z (X ) . Definicin 1.3.3 Una solucin x X se dice que es eficiente para P si, y slo si, z (x ) N (Z ) . Mientras que el concepto de punto no dominado hace referencia al espacio objetivo, el concepto de solucin eficiente hace referencia al espacio de decisin. Y lo
14
1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ... Obsrvese que:
Cuando k = 1 la nocin de eficiencia es equivalente a la de optimalidad en problemas de optimizacin escalar. Una solucin superior es una solucin eficiente, pero una solucin eficiente no es, en general, una solucin superior. Si z I Z entonces N (Z ) = z I .
{ }
Al conjunto de todas las soluciones eficientes del problema P se le conoce como regin eficiente de P y lo denotaremos por E P . A z E P = z (x ) / x E P se le conoce como rango de la regin eficiente de P . Obviamente N (Z ) = z E P . En este sentido, E P = z 1 (N (Z )) .
( ) {
( )
Otras siguientes:
definiciones
alternativas
de
solucin
eficiente
son
las
Proposicin 1.3.4 Son equivalentes: x EP . (i) / x X tal que z (x ) z (x ) . (ii) (iii) x X tal que z (x ) z (x ) entonces z (x ) = z (x ) . 1, ..., k } con zi (x ) > zi (x ) entonces j {1, ..., k } , (iv) x X tal que i { j i , que verifica z j (x ) < z j (x ) . Es evidente que: Proposicin 1.3.5 E P = si, y slo si, x X , x X tal que z ( x ) z ( x ) . Definicin 1.3.6 Un punto x X se dice que es una solucin no eficiente o inferior de P si, y slo si, z (x ) D(Z ) . Al conjunto de todas las soluciones no eficientes del problema P lo denotaremos por E P y, claramente, viene dado por X E P . La definicin clsica de solucin eficiente, aunque sencilla no es enteramente satisfactoria, por lo que se han introducido, a lo largo del tiempo, relajaciones y restricciones de la misma. Con el fin de hacer distinciones entre las soluciones eficientes, y sin prdida de generalidad, consideremos un problema de optimizacin biobjetivo ( k = 2 ).
15
Sean z 1 , z 2 Z , z 1 z 2 y supongamos que, para el DM, z1 z 2 . Si 1 2 1 denotamos por z1 = z1 z12 e z 2 = z 2 z2 , entonces podemos escribir z 2 = 2 1 1 z1 , z 2 + z 2 ) . ( z12 , z 2 ) = ( z1 Podemos pensar que el DM ha intercambiado o sustituido z1 por z 2 , en orden a mantener la indiferencia entre z 1 y z 2 . Al cociente z 2 / z1 se le denomina tasa de intercambio o sustitucin entre z 1 y z 2 ([Yu85], p. 28). Esta tasa de intercambio nos expresa cuanto se incrementa (decrementa) z 2 cuando decrementamos (incrementamos) z1 en una unidad. Obsrvese, adems, que la nocin de tasa de intercambio depende de los puntos z 1 , z 2 considerados. Se denomina tasa marginal de intercambio o sustitucin al lmite: limz10 ( z 2 / z1 ) = z 2 / z 1 supuesta su existencia. Atendiendo a que la tasa marginal de intercambio entre algn par de objetivos sea finita o infinita, podemos clasificar las soluciones eficientes en dos grupos mutuamente excluyentes: soluciones eficientes propias e impropias. Definicin 1.3.7 ([Gf68], p. 618) Un punto x X se dice que es una solucin eficiente propia de P si, y slo si, x E P y M R+ + tal que i {1, ..., k } y x X , con zi ( x ) > zi ( x ) entonces j {1, ..., k } , z j ( x ) < z j ( x ) y (zi ( x ) zi ( x ) ) M (z j ( x ) z j ( x ) ). j i, verificando
En otras palabras, para cualquier solucin eficiente propia de P , dado cualquier objetivo, la ganancia marginal en ese objetivo relativa a la prdida respecto a algn otro objetivo est acotada superiormente. Denotaremos al conjunto de soluciones eficientes propias de P por E . Definicin 1.3.8 A las soluciones eficientes que no son propias las llamaremos soluciones eficientes impropias. Al conjunto de soluciones eficientes impropias lo denotaremos por E iP .
P p
16
Por otra parte, una relajacin del concepto de solucin eficiente se obtiene de la siguiente manera. Sea, nuevamente, Y R k un conjunto arbitrario. Definicin 1.3.9 Un punto y Y se dice dbilmente no dominado si, y slo si, / y Y tal que y > y . En caso contrario, se dice que es (o est) dbilmente dominado. Al conjunto de puntos dbilmente no dominados de Y lo denotaremos por WN (Y ) . Si representamos por WD(Y ) a los puntos dbilmente dominados de Y , entonces WN (Y ) = Y WD (Y ) . Definicin 1.3.10 ([KrnSt80], p. 190) Un punto x X se dice que es una solucin dbilmente eficiente o cuasi-eficiente de P si z (x ) WN (Z ). El conjunto de soluciones dbilmente eficientes especificaremos por WE P . Resulta claro que: WN (Z ) = z WE P .
de
lo
En funcin de las definiciones anteriores tenemos que x WE P si, y / x X tal que z (x ) > z (x ) . slo si, Al igual que ocurre con las soluciones eficientes, cuando k = 1 el concepto de solucin dbilmente eficiente coincide con el de ptimo para el caso escalar. Las relaciones que se establecen entre los diferentes conceptos de solucin considerados quedan resumidas en:
P E P WE P X . Corolario 1.3.11 E p
Finalmente, vale la pena precisar claramente cuando dos soluciones se consideran equivalentes. Definicin 1.3.12 ([Hr83], p. 3) Se dice que x, y X son equivalentes si z( x ) = z ( y ) . Adems, dado V X se dice que W V es una representacin completa de V si v V , w W tal que v es equivalente a w , es decir, z (V ) = z (W ). Despus de introducir todos los conceptos anteriores estamos en condiciones de definir con exactitud qu se entiende por optimizar o resolver el problema P utilizando la metodologa vectorial.
17
La acepcin ms comn de optimizar vectorialmente consiste en determinar o generar todo E P o WE P o partes especficas de tales conjuntos. A los algoritmos que resuelven el problema P se les conoce como algoritmos generadores del conjunto de soluciones eficientes. Este enfoque dado al concepto de resolucin de P constituye una clara generalizacin del clculo de todos los ptimos alternativos de un problema de optimizacin escalar y ha de utilizarse con ciertas cautelas si se quiere que sea de utilidad en la prctica. Como resolver P puede ser una tarea formidable (pues se considera que las demandas computacionales crecen exponencialmente con el tamao del problema, [Sy96]), la programacin vectorial debe concentrar sus esfuerzos sobre conjuntos reducidos (ver [St76b] y [MvDA98] para estudiar dos tcnicas localizadas) o generar aproximaciones de la regin eficiente E P . Tales aproximaciones pueden serlo por exceso ( E P E ) o por defecto ( E E P ), donde E representa el conjunto de soluciones generado por el mtodo aproximado. Las aproximaciones por defecto que se pueden considerar pueden calcular desde una a casi todas las soluciones eficientes. Para el caso lineal (ver la seccin 1.6), una aproximacin por defecto muy extendida consiste en el clculo de (todos) los vrtices eficientes (seccin 4.3). Si consideramos ahora la envolvente convexa de todos los puntos extremos eficientes obtendremos una aproximacin por exceso de la regin eficiente (seccin 2.5). Las ventajas de las tcnicas aproximadas son evidentes: mientras que aceleran el proceso de resolucin, siguen proporcionando una visin global de la regin eficiente. Para finalizar esta seccin, veamos que la formulacin del VP dada al comienzo de la misma, es lo ms general posible. Efectivamente: Sean P min{ z (x ) / x X } y P max{z (x ) + / x X }, donde R . Nos proponemos ver que P , P y P son equivalentes, en el sentido de que sus regiones eficientes coinciden.
k
Proposicin 1.3.13 E P = E P . / x X tal que z (x ) z (x ) / x X tal que Demostracin. x E P P z (x ) z (x ) x E . Proposicin 1.3.14 E P = E P . / x X tal que z (x ) z (x ) / x X tal que Demostracin. x E P P z (x ) + z (x ) + x E .
18
1.4 Escalarizaciones para el VP

El concepto de solucin eficiente no es, por desgracia, matemticamente cmodo. Para poderlo hacer operativo necesitamos expresarlo en trminos de algn otro que nos resulte familiar. La estrategia ms comn consiste en relacionar las soluciones eficientes de un VP con las soluciones ptimas de algn problema de programacin escalar (SP). Con este fin se han utilizado en la literatura numerosas clases de SPs. Aqu no vamos a dar un repertorio exhaustivo de las mismas, sino que seleccionaremos aqullas que consideramos entroncan con los pilares bsicos de la teora del VP, desarrollando para cada una de ellas las propiedades de mayor utilidad para los propsitos de esta memoria. El libro de Chankong y Haimes ([ChHm83], p. 113-175) constituye una referencia excelente sobre este tpico. Con carcter general, denotaremos por SQ al conjunto de todas las soluciones ptimas de un programa escalar Q . Sean P el VP max{z ( x) / x X } y k =
0 k
{ R
k +
/ et = 1 .
Evidentemente, el interior relativo de k , indicado por , viene dado por
{ R
k ++
/ et = 1 .
1.4.1 Problema Paramtrico (o Ponderado)
Definicin 1.4.1 Sea R k . Al problema max t z (x ) / x X se le conoce con el nombre de problema paramtrico (o ponderado) asociado a P , y le denotaremos por P . El problema paramtrico P es, muy probablemente, el problema escalar que mejores dividendos ha proporcionado a la programacin vectorial. El siguiente resultado, aunque sencillo, es de gran importancia:
P k se verifica que S P E . Teorema 1.4.2 R++
k y x S P . Supongamos por reduccin al Demostracin. Sean R+ +
) > t z ( x ) #, pues ) z ( x ) t z ( x X , z( x absurdo que x E P x x S P . Luego, x E P . Como consecuencias inmediatas tenemos:
1.4. ESCALARIZACIONES PARA EL VP
19
Corolario 1.4.3
0 k
S
EP .
Corolario 1.4.4 Si X es compacto entonces E P .

k tal que t z ( x ) 0 Corolario 1.4.5 ([YuZl75], Remark 4.3) Si R+ + entonces E P = X .
El Teorema 1.4.2 se puede refinar an ms. Efectivamente:

P k Teorema 1.4.6 ([Gf68], Theorem 1) R++ se verifica que S P E p .
k Demostracin. Sean R+ + , x S P P ( j / i ) / i, j {1, ..., k}, i j}. x Ep , sin ms que tomar M = (k 1) max{
x E P . Vamos a probar que
) zi ( x ) ) > M (z j ( x ) z j ( x ) ) j {1, ..., k } , j i , (zi ( x ) zi ( x ) ) > (zi ( x ) ). Multiplicando ambos miembros de esta ltima ((k 1) j / i )(z j ( x ) z j ( x ) zi ( x ) ) > expresin por i / (k 1) y sumando en j i , se tiene: i (zi ( x
X , con Supongamos por reduccin al absurdo que i {1, ..., k } , x ) > zi ( x ) tal que j {1, ..., k } con j i y z j ( x ) < z j ( x ) se tiene zi ( x
(z
j i j
)) (x) z j (x
(z
k j =1 j
)) < 0 x ) #, X , t z (x ) < t z (x (x) z j (x
P pues x S P . Luego, x E p .
Sin lugar a dudas, uno de los resultados tradicionales ms importantes en la teora del VP es el siguiente, debido a Geoffrion, en el que se caracteriza a las soluciones eficientes propias de un problema de programacin vectorial convexa.
P Teorema 1.4.7 ([Gf68], p. 620) Si P es un CVP entonces E p =
0 k
S
Demostracin. Por el Teorema 1.4.6. P E p Sea x M R+ + tal que i {1, ..., k } , el sistema: ) zi ( x) > zi ( x ) + Mz j ( x ) , j i zi ( x ) + Mz j ( x ) > zi ( x
20
no tiene solucin en X . Aplicando el teorema de Gordan generalizado1 ([Mn69], p. 65-66), para el i-simo sistema R ,
i k + j i
j =1
i j
= 1 , tal que:
) + ij zi ( x ) + Mz j ( x ) , x X ii zi ( x ) + ij zi ( x ) + Mz j ( x ) ii z i ( x
j i
o, equivalentemente: ) + M ij z j ( x ) , x X zi ( x ) + M ij z j ( x ) zi ( x
j i j i
Sumando sobre i y reordenando: k 1 + M ji z j (x ) j =1 i j

i j
) , x X 1 + M z (x
j =1 i j i j j
k ) , x X Llamando j a 1 + M ij , se tiene: R++ , t z( x ) t z( x
S P 0k , x S P . R , x
k ++
Con relacin a las soluciones dbilmente eficientes tenemos las siguientes propiedades:
P k Proposicin 1.4.8 R+ \{ 0} se verifica que S P WE .
k Demostracin. Sean R+ \{ 0} y x S P . Supongamos por reduccin al
) > z ( x ) t z ( x ) > t z ( x ) #, pues X , z( x absurdo que x WE P x x S P x WE P . El siguiente resultado caracteriza a las soluciones dbilmente eficientes de un problema de programacin vectorial convexa. Teorema 1.4.9 Si P es un CVP entonces WE P =
P k \{0}
S
Demostracin. Por la Proposicin 1.4.8. Sea x WE P el sistema z ( x ) > z ( x ) no tiene solucin en X. Aplicando el k teorema de Gordan generalizado ([Mn69], p. 65-66) R+ \{ 0}, x X ,
Hablando a grosso modo, el siguiente teorema constituye una generalizacin del lema de Farkas:
X R n , X , X convexo y z: R n R k cncava. k 0}, u t z (x ) 0 , x X . Entonces, z( x ) > 0 no tiene solucin en X u R+ \ {

Teorema de Gordan generalizado. Sea
21
k t (z (x ) z (x )) 0 R+ \{ 0}, x X , t z (x ) t z (x ) k+ \ { 0}, x S P .
Para el caso lineal, el resultado anterior aparece enunciado en [St86], Theorem 9.25. Corolario 1.4.10 Si P es un CVP entonces E P
P k \{0}
S
.
Demostracin. Inmediata, sin mas que tener en cuenta que E P WE P .
Obsrvese que puede ocurrir que E P = y WE P . Efectivamente, Ejemplo 1.4.11 Consideremos el problema P max{(x1 , x2 ) / x1 1}. Es k \ {0} tal que S P claro que E P = y, sin embargo, t = (1, 0 ) R+ WE P .
Sea el problema z , S P . Entonces, E
( z , S ) denotar al conjunto de
P
soluciones ptimas de P no dominadas segn z .

k Proposicin 1.4.12 R+ \ {0} se verifica que E P E P . (z , S ) k \{ 0} y x E P . Supongamos por reduccin al Demostracin. Sean R+ S P , ) t z ( x ) x ) z ( x ) t z ( x X , z( x absurdo que x E P x (z , S ) ) z ( x ) #, pues x E P . Luego, x E P . z( x
(z, S )
P k Corolario 1.4.13 Sea R+ \{ 0} tal que z S P = {z } entonces S P E .
( )
Como, dado i {1, ..., k } , el problema, Pi max{zi ( x) / x X } es una particularizacin de P , sin ms que hacer = ei , son inmediatos los siguientes resultados:
P Corolario 1.4.14 i {1, ..., k } se verifica que S Pi WE .
Corolario 1.4.15 i {1, ..., k } se verifica que E
(z , S ) E P .
Pi
P Corolario 1.4.16 Sea i { 1, ..., k } tal que z S Pi = {z }. Entonces S Pi E .
( )
22
Es interesante observar que cuando el parmetro utilizado para encontrar soluciones eficientes a travs del problema ponderado no tiene todas sus componentes estrictamente positivas podemos proceder en dos etapas.
k \{ 0}, P * max v t z (x ) / x S P , donde v j = 1 si Teorema 1.4.17 Sean R+
j = 0 y v j = 0 si j > 0 . Entonces, S P* E P .
Demostracin. Si > 0 el resultado es directo. En otro caso, supongamos S P* y sea x S P* . Supongamos por reduccin al absurdo que x E P
X , x
) z( x ) z( x
) t z ( x ) t z ( x
k = + v R+ +,
S P . Como x como tambin
x S P* x S P
) v t z( x ) . vt z( x
Tomando
) t z ( x ) #, pues z ( x ) z ( x ) . Luego, x E P . t z( x
Prestemos un poco de atencin al caso especial que se obtiene si k = 2 . Sea P * max z 2 (x ) / x S P1 .

P Corolario 1.4.18 S P* E .
Tambin es posible obtener otra til propiedad. Efectivamente, si denotamos por 2 a z2 S P* , podemos afirmar que:
( )
Teorema 1.4.19 z2 E P 2 . Demostracin. Supongamos por reduccin al absurdo que x E P tal que S P1 , z 2 ( x ) > z2 ( x ) z( x ) z ( x ) #, pues x E P . 2 > z 2 (x ) x Luego, conjuntando los dos resultados anteriores, 2 es el valor mnimo para z 2 sobre la regin eficiente! En la seccin 3.6 de esta memoria trataremos en profundidad el problema de optimizar una funcin lineal sobre la regin eficiente, siendo el clculo de valores mnimos de las funciones objetivo sobre la regin eficiente un caso especial. Por ltimo, y tambin para el problema bicriterio: Proposicin 1.4.20 Sea i { 1, 2} tal que E conjunto unitario.
(z , S Pi )
( )
. Entonces z E
(z , SPi )
) es un
23
Demostracin. Sin prdida de generalidad podemos suponer que i = 1. Sea (z , S ) (z , S ) E P1 z1 (x S P1 . ) = z1 (x ) , pues x x E P1 . Sea z = z (x ) . Entonces, x (z , S ) (z , S ) E P1 . ) = z 2 (x ), pues de lo contrario, x E P1 o x Adems, z 2 (x
1.4.2 Problema de la Norma Ponderada

Definicin 1.4.21 Sean
R k
1 p < .
Al
problema
p k min i ziI zi (x ) / x X se le denomina problema de la norma ponderada i =1 asociado a P y le denotaremos por P , p .
Obviamente,
P , p
es una versin generalizada del
problema
ponderado P , pues cuando p = 1 , P , p se reduce a P , supuesta la acotacin de cada una de las funciones objetivo sobre la regin factible.
k EP. Proposicin 1.4.22 R+ + se verifica que S P , p
Demostracin. Sea x S P , p ) z I z (x
(z
k i =1 i
I i
zi ( x ) ziI zi ( x )
p
) 0, x X .
p
X , z( x ) z( x ) Supongamos por reduccin al absurdo que x E P x

p k z I z (x ) . Como R++ p
(z
k i =1 i
I i
) ziI zi ( x ) zi ( x
p
)<0

#, luego x E P . Anlogamente se puede probar que:

k Proposicin 1.4.23 R+ \ {0} se verifica que S P , p WE P .
Igual que para el problema paramtrico, se verifica que las soluciones no dominadas de z S P , p tambin son no dominadas en Z = z (X ) .
( )
Sea
k Proposicin 1.4.24 R+ \ {0} se verifica que E
Demostracin.
k R+ \{ 0}. p
Sea
x E
(z, S )
P , p
(z, S ) E P .
P , p
(z
k i =1 i
I i
zi ( x ) ziI zi ( x )
p
) 0,
x S P , p
x X . Supongamos por reduccin al

p
X , z( x ) z ( x ) z I z (x ) absurdo que x E P x
z I z (x )
24

I i
(z
k i =1 i
) ziI zi ( x ) zi ( x
p
P , p
) 0
S P , p , x
) z( x ) z( x
#,
pues
x E
(z, S )
x E P .
De manera inmediata concluimos que:

P k Corolario 1.4.25 Sea R+ \{ 0} tal que z S P , p = {z }. Entonces S P , p E .
( )
1.4.3 Problema -Restringido con Maximizacin del i-simo Objetivo

i { Rk Al problema Definicin 1.4.26 Sean e 1, ..., k }. max{z i (x ) / x X , z j (x ) j , j i} se le conoce con el nombre de problema restringido con maximizacin del i-simo objetivo asociado a P , y le denotaremos por Pi ( ) . El siguiente resultado no reviste dificultad: Proposicin 1.4.27 i {1, ..., k } se verifica que S Pi ( ) WE P . En general, dado x X denotaremos su imagen a travs de z por z (= z (x ) ). Proposicin 1.4.28 x E P si, y slo si, i {1, ..., k } se verifica que x S Pi (z ) . Demostracin. Supongamos por reduccin al absurdo que i {1, ..., k } , x S Pi (z ) x X , z i ( x ) > z i ( x ) , z j ( x ) z j ( x ) , j i z ( x ) z ( x ) #, pues x E P . / x X , z( x) z ( x ) x E P . Como i {1, ..., k } , x S Pi (z )
(z , S ) Proposicin 1.4.29 i {1, ..., k } se verifica que E Pi ( ) E P . (z , S ) E Pi ( ) . Supongamos por reduccin al absurdo que Demostracin. Sea x E P x X , z( x ) z( x ) z j ( x ) j , j i . Ahora bien, como x (z , S ) ) #, pues x S Pi ( ) zi ( x ) = zi ( x ) x S Pi ( ) , z ( x ) z ( x E Pi ( ) . x
1.4. ESCALARIZACIONES PARA EL VP Corolario 1.4.30 Sea i {1, ..., k } . Si z S Pi ( ) = {z } entonces S Pi ( ) E P . Veamos que relaciones existen entre P y Pi ( ) .
25
k Demostracin. Sean R+ \{ 0}, con i > 0 para cierto i { 1, ..., k } y x S P .
k \{ 0}. Entonces i { 1, ..., k } tal que i > 0 y Proposicin 1.4.31 Sea R+ x S P se tiene que x S Pi (z ) .
X , zi ( x ) > zi ( x ) , Supongamos por reduccin al absurdo que x S Pi (z ) x ) z j ( x ) , j i t (z( x ) > t z ( x ) ) z( x )) > 0 t z ( x z j (x x S P . Luego x S Pi (z ) . #, pues
k \{ 0}. Si z S P = {z } entonces i {1, ..., k } se Proposicin 1.4.32 Sea R+
( )
verifica que S P S Pi (z ) . Demostracin. Directa combinando el Corolario 1.4.16 y la Proposicin 1.4.28. Teorema 1.4.33 Sea i { 1, ..., k }. Si P es un CVP y x S Pi ( ) entonces
k \ {0} tal que x S P . R+
Demostracin. Directa aplicando la Proposicin 1.4.27 y el Teorema 1.4.9.
1.4.4 Problema de Maximizacin de Holguras
k Definicin 1.4.34 Sea R k . Al problema max e t s / z (x ) s = , x X , s R+ se le conoce con el nombre de problema de maximizacin de holguras asociado a P y a , y le denotaremos por P( ) .
El problema de maximizacin de holguras constituye una de las principales escalarizaciones del problema vectorial, como tendremos ocasin de comprobar a lo largo de esta memoria. Teorema 1.4.35 Si x t , s t S P ( ) entonces x E P . Demostracin. Supongamos por reduccin al absurdo que x E P t , s t X P ( ) , ) z ( x ) . Sea s ) s X , z( x = z (x 0 y s s x x > et s x t , s t S P ( ) #, luego x E P . et s
26
El siguiente resultado nos proporciona una idea (lamentablemente, basada slo en una condicin suficiente) para hallar una solucin eficiente de un VP. Sean x X y z = z (x ) R k . Corolario 1.4.36 ([Bn78], Theorem 3.2, [WnLee77], Theorem 2)2 Si t , s t S P (z ) entonces x EP . x
Efectivamente, el procedimiento se puede concretar en encontrar una solucin factible x X y resolver P(z ) . Entonces, si el problema es acotado, cualquier solucin ptima ser eficiente. Sin embargo, si P(z ) es no acotado no podemos concluir que E P = . La importancia de la siguiente caracterizacin viene dada en que se basa en la resolucin de un nico problema escalar relativamente sencillo. Teorema 1.4.37 ([Bn78], Theorem 3.1, [WnLee77], Theorem 1)3 x E P si, y slo si, P(z ) es acotado, con valor objetivo ptimo 0. Demostracin. Es evidente que P(z ) es factible, pues x t , 0t X P (z ) . Supongamos por reduccin al absurdo que P(z ) es no acotado, o acotado con valor objetivo k X , s R+ >0 s 0 ptimo mayor que 0. En ambos casos, x , et s ) z ( x ) #, pues x E P . z( x P(z ) es acotado, con valor objetivo ptimo 0 x t , 0t S P (z ) . Ahora por el
Corolario 1.4.36 x E P .
Corolario 1.4.38 E P = si, y slo si, R k , P( ) es no factible o no acotado. Demostracin. Supongamos por reduccin al absurdo que R k , P( ) es acotado. Sea x t , s t S P ( ) . Por el Teorema 1.4.35 x E P #, pues E P = .
2 3
Para el caso lineal, ver [EcKd75], Theorem 1. En [Is74], Lemma 1, se cita un resultado anlogo a ste para el caso lineal, el cual est referenciado a un artculo de Charnes y Cooper de 1961!.
27
Supongamos por reduccin al absurdo que E P x E P . Por el Teorema 1.4.37 = z (x ) R k , P( ) es acotado, con valor objetivo ptimo 0 #. El problema de maximizacin de holguras se puede especializar para que sea de utilidad en el clculo de soluciones dbilmente eficientes. Efectivamente, una opcin consiste en considerar el siguiente problema propuesto por Benson ([Bn86], p. 194): max{s / z (x ) es , x X , s R+ }, y al ( ) . que denotaremos por P Teorema 1.4.39 Si x t , s t S P ( ) entonces x WE P .

Demostracin. Supongamos por reduccin al absurdo que x WE P ) > z ( x ) . Sea s ) i } s >0, s >s X , z( x = min1i k {zi (x x ,s ) X (x
t t
( ) P
> s x t , s t S P ( ) #, luego x WE P . , s

Sean x X , z = z (x ) R k . El Teorema 1.4.39 muestra que si el (z ) es acotado (factible seguro que es), entonces cualquier problema P solucin ptima del mismo es dbilmente eficiente. La siguiente caracterizacin para soluciones dbilmente eficientes es de gran utilidad debido a su sencillez y fcil implementacin. (z ) es acotado, Teorema 1.4.40 ([Bn86], Theorem 3) x WE P si, y slo si, P con valor objetivo ptimo 0. Demostracin. (z ) es factible, pues x t , 0 t X P (z ) . Supongamos por Es evidente que P (z ) es no acotado, o acotado con valor objetivo reduccin al absurdo que P X , s R+ + , z ( x ) es z ( x ) ptimo mayor que 0. En ambos casos, x P ) > z ( x ) #, pues x WE . z( x (z ) es acotado, con valor objetivo ptimo 0 x t , 0 t S P x WE P . P (z )
( ) es no factible o no Corolario 1.4.41 WE P = si, y slo si R k , P acotado.
28
Demostracin. ( ) es acotado. Sea Supongamos por reduccin al absurdo que R k , P P P t t x , s S P ( ) x WE #, pues WE = .
Supongamos por reduccin al absurdo que WE P x WE P . Por el ( ) es acotado, con valor objetivo ptimo Teorema 1.4.40 = z (x ) R k , P 0 #.
1.4.5 Problema Paramtrico-Restringido

Definicin 1.4.42 ([ChHm83], p. 148) Sean , R k . Al problema max t z (x ) / x X , z (x ) se le conoce con el nombre de problema hbrido o paramtrico-restringido asociado a P , y le denotaremos por P , .
escalar) y del problema P( ) (regin factible restringida).
El problema P , combina las ventajas del problema P (optimizacin
ver como una generalizacin de Pi (z ) sin ms que tomar = ei . Adems, los problemas P , y P( ) tienen una estructura muy parecida (el primero constituye una generalizacin del segundo), verificndose que S Pe , = S P ( ) .
k Consideremos, a partir de ahora, R+ +.
Por otra parte, dado x X con z = z (x ) R k , el problema P , z se puede
Teorema 1.4.43 S P , E P . Demostracin. Sea x S P , . Supongamos por reduccin al absurdo que X P , , t z ( x ) > t z ( x ) x S P , #, ) z( x ) x X , z( x x EP x luego x E P .
El resultado dado anteriormente nos proporciona una condicin suficiente para hallar una solucin eficiente de un VP, sin ms que tener en cuenta que S P , z E P , x X . Una condicin necesaria y suficiente para que una solucin sea eficiente en funcin del problema P , es: Teorema 1.4.44 x E P si, y slo si, x S P , z .
1.5. CLASIFICACIN DE LOS VP
29
Demostracin. Como x X y z ( x ) z x es factible para P , z . Supongamos por reduccin X , z( x ) z ( x ) , t z ( x ) > t z ( x ) . Como > 0 al absurdo que x S P , z x ) z ( x ) x E P #. z( x ) z( x ) X , z( x Supongamos por reduccin al absurdo que x E P x ) z ( x ) , t z ( x ) > t z ( x ) x S P , z #. z( x Corolario 1.4.45 E P = si, y slo si, R k , P , es no factible o no acotado. Demostracin. Supongamos por reduccin al absurdo que R k , P , es acotado. Por el Teorema 1.4.43 S P , E P #. Supongamos por reduccin al absurdo que E P x E P . Por el Teorema 1.4.44 = z (x ) R k , x S P , #.
1.5 Clasificacin de los VP

En esta seccin damos una clasificacin para los problemas de programacin vectorial, la cual se puede considerar una generalizacin de su contrapartida escalar, sin ms que tener en cuenta que el concepto de solucin eficiente para un VP es la extensin natural del concepto de solucin ptima de un SP. Existen clasificaciones alternativas a la aqu presentada, como las formuladas por Evans y Steuer ([EvSt73]), Steuer ([St86]) o Isermann ([Is76]). Sea P un VP formulado segn (1.4). Consideremos, en primer lugar, las siguientes definiciones: Definicin 1.5.1 P es no factible si, y slo si, X = . Definicin 1.5.2 P es (dbilmente) acotado si, y slo si, E P ( WE P ). Obsrvese que la acotacin de P es independiente de la acotacin o no de E .
P
30
x2
1
X x1
Figura 1.1
Definicin 1.5.3 P es no (dbilmente) acotado si, y slo si, X y E P = ( WE P = ). La siguiente es una clasificacin exhaustiva excluyente de los problemas de programacin vectorial. y mutuamente
Proposicin 1.5.4 Si P es un VP entonces siempre se da slo uno de los siguientes casos: (i) P es no factible, (ii) P es (dbilmente) acotado, (iii) P es no (dbilmente) acotado. No queremos dejar de mencionar que la clasificacin de Isermann ([Is76], Definition 3), propuesta para el caso lineal, puede comprobarse que es formalmente equivalente a la aqu presentada. Las siguientes propiedades son inmediatas: Proposicin 1.5.5 Si X es acotado entonces P es (dbilmente) acotado. Es claro que el recproco no es cierto en general, como pone de manifiesto el siguiente contraejemplo.
2 Ejemplo 1.5.6 Consideremos el problema P max ( x1 , x2 ) / x2 1, x R+ . Es evidente que X es no acotado (Figura 1.1) y, sin embargo, E P = {(1, 1)}.
Como E P WE P , tenemos: Proposicin 1.5.7 Si P es acotado entonces P es dbilmente acotado.
1.5. CLASIFICACIN DE LOS VP

x2
31
x1
Figura 1.2
Sin embargo, el recproco puede que no se d, es decir, un problema puede ser dbilmente acotado y no acotado, simultneamente.
2 Ejemplo 1.5.8 Consideremos el problema P max x / x2 1, x R+ . La regin factible de este ejemplo coincide con la del Ejemplo 1.5.6 (ver Figura 1.1 para su representacin grfica). Evidentemente, E P = , pero WE P t 2 1. pues = (0, 1) R+ tal que S P = R+ {}
Proposicin 1.5.9 Si i {1, ..., k } , Pi max{zi ( x) / x X } es acotado entonces P es (dbilmente) acotado. Demostracin. Como i {1, ..., k } , Pi es acotado z I R k , k k z Z = z (X ), z z I R++ , z Z , t z t z I R++ , P es acotado E P .
1, ..., k } tal No es cierto que si P es (dbilmente) acotado entonces i { que Pi es acotado. Efectivamente: Ejemplo 1.5.10 Consideremos el problema P max x / x1 + x2 = 1, x R 2 cuya regin factible se representa en la Figura 1.2. Evidentemente, E P = WE P = X = x R 2 / x1 + x2 = 1 y, sin embargo, z1 y z 2 son no acotadas en X .
Adicionalmente tambin podemos escribir los siguientes resultados:
32
Corolario 1.5.11 Si P es no acotado entonces i {1, ..., k } tal que Pi es no acotado. Proposicin 1.5.12 Si i {1, ..., k } tal que Pi es acotado entonces P es dbilmente acotado. Demostracin. Si i {1, ..., k } , Pi es acotado S Pi . Ahora, por el Corolario 1.4.14 WE P .
Corolario 1.5.13 Si P es no dbilmente acotado entonces i { 1, ..., k } se verifica que Pi es no acotado.
1.6 El Problema de Programacin Vectorial Lineal

El problema de programacin vectorial (1.4) se dice que es un problema de programacin vectorial lineal, denotado por LVP (acrnimo de Linear Vector Program), cuando cada funcin objetivo es lineal y la regin factible es un poliedro. El LVP ha atrado a lo largo del tiempo una considerable atencin, tanto desde el punto de vista terico como prctico. Por una parte, su adecuacin a una gran cantidad de situaciones del mundo real est fuera de toda duda y, por otro lado, su estructura especial permite elegantes y tiles desarrollos tericos y algortmicos que, lamentablemente, no son posibles en los problemas de programacin vectorial de ndole ms general. En esta seccin introduciremos la notacin y terminologa asociada a los modelos LVP. Convendremos en que la formulacin matemtica estndar de un LVP, es la siguiente: max(imizar) z (x ) = Cx (1.5) n s.a : x X = x R+ / Ax=b a1t donde A = R mn , es la matriz de restricciones, b R m , el vector de at m
c1t recursos, y C = R k n , la matriz criterio o de costos. ct k Supondremos, sin prdida de generalidad, que A es una matriz regular por filas, es decir, de rango m , lo cual se traduce, en trminos
1.6. EL PROBLEMA DE PROGRAMACIN VECTORIAL LINEAL
33
prcticos, en que todas las restricciones redundantes han sido eliminadas ([Hd62], p. 123).
(m, n, k )
Sea P el LVP formulado en (1.5). Consideraremos que la terna nos da la dimensin o tamao del problema P .
De la descripcin de P se desprende que si X entonces X es apuntado ([Mr83], Theorem 3.2). La regin objetivo viene dada por: z (X ) = { Cx / x X } Es conocido que z (X ) es un poliedro (ver [Rc70], Theorem 19.3).
(1.6)
1.6.1 Nomenclatura
Dado un poliedro X arbitrario, a partir de ahora utilizaremos la siguiente notacin: X xp X xd Xe X xr X
q f
conjunto de puntos extremos de X , conjunto de direcciones extremas de X , conjunto de aristas de X , conjunto de rayos extremos (aristas no acotadas) de X , conjunto de caras de X de dimensin q y conjunto de todas las caras de X .
Xf
Ahora son claros los siguientes resultados: X 0 = X xp , X 1 = Xe , f f X xr X e y X f =

dim ( X ) q =0
X
q f
Dado x X xp , sea B(x ) el conjunto de todas las bases de A asociadas a x . Sabemos que en el caso de no degeneracin, este conjunto es unitario ([Mr83], p. 325). Definicin 1.6.1 ([St86], Definition 7.3) Se llama cono criterio o cono gradiente de problema P , y lo denotaremos por V ( C) , al cono generado por los k gradientes de las funciones objetivo ( {c1 , ..., ck }), es decir, V ( C) =
{v R
k n k / v t = t C , R+ }= v R / v = i ci , i 0 i . i =1
La importancia del cono criterio viene dada porque es un indicador del tamao de la regin eficiente del problema y de la dificultad que,
34
probablemente, tendremos a la hora de resolver el mismo. En general, se considera ([St86], p. 177) que cuanto ms grande es el cono criterio mayor es E P . Adems, est ntimamente relacionado con la existencia y conexin de las soluciones eficientes. Definicin 1.6.2 ([Bt80], p. 696) Si consideramos como soluciones de P a E P ( WE P ), se llama cono de preferencias o de dominacin (dbil) para la matriz C al cono polar semipositivo (positivo) del cono generado por las filas de C, es decir, al conjunto C = { d R n / Cd 0} { 0 } ( C > = d R n / Cd > 0 { 0 }).
Los conos de preferencias juegan un importante papel en la programacin vectorial, pues proporcionan una interpretacin geomtrica valiosa. En general, cuanto ms pequeo sea el cono de preferencias mayor ser E P . A los elementos no nulos del cono de preferencias (dbil) se les denomina direcciones de preferencia o de mejora o de dominacin (dbil) de P pues dados x 1 X , d C ( d C > ), si x 2 = x1 + d entonces Cx 2 Cx1 ( Cx 2 > Cx1 ) y, en este caso, se dice que x 2 domina (dbilmente) a x 1 en la direccin d ([Bt77], p. 123). Definicin 1.6.3 ([St86], Definition 6.15) Sea x X . Se llama conjunto de dominacin (dbil) de x , y se denota por Dx ( WDx ) a x + C =
{x + d R / d C } ( x + C
n
>
= x + d R n / d C > ).
Debido a la estructura especial que presenta la regin factible de un LVP (poliedro) es posible, y conveniente, hacer distinciones entre los elementos de la frontera eficiente. As: Definicin 1.6.4 Un vector x se dice que es un punto extremo o vrtice (dbilmente) eficiente del problema P si, y slo si, x X xp E P ( x X xp WE P ). Al conjunto de todos los puntos extremos (dbilmente) eficientes del P P problema P lo denotaremos por E xp ( WE xp ). De anloga manera, las siguientes definiciones, dadas para el caso eficiente, se extienden de forma inmediata para el caso dbilmente eficiente. Definicin 1.6.5 X e se dice que es una arista eficiente del problema P si, y slo si, cualquier punto de la arista es eficiente, es decir, E P .
35
El conjunto de las aristas eficientes del problema P lo denotaremos por E .

P e
Como las aristas del problema pueden ser acotadas (bounded edges) o no acotadas (unbounded edges), parece lgico que tambin las distingamos P P y Eue . en EeP utilizando, respectivamente, la siguiente notacin: Ebe Definicin 1.6.6 r es un rayo extremo eficiente del problema P si, y slo si, (i) r X xr y (ii) r E P . Al conjunto de todos los rayos extremos eficientes del problema P lo P denotaremos por E xr . Es directo el siguiente resultado:
P P Proposicin 1.6.7 E xr = Eue .
Definicin 1.6.8 d es una direccin extrema eficiente del problema P si, y P slo si, r = {x + d / R+ } E xr . El conjunto de las direcciones extremas eficientes lo especificaremos por E .
P xd P Definicin 1.6.9 Sean x1 , x 2 E xp . Se dice que x 1 y x 2 son E-adyacentes si, y
slo si, (i) x 1 y x 2 son adyacentes y (ii) la arista que los une ( CVH x1 , x 2 ) es eficiente. El hecho de que x 1 y x 2 sean E-adyacentes lo denotaremos por x1 ~ E x 2 . La Definicin 1.6.9 es equivalente a las dadas en [Gal77] (Definition 2.6), [Is77a] (Definition. 3), [ChHm83] (p. 242), [St86] (Definition 9.22) y es ligeramente diferente de las utilizadas en [Zl74] y [Zl82], donde slo se exige que ambos vrtices sean adyacentes y eficientes. Conviene advertir que este matiz es importante porque es posible que dos vrtices sean adyacentes y eficientes pero no E-adyacentes, como se ilustrar en el Ejemplo 2.5.10. En general, si F X f , entonces: Definicin 1.6.10 F es una cara eficiente del problema P si, y slo si, cualquier punto de la cara es eficiente, es decir, F E P .
({
})
36
1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ... El conjunto de las caras eficientes lo denotaremos por E P f .
Definicin 1.6.11 F es una cara eficiente maximal del problema P si, y slo si, F es un elemento maximal del conjunto de las caras eficientes de X ordenadas segn la inclusin de conjuntos, es decir, i) F E P / F ' E P f y ii) f , F F' . El conjunto de las caras eficientes maximales de P lo denotaremos por E .
P mf
Ntese que no todas las caras eficientes maximales de un LVP tienen que ser de la misma dimensin. En programacin vectorial lineal, el conjunto E P , se suele dar (ver seccin 1.7) como la unin de todas las caras eficientes maximales de P , las cuales quedan caracterizadas por sus puntos y/o rayos extremos.
P P P P (x ) , Eue (x ) , E P Sea x E xp . Denotaremos por EeP (x ) , Ebe f (x ) y E mf (x ) ,
respectivamente, a los conjuntos de aristas eficientes, aristas eficientes acotadas, aristas eficientes no acotadas, caras eficientes y caras eficientes maximales, incidentes en x . Vamos a ilustrar algunos de los conceptos dados con el siguiente ejemplo extrado de [Jr92], p.100: Ejemplo 1.6.12 Consideremos el problema: 1 1 P max x / 0 0 1 0 1 0 0 5 0 3 3 x , x R+ 0 3 1 1
Teniendo en cuenta la representacin grfica de la regin factible (ver Figura 1.3), y denotando por CVH ( ) la envolvente convexa de un conjunto de puntos, es claro que:
P P E P = EeP = Ebe = CVH x 2 , x 3 , E xp =
{x ,
1
CVH x , x , x , x CVH x 3 , x 4 , x 5 , x 6
({ ({
}) })
({
})
x , x6 , x7 CVH x1 , x 2 , x 3 , x 4 , x 9 y
2 3
({
{x , CVH ({x ,
2
P x 3 , Eue = , WE P =
x 2 , x3 , x 4 , x5 , x 6 , x 7 , x8 , x9 .
})
})
WE
P xp
=
37
x3
1 x9
x4 x1
x2
x3 x5
x2
x1 3
x8 x
7
x6
Figura 1.3
Sean B B(x ) y R = C B B -1 N -C N R k (nm ) , la correspondiente matriz de costos reducidos. Definicin 1.6.13 ([Gal77], Definition 2.5, [ArMl91], p. 471) Se dice que B es una base eficiente si la solucin factible bsica (s.f.b.) asociada es eficiente. Al conjunto de todas las bases eficientes del problema P lo P denotaremos por E B . Claramente, el conjunto de bases eficientes asociada a P P x , denotado por E B (x ) , viene dado por B(x ) E B . Definicin 1.6.14 ([ArMl91], p. 471)1 Una base eficiente B se dice que es k dual-eficiente si, y slo si, R++ tal que t R 0 . Cuando sea conocido diremos que B es una base -dual-eficiente. Al conjunto de todas las bases duales-eficientes del problema P lo P P P EB denotaremos por E DB . Por la definicin, E DB .
Equivalente a la definicin de base factible dual dada en [Is77], Definition 5. Algunos autores como Steuer ([St86], Definition 9.9) y Hartley ([Hr83], p. 5) lo denominan base eficiente.
38
Utilizando el mismo estilo de notacin, al conjunto de bases dualesP P (x ) . Evidentemente, E DB (x ) = eficientes asociadas a x lo denominaremos E DB P B(x ) E DB . La importancia del concepto de base dual-eficiente se entender ms adelante cuando se den las caracterizaciones de eficiencia asociadas a soluciones factibles bsicas (captulo 2) y se estudie la dualidad (captulo 3). Veremos que si no hay degeneracin los conceptos de base eficiente y P P = E DB ), pero que si x es una solucin factible dual-eficiente coinciden ( E B bsica degenerada, no todas sus bases asociadas tienen que ser duales P P (x ) EDB (x ) ). eficientes (aunque, al menos, una s, es decir, E B
k t P Si designamos por I (B ) a R+ + / R 0 , entonces B E DB si, y slo si I (B ) . A I (B ) sele conoce como regin de indiferencia asociada a la base B .
1.6.2 El LVP Expresado en Formato de Tabla

n Dado el problema P max Cx / Ax = b, x R+ y una base B de A 1, ..., n} los conjuntos de ndices asociados a las (= [B N ] ), sean J B , J N J = { variables bsicas y no bsicas, respectivamente, y denotemos por x B ( x N ) a
las variables bsicas (no bsicas) de x . Designando por C B ( C N ) las columnas de C asociadas a J B ( J N ) entonces P se puede reescribir como: max z s. a : xB (B, N, 0 mk ) x N = b z x B N B z- C ,C = 0 k 1 x N xB 0 , x N 0
(1.7)
Los datos del problema anterior admiten la expresin matricial siguiente:
(1) B B (2) -C
N -C N
xB 0 mk xN I k k z
bm1 = 0 k 1
(1.8)
1.6. EL PROBLEMA DE PROGRAMACIN VECTORIAL LINEAL El sistema (1.8) lo podemos transformar de forma equivalente en: I mm (2) 0 k m
39
(1)
B -1 N C B B -1 N-C N
0 mk I k k
xB xN z
B -1bm1 = B -1 C B bk 1
(1.9)
donde (1) = B -1 (1) y (2) = (2 ) + C B (1). Utilizando un formato de tablas, obtendramos lo que se conoce como tabla cannica asociada a B ([YuZl75], p. 443). v.b. xB z xB I mm 0 k m xN B -1 N C B B -1 N -C N r.h.s. B -1bm1 C B B -1bk 1
A la tabla anterior la denotaremos por T (B ) . Este arreglo de datos constituye una manera clara y ordenada de presentar informacin local (relativa a vrtices) para muchos algoritmos generadores de soluciones eficientes (ver captulo 4).
t t , xN Sea x t = x B = B 1b , 0t el punto extremo asociado a B . Es claro que si x es no degenerado, slo tiene asociada una nica tabla cannica. En caso contrario, pueden haber mltiples tablas cannicas asociadas a x .
((
En funcin de T (B ) , llamando Y = B 1 N , b = B -1 b , R = C B B -1 N -C N y z = Cx , se tiene que: x X , x B = b Yx N . Adems, z = Cx = z Rx N = C B b Rx N . Ms concisamente, y en formato matricial, T (B ) se escribe ahora como: I Y b 0 R z Dado j J N , se define la razn mnima del simplex primal ([Mr83], p. 66) como: b min i / yij > 0 j = (1.10) yij si y 0 i { 1, , m} ij
40
1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ... Entonces, si 0 < j < , cuando se introduce x j en la base se obtiene
una nueva s.f.b. (solucin factible bsica) x j = x + j d j , con valores objetivos

j z j = Cx j = Cx j r j , donde d Bj = y j , d N = e j , siendo y j , r j las columnas
j de Y y R , respectivamente y e j R n m un vector de ceros con un 1 en la componente j . Por ltimo, y en funcin de la notacin recin introducida, el problema (1.5) puede formularse de varias maneras: Proposicin 1.6.15 El problema (1.5) admite las siguientes formulaciones equivalentes (en el sentido de que no varan las regiones eficientes): n m i) min Rx N / YxN b , x N R+ , donde Y = B 1 N y b = B 1b . ii) max C fx xfx / Afx xfx = b Afx xfx , xfx R+ fx , donde J fx = {j J / x j es fija}, J fx
J
= J \ J fx . Demostracin. Inmediata, sin ms que aplicar la Proposicin 1.3.14 tomando, para i), = C B B 1b y, para ii), = C fx xfx .
1.7 Resultados Bsicos para el LVP

En esta seccin vamos a estudiar una serie de resultados que son especficos de los problemas lineales y que constituyen la piedra angular de la programacin vectorial lineal. Comprobaremos, adems, como la dualidad escalar resulta ser, para el modelo LVP, una herramienta extremadamente til y potente. Obsrvese que en trminos formales, cualquier LVP es un CVP y, por supuesto, un VP sindole, por tanto, aplicables de forma automtica todos los resultados obtenidos para stos ltimos. Comenzaremos dando algunos nuevos teoremas de la alternativa para sistemas de desigualdades lineales que se erigirn en eficaces instrumentos de desarrollo terico a lo largo de esta memoria.
1.7.1 Teoremas de la Alternativa

Sean A R mxn , b R m , C R kxn , R k , matrices de coeficientes (fijas), tales que (C , ) es no nula. Teorema 1.7.1 El sistema Ax = b , x 0 , Cx , tiene solucin si, y slo si, el sistema u t A t C 0t , t > u t b , 0 no tiene solucin.
1.7. RESULTADOS BSICOS PARA EL LVP
41
Motzkin ([Mn69], p. 28) s (0, 1) + t (C , ) + w t (I , 0) + u t ( A, b ) = 0 , w 0 , s > 0 , 0 , no tiene solucin u t A t C 0 t , t > u t b , 0 , no tiene solucin.
Demostracin. Ax = b , x 0 , Cx , tiene solucin Ax + by = 0 , y > 0 , x x x 0 , Cx y 0 , tiene solucin ( A, b ) y y = 0 , (0, 1) > 0, 0 x I C 0 , tiene solucin. Aplicando el teorema de la alternativa de y
Teorema 1.7.2 El sistema Ax = b , x 0 , Cx , tiene solucin si, y slo si, los sistemas u t A t C 0t con t u t b , > 0 o t > u t b , 0 no tienen solucin. Demostracin. Ax = b , x 0 , Cx , tiene solucin Ax + by = 0 , y > 0 , x x x 0 , Cx y 0 , tiene solucin ( A, b ) y = 0 , (0, 1) y > 0, x x (I , 0) y 0 , (C , ) y 0 , tiene solucin. Aplicando el teorema de la alternativa de Slater ([Mn69], p. 27) los sistemas t t t s (0, 1) + (C , ) + w (I , 0) + u ( A, b ) = 0 , w 0 , con s 0 , > 0 o s > 0 , 0 , no tienen solucin los sistemas u t A t C 0t , con t u t b , > 0 o t > u t b , 0 , no tienen solucin.
n Corolario 1.7.3 Sea = Cx donde x X = x R+ / Ax = b . Entonces, Ax = b , t x 0 , Cx no tiene solucin si, y slo si, u A t C 0t , t = u t b , > 0 , tiene solucin. Demostracin. Ax = b , x 0 , Cx , no tiene solucin Alguno de los sistemas u t A t C 0t , con t u t b , > 0 o t > u t b , 0 , tiene solucin. Ahora bien, como u t A t C 0 t , x X u t Ax t Cx = u t b t 0 u t b t en ambos casos. Luego t > u t b no puede darse. As, u t A t C 0t , t = u t b , > 0 , tiene solucin.
Se pueden obtener unos resultados anlogos a los anteriormente dados que sern de utilidad para el estudio de la eficiencia dbil de un punto. Teorema 1.7.4 Ax = b , x 0 , Cx > , tiene solucin si, y slo si, u t A t C 0t , t = u t b , t , 0 , no tiene solucin.
42
Demostracin. Ax = b , x 0 , Cx > , tiene solucin Ax + by = 0 , y > 0 , x C x x 0 , Cx y > 0 , tiene solucin ( A, b ) y 0t = 0, >0, 1 y x 0 ) y 0 , tiene solucin. Aplicando el teorema de la alternativa de C t + s (I , 0) + u t ( A, b ) = 0 , Motzkin ([Mn69], p. 28), t , 0t 1 t s 0 , , 0 , no tiene solucin u t A t C 0 t , t = u t b , t , 0 , no tiene solucin.
(I ,
n Corolario 1.7.5 Sea X = x R+ / Ax = b . Entonces, Ax = b , x 0 , Cx > , no tiene solucin si, y slo si u t A t C 0 t , t u t b , 0 , tiene solucin. Demostracin. Ax = b , x 0 , Cx > , no tiene solucin u t A t C 0 t , t = u t b , t , 0 , tiene solucin. Ahora bien, no puede ocurrir que = 0 , > 0 pues u t A 0 t , u t b < 0 . Dado x X arbitrario, u t Ax = u t b 0 #. Luego u t A t C 0 t , t u t b , 0 , tiene solucin.
1.7.2 Caracterizaciones de Eficiencia
n Cx / x X }, donde X = x R+ Consideremos el LVP, P max{ / Ax = b .
Teorema 1.7.6 (Condiciones de Eficiencia para el Caso Lineal) Sea x X . Entonces, x E P si, y slo si, el sistema u t A t C 0 t , t Cx = u t b , > 0 , tiene solucin. Demostracin. x E P Ax = b , x 0 , Cx Cx , no tiene solucin. Llamando = Cx y aplicando el Corolario 1.7.3 el sistema u t A t C 0 t , t Cx u t b , > 0 , tiene solucin.
k Corolario 1.7.7 x E P si, y slo si, R+ + tal que x S P .
Demostracin. Basta utilizar Teorema 1.7.6 y aplicar dualidad escalar.
El siguiente resultado, aparentemente nuevo, proporciona un procedimiento prctico para comprobar la eficiencia de un punto arbitrario (no necesariamente extremo).
43
Corolario 1.7.8 Sea x X . Entonces, x E P si, y slo si, el problema min s / u t A t C 0, u t b s = t Cx , e, s 0 es acotado con valor ptimo 0. Demostracin. x E P el sistema u t A t C 0 t , t Cx = u t b , > 0 , tiene solucin. Como u t b t Cx el problema t t t t min s / u A C 0, u b s = Cx , e, s 0 es acotado con valor ptimo 0.
{ {
} }
Una formulacin alternativa de las condiciones de eficiencia para el caso lineal sera: Teorema 1.7.9 ([Krn74], Lemma 1) x E P si, y slo si, ( t , u t ) R k + m tal que (x t , t , u t ) es solucin de: i) Ax = b , x 0 , ii) t C - u t A 0 t , e , iii) t C - u t A x = 0 .
Evidentemente, siempre podemos escribir que: E P = x R n / Ax = b, t C - u t A 0 t , u t b t Cx = 0, x 0, e .
El Teorema 1.7.9 establece una relacin entre la eficiencia y las condiciones de optimalidad de Karush-Kuhn-Tucker ([Mr83]). Las principales dificultades que presenta dicha caracterizacin de E P son las dimensiones del sistema de restricciones y la complejidad del mismo. Efectivamente, hay un incremento de n + k + 1 restricciones y m + k variables respecto la problema original P y, por otro lado, el sistema es no lineal. Anlogamente, Teorema 1.7.10 (Condiciones de Eficiencia Dbil para el Caso Lineal) Sea x X . Entonces, x WE P si, y slo si, el sistema u t A t C 0 t , t Cx = u t b , 0 , tiene solucin. Demostracin. x WE P Ax = b , x 0 , Cx > Cx , no tiene solucin . Llamando = Cx y aplicando el Corolario 1.7.5 el sistema u t A t C 0 t , t u t b , 0 , tiene solucin. Ahora bien, como u t A t C 0t u t Ax t Cx = u t b t 0 u t b t . Luego, u t A t C 0t , t Cx = u t b , 0 , tiene solucin.
k Corolario 1.7.11 x WE P si, y slo si, R+ {0} tal que x S P .
Adems, WE P = x R n / Ax = b, t C - u t A 0 t , u t b t Cx = 0, x 0, 0 .
44
De nuevo, se puede dar sin dificultad un procedimiento eficaz y novedoso para comprobar la eficiencia dbil de un punto arbitrario (no necesariamente extremo). Corolario 1.7.12 Sea x X . Entonces, x WE P si, y slo si, el problema min s / u t A t C 0t , u t b s = t Cx , e t = 1, 0, s 0 es acotado con valor ptimo 0.
n El problema ponderado asociado a P , P max t Cx / Ax = b, x R+ , juega un papel fundamental en la programacin vectorial lineal y ser, por tanto, objeto de un detenido y minucioso estudio a lo largo de esta memoria.
El dual del problema P , el cual denotaremos por D , se formula como: min u t b / u t A t C , u R m
El teorema que vamos a enunciar a continuacin, constituye en nuestra opinin, uno de los ms importantes resultados de la programacin vectorial lineal, permitindonos establecer un valioso puente entre las dos distintas realidades que constituyen la optimizacin escalar y la vectorial. Teorema 1.7.13 ([EvSt73], Corollary 1.4) E P =
0 k
S
Demostracin. Si X = , el teorema es trivial. Supongamos X . x S P 0k , x S P . Por dualidad escalar, 0k , u R m ,

0 k
k m t t t t t u t A t C 0 t , t Cx = u t b R+ + , u R , u A C 0 , Cx = u b
x E P .
Debido al teorema anterior, la programacin vectorial lineal y la programacin (escalar) lineal de costos paramtricos estn ntimamente relacionadas. Veamos una interesante variante de las condiciones de eficiencia. Para ello daremos, en primer lugar, un resultado clsico de la programacin lineal escalar. Teorema 1.7.14 Consideremos el problema escalar max c t x / x X ( Q ), donde X = x R n / Ax b . Sean x X e I el conjunto de ndices asociados a desigualdades activas (aquellas que se dan con igualdad) en x . Entonces,
x S Q si, y slo si, u R+ tal que u t AI = c t .

I
45
Demostracin. Por hiptesis, x X . Efectivamente, si x S Q , por dualidad

m u R+ , u t A = c t , u t (b Ax ) = 0 u R+ , u t AI = c t . I
Corolario 1.7.15 ([Ph72], Theorem 3) Sean x X = x R n / Ax b e I el conjunto de ndices asociados a las desigualdades activas en x . Entonces, k m t t t x E P si, y slo si, R+ + , u R+ tales que C - u AI = 0 .
k Demostracin. Por el Corolario 1.7.7, x E P R+ + , x S P . Ahora
basta utilizar el teorema anterior.
Son inmediatos los siguientes corolarios, sin ms que tener en cuenta que P es un CVP. Corolario 1.7.16 WE P =
P k {0}
S
P Corolario 1.7.17 E P = E p .
Luego, el LVP no tiene soluciones eficientes impropias.
1.7.3 Estructuracin del Conjunto de Soluciones Eficientes

Sean F X f arbitraria y R k . Si denotamos por F 0 el interior relativo de F , se sabe por la programacin lineal escalar (aunque tambin se justificar en el captulo 2, Corolario 2.4.23) que: Teorema 1.7.18 Si F 0 S P entonces F S P . El siguiente resultado nos dice que si un punto del interior relativo a una cara es eficiente, entonces toda la cara es eficiente. Corolario 1.7.19 Si F 0 E P entonces F E P . En particular, Corolario 1.7.20 Si X 0 E P entonces E P = X . Corolario 1.7.21 Si E P y X 0 E P = entonces E P Ft , donde Ft es
t =1 T
una cara propia de X .
46
Demostracin. Sabemos que E P =

T 0 0 k
0 k
S
P
. Si X 0 E P = 0k ,
T
X S P = , S P Ft E Ft .
t =1 t =1
Anlogamente, para las soluciones dbilmente eficientes es posible escribir: Corolario 1.7.22 Si F 0 WE P entonces F WE P . Corolario 1.7.23 Si X 0 WE P entonces WE P = X . Corolario 1.7.24 Si WE P y X 0 WE P = entonces WE P Ft , donde
t =1 T
Ft es una cara propia de X . Los resultados anteriores son importantes en programacin vectorial lineal, pues aseguran que el conjunto E P ( WE P ), o es todo X o est contenido en la frontera de X . Por esta razn, a E P ( WE P ) tambin se le conoce como frontera (dbilmente) eficiente de P y se suele expresar como la unin de todas las caras (dbilmente) eficientes maximales de P . El siguiente teorema garantiza que podemos asociar a cualquier cara eficiente al menos un parmetro de 0k . Teorema 1.7.25 F E P si, y slo si, 0k tal que F S P . Demostracin. Directa por el Teorema 1.7.13. Sea x F 0 E P 0k , x S P F 0 S P . Ahora por el Teorema 1.7.18 F S P .
Teorema 1.7.26 ([EcHK80], Corollary 4.1) Si F E P es maximal entonces 0k , F = S P . Demostracin. F E P 0k , F S P . Adems S P E P y F es f maximal por la inclusin F = S P .

l
47
es maximal. Corolario 1.7.27 E P = F j , donde j { 1, ..., l }, F j E P f Adems, j { 1, ..., l }, 0k , F j = S P j .

j
j =1
En particular, si E P = X entonces 0k , X = S P . El Corolario 1.7.27 es de gran importancia, pues nos indica que todo el conjunto de soluciones eficientes de un LVP se puede poner como la unin de sus caras eficientes maximales. Esta estructuracin dada a la regin eficiente es la ms sencilla que se puede obtener. Anlogamente, para el caso de eficiencia demostracin los correspondientes resultados. dbil damos sin
Teorema 1.7.28 F WE P si, y slo si, k {0}, F S P . Teorema 1.7.29 Si F WE P es maximal entonces k {0}, F = S P . Corolario 1.7.30 WE P = F j , donde j { es maximal. 1, ..., l }, F j WE P f Adems, j { 1, ..., l }, k {0}, F j = S P j .
j
j =1
En particular, si WE P = X entonces k {0}, X = S P . Corolario 1.7.31 E P ( WE P ) es cerrado. Demostracin. Directa por ser unin finita de cerrados.
Corolario 1.7.32 ([Is77a], Lemma 1) Sea X un poliedro apuntado. Si P E P entonces E xp . Demostracin. Directa, pues si X es un poliedro apuntado Cualquier cara no vaca de X contiene al menos un vrtice. Corolario 1.7.33 Sea X un poliedro apuntado. Si WE P entonces WE P X xp .
1.7.4 Eficiencia y Conexidad.

Bajo este epgrafe se enmarca una de las propiedades de mayor trascendencia prctica para el LVP, la cual queda enunciada en trminos sencillos diciendo que el conjunto de vrtices eficientes est conectado. Dicha
48
conexin debe interpretarse en el sentido de que se pueden visitar todos los vrtices eficientes utilizando, exclusivamente, aristas eficientes. Esta notable caracterstica constituye el fundamento de muchos de los mtodos generadores de soluciones eficientes para el LVP(ver captulo 4). Por otra parte, entre las consecuencias tericas que se desprenden del hecho anteriormente reseado, cabe destacar la de que E P es (topolgicamente) conexo. El razonamiento habitualmente empleado para deducir la conexidad E consiste en probar que dicha propiedad se cumple sobre
P xp
de
P ([Zl74], [YuZl75], [St86], ...). determinados grafos bsicos asociados a E xp
Esto es debido a que resulta (algebraicamente) ms sencillo trabajar con bases que con vrtices y porque existe una relacin biunvoca entre ambos conceptos para el caso no degenerado. Ahora bien, en general, la posibilidad del fenmemo de la degeneracin ha sido, frecuentemente, descuidada por numerosos autores. Con la intencin de evitar imprecisiones y errores presentamos los siguientes resultados: Sea B 0 una base factible arbitraria. Definicin 1.7.34 ([ArMl91], p. 473) Diremos que una base B es B 0 accesible si B puede ser alcanzada a partir de B 0 utilizando exclusivamente pivotes positivos determinados por medio de la regla lexicogrfica ([Dn63]). Definicin 1.7.35 ([ArMl91], p. 473) Una base B se dice que es B 0 -dualP eficiente si B es dual-eficiente ( B E DB ) y B es B 0 -accesible.
P B0 . Al conjunto de bases B 0 -dual-eficientes lo denotaremos por E DB P Definicin 1.7.36 ([St86], Definition 9.13) Sean B E DB , R = B -1 N k (n m ) C B N -C R , la correspondiente matriz de costos reducidos asociada y j J N . Se dice que x j es una variable (no bsica) eficiente (con respecto a
( )
B ) si I (B ) tal que t r j = 0 , donde r j es la columna j de R .
El motivo del nombre empleado en la definicin anterior se entender en la seccin 2.7, cuando probemos que para una base dual-eficiente, el incremento de una variable eficiente da lugar a una arista eficiente. Cuando sea conocido diremos que x j es una variable -eficiente. Por otra parte, a las variables no bsicas que no son eficientes se les denomina ineficientes.
49
P Definicin 1.7.37 ([ArMl91], p. 474) Sean B1 , B 2 E DB B 0 . Diremos que B1 es B 0 -adyacente a B 2 si B 2 se obtiene a partir de B1 utilizando un pivote positivo, determinado por medio de la regla lexicogrfica inducida por B 0 , sobre una columna asociada a una variable eficiente. P P Consideremos el grafo GB = (V , E ) donde V = E DB B0 0
( )
{(B ,
1
B V V / B es B - adyacente a B .
2 2 0 1
( )
y E =
El siguiente resultado, enunciado por Armand y Malivert, lo daremos sin demostracin por simplificar la exposicin.
P Teorema 1.7.38 ([ArMl91], Theorem 2) GB 0 es conexo.
El Teorema 1.7.38 es de una gran importancia prctica pues nos indica que explorando exclusivamente bases duales-eficientes B 0 adyacentes es posible determinar todos los vrtices y aristas eficientes de un LVP. Como consecuencia inmediata tenemos que: Corolario 1.7.39 El grafo formado por los vrtices y aristas eficientes de P es conexo. Demostracin. No tiene dificultad pues cualquier vrtice eficiente de P se P (basta combinar el Teorema puede especificar a travs de un nodo de GB 0 1.7.13 con las propiedades algortmicas del mtodo del simplex). Adems cualquier arista eficiente es incidente en algn vrtice eficiente. Teorema 1.7.40 E P es (topolgicamente) conexo. Demostracin. Supongamos por reduccin al absurdo que E P no es conexo U , V R n , abiertos segn la topologa usual, tales que U E P , V E P , U V E P = , E P U V . Sabemos que E P se puede poner como una unin finita de caras de X . Adems, cada cara debe estar ntegramente contenida en U o V pues si suponemos que F E P f , F U , F V , como U V F = y F es convexo x F , x U V #, pues F E P U V . Ahora bien, si las caras eficientes estn contenidas ntegramente en U o V , como quiera que U E P y V E P G P no puede ser conexo #.
1.7.5 Caracterizaciones para la Acotacin de un LVP

A continuacin daremos una serie condiciones que garantizan si la regin eficiente de un LVP es vaca o no.
50
Teorema 1.7.41 Sea X . Entonces, E P si, y slo si, el sistema u t A t C 0t , > 0 , tiene solucin. Demostracin. Por hiptesis, X . x E P 0k , x S P 0k , D es factible El sistema u t A t C 0 t , > 0 tiene solucin.
Teorema 1.7.42 Sea X . Entonces, WE P si, y slo si, el sistema u t A t C 0t , 0 , tiene solucin. Es claro que el clculo de WE P y de E P est ntimamente relacionado. Por este motivo, y para simplificar la exposicin, a partir de ahora slo enunciaremos resultados para el caso eficiente. Los mismos se pueden extender (en general, con ligeras modificaciones) al caso dbilmente eficiente. Corolario 1.7.43 Sea X . Entonces, E P si, y slo si, el sistema u t A t C 0t , e tiene solucin. Corolario 1.7.44 Sea X . Entonces, E P si, y slo si, el sistema u t A t C e t C , 0 , tiene solucin. Anlogamente, la no acotacin de un LVP puede ser comprobada mediante los siguientes tests: Corolario 1.7.45 ([Hr85], Theorem 3.3) Sea X . Entonces, E P = si, y slo si, el sistema u t A t C 0t , > 0 , no tiene solucin. Corolario 1.7.46 Sea X . Entonces, E P = si, y slo si, el sistema u t A t C 0t , e , no tiene solucin. Corolario 1.7.47 Sea X . Entonces, E P = si, y slo si, el sistema u t A t C e t C , 0 , no tiene solucin. Teorema 1.7.48 ([Is76], Lemma 1) Sea X y C no nula. Entonces, n E P = si, y slo si, el sistema Cd 0 , Ad = 0 , d R+ , tiene solucin. P Demostracin. Por hiptesis E = . Por el Corolario 1.7.45 El sistema u t A t C 0t , > 0 no tiene solucin. Haciendo los cambios de variable: y 2 = , y 4 = u C t y 2 + Iy 3 + At y 4 = 0 , y 2 > 0 , y 3 0 no tiene solucin. Ahora, aplicando el teorema de la alternativa de Tucker ([Mn69], p. 29) n El sistema Cd 0 , Ad = 0 , d R+ , tiene solucin.
1.8. MTODOS GRFICOS DE RESOLUCIN
51
Corolario 1.7.49 Sea X y C no nula. Entonces, E P = si, y slo si, el programa lineal max e t s / Cd Is = 0, Ad = 0, d 0, s 0 es no acotado. n n n Demostracin. E P = d R+ , Cd 0 , Ad = 0 d R+ , s R+ , t Cd Is = 0 , Ad = 0 , s 0 max e s / Cd Is = 0, Ad = 0, d 0, s 0 es no acotado.
Adicionalmente es posible escribir: Corolario 1.7.50 ([GlKT51], Theorem 5) Sea X y C no nula. Entonces, n E P si, y slo si, el sistema Cd 0 , Ad = 0 , d R+ , no tiene solucin. Corolario 1.7.51 Sea X y C no nula. Entonces, E P si, y slo si, el programa lineal max e t s / Cd Is = 0, Ad = 0, d 0, s 0 es acotado, con valor ptimo 0. n Demostracin. E P El sistema Cd 0 , Ad = 0 , d R+ , no tiene t solucin El programa lineal max e s / Cd Is = 0, Ad = 0, d 0, s 0 es acotado, con valor ptimo 0.
Sea X * el cono caracterstico (tambin llamado cono de recesin) de X , es decir, X * = d R n / x X , x+d X , R+ ([Rc70], p. 61).
Proposicin 1.7.52 Sea X . Entonces, E P = si, y slo si, X * C {0}. Demostracin. Directa teniendo en cuenta que X * C Cd 0 , n , tiene solucin. Ad = 0 , d R+ Corolario 1.7.53 Sea X . Entonces, E P = si, y slo si, d X * {0} tal que x X , R++ se verifica C (x + d ) Cx .
1.8 Mtodos Grficos de Resolucin

En esta seccin estudiaremos dos mtodos grficos que nos permiten determinar el conjunto de soluciones eficientes de forma geomtrica. Su utilidad es muy limitada (dependen de que podamos representar la regin factible) y se suelen utilizar con fines didcticos. Sin embargo, los conceptos en que se basan, aunque intuitivos, son de inters pues encuentran aplicacin en otras reas de la optimizacin vectorial. Consideremos max { Cx / x X }. el problema de optimizacin vectorial P
52
1.8.1 Mtodo de los Gradientes Compuestos

Este mtodo se utiliza frecuentemente en programacin vectorial lineal. Supongamos que X es un poliedro y sea V ( C) el cono criterio de P . Teorema 1.8.1 ([St86], Corollary 7.5) x E P si, y slo si, V 0 (C ) , tal que x es solucin ptima del problema max t x / x X .
Demostracin. Directa utilizando el Teorema 1.7.13 y el hecho de que k V 0 (C ) = R n / t = t C , R+ + .
El mtodo de los gradientes compuestos se basa en representar grficamente la regin factible y V 0 (C ) y optimizar grficamente problemas escalares lineales cuyo gradiente pertenezca a V 0 (C ) . 2 1 2 t Ejemplo 1.8.2 Sean C = 1 2 , X = x R+ / x1 + 2 x2 = 2 y x = (2, 0 ) X . P x E . (1, 1) = t = Veamos que Efectivamente, pues 2 1 0 (1 / 3, 1 / 3) 1 2 V (C ) (ver Figura 1.4) y x es solucin ptima del problema
max t x / x X .
x2
c2 V (C ) c1 X x x 1
Figura 1.4
1.8. MTODOS GRFICOS DE RESOLUCIN
53
1.8.2 Mtodo de los Conjuntos de Dominacin

Es el mejor mtodo para la deteccin grfica de la eficiencia para problemas de optimizacin vectorial no lineal donde la regin factible venga dada por inecuaciones no lineales y para los problemas de programacin vectorial entera (ver captulo 5 para su formulacin). Sea x X y Dx su correspondiente conjunto de dominacin (ver Definicin 1.6.3). El mtodo de los conjuntos de dominacin se basa en el siguiente resultado: Teorema 1.8.3 ([St86], Theorem 6.16) x E P si, y slo si, Dx X = {x }. Demostracin. Dx X , Supongamos por reduccin al absurdo que Dx X {x } x
= x + d X Cx = C (x + d ) = Cx + Cd Cx x d C , d 0 , x x P x E #, luego Dx X = {x }. X , x x , Cx Cx Supongamos por reduccin al absurdo que x E P x n x R , Cd 0 , x = x +d x Dx X y x x #, luego d = x x EP .
Si la regin factible X se puede representar geomtricamente, podemos detectar los puntos eficientes de la siguiente forma: Cualquier punto x X , tal que la interseccin de su conjunto de dominacin con X slo contenga a x ser eficiente siendo, en caso contrario, ineficiente. Ntese que cuanto mayor sea C , menor es la probabilidad de que un cierto x sea eficiente y, por tanto, menor ser E P . Vamos a resolver varios ejemplos con el mtodo de los conjuntos de dominacin aplicados a una serie de VPs max { Cx / x X } con la misma 2 regin factible X dada por x R+ / x1 1, x2 1 (ver Figura 1.5).
54
x2
F1 F2
x1
2 2 / x1 1, x2 = 1 y F2 = x R+ / x1 = 1, x2 1 . donde F1 = x R+
Figura 1.5
t 1 2 1 2 k Ejemplo 1.8.4 Sea C = . Es claro que C = d 2 1 2 1 / d R+ (ver P Figura 1.6) y que E = F1 F2 .
x2 c1 C
c2
x1
Figura 1.6
1 1 Ejemplo 1.8.5 Sea C = 1 1 . Como C = {0} (ver Figura 1.7) entonces P E = X.
1.8. MTODOS GRFICOS DE RESOLUCIN x2 c1
55
0 x1 c2
Figura 1.7
Aadiendo una nueva funcin objetivo al ejemplo anterior podemos considerar: 1 1 2 / d 2 d1 = 0 (ver Figura Ejemplo 1.8.6 Sea C = 1 1 . Como C = d R+ 1 1 P 1.8) entonces E = F1 F2 .
x2 c2 c3
x1 c1
Figura 1.8
56
1.9 Cotas para el VP

En esta seccin introduciremos, de forma novedosa, las nociones de cotas y supremos eficientes de una funcin vectorial z (x ) sobre un determinado dominio X , como una generalizacin de sus contrapartidas escalares. Podemos obtener as propiedades y resultados interesantes que permiten establecer una cierta relacin de polaridad entre el problema de programacin multiobjetivo convexo (CVP) y el que surge en el clculo de sus supremos. En particular, para el caso lineal, es posible derivar la definicin de problema dual vectorial dada por Gale et al (ver [GlKT51]), proporcionando de esta manera una justificacin geomtrica de la misma. Algunos de los resultados presentados han sido enunciados especialmente para el caso dbilmente eficiente por ser especficos del mismo o no constituir extensiones triviales de sus homlogos para el caso eficiente. Sea P el VP problema max{z (x ) / x X }. Con el fin de proporcionar una teora lo ms general posible admitiremos que, a menos que se diga lo contrario, X puede ser no cerrado, no convexo e, incluso, no conexo. Es posible extender de diversas maneras la nocin existente para el caso escalar de cota de un conjunto. Una posibilidad admisible y, aparentemente no explotada, es la siguiente: Definicin 1.9.1 R k se dice que es una cota (dbilmente) eficiente de z (x ) sobre X o, simplemente, una cota (dbilmente) eficiente de P si, y slo si, / x X tal que z (x ) ( z (x ) > ). Al conjunto de cotas (dbilmente) eficientes de P lo denotaremos por B(P ) ( WB(P )). Existen otras definiciones posibles a la aqu dada. Por ejemplo, en [SwNT85] (p. 202) se presenta la dada por Brumelle ([Br81]) en la siguiente forma: R k es una cota superior para un conjunto Y R k , si y para cualquier y Y . De esta forma, resulta claro que el concepto de cota eficiente proporcionado en esta memoria generaliza la definicin de Brumelle. Con el fin de no perder la intuicin geomtrica consideremos el siguiente ejemplo:
1.9. COTAS PARA EL VP
57
z2 B (P )
z (X )
z1
Figura 1.9
2 / z1 1, z 2 1 (ver Figura 1.9). Ejemplo 1.9.2 Supongamos que z (X ) = z R+ Entonces B(P ) = z R 2 / z1 > 1 z R 2 / z 2 > 1 {(1, 1)} y WB(P ) = z R 2 / z1 1 z R 2 / z 2 1 .
} {
En general, B(P ) no es ni cerrado ni convexo (incluso aunque z (X ) si lo sea) como pone de manifiesto el Ejemplo 1.9.2. Sin embargo, aunque WB(P ) tambin puede ser no convexo (Ejemplo 1.9.2), si podemos garantizar que es cerrado: Proposicin 1.9.3 WB(P ) es cerrado. Demostracin. Supongamos que 1 , 2 , es una sucesin de elementos de WB(P ) que converge a cierto * . Tenemos que probar que * WB(P ) . Supongamos por reduccin al absurdo que * WB(P ) x X , z = z (x ) > * . Como lim k k = * k 0 N , k k 0 , k < z k k 0 ,
k WB(P ) #, luego * WB(P ) .
El siguiente resultado indica que cualquier cota eficiente tambin es una cota eficiente dbil. Proposicin 1.9.4 B(P ) WB(P ). Demostracin. Sea B(P ) / x X , z (x ) / x X , z (x ) > WB(P ).
58
Por otra parte, las soluciones no dominadas de z (X ) son tambin cotas eficientes de P . Proposicin 1.9.5 z E P B(P ) . Demostracin. Sea z z (E P ) x E P , z (x ) = z / x X , z (x ) z z B(P ). En realidad ocurre que: Corolario 1.9.6 z E P = B(P ) z (X ) . Luego, al igual que ocurre en el caso escalar tenemos que: Corolario 1.9.7 Si P es acotado entonces B(P ) . Los puntos dominados de z (X ) no pueden ser cotas eficientes de P . k {0}. Efectivamente, sea k = R Proposicin 1.9.8 z E P + k entonces B(P ) . Demostracin. Sea
P
( )
( )
z z E P , z B(P ) .
( )
( ) z (E ) +
z z E P , d k , = z + d
( )
Para el caso dbil podemos escribir: Proposicin 1.9.9 z WE P = WB(P ) z (X ) . Corolario 1.9.10 Si P es dbilmente acotado entonces WB(P ) .
k Proposicin 1.9.11 z WE P + R entonces WB (P ) .
Lamentablemente, en contra de lo que sucede en el caso escalar, puede ocurrir que P sea no (dbilmente) acotado y B(P ) ( WB(P ) ). 1 Ejemplo 1.9.12 Sea P max (x1 , x2 ) / x2 + x1 0 (ver Figura 1.10 para la 2 representacin grfica de la regin factible). Entonces B(P ) = WB(P ) = R 2 / 2 0 y E P = WE P = .
59
B(P ) x2 x1
Figura 1.10
Incluso si P es un LVP, puede ocurrir que P sea no acotado y B(P ) .

2 Ejemplo 1.9.13 Consideremos el MOLP P max (x1 , x 2 ) / x 2 1, x R+ (Ver la Figura 1.11 para ver la representacin grfica de su regin objetivo). Evidentemente, z (X ) , E P = y, no obstante, B(P ) = R 2 / 2 > 1 .
z2
1
z (X ) z1
Figura 1.11
Sin embargo, si se verifica que:
60
Teorema 1.9.14 Si P es un LVP formulado segn (1.5), con X y WB(P ) , entonces P es dbilmente acotado. Demostracin. WB(P ) R k , el sistema Ax = b , x 0 , Cx > , no tiene solucin. Como X , por el Corolario 1.7.5 u t A t C 0t , k {0}, P y D son factibles t u t b , 0 , tiene solucin R+
k R+ {0}, P es acotado WE P P es dbilmente acotado.
Una condicin suficiente para que un VP no tenga cotas eficientes es la siguiente: Proposicin 1.9.15 Sea z (X ) . Si d > 0 es una direccin de recesin de z (X ) entonces B(P ) = . Demostracin. Sea z z (X ). R k R+ , ~ z = z + d z (X ) , ~ z B(P ) B(P ) = . Intuitivamente resulta claro que cuanto ms ajustadas sean las cotas superiores tanto ms tiles sern. Por tal motivo estamos interesados en aquellas cotas superiores que sean minimales. Una propuesta interesante viene a continuacin: Definicin 1.9.16 A los elementos de B(P ) ( WB(P )) no (dbilmente) dominados segn el criterio minimizar, es decir, a las soluciones (dbilmente) eficientes del problema min{ / B(P )} ( min{ / WB(P )}), se les denomina supremos (dbilmente) eficientes de P . Al conjunto de todos los supremos (dbilmente) eficientes de P lo denotaremos por S (P ) ( WS (P ) ). Debemos hacer notar que la palabra supremo tambin ha sido usada previamente en la literatura pero, hasta donde sabemos, con diferentes significados al empleado por nosotros. A modo de ejemplo, el concepto de supremo de Brumelle ([Br81], p. 160) se identific con la menor cota superior, es decir, R k es un supremo para un conjunto Y R k si es una cota superior (en el sentido de Brumelle) y para cualquier otra cota de Y . Resulta claro que este concepto de supremo coincide, esencialmente, con el supremo componente a componente (en un sentido escalar) de Y y que slo hay un nico supremo de Y . En particular, la propuesta de supremo eficiente hecha en la Definicin 1.9.16 generaliza la dada por Brumelle.
61
Siguiendo con nuestro desarrollo terico debemos observar que la circunstancia de que un VP tenga cotas eficientes no constituye ninguna garanta para la existencia de supremos (aunque s es una condicin necesaria) como ponen de manifiesto los siguientes dos ejemplos: Ejemplo 1.9.17 En el caso del Ejemplo 1.9.12, S (P ) = y WS (P ) = x R 2 / x2 = 0 . Obsrvese que B(P ) y, sin embargo, S (P ) = .
Ejemplo 1.9.18 Para el caso trivial de X = entonces B(P ) = WB(P ) = R k S (P ) = WS (P ) = . En general, el clculo de S (P ) o WS (P ) es una tarea complicada pues no se suele tener una descripcin adecuada de B(P ) o WB(P ). Sin embargo, es posible afirmar que cualquier solucin no dominada de P es un supremo. Teorema 1.9.19 z E P S (P ) . Demostracin. Sea z z (E P ) z B(P ). Supongamos por reduccin al B(P ) , z z x X , z = z (x ) z z B(P ) absurdo que z S (P ) z #. Luego z S (P ) . Nuevamente, conforme al sentido escalar de los trminos, es inmediato que: Corolario 1.9.20 Si P es acotado entonces S (P ) . El recproco, en general, no es cierto. Puede ocurrir que S (P ) y que P no sea acotado. Efectivamente: Ejemplo 1.9.21 Supongamos que z (X ) = (z1 , z 2 ) R 2 / (z1 z 2 1, z1 < 0) (z1 , z 2 ) R 2 / (z1 z 2 1, z1 > 0 ) (ver Figura 1.12 para su repesentacin 2 grfica). En este caso, B(P ) = R+ , S (P ) = {(0, 0)} y E P = .
( )
Por un razonamiento anlogo, Teorema 1.9.22 z WE P WS (P ) . Corolario 1.9.23 Si P es dbilmente acotado entonces WS (P ) .
62
1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ... z2
z (X )
B(P )
z1
0
z (X )
Figura 1.12
Ntese que puede darse el caso de que WS (P ) y P no sea dbilmente acotado. Efectivamente, en el Ejemplo 1.9.21, se tiene que 2 WE P = , WB(P ) = R+ y WS (P ) = {(0, ) / R+ } {( , 0 ) / R+ }. Es posible dar una condicin muy similar a la enunciada en la Proposicin 1.9.15, pero relativa a los supremos de un VP. Para ver esto daremos un resultado auxiliar. Sea ei un vector con todas sus componentes nulas, salvo la i-sima con valor 1. Proposicin 1.9.24 Si z S (P ) entonces > 0 tal que R++ , , z (X ) , z z ei , i {1, ..., k } . z
1, ..., k }. Supongamos por reduccin al absurdo que Demostracin. Sea i { z (X ) , z ~ zz > 0 , R+ + , , z = z ei ~ z B(P ), ~ /z z S (P ) #.
k {0} es una direccin de Proposicin 1.9.25 Sea z (X ) . Si d R+ recesin de z (X ) entonces S (P ) = . 1, ..., k } tal que d i > 0 . Supongamos por reduccin al Demostracin. Sea i { absurdo que z S (P ) . Por la Proposicin 1.9.24 > 0 tal que R++ , z ei R+ , ~ z (X ) , z + d z (X ), ~ , z z z #, pues z = z
z B(P ).
63
A continuacin pretendemos estudiar cuando podemos garantizar que S (P ) z (X ) . Primero necesitamos ciertos resultados previos: Es inmediato que: Lema 1.9.26 Sean R k y G = desplazado a . Entonces G
k direcciones de recesin es R+ .
{z R
/ z
el ortante no negativo
es cerrado, convexo y su conjunto de
Corolario 1.9.27 Si S (P ) entonces R k , z (X ) y G no tienen direcciones de recesin comunes. Demostracin. Directa sin ms que aplicar la Proposicin 1.9.25 y el Lema 1.9.26. Proposicin 1.9.28 Sea H R k un hiperplano dado por z R k / t z = . Entonces, si H G z = entonces tiene todas sus componentes del mismo signo. Demostracin. Supongamos por reduccin al absurdo que podemos particionar { 1, ..., k } en dos subconjuntos, I y J tales que I 0 y J 0 . Es
k t claro que podemos encontrar un vector d R+ + con la propiedad d = 0 H R+ tal que d es una direccin de recesin de H . Luego, dado z ~ ~ + d H y z z H G z , absurdo. z = z
Ahora ya estamos en condiciones de probar uno de los resultados ms importantes en esta seccin. Teorema 1.9.29 Sea z (X ) cerrado y convexo. Entonces S (P ) z (X ) . Demostracin. Sea z S (P ) . Supongamos por reduccin al absurdo que z z (X ) . Sea G z = { z R k / z z }. Como z B(P ) y z z (X ) G z z (X ) = . Ahora, aplicando [Rc70], Corollary 11.4.1 H = z R k / t z = separa fuertemente a z (X ) y G z , es decir, dado B = z R k / z 1 la bola eucldea
unitaria, entonces R+ + , z < , z z (X ) + B , z > , z G z + B ([Rckf70], p. 95). Como el hiperplano H no intersecta a G z , por la Proposicin 1.9.28 tiene todas sus componentes del mismo signo. Como k t z > , z G z + B R+ . Sean i { 1, ..., k } y R+ + , < ~ z = i t~ ~ z e G z + B z > , z z . Supongamos por reduccin al absurdo x X , z (x ) ~ z t z (x ) t ~ z > #, luego, ~ z B(P ). Como ~ zz z S (P ) #. Por tanto, z z (X ) .
t t
64
Es interesante observar que las hiptesis anteriores no se pueden relajar, pues: (i) (ii) si eliminamos la convexidad, utilizando el Ejemplo 1.9.21, vemos que 0 S (P ) y, sin embargo, 0 z (X ) . si no imponemos que z (X ) sea cerrado podemos considerar el siguiente ejemplo:
Ejemplo 1.9.30 Supongamos que z (X ) = { z R 2 / t z < } (ver su representacin grfica en la Figura 1.13). Evidentemente z (X ) no es cerrado (en realidad es abierto) y S (P ) = { z R 2 / t z = } / z (X ) .
z2
tz =
z (X )
z1
Figura 1.13
El teorema anterior no es cierto para el caso dbil, es decir, aunque z (X ) sea cerrado y convexo, no se puede garantizar que WS (P ) z (X ) . Efectivamente: Ejemplo 1.9.31 Utilizando el Ejemplo 1.9.13, es claro que z (X ) es cerrado y convexo. Adems WB(P ) = R 2 / 2 1 , WS (P ) = R 2 / 2 = 1 y, evidentemente, WS (P ) / z (X ) .
Corolario 1.9.32 Sea z (X ) cerrado y convexo. Entonces S (P ) z E P .
( )
65
Demostracin. Sea z S (P ) . Por el Teorema 1.9.29 x X , z (x ) = z , z B(P ) z z (E P ) . Corolario 1.9.33 Si P es un CMP entonces S (P ) = z E P . Demostracin. Aplicar Teorema 1.9.19 y Corolario 1.9.32.
( )
Corolario 1.9.34 Si P es un LVP entonces S (P ) = z E P . Demostracin. Si P es un LVP z (X ) cerrado y convexo. Ahora basta utilizar Corolario 1.9.33. El resultado anterior es de gran importancia pues permite establecer una relacin de dualidad para el caso lineal, en el sentido de que calcular las soluciones no dominadas de P es equivalente a resolver D / B(P )}, min{ es decir, z EP = ED. Ahora bien, B(P ) = k { R / Ax = b, x 0, Cx , no tiene solucin}. Teniendo en cuenta que z E P = E D y aplicando el Corolario 1.7.3, podemos concluir que D k min R k / u t A t C , u t b t , u R m , R+ + . Como en realidad, sta es la formulacin de problema dual para el LVP propuesta por Gale-KuhnTucker ([GlKT51]), hemos obtenido una justificacin de fuerte carcter geomtrico para tal definicin. En el captulo 3 se realizar un estudio en profundidad sobre la dualidad en programacin vectorial lineal.
( )
( )
( ) {
Nos hacemos ahora la pregunta de si ser posible lograr una extensin de los razonamientos dados anteriormente al caso dbil. Para el caso dbil, en general, no se verifica que WS (P ) z WE P , incluso aunque z (X ) fuese cerrado y convexo, o an en el extremo de que fuese un poliedro. Para ello basta observar en el Ejemplo 1.9.13 que WB(P ) = R 2 / 2 1 , WS (P ) = R 2 / 2 = 1 y WS (P ) / z (X ) .
Consideremos el siguiente resultado preliminar: Proposicin 1.9.35 Sean Y subconjunto de R k no vaco, cerrado y convexo y k H R k un hiperplano dado por z R k / t z = . Si Y = Y + R y H Y = entonces tiene todas sus componentes del mismo signo. Demostracin. Supongamos por reduccin al absurdo que podemos particionar { 1, ..., k }, en 2 subconjuntos no vacos, I y J tales que I 0 y k t J 0 . Es claro que podemos obtener un vector d R que verifique d = 0
66
H R+ d es una direccin de recesin de H . As, dado z Y y z ~ ~ ~ + d H y z < z z Y H Y #. tal que z = z A continuacin damos la formulacin correspondiente del Teorema 1.9.29 para el caso dbil.
k Teorema 1.9.36 Sea z (X ) , cerrado y convexo. Si z (X ) = z (X ) + R entonces WS (P ) z (X ) . Demostracin. Sea z WS (P ). Supongamos por reduccin al absurdo que z z (X ) . Por el teorema de hiperplanos de separacin existe un hiperplano H = z R k / t z = tal que t z < , z z (X ) y t z > . Como, k H z ( X ) = y z ( X ) = z ( X ) + R , por la Proposicin 1.9.35 tiene todas sus componentes del mismo signo. Ahora, teniendo en cuenta que t z < , k z z (X ) R+ . Sean R++ y ~ z = z e tales que t ~ z > ~ z <z. z Supongamos por reduccin al absurdo que x X , z (x ) > ~ t t~ ~ ~ z (x ) > z > #, luego z WB(P ) . Por ltimo, dado que z < z z S (P ) #, luego z z (X ) .
k Corolario 1.9.37 Sea z (X ) , cerrado y convexo con z (X ) = z (X ) + R . P Entonces WS (P ) z WE . Demostracin. Sea z WS (P ). Por el Teorema 1.9.36 x X , z (x ) = z , z WB(P ) z z WE P .
k Corolario 1.9.38 Si z (X ) , cerrado y convexo con z (X ) = z (X ) + R entonces WS (P ) = z WE P . Demostracin. Consecuencia inmediata del Teorema 1.9.22 y el Corolario 1.9.37.
Ahora ya son claros los siguientes resultados: Corolario 1.9.39 Si P WS (P ) = z WE P .
( (
) )
es un CVP con z (X ) = es un LVP con z (X ) =
k z ( X ) + R
entonces
Corolario 1.9.40 Si P WS (P ) = z WE P .
k z ( X ) + R
entonces
1.10. RELAJACIN DE UN VP
67
1.10 Relajacin de un VP
En este apartado introducimos el concepto de relajacin de un VP y se analizan algunas de las particularizaciones ms importantes del mismo. Nuevamente, con la intencin de proporcionar una teora lo ms general posible supondremos, a menos que se diga lo contrario, la regin factible tan arbitraria como queramos (no cerrada, no convexa, no conexa, ...). Sean P 1 y P 2 , respectivamente, los problemas max z 1 ( x) / x X 1 y max z 2 ( x) / x X 2 .
La siguiente definicin correspondiente concepto escalar:
es
una
posible
generalizacin
del
Definicin 1.10.1 Se dice que P 2 es una relajacin de P 1 o que P 1 constituye una restriccin de P 2 si se cumple: i) X 1 X 2 y ii) z 1 (x ) z 2 (x ) , x X 1. La importancia del problema relajado P 2 viene dada, entre otras 2 cosas, porque z 2 E P proporciona cotas para P1 . Efectivamente:
( )
Proposicin 1.10.2 z 2 E P B P1 .
2
( ) ( )
2
Demostracin. Sea x E P . Supongamos por reduccin al absurdo que 2 X 1 , z 1 (x ) z 2 (x ) z 2 (x ) z 2 (x ) x E P #, luego X1, x /x ) z 2 (x ) z 2 (x ) B P1 . z 1 (x
( )
Una importante clase de relajaciones de P1 la constituyen aquellas que cumplen que z 1 (x ) = z 2 (x ) = z (x ) , x X 1 . Consideremos a partir de ahora este caso y analicmoslo con detenimiento. Para esta clase de relajaciones se tiene: Proposicin 1.10.3 E P X 1 E P .
2 1
Demostracin. Sea x E P X 1 . Supongamos por reduccin al absurdo que

2
) z (x ) x E P #, luego x E P . X 1 X 2 , z (x x EP x
1 2 1 1 2
Proposicin 1.10.4 E P E P .
1
) z (x ) x E P . X 1 X 2 , z (x Demostracin. Sea x E P x
2
68
1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ... Ntese que:
(i) (ii)
Si x E P , no necesariamente x E P . 2 Si x E P , x X 1 , no necesariamente, consideremos el siguiente ejemplo:

1 2
x E P . Efectivamente,
1
2 2 / x1 1, x2 1 , X 2 = x R+ / x2 1 , P 1 Ejemplo 1.10.5 Sean X 1 = x R+ max x / x X 1 y P 2 max x / x X 2 . Ver Figura 1.14 y Figura 1.15 para la representacin grfica de las regiones factibles. Evidentemente, X 1 X 2 .
{
2
}
2
Adems, es claro que {(1, 1)} E P y {(1, 1)} E P (en realidad, E P = {(1, 1)}
1 1
y E P = ).
x2
x2
X1
0 1
0
X2
x1
Figura 1.14 Figura 1.15
x1
Proposicin 1.10.61 Supongamos que P1 y P 2 son LVPs y que X 1 . 2 1 Entonces, si E P se verifica que E P . 1 Demostracin. Supongamos por reduccin al absurdo que E P = k k R++ , P1 es no acotado. Como X 1 X 2 R++ , P2 es no acotado E P = #, luego E P .
2 1
Si adoptamos la perspectiva de que P 2 es el problema original y P1 una determinada restriccin del primero, se obtienen una serie de casos interesantes:
En [St86], Theorem 9.31, p. 228, se da una particularizacin de este resultado.
69
1.10.1 Imposicin de Niveles a las Funciones Objetivo

Sean R k y X 1 = x X 2 / z (x ) X 2 . Bajo estas circunstancias, s se cumple que las soluciones eficientes del problema restringido son eficientes en el problema original. Efectivamente: Proposicin 1.10.7 E P E P . 1 x E P y supongamos, por reduccin al absurdo, que Demostracin. Sea ~ 2 1 2 ~ x E P y, x E P . Entonces, x X 2 , z (x ) z (~ x ) ~ x E P #, luego ~
1 2
por tanto, E P E P .
1 2
En concreto: Corolario 1.10.8 E P = E P X 1 . Demostracin. E P = E P X 1 E P X 1 E P .

1 1 2 1 1 2
Los resultados anteriores son de gran importancia en programacin vectorial pues nos indican que la restriccin del rango de valores de las funciones objetivo mediante la introduccin de cotas inferiores permite contraer la regin eficiente original. De esta manera, es posible localizar la aplicacin de los mtodos generadores de soluciones eficientes a reas de inters especfico, reduciendo el esfuerzo computacional y la posibilidad de saturacin del DM. Ntese que para el caso general puede ocurrir que E P = aunque y X1 .
1
EP
Ejemplo 1.10.9 Sea P 2 max x / x X 2 donde y X 2 estn representados en la Figura 1.16. Entonces es claro que X 1 , E P = {x } y E P = .
2 1
Como especializaciones ms comunes de la regin factible tenemos: (i) (ii)
X1
1, , k } X 1 = x X 2 / zi (x ) i i { para algn (acotaciones individualizadas de alguna funcin objetivo). Cuando tomamos = z = z (x ) para un cierto x X 2 , entonces X 1 = x X 2 / z (x ) z X 2 . El problema P1 as definido es de gran importancia en programacin vectorial lineal y entera como comprobaremos ms adelante.
70
x2
X2
x1
Figura 1.16
El siguiente resultado indica que el LVP es N-acotado (ver Definicin 1.2.15). Corolario 1.10.10 ([St86], Theorem 9.32) Sea P un LVP con E P . ) z( x) . E P tal que z ( x Entonces, x X , x E P o, x P Demostracin. Si E = X ya estara. En caso contrario, sea x X E P . P 2 , sea X1 Haciendo que P desempee el papel de = P 1 {x X / z( x ) z( x )} X . Como X y E , por la Proposicin 1.10.6 ) z( x ) E P , z( x E P . Adems (Proposicin 1.10.7), E P E P x P E , z( x ) z( x ) . x
1 1
Aplicando un razonamiento similar: Corolario1.10.11 Sea P un LVP con WE P . Entonces, x X , x WE P ) > z ( x) . WE P , z ( x o, x
1.10.2 Cortes Mediante Hiperplanos Arbitrarios

La idea de aplicar cortes arbitrarios (no necesariamente relacionados con las funciones objetivo) a la regin factible, con la intencin de descartar soluciones, resulta muy sugerente desde un punto de vista algortmico. Por desgracia, bajo estas circunstancias es difcil obtener resultados de utilidad entre los problemas original y restringido. Aqu analizaremos algunas interesantes propiedades que surgen bajo hiptesis de linealidad.
71 X 1= x X 2 / t x X 2
Sean z (x ) = Cx .
Rk ,
R,
X2
poliedro,
Teorema 1.10.12 ([EcSn94], Theorem 4.2) x E P

2
tal que t x >
entonces x E P . 2 Demostracin. Supongamos por reduccin al absurdo que x E P 1 x ) 0 . Como x E P x Cx C (x X1 tx < <tx X 2 , Cx x = x + (x x ) Cx x ) X 1 Cx = Cx + C (x > 0 , x = (1 )x + x #, pues x E P . Luego, x E P .
1 2
Sea F = x X 2 / t x = la cara generada (o inducida) por el hiperplano H = x R n / t x = . Teorema 1.10.13 ([EcSn94], Theorem 4.3) Si t d < 0 , d C {0} entonces F EP .
1
{ {
} }
x ) = 0 #, luego F E P . = t (x
1
Demostracin. Supongamos por reduccin al absurdo que x F , x E P X 1 , Cx Cx . Sea d = x x 0 d C {0}. Adems t d tx = , x
Cx / x X } y H = x R n / t x = un hiperplano Sea P el LVP max{ soporte de X . En tal caso, F = x X / t x = es una cara de X y podemos suponer, sin prdida de generalidad, que X x R n / t x . Dada esta situacin, el resultado anterior se particulariza en:
{ }
Corolario 1.10.14 Si t d < 0 , d C {0} entonces F E P . Veamos cmo se puede comprobar la condicin t d < 0 , d C {0}. Una posibilidad consiste en: Teorema 1.10.15 t d < 0 , d C {0} si, y solo si, el problema max t d / Cd s = 0, e t s 1, s 0 < 0 . Demostracin. t d < 0 , d C {0} max t d / d C {0} < 0 max t d / Cd s = 0, e t s > 0, s 0 < 0 max t d / Cd s = 0, e t s 1, s 0 < 0 .
} }
Captulo 2
Caracterizaciones de Caras Eficientes

2.1 Introduccin
La caracterizacin adecuada de la eficiencia para los vrtices, las aristas y, en general, las caras de dimensin arbitraria de un LVP, juega un papel fundamental en el desarrollo de los algoritmos de optimizacin vectorial. Sin embargo, el problema de la degeneracin complica bastante tal anlisis de eficiencia, dndose la circunstancia de que, en este supuesto, para las caras de dimensin mayor que uno, existe un notable vaco en la literatura (como excepcin tenemos que destacar el trabajo de Murty, [Mr85]). Por otra parte, al analizar la bibliografa disponible hemos observado una gran dispersin de resultados, en ocasiones no exentos de errores, y desprovistos de un marco comn que los integre de forma armnica. Todo ello nos anim a centrar parte de nuestra investigacin en este interesantsimo tema, con el fin de ofrecer un tratamiento coherente del mismo, que posibilitase la obtencin de nuevos resultados. En este sentido, nuestra aportacin est recogida en el presente captulo, cuyos primeros apartados (2.2, 2.3 y 2.4) tienen un carcter general y estn relacionados con la programacin lineal escalar, abordando tpicos de especial relevancia y utilidad que, por lo comn, son insuficientemente tratados en los manuales y libros de texto a los que hemos tenido acceso. Concretamente, en la seccin 2.2 se analiza el fenmeno de la degeneracin, a menudo causa de errores y malentendidos y siempre fuente de dificultades. Merece destacar la distincin que hacemos entre la degeneracin (geomtrica) del poliedro y la degeneracin (algebraica) de la correspondiente representacin lineal utilizada. Adicionalmente, tambin
73
74
2. CARACTERIZACIONES DE CARAS EFICIENTES
enunciamos los resultados ms relevantes que acontecen cuando se especifica un vrtice a travs de una base. Como nuestra capacidad para obtener caracterizaciones acerca de la eficiencia de las caras de un poliedro est altamente influenciada por el mecanismo utilizado para describirlas, enunciamos, en el apartado 2.3, las alternativas ms tiles que conocemos. De esta manera, introducimos el concepto de descriptor de una cara (Definicin 2.3.5), basado en la especificacin de las desigualdades activas que presenta. Esta idea clsica es posible (y deseable) refinarla con el propsito de que cualquier cara, independientemente de su degeneracin o no, tenga asociado un nico descriptor. Surge as el concepto de descriptor maximal el cual presentamos en la Definicin 2.3.11. La importancia de utilizar un descriptor maximal para representar una cara se fundamenta en el hecho de que hace inmediata la especificacin de su interior relativo (Proposicin 2.3.19). Habindonos dotado de esta herramienta, desarrollamos una teora completa para la misma, distinguiendo especficamente los casos correspondientes a caras incidentes en un vrtice no degenerado y degenerado, respectivamente. Merecen ser destacados los prcticos tests proporcionados para comprobar la maximalidad de un descriptor (Corolarios 2.3.15 y 2.3.33). Una cuestin fascinante, e ntimamente relacionada con los tests de eficiencia, es la caracterizacin adecuada del conjunto de todas las soluciones ptimas de un programa escalar lineal. Sin embargo, estamos acostumbrados, debido al tratamiento habitual que ha padecido este tema, a que cuando se resuelve un programa escalar nos quedemos con el primer vrtice ptimo encontrado, sin preguntarnos nada acerca de los posibles mximos alternativos. Aunque esta actitud se puede justificar parcialmente con un razonamiento del tipo todas las soluciones ptimas tienen un mismo valor objetivo, lo cierto es que no es trivial lograr descripciones adecuadas de tales conjuntos. La seccin 2.4 refleja un enrgico intento por nuestra parte para paliar esta situacin, aglutinando y desarrollando ideas de inters. Nos sentimos especialmente satisfechos de las caracterizaciones dadas en optimalidad total, a travs de descriptores maximales, para caras incidentes en un vrtice degenerado (Teoremas 2.4.19 y 2.4.20) y del resultado enunciado en el Teorema 2.4.25 acerca de la relacin existente entre una cara ptima y la correspondiente relajacin que resulta al suprimir de la representacin del poliedro las desigualdades inactivas de la cara. Tras estos resultados preliminares, el material de las secciones 2.5 a la 2.9 trata, especficamente, la cuestin de la determinacin de la eficiencia de una cara. De esta forma, el apartado 2.5 est dedicado a las caras dadas a travs de envolventes convexas de puntos. Los resultados expuestos bajo
2.1. INTRODUCCIN
75
este epgrafe son ampliamente conocidos y tienen inters por la evidencia geomtrica que proporcionan. La seccin 2.6 trata uno de los tpicos que quizs haya recibido ms atencin, a lo largo del tiempo, en la teora del LVP. Estamos hablando de la caracterizacin de vrtices eficientes. En 1973, Evans y Steuer publicaron un artculo magnfico, en el que exponan con notable elegancia un buen nmero de condiciones necesarias y suficientes para determinar la eficiencia de un vrtice, habiendo tenido en cuenta, incluso, el caso degenerado. Aqu, aparte de los resultados de Evans y Steuer, hemos integrado algunos enunciados por Phillip ([Ph72], [Ph77]) y por Isermann ([Is77a]). La seccin 2.7 est dedicada a la caracterizacin de la eficiencia de aristas incidentes en un vrtice conocido. Este era un trabajo pendiente a mitad de los aos 70 del que tomaron buena nota Ecker y Kouada, quienes en un artculo sobresaliente ([EcKd78]), pusieron las cosas en su sitio. La disposicin de estos tests, tanto para el caso no degenerado como para el degenerado, dej el terreno preparado para el siguiente gran desafo: la caracterizacin de caras arbitrarias incidentes en un vrtice conocido. Aunque diversos autores (Ecker, Hegner, Kouada, Isermann, Murty, ... ) han proporcionado, con mayor o menor xito, tests para comprobar la eficiencia de una cara, supuesta su incidencia en un vrtice dado, la complejidad del tema es de tal envergadura (principalmente debida al fenmeno de la degeneracin) y la cantidad de ideas y recursos que se pueden utilizar tan grande, que el campo no est en absoluto agotado. En este sentido, extendiendo las ideas de los dos apartados anteriores, hemos realizado dos desarrollos tericos novedosos, ambos con un escrupuloso tratamiento del caso degenerado, que nos han proporcionado un nmero considerable de condiciones eficaces, que garantizan la eficiencia de una cara. Para nosotros resultan muy gratificantes, entre otros, los Corolarios 2.8.2, 2.8.3 y 2.8.20, para el caso no degenerado, y los Corolarios 2.8.23, 2.8.25, 2.8.35 y 2.8.42, para el caso degenerado. Cuando no se conoce explcitamente ninguno de los vrtices en los que incide la cara (hecho que puede presentarse dependiendo de la metodologa de resolucin empleada), las herramientas desarrolladas en la seccin 2.8 no tienen utilidad. En el apartado 2.9 investigamos esta variante. Para ello se parti de los resultados obtenidos por Yu y Zeleny ([YuZl75]), para poliedros dados en forma de sistemas de desigualdades, y se dedujo un nuevo test (Corolario 2.9.5) mediante la aplicacin del Teorema de la Alternativa de Tucker. Despus de reescribir este resultado para poliedros en forma estndar (Corolario 2.9.9), observamos con entusiasmo que, cuando las condiciones se particularizaban para puntos arbitrarios (no necesariamente vrtices), se obtenan, adems de ciertos tests clsicos enunciados por Evans y Steuer, algn otro nuevo (Corolario 2.9.13).
76
Finalmente, la seccin 2.10 trata brevemente la nocin de regin de indiferencia, la cual, aunque directamente no proporciona caracterizaciones de eficiencia para caras, s permite asociar a cada cara eficiente un conjunto preciso de identificadores. Esta idea ha sido utilizada, entre otros, por Gal ([Gal77]).
2.2 Consideraciones sobre Degeneracin

La degeneracin es un fenmeno bastante frecuente en la prctica y fuente de numerosos problemas en programacin lineal ([Hd62], p. 174), entre los que podemos destacar el ciclado (cycling) y el estancamiento en el valor objetivo (stalling). Sin embargo, existen tambin otras dificultades asociadas al fenmeno de la degeneracin, quizs menos conocidas y ms sutiles, como el clculo de las caras incidentes en un vrtice degenerado, que complican extraordinariamente la programacin vectorial. Los motivos anteriores son de suficiente peso para hacer, siquiera, un breve repaso de conocimientos sobre este apasionante tema, no siempre bien entendido. Definicin 2.2.1 ([MrCh95], p. 28) Geomtricamente, un punto extremo del poliedro X es degenerado (no degenerado) si el nmero de facetas incidentes en l es estrictamente mayor (igual) que la dimensin del poliedro. Definicin 2.2.2 ([MrCh95], p. 28) Un poliedro X se dice no degenerado (degenerado) si cualquier (algn) punto extremo de X es no degenerado (degenerado). Ejemplo 2.2.3 El cubo unitario (ver Figura 2.1) es un poliedro no degenerado pues en todos los vrtices inciden exactamente 3 facetas.
Figura 2.1. Cubo Unitario
2.2. CONSIDERACIONES SOBRE DEGENERACIN
77
Ejemplo 2.2.4 Consideremos la pirmide dada en la Figura 2.2. Evidentemente, se trata de un poliedro degenerado pues v es un vrtice degenerado dado que inciden en l 4 facetas distintas.
Figura 2.2. Pirmide
Dado un poliedro X R n , ste se puede describir algebraicamente mediante diferentes sistemas de ecuaciones y desigualdades lineales. Cada uno de estos sistemas de restricciones constituye una representacin (lineal) del poliedro. Una representacin se dice minimal si dicha representacin utiliza el menor nmero de restricciones posible. Definicin 2.2.5 ([Mr83], p. 171) Dada una restriccin de desigualdad y un punto x que la satisfaga, diremos que la restriccin es activa en x si se da con igualdad. En caso contrario se dice que es inactiva. Definicin 2.2.6 ([Sc86], p. 99) Dada una representacin lineal de un poliedro y una desigualdad de la misma. Diremos que dicha desigualdad es una igualdad implcita si es activa para todos los puntos del poliedro. Consideremos la representacin lineal del poliedro X dada por el sistema: (2.1) x R n / Ax = b, x 0 donde supondremos, sin prdida de generalidad, que rang(A) = m .
Definicin 2.2.7 ([MrCh95], p. 29) Un punto extremo x de X es algebraicamente degenerado (no degenerado) si el nmero total de restricciones activas en x es estrictamente mayor (igual) que n .
78
En particular, si el nmero de restricciones activas en x es mayor en unidades que la dimensin del espacio de variables n , x se dice que es -degenerado o degenerado de grado . Definicin 2.2.8 El sistema (2.1) se dice no degenerado (degenerado) si cualquier (algn) punto extremo de X es algebraicamente no degenerado (degenerado). Teorema 2.2.9 ([Mr83], p. 323) El sistema (2.1) es degenerado si, y slo si, b se puede poner como la combinacin lineal de m 1 o menos columnas de A . Teorema 2.2.10 ([MrCh95], p. 29) Si un poliedro es degenerado (no degenerado) mediante la definicin geomtrica entonces cualquier representacin minimal de ste ser degenerada (no degenerada). Por otra parte: Teorema 2.2.11 ([MrCh95], p. 29) Si la representacin lineal de un poliedro es no degenerada entonces: (i) El poliedro es no degenerado. (ii) La representacin no tiene igualdades implcitas. Obsrvese que es posible que (ver Ejemplo 2.2.12): (i) (ii) No hayan igualdades implcitas en la representacin utilizada y, sin embargo, sta sea degenerada. Aunque la representacin lineal que describe el poliedro sea degenerada, quizs ste no lo sea.
Ejemplo 2.2.12 Sea el poliedro X definido por el siguiente sistema de desigualdades: 2 / x1 x2 1, x1 + x2 3, 2 x1 3x2 1, x1 2 x R+ y cuya representacin geomtrica se da en la Figura 2.3. Es claro que la descripcin lineal anterior no tiene igualdades implcitas y que es degenerada, por ser x un vrtice degenerado (el nmero de restricciones activas en x es 3).
2.2. CONSIDERACIONES SOBRE DEGENERACIN
79
x2
x1
Figura 2.3
Teorema 2.2.13 Sea x una s.f.b. no degenerada del sistema (2.1). Entonces, x tiene asociada una nica base. (i) (ii) Cualquier pivotacin que introduzca una variable no bsica en la base genera una arista incidente en x . (iii) dim(X ) = n m ([Mr83], p. 138). (iv) El nmero de aristas incidentes en x es igual a la dimensin de X , es decir, n m . (v) Dado 1 r n m arbitrario, cualquier conjunto e1 , , e r de r aristas de X incidentes en x define una cara r -dimensional F de X , con la propiedad de que e1 , , e r es, exactamente, el conjunto de aristas de F incidentes en x ([MrCh95], p. 29).
Sea x una s.f.b. degenerada del sistema (2.1). Entonces, (i) (ii) (iii) (iv) x tiene asociada varias bases. Para cualquier base asociada a x existen pivotaciones que no generan aristas incidentes en x . Puede ocurrir que dim(X ) < n m ([Mr85], p. 34). El nmero de aristas incidentes en x puede ser muy superior a la dimensin del poliedro (pinsese en una pirmide de R 3 con mltiples caras).
Teorema 2.2.14 Cualquier poliedro degenerado tiene al menos un vrtice en el cual el nmero de aristas incidentes en l es estrictamente mayor que la dimensin del poliedro. Dado un poliedro degenerado X y un conjunto e1 , , e r de r ( r 2 ) aristas de X incidentes en un mismo vrtice degenerado x , puede que no
80
haya ninguna cara de X que contenga, exactamente, a estas aristas. Efectivamente: Ejemplo 2.2.15 Si consideramos el poliedro dado en la Figura 2.4, es claro que v1 es un vrtice degenerado y que no existe ninguna cara propia del poliedro que contenga las aristas e1 = CVH v1 , v 2 y e 2 = CVH v1 , v 3 simultneamente.
({
})
({
})
v1
v2
v3
Figura 2.4
Cuando se tiene un poliedro definido por un sistema degenerado de restricciones lineales (algo frecuente en la prctica), ciertas tcnicas de la programacin vectorial se ven seriamente comprometidas, pues el clculo de las aristas y caras de mayor dimensin, eficientes e incidentes en un mismo vrtice, se vuelve especialmente confuso.
2.3 Identificacin de las Caras de un Poliedro

En esta seccin enunciaremos algunas de las tcnicas ms comnmente utilizadas para la identificacin de las caras de un poliedro, hacindose un estudio riguroso de las propiedades asociadas a la especificacin a travs de desigualdades activas.
2.3.1 Caras Arbitrarias

Existen mltiples formas de caracterizar una cara arbitraria de un poliedro X . Unas tienen un carcter ms geomtrico y otras un carcter ms algebraico. Veamos algunas de ellas.
2.3. IDENTIFICACIN DE LAS CARAS DE UN POLIEDRO
81
El resultado siguiente es claramente geomtrico y proporciona una representacin explcita de la cara. Teorema 2.3.1 Sean Fxp y Fxd , respectivamente, los puntos y direcciones extremas de una cara arbitraria F de X . Entonces, F = CVH (Fxp ) + CNH (Fxd ) .
Obsrvese que, en general no es cierto que una combinacin convexa de un conjunto arbitrario de puntos y direcciones extremas del poliedro sea una cara del mismo. Los caracterizaciones ms tiles son algebraicas e identifican a la cara de forma implcita. Teorema 2.3.2 ([Sc86], p. 101) F es una cara del poliedro X si, y slo si, c R n tal que F es el conjunto de soluciones ptimas del problema escalar max c t x / x X .
Otra posible alternativa consiste en la especificacin de un hiperplano soporte. para X , entonces F ( , ) = { x X / t x = } es una cara de X . Adems, a cualquier cara no vaca F de X se le puede asociar una desigualdad soporte. Por ltimo, tambin podemos especificar una cara a travs de un conjunto de desigualdades activas. Teorema 2.3.4 ([Sc86], p. 101) Dado J J = { 1, ..., n}, F (J ) = {x X / x j = 0, j J } es una cara de X y cualquier cara F de X se puede expresar (no necesariamente de forma nica) de esta manera. En la prctica, el Teorema 2.3.4 proporciona una forma de expresar las caras cmoda y (algortmicamente) conveniente. Efectivamente, Definicin 2.3.5 J J es un descriptor para una cara F de X si, y slo si, F = F (J ) . Es claro que J J es un descriptor para una cara F de X si, y slo si, F (J ) es una representacin de F . Teorema 2.3.3 Sean R n y R . Si t x es una desigualdad soporte
82
En este sentido, cualquier subconjunto J J se puede considerar un descriptor (para la cara dada por F (J ) ). Supongamos que X viene dado por el sistema (2.1). Evidentemente: n F (J ) = x R+ / A J J x J J = b, x J = 0
El siguiente ejemplo ilustrar geomtricamente la nocin de descriptor de una cara.

3 Ejemplo 2.3.6 Sea X el poliedro dado por x R+ / x1 x2 = 0, x2 + x3 = 1 y cuya representacin grfica aparece en la Figura 2.5. Evidentemente, X = }) , donde x t = (0, 0, 1) y x t = (1, 1, 0), siendo dim(X ) = 1 . Es claro CVH ({x , x que X es un poliedro no degenerado especificado a travs de una representacin lineal degenerada. Las caras de X quedan descritas de la }, siguiente manera: F ( ) = X , F ({} 1 ) = F ({2}) = F ({ 1, 2}) = {x }, F ({ 3}) = {x F ({ 1, 3}) = F ({2, 3}) = F ({ 1, 2, 3}) = .
x3 x = (0, 0, 1)
X x2 x1 = (1, 1, 0) x
Figura 2.5
A continuacin vamos a estudiar una serie de propiedades asociadas a la especificacin de una cara a travs de un conjunto de desigualdades activas. Proposicin 2.3.7 ([Sy96], Remark 4) Sean J , J J tales que J J . Entonces F (J ) F (J ) . {x X / x j = 0, j J } Demostracin. J J F (J ) =
{x X / x
= 0, j J } = F (J ) .
83
Proposicin 2.3.8 Sean J , J J tales que J J y supongamos que ambos subconjuntos son descriptores de una misma cara F . Entonces J J tambin es un descriptor de F . Demostracin. Se trata de ver que F (J J ) = F . "" Como F = F (J ) y J J J , aplicando la Proposicin 2.3.7 F (J J ) F. "" Sea x F (J ) x X y x J = 0 . Como F (J ) = F (J ) = F x J = 0 x J J = 0 x F (J J ) . El siguiente resultado da una acotacin para el nmero de caras de una dimensin dada. Proposicin 2.3.9 ([Sy96], Remark 3) Sea r {0, , n m}. El nmero de n caras r -dimensionales de X est acotado superiormente por m + r . Proposicin 2.3.10 ([Sy96], Remark 2) Sean J , J J . Si J J entonces dim(F (J )) dim(F (J )) .
Definicin 2.3.11 J J es un descriptor maximal si, y slo si, / J J , J J , F (J ) = F (J ) . Teorema 2.3.12 J J es un descriptor maximal si, y slo si, s J J , F (J ) , x s > 0 . x Demostracin. Sean s J J y J = J {s}. Evidentemente, J J F (J ) F (J ) . F (J ) , x s = 0 F (J ) Supongamos por reduccin al absurdo que x F (J ) F (J ) = F (J ) #, pues J es un descriptor maximal. Supongamos por reduccin al absurdo que J no es un descriptor maximal F (J ) , J J , J J , F (J ) = F (J ) . Entonces, dado s J J x s = 0 #. x F (J ) tal Corolario 2.3.13 J J es un descriptor maximal si, y slo si, x J J > 0 . que x
84
Demostracin. Basta aplicar el Teorema 2.3.12 y tener en cuenta la convexidad de F (J ) . Ejemplo 2.3.14 En el Ejemplo 2.3.6, J = es un descriptor maximal para X pues ~ x t = (1 / 2, 1 / 2, 1 / 2 ) X . Corolario 2.3.15 J J es un descriptor maximal si, y slo si, el sistema by A J J x J J = 0 , x J J e , y 1 (2.2) tiene solucin. Demostracin. Basta tener en cuenta que la factibilidad de (2.2) es equivalente a la factibilidad del sistema A J J x J J = b , x J J > 0 y ahora aplicar el Corolario 2.3.13. El siguiente resultado tambin es directo. Corolario 2.3.16 J J es un descriptor maximal si, y slo si, s J J , max{xs / x F (J )} > 0 . El Corolario 2.3.16 muestra la estrecha relacin existente entre el concepto de subconjunto de tipo 1 introducido por Murty ([Mr85], p. 37) y el de descriptor maximal propuesto por nosotros. Proposicin 2.3.17 Sean J , J J descriptores maximales. Entonces, tambin J = J J es un descriptor maximal. Demostracin. Sea s J J s J J o s J J o a los dos a la vez. Supongamos que s J J . Como J J F (J ) F (J ) . Adems, J es F (J ) F (J ) , x s > 0 . un descriptor maximal x Obsrvese que un subconjunto propio de un descriptor maximal puede que no sea un descriptor maximal. Efectivamente, Ejemplo 2.3.18 Tomando nuevamente en consideracin el Ejemplo 2.3.6, J 1, 2} es un descriptor maximal pues x t = (0, 0, 1) X . Sin embargo, = { J = {} 1 J no es maximal, pues basta tomar s = 2 J J = {2, 3} y comprobar que max{x2 / x F (J )} = 0 . El siguiente resultado nos permite describir algebraicamente el interior relativo de una cara especificada a travs de un descriptor maximal.
85
Proposicin 2.3.19 J J es un descriptor maximal si, y slo si, F 0 (J ) = {x X / x J J > 0, x J = 0} . Demostracin. Es una consecuencia inmediata de [Zg98], Lemma 2.9. Teorema 2.3.20 Toda cara F tiene un nico descriptor maximal asociado. Demostracin. Por el Teorema 2.3.4 es claro que toda cara tiene asociado, al menos, un descriptor maximal. Supongamos por reduccin al absurdo que no es nico, es decir, J , J J , J J , descriptores maximales de F F = F (J ) = F (J ) . Podemos suponer sin prdida de generalidad que s J y s J . Si s J xs = 0 , x F . Ahora bien, como s J y J F (J ) = F , x s > 0 #. es un descriptor maximal x
2.3.2 Caras Incidentes en un Vrtice

Cuando sabemos que una cara es incidente en un determinado vrtice del poliedro, su caracterizacin a travs de desigualdades activas se puede simplificar (mediante la acotacin de J ) si conocemos una base asociada al vrtice. Esto resultar de gran utilidad para los algoritmos generadores de soluciones eficientes basados en esquemas de pivotaciones sobre tablas del simplex (ver captulo 4). Definicin 2.3.21 Una cara F X se dice que es incidente en el vertice x si x Fxp . 1, , n}, B una base asociada a x e Y = Sean x una s.f.b. de X , J = { B N . Definimos J P = {j J B , x j > 0}, J D = {j J B , x j = 0} y J Z =
1 j
{j J , x
= 0}. Cuando no haya lugar a dudas, y por simplificar la notacin,
denotaremos a J P , J D y J Z por P , D y Z , respectivamente. J P y J D son los conjuntos de ndices asociados a las variables bsicas no degeneradas y degeneradas, respectivamente. Como, J B = J P J D y J P J D = , si J P = p y J D = entonces p + = m . J Z es el conjunto de ndices asociados a las variables a nivel cero. Evidentemente, J Z = J D J N . El siguiente resultado no presenta dificultad. Proposicin 2.3.22 Dado J J , la cara F (J ) es incidente en el vertice x si J J Z .
86
Cx / x X }, la tabla cannica de P asociada a Dado el LVP, P max{ B , T (B ), se escribe: v.b. xP xD xP Ip 0d p 0 k p xD 0 pd Id 0 k d xN YP YD R r.h.s. bP 0 C P bP
Tabla cannica de P asociada a B donde YP ( YD ) son las filas de Y correspondientes a variables bsicas no degeneradas (degeneradas) y R = C B B -1 N -C N . Es claro, utilizando esta notacin, que x X , x P = bP YP x N , x D = YD x N y Cx = C P bP Rx N . Teorema 2.3.23 Dada una base arbitraria B asociada a x , J J N se verifica que F (J ) determina una nica cara de X incidente en x . Adems, cualquier cara F de X incidente en x tiene asociado al menos un descriptor J J N para alguna base B asociada a x . Demostracin. Dado J J N es claro que F (J ) X f pues F (J ) es la interseccin de X con un nmero finito de sus hiperplanos soporte. Sea ahora F X f . Por el Teorema 2.3.2 c R n , F = S Q , donde Q es el problema escalar max c t x / x X . Sea B R mm una base asociada a x y denotemos por r el correspondiente vector de costos reducidos. Entonces, S Q = x X / r t x N = 0 . Podemos suponer, sin prdida de generalidad, aplicando la teora de la programacin lineal escalar que r es no negativo. Sea J = {j J N / rj > 0} J N . Veamos que F = F (J ) . Efectivamente: x F r t x N = 0. Como r 0 , x N 0 j J , x j = 0 x F (J ) x F (J ) r t x N = rJt x J + rJtN J x J N J = 0 x F .
Vamos a hacer un breve repaso de las propiedades de las caras incidentes sobre un determinado vrtice contemplando las posibilidades de degeneracin y no degeneracin del mismo.
87
(i)
Caso No Degenerado
Sea x una s.f.b. no degenerada de X . Evidentemente, J P = J B , J Z = J N y JD = . Proposicin 2.3.24 Si x es no degenerado entonces J J N , J es un descriptor maximal. Se puede considerar que el clculo de las aristas y las caras de dimensin mayor o igual que dos, de X , incidentes en x (no degenerado), no reviste dificultad debido a los siguientes resultados clsicos: Teorema 2.3.25 ([Mr85], p. 34) Cualquier s J N , determina una nica arista de X incidente en x dada por
tiene asociada un nico descriptor J N {s}, para cierto s J N .
s = F (J N {s}) = {x X / x j = 0, j J N {s}}. Adems, cualquier arista de X , incidente en x ,
Teorema 2.3.26 ([Mr85], p. 34) Cualquier J J N , con
J = n m r ,
determina una nica cara r -dimensional de X incidente en x dada por F (J ) = {x X / x j = 0, j J }. Adems, a cualquier cara r -dimensional F de X , incidente en x , se le puede asignar un nico descriptor J J N . El teorema anterior representa la generalizacin a caras de mayor dimensin del Teorema 2.3.25. es un vrtice no degenerado, cuya Ejemplo 2.3.27 En el Ejemplo 2.3.6, x tabla cannica asociada es: v.b. x1 x2 x3 r.h.s.
1 0 1 1 x1 0 1 1 1 x2 Tabla cannica asociada a x se pueden Es claro que J B = { 1,2}, J N = { 3}. Las caras de X incidentes en x = n m r = 3 2 1 = 0 J = (Recordemos que F ( ) = X ). Para las ) J = 1. Como J J N J = { caras de dimensin 0 (el propio x 3}. especificar como subconjuntos de J N . As, para las caras de dimensin 1, J
88
En caso de no degeneracin, a tenor del siguiente resultado, se construyen caras propias maximales utilizando subconjuntos propios minimales J . Teorema 2.3.28 Sean J , J J N . Entonces J J si, y slo si, F (J ) F (J ) . Demostracin. F (J ) = {x X / x j = 0, j J } {x X / x j = 0, j J } = F (J ) J J . Por hiptesis, J J . Utilizando la Proposicin 2.3.7 F (J ) F (J ) . Como x es no degenerado, por el Teorema 2.3.26 J = n m dim(F (J )) < n m dim(F (J )) = J dim(F (J )) > dim(F (J )) F (J ) F (J ) .
(ii)
Caso Degenerado
Sea x una s.f.b. -degenerada de X . Sea B una base arbitraria asociada a x . Entonces, J Z = J D J N y = J D . El clculo de las aristas y caras de dimensin mayor o igual que dos, de X , incidentes en un punto extremo degenerado es considerablemente ms complejo que el correspondiente anlisis para el caso no degenerado. Teorema 2.3.29 Dado J J Z entonces F (J ) determina una nica cara de X incidente en x . Adems, cualquier cara F de X incidente en x tiene asociado un nico descriptor maximal, J JZ , dado por {j J Z / x F , x j = 0}. Demostracin. La primera parte del teorema no tiene dificultad. Veamos la segunda parte. Sea J = {j J Z / x F , x j = 0} y comprobemos en primer lugar que J es
un descriptor de F , es decir, F = F (J ) . Sea x F . Por definicin de J j J , x j = 0 x F (J ) .
Si F es una cara de X incidente en x . Por el Teorema 2.3.23 B R mm base asociada a x y J J N tal que F = F (J ). Por definicin de J J J F (J ) F (J ) = F . Probemos ahora que J es un descriptor maximal. Sin embargo, esto es F (J ) , x j > 0. claro, pues por la definicin de J j J J , x
89
Por ltimo, veamos la unicidad. Ahora bien, esto es directo pues dado que J es un descriptor maximal, aplicando el Teorema 2.3.20, necesariamente ha de ser nico. Ejemplo 2.3.30 En el Ejemplo 2.3.6, x es un vrtice degenerado de grado 1, siendo una de sus tablas cannicas asociadas: v.b. x1 x3 x1 1 0 x2 -1 1 x3 0 1 r.h.s. 0 1
Tabla cannica asociada a x 1,3}, J P = { 3}, J D = {} 1 , J N = {2} y J Z = { 1,2}. Es claro que J B = { Sabemos que las caras de X incidentes en x se pueden especificar como subconjuntos de J Z . As: Para J = 0 J = F (J ) = X . ambos casos, F (J ) = {x }. 1,2} F (J ) = {x }. Para J = 2 J = {
1 o J = {2}. En Para J = 1 Como J J Z las posibilidades son: J = {}
Por otra parte, los descriptores maximales (nicos) que se pueden asociar a las caras de X incidentes en x son: Para X J = . 1,2}. Para {x } J = { Nos preguntamos ahora si existir alguna prueba sencilla para comprobar si un descriptor es maximal. Afortunadamente, la respuesta es afirmativa. En efecto: = J JN Sean J J Z = J N J D , J N JD . condiciones, es claro que J = J N y = J JD . JD En estas
( JD JD ) Sean YJ D ( YJ D J D ) las filas de Y asociadas a variables de J D respectivamente. Teorema 2.3.31 J J Z es un descriptor maximal si, y slo si, el sistema YJ D =0 (2.3) u = 0 , YJ D J D u < 0 , uJ N J N > 0 , uJ N tiene solucin.
90
F (J ) , x J J > 0 . Demostracin. Como J J Z descriptor maximal x

n / x P = bP YP x N , x D = YD x N es claro el resultado Ahora, dado que X = x R+
Luego, todo se reduce a resolver el sistema (2.3). A primera vista, debido a las desigualdades estrictas que presenta, no parece muy prometedor. Sin embargo, se prueba sin dificultad que: Lema 2.3.32 Resolver el sistema Hu < 0 , u > 0 es equivalente a resolver el sistema Hu e , u e Obsrvese que cualquier solucin de (2.5) es solucin de (2.4). Corolario 2.3.33 J J Z es un descriptor maximal si, y slo si, el sistema YJ D e , u J N = 0 (2.6) u = 0 , YJ D J D u e , uJ N J N tiene solucin. el sistema (2.6) se puede simplificar de Es fcil ver que si J N J N la siguiente manera: N J N N YJJD u = 0 , YJJDNJJD (2.7) u e, u e Ejemplo 2.3.34 Sea x s.f.b. degenerada de un cierto poliedro X , siendo B1 5, 3, 6}. Supongamos que la tabla una base asociada dada por J B1 = { cannica asociada a B1 es: v.b. x5 x3 x6 x1 1 1 1 x2 1 1 -1 x3 0 1 0 x4 -1 1 0 x5 1 0 0 x6 0 0 1 r.h.s. 1 3 0
(2.4) (2.5)
T (B1 ) . Tabla cannica asociada a x
Es claro que J N = { 1, 2, 4}, J D = {6} y J Z = { 1, 2, 4, 6}. Vamos a comprobar si los siguientes descriptores, J = {4}, J = { 1, 2}, J = { 1, 6} J = {2, 6} y J = { 1, 2, 6}, asociados a caras incidentes en x , son maximales o no.
91
sistema (2.7) se transforma en: (1, 1)u 1 , u e . Claramente, u t = (1, 2 ) es solucin de este sistema J es un descriptor maximal.
= {4}, J D = , JN JN ={ = {6}. As, el Para J = {4} J N 1, 2} y J D J D
={ = {4} y J D J D = , JN JN = {6}. As, el 1, 2} J N 1, 2}, J D Para J = { sistema (2.7) se transforma en: 0 u 1 , u 1 . El cual, evidentemente, no tiene solucin J no es un descriptor maximal. = {} = {2, 4} y J D J D = {6}, J N J N = . As, el Para J = { 1, 6} J N 1 , JD sistema (2.7) se transforma en: ( 1, 0)u = 0 , u e . El cual, evidentemente, no tiene solucin J no es un descriptor maximal. = {2}, J D = {6}, J N J N ={ = . As, el Para J = {2, 6} J N 1, 4} y J D J D sistema (2.7) se transforma en: (1, 0 )u = 0 , u e . El cual, evidentemente, no tiene solucin J no es un descriptor maximal. ={ = {4} y = {6}, J N J N Sin embargo, para J = { 1, 2, 6} J N 1, 2}, J D = . As, el sistema (2.7) se transforma en: 0u = 0 , u 1 . Claramente, JD JD u = 1 es solucin de este sistema J es un descriptor maximal. Qu se puede afirmar si, siendo x degenerado, consideramos J J N como en el caso no degenerado? Es sabido que: Teorema 2.3.35 ([Mr85], p. 35) Dado J J N , con J = n m r , determina una nica cara de X , incidente en x , dada por {x X / x j = 0, j J }, pero su dimensin puede ser menor que r . F (J ) =
Obsrvese, adems, que diferentes subconjuntos J J N pueden generar la misma cara y que, para r > 1 , no se puede garantizar que se obtengan todas las caras de dimensin r incidentes en x mediante la revisin exhaustiva de T (B ), incluso aunque esta revisin se extienda una a una todas las tablas cannicas asociadas a x ([Mr85], p. 37).
{j J
~ Para poder garantizar la dimensin de la cara consideremos J N =

N j 0 . Son conocidos los siguientes resultados: / yD
~ Teorema 2.3.36 ([Mr85], p. 36) Cualquier s J N , determina una nica arista de X incidente en x dada por
s = F (J N {s}) = {x X / x j = 0, j J N {s}}. Adems, todas las aristas de X incidentes en x
se pueden obtener de esta manera mediante la exploracin de todas las tablas
92
cannicas asociadas a x (aunque la misma arista, probablemente, aparecer varias veces repetidas en esta enumeracin). ~ Teorema 2.3.37 ([Mr85], p. 37) Dado J J N , tal que J N J J N , con J = n m r , entonces F (J ) determina una nica cara de X incidente en x y de dimensin r . Ahora bien, procediendo como en el teorema anterior, no somos capaces de determinar directamente si la cara es maximal y puede haber caras r -dimensionales que escapen a esta enumeracin.
} todas las bases asociadas a x (inclusive Sean B(x ) = {Bl / l { 1, ..., L} ~ j las que se obtienen a travs de pivotes negativos) y J Nl = j J Nl / y D 0 , es
decir, es el conjunto de ndices no bsicos, respecto a una base dada Bl , tales que al introducirlos en la base generan una arista de X .
} asociadas a x , tomamos 1, ..., L} Si para cada una de las bases {Bl / l { ~ J J Nl tal que J Nl J J Nl , se pueden obtener otras caras de X
incidentes en x . Pero de nuevo nos encontramos con que esta enumeracin a travs de tablas, consideradas una a una, puede que no produzca todas las caras de dimensin r > 1 de X incidentes en x , pues es posible que en una misma tabla no se puedan identificar las r aristas que definen la cara ([Mr85], p. 37). ~ Sea J =
J
l =1
~
Nl
. se verifica que x j = 0 ,
Teorema 2.3.38 ([Mr85], Theorem 1) x X ~ j JZ J .
El resultado anterior indica que las variables x J Z J ~ son fijas a nivel 0 y, por tanto, se pueden suprimir de la representacin del poliedro. Adems, si queremos mantener la validez del Teorema 2.3.38, la ~ construccin de J no se puede simplificar imponiendo que en {Bl / l { } estn todas las bases asociadas a x , lexicogrficamente 1, ..., L} accesibles a partir de una dada, como pone de manifiesto el siguiente contraejemplo.
2.4. SOLUCIONES PTIMAS DE UN PROGRAMA ESCALAR ...
93
~ Ejemplo 2.3.39 Utilizando los datos del Ejemplo 2.3.34 se tiene que J N1 =
Aplicando la regla lexicogrfica a T (B1 ) , la nica tabla cannica alternativa asociada a x se obtiene al meter x1 en la base:
{2, 4}.
v.b. x5 x3 x1
x1 0 0 1
x2
x3
x4
x5
x6 -1 -1 1 x
r.h.s. 1 3 0
2 0 -1 1 2 1 1 0 -1 0 0 0 T (B2 ) . Tabla cannica asociada a
~ ~ ~ 1, 6}. Sin embargo, Nuevamente, J N 2 = {2, 4} J = {2, 4} J Z J = { X especificado por (0, 1, 2, 0, 0, 1) tal que x 6 0 . x
El siguiente resultado no es ms que una pequea modificacin del enunciado en el Teorema 2.3.29, que nos permite restringir los candidatos a formar parte de J a costa de realizar ms clculos previos (determinacin a ~ priori de J ). Teorema 2.3.40 ([Mr85], p. 37) Sea J J Z descriptor maximal tal que ~ J Z J J . Entonces: F (J ) determina una nica cara de X incidente en x . i) ii) A cualquier cara F de X , incidente en x , se le puede asociar un descriptor maximal J J Z dado por {j J Z / x F , x j = 0}.
2.4 Soluciones ptimas de un Programa Escalar Lineal

El estudio de caracterizaciones apropiadas del conjunto de todas las soluciones ptimas de un problema de programacin lineal escalar es un aspecto frecuentemente descuidado en la literatura. Sin embargo, este tpico es de especial relevancia en la teora del LVP, pues cualquier cara eficiente maximal se puede poner como el conjunto de soluciones ptimas de un cierto problema lineal escalar (Teorema 1.7.26). En este apartado vamos a estudiar con cierto detenimiento cmo se puede describir el conjunto de soluciones ptimas de un problema lineal escalar y proporcionaremos condiciones necesarias y suficientes para que una cara arbitraria de la regin factible sea ptima.
94
2. CARACTERIZACIONES DE CARAS EFICIENTES max c t x / x X ,
Consideremos el problema Q supondremos viene dado por el sistema (2.1).
donde
Teorema 2.4.1 SQ = x R n / Ax = b, x 0, u t A c t , u t A c t x = 0 . Demostracin. Basta tener en cuenta que el problema dual de Q es min u t b / u t A c t y aplicar las condiciones necesarias y suficientes de optimalidad para el caso lineal escalar ([Mr83], Theorem 4.6). Corolario 2.4.2 x SQ si, y slo si, u R m tal que u t A c t , u t A c t x = 0 . Teorema 2.4.3 Sea J J un descriptor maximal. Entonces, F (J ) S Q si, y
t slo si, u R m tal que u t A c t , u t A J J = c J J . Demostracin. t t t Por hiptesis, u R m , u t A c t , u t A J J = c J J x F (J ) , u A c x = 0 .
Por el Corolario 2.4.2 x SQ . Sea x F 0 (J ) S Q

t t
(u A c )x = 0 . Como x
J J
x J J > 0 . Como
x SQ
u Rm ,
u t A ct ,
t > 0 u t AJ J = cJ J .
Los resultados anteriores se pueden refinar mucho ms si disponemos de informacin adicional. Efectivamente: Sean x X s.f.b., B una base asociada, Y = B 1 N , b = B -1 b y t t r t = cB B -1 N - c N el vector de costos reducidos asociado. Sabemos que x X
t se verifica que c t x = c B b r t xN .
Estudiemos, en primer lugar, cundo se puede garantizar que x SQ . El siguiente resultado, denominado Criterio Fundamental de Optimalidad ([Mr83], p. 62), es ampliamente conocido e independiente de la degeneracin o no de x . Teorema 2.4.4 ([Mr83], Theorem 2.1) Si r 0 entonces x SQ .
t t Demostracin. Si r 0 r t x N 0 , x X c t x = c B b cB b r t xN =
c t x , x X x SQ .
95
Tambin es sabido (por las propiedades del algoritmo del simplex) que a cualquier vrtice ptimo se le puede asociar una base cuyo vector de costos reducidos sea no negativo ([Mr83], p. 329). Luego, en virtud de las propiedades anteriores, para el caso no degenerado, es directo el siguiente resultado: Teorema 2.4.5 Si x es no degenerado entonces x SQ si, y slo si, r 0 . Veamos qu se puede afirmar para el caso degenerado. Supongamos, pues, que x es -degenerado. Teorema 2.4.6 x SQ si, y slo si, el sistema r t u < 0 , YD u 0 , u 0 , no tiene solucin. Demostracin. n m 0 < 0 , YD u R+ , r tu Supongamos, por reduccin al absurdo que u t X . Adems, como r x N = r t u <0 N = u 0, x B = b Yx N 0 x R++ / x
t t = cB > cB ct x b r t u b = c t x x SQ #. Luego, el sistema r t u < 0 ,
YD u 0 , u 0 , no tiene solucin. / x X , Como x X x N 0 , x B = b Yx N 0 , aplicando la hiptesis r t x N < 0 x SQ . Corolario 2.4.7 x SQ si, y slo si, el sistema r t + v t YD 0 t , v 0 , tiene solucin. Demostracin. Directa aplicando al resultado anterior el teorema de la alternativa de Gale ([Mn69], p. 35). Una vez que sabemos comprobar la optimalidad de un vrtice, indistintamente de la base asociada utilizada, estamos en condiciones de intentar dar caracterizaciones para todo el conjunto de soluciones ptimas de Q .
x SQ . Independientemente de que degenerado o no, se tienen los siguientes resultados:

Supongamos que
sea
96
Teorema 2.4.8 SQ = x X / r t x N = 0 . Demostracin. Teniendo en cuenta que x SQ podemos escribir que SQ =
{x X / c x = c x r x
t t t
= c t x = x X / r t xN = 0 .
} {
Es claro que si el vector de costos relativos tiene todas sus componentes estrictamente positivas entonces x es la nica solucin ptima de Q ([Mr83], Result 3.2, p. 139). Tambin podemos identificar el conjunto de soluciones ptimas a travs de ciertos hiperplanos soporte. Efectivamente,
t B 1b . Teorema 2.4.9 SQ = F c t , c B
Demostracin. SQ
( ) = {x X / c x = c x } = {x X / c x = c
t t t
t B
t B 1b = F c t , c B B 1b .
Corolario 2.4.10 SQ X f . El corolario anterior es importante pues nos indica que las soluciones ptimas de un programa lineal escalar conforman una cara de la regin factible. Si deseamos caracterizaciones ms sutiles de SQ , en funcin de r , debemos distinguir, nuevamente, los casos en que x sea no degenerado y degenerado. Estudiemos, en primer lugar, el caso en que x es no degenerado. Teorema 2.4.11 SQ = {x X / r j x j = 0, j J N }. Demostracin. SQ X Sea x j = 0 , j JN . rj x SQ . X / rj x N = 0 . Ahora, como x SQ x j = 0 , j J N rt x Sea x Como consecuencia, podemos especificar SQ a travs de un conjunto de desigualdades activas. Efectivamente:
N = 0 . Como rt x
N 0 y r 0 (pues x
x SQ )
2.4. SOLUCIONES PTIMAS DE UN PROGRAMA ESCALAR ... Corolario 2.4.12 Sea J = {j J N / r j > 0}. Entonces SQ = F (J ) .
97
SQ X r j x j = 0 , j JN x j = 0, j J Demostracin. Sea x
F (J ) . x
Sea J J N . Si eliminamos la hiptesis de que x S Q podemos obtener: Teorema 2.4.13 F (J ) S Q si, y slo si, r 0 , rJ N J = 0 . Demostracin. Como x S Q (pues x F (J ) ) y, adems, x es no degenerado r 0 . Sea s J N J . Supongamos, por reduccin al absurdo que rs > 0 . Como x s = > 0 , j = 0, es no degenerado R++ / x x j J N {s}, F (J ) y, sin embargo, x S Q #, pues F (J ) S Q . B = b Yx N > 0 x x F (J ) x J = 0 . Como rJ N J = 0 Por hiptesis, r 0 x S Q . Sea x N = rJt x J + rJtN J x J N J = 0 . Aplicando el Teorema 2.4.8 x SQ . rt x
vrtice sea degenerado o no, se tiene que F (J ) S Q
Evidentemente, si rJ N J = 0 y x S Q , independientemente de que el
Teorema 2.4.14 ([EcHK80], Lemma 4.1) F (J ) = S Q si, y slo si, r 0 , J =
{j J
/ r j > 0}.
Demostracin. Por el Teorema 2.4.13, r 0 y J N J Veamos ahora que
{j J
/ r j = 0} J N J . Efectivamente, sea s J N /
{j J
/ r j = 0}.
s = > 0 , x j = 0 , j J N {s}, x B = b Yx N > 0 degenerado R++ / x F (J ) #, pues F (J ) = S Q . S Q y, sin embargo, x x Como r 0 x S Q . Ahora basta aplicar el Corolario 2.4.12.
rs = 0 . Supongamos, por reduccin al absurdo que s J N J . Como x es no
Pongmonos, ahora, bajo la hiptesis de que x S Q es -degenerado.
98
Proposicin 2.4.15 v R , x X se verifica r t x N = v t x D + r t + v t YD x N . Demostracin. Directa pues x D = YD x N .
Entonces, v (x ) , se tiene:
Sea (x ) = v R+ / r t + v t YD 0 . Ntese que (x ) pues x SQ .
Teorema 2.4.16 SQ = x X / v t x D = 0, r t + v t YD x N = 0 . Demostracin. X tal que v t x D = 0 , r t + v t YD x N = 0 . Por la Proposicin 2.4.15 Sea x
SQ . N = 0 . Como x SQ x rt x
SQ X x N = 0 . rt x Aplicando la Proposicin 2.4.15
D 0 , r t + v t YD x D = 0 , D + r t + v t YD x N = 0. Como v (x ) , v t x N 0 vt x vt x
(r
N = 0 . + v YD x
t
j x j = 0, j J N . Teorema 2.4.17 SQ = x X / v j x j = 0, j J D , r j + v t y D
Demostracin. j X tal que v j x D = 0 , j = 0 , j J D , rj + v t yD j = 0 , j J N vt x Sea x x
(r
SQ . N = 0 x + v YD x
t
SQ X Sea x
D = 0 , vt x
(r
N = 0 . Como v (x ) v R+ , + v t YD x
nm N R+ x
(r
r + v YD 0 .
t t t j j D
j = 0 , j JN . +v y x
Adems,
D R , x
j = 0, vjx
j JD ,
Ahora ya estamos en condiciones de volver a caracterizar el conjunto de soluciones ptimas de un programa escalar a travs de un conjunto de desigualdades activas. Efectivamente:
j Corolario 2.4.18 Sea J = j J N / r j + v t y D >0
SQ = F (J ) .
{j J
/ v j > 0}. Entonces
SQ X Demostracin. Sea x
F (J ) . j = 0, j J x j J N . Como v (x ) , x
j = 0, vjx
j JD ,
(r
j j = 0, x + vt yD
99
Nuevamente, si eliminamos la hiptesis de que x S Q podemos obtener: Teorema 2.4.19 Sea J J Z descriptor maximal. Entonces, F (J ) S Q si, y
t J t t J N J N = 0 , vJ D slo si, el sistema, rJtN + v YD 0 , rJ N J + v YD 0 , v J D J = 0 , tiene
solucin. Demostracin. Como x S Q (pues x F (J ) ) y, adems, x es degenerado r t + v t YD 0 , v 0 , tiene solucin. s > 0. Sea s J N J y supongamos, por reduccin al absurdo que rs + v t y D F (J ), x s > 0 . Sin embargo, Como J es un descriptor maximal x S Q #, pues F (J ) S Q . x Para s J D J se hara un razonamiento anlogo al anterior. F (J ) Por hiptesis, r t + v t YD 0 , v 0 , tiene solucin x S Q . Sea x J = 0 . Aplicando el Teorema 2.4.17 x SQ . x Teorema 2.4.20 Sea J J Z descriptor maximal y supongamos que la representacin de X dada por el sistema (2.1) no tiene igualdades implcitas ( es un descriptor maximal de X ). Entonces, F (J ) = S Q si, y slo si,
j r t + v t YD 0 , v 0 , J = j J N / r j + v t y D >0
{j J
/ v j > 0}.
Demostracin. Por el Teorema 2.4.19 r t + v t YD 0 , v 0 , J N J y JD J
{j J
/ v j = 0}.
{j J
j / rj + v t yD =0
Veamos ahora que
{j J
j / rj + v t yD =0
J N J . Efectivamente, sea
s . s J N , rs + v t y D = 0 y supongamos por reduccin al absurdo que s J N X , x s > 0 x F (J ) y Como es un descriptor maximal de X x S Q #, pues F (J ) = S Q . x
Para ver que {j J D / v j = 0} J D J se aplica un razonamiento similar. Luego J N J =
{j J
/ rj + v y
t
j D
{j J / r + v y = 0} y J > 0} y J = {j J / v > 0}.

t N j j D D D j
J =
{j J
= / v j = 0} J N
Como r t + v t YD 0 , v 0 x S Q . Ahora, aplicando el Corolario 2.4.18 F (J ) = S Q .
100
Estudiemos ahora ciertos aspectos que consideramos de inters. Nos plantearemos, en primer lugar, la cuestin de cuando un poliedro contenido en la regin factible X es totalmente ptimo. Sean S = x1 , ..., x s X e Y = CVH (S ) . Proposicin 2.4.21 Y 0 S Q si, y slo si, Y S Q . Demostracin. Trivial. Sea x Y 0 SQ 0s , x = i x i . Como x S Q x X , c t x c t x c x c x , i { 1, ..., s}. Supongamos, por reduccin al absurdo que
t t i i =1 s s s i 0 {1, ..., q} , c t x > c t x i0 c t x = c t i x i = i c t x i < i c t x = c t x i =1 i =1 i =1 #, luego S S Q . Ahora, aplicando que S Q es convexo Y = CVH (S ) SQ . s
El resultado anterior se puede generalizar al caso no acotado. Efectivamente, consideremos adicionalmente un conjunto de direcciones de recesin de X dado por T = d 1 , ..., d p y supongamos que Y = CVH (S ) + CNH (T ) .
Proposicin 2.4.22 Y 0 S Q si, y slo si, Y S Q . Demostracin. Trivial. Y , x SQ . Sea x Y 0 SQ . Supongamos por reduccin al absurdo que x s +1 , ..., x s + p , puntos sobre los rayos de Y , tales que Podemos encontrar x y = x1 , ..., x s , x s +1 , ..., x s + p , se verifique que x CVH S tomando S . Como x S , por la Proposicin 2.4.21 CVH S S x CVH 0 S
()
()
()
Q
S Q #, luego Y S Q . x Corolario 2.4.23 Sea Y X poliedro. Entonces, Y 0 S Q si, y slo si, Y S Q . Demostracin. Inmediata utilizando la Proposicin 2.4.22 y teniendo en cuenta que cualquier poliedro se puede poner como la envolvente convexa de
101
sus puntos extremos ms la envolvente cnica de sus direcciones extremas (ver, por ejemplo, [NmWl88], Theorem 4.8). A continuacin desarrollaremos unas propiedades que nos sern de utilidad para la interpretacin geomtrica de algunas conclusiones de la seccin 2.8. Sea J J , Q max c t x / x X , X = x R n / Ax = b, x J 0 . Por un razonamiento anlogo al empleado en el Teorema 2.4.1 se obtiene: Teorema 2.4.24 t t J J t t t SQ = x R n / Ax = b, x J 0, u t A J c J = cJ , u A J , u A c x = 0 .
Consideremos ahora las caras F (J ) = {x X / x J = 0}. Es claro que F (J ) (F (J )) .

0
{x X / x J = 0}
y F (J ) =
Teorema 2.4.25 Si J J es un descriptor maximal de F (J ) , entonces F (J ) S Q si, y slo si, F (J ) S Q . Demostracin. Sea x F (J ) F (J ) S Q x X , c t x c t x . Como X X , x X , c t x c t x x SQ . Por ser J J descriptor maximal de F (J ) , aplicando la Proposicin 2.3.18 x X , x J J > 0 . Como F (J ) S Q , por el Teorema 2.4.1 u R m ,
t J J t t u t AJ cJ cJ , u A J = 0 . Entonces, x F (J )
= u A c x J + u A Ac x S Q . 2.4.24 x
t t t t J t
(u
J J
t J J
)x
J = 0 = b, x Ax
J J
= 0. Ahora, por el Teorema
Es claro que en la implicacin hacia la izquierda no se necesita la condicin de que J sea un descriptor maximal. Vamos a ilustrar grficamente el Teorema 2.4.25 considerando dos situaciones posibles en R 2 .
102
Ejemplo 2.4.26 Consideremos el problema Q de optimizacin escalar dado por la Figura 2.6. Evidentemente, la relajacin lineal Q considerada en el Teorema 2.4.25 se corresponde con la representada en la Figura 2.7. Es claro que en este caso {x } = S Q = S Q .
Figura 2.6
Figura 2.7
103
Ejemplo 2.4.27 Consideremos ahora el problema Q de optimizacin escalar dado por la Figura 2.8. Evidentemente, la relajacin lineal Q considerada en el Teorema 2.4.25 se corresponde con la representada en la Figura 2.9. Es claro que en este caso S Q S Q .
SQ X c
Figura 2.8
S Q X c
Figura 2.9
104
2.5 Eficiencia y Envolventes Convexas

En esta seccin vamos a estudiar algunas de las propiedades ms tiles relacionadas con la eficiencia y relativas a las envolventes convexas de puntos. La importancia de las mismas reside, por una parte, en la fuerte intuicin geomtrica que proporcionan y, por otra, en su indiscutible rendimiento terico y algortmico. Cx / x X } y sean Q = x1 , ..., x q X Consideremos el LVP, P max{ puntos arbitrarios e Y = CVH (Q ) . Entonces, se pueden obtener los siguientes resultados: Corolario 2.5.1 ([Zl74], Theorem 4.1.2, (i), [YuZl75], Theorem 2.2, (i), [Gal77], Corollary 2.4) Y 0 E P si, y slo si, Y E P . Demostracin. Trivial. Si Y 0 E P 0k , Y 0 S P . Por la Proposicin 2.4.21 Y S P Y E P .
A partir del Teorema 1.4.38 y el Corolario 2.5.1 podemos obtener un prctico test para comprobar la eficiencia de una envolvente convexa de puntos: Teorema 2.5.2 Sean 0q arbitrario, x =
k Y E P si, y slo si, P(z ) max e t s / Cx s = z , x X , s R+ es acotado, con valor objetivo ptimo 0 .
x
i =1 i
y z = Cx . Entonces,
Otra interesante propiedad es la siguiente: Corolario 2.5.3 ([Gal77], Theorem 2.3) Y E P si, y slo si, 0k , Q S P . Demostracin. Y E P Y 0 E P 0k , Y 0 S P . Por la Proposicin 2.4.21 Y S P Q S P .
2.5. EFICIENCIA Y ENVOLVENTES CONVEXAS
105
Si 0k , Q S P . Como S P es convexo 0k , CVH (Q) S P Y EP .
Corolario 2.5.4 ([Zl74], Theorem 4.1.2, (ii), [YuZl75], Theorem 2.2, (i), [YuZl75], Lemma 2.1) Y E P si, y slo si, Y 0 E P . Demostracin. Trivial. Supongamos por reduccin al absurdo que Y 0 E P . Por el Corolario 2.5.1 Y E P Y E P = #. Luego, Y 0 E P . Demostracin. Como Q E P i {1, ..., q} , x i X , Cx i Cx i . Sea Proposicin 2.5.5 ([ChHm83], p. 155) Si Q E P entonces Y E P .
x Y = CVH (Q) q , x = i x i
i =1
x = i x i X , Cx Cx
i =1
x E
YE .
P
Corolario 2.5.6 ([YuZl75], Theorem 2.1) E P es convexo. Demostracin. Directa pues x1 , x 2 E P CVH x1 , x 2 E P .
({
})
Sin embargo, en general, E P no es convexo.

P Teorema 2.5.7 Si X es acotado entonces E P CVH E xp .
( )
Demostracin. Sea x E P . Por ser X acotado Q = x1 , ..., x q X xp ,
x CVH 0 (Q). Supongamos por reduccin al absurdo que i { 1, ..., q} tal que x i E P . Por el Corolario 2.5.4 CVH 0 (Q) E P x E P #. Luego,
P x CVH E xp
( )
P Normalmente, E P CVH E xp . No obstante, el resultado anterior nos P indica que CVH E xp
( )
( )
puede considerarse una aproximacin de E P (ver
captulo 4).
106
Las conclusiones anteriores se pueden extender sin dificultad al caso de que Q est formado por un nmero finito de puntos y direcciones extremas de X . En particular, se prueba:
P P Teorema 2.5.8 E P CVH E xp . + CNH E xd
( )
( )
Supongamos que Y = CVH x1 , , x p + CNH d 1 , , d q y x Y 0 . Otra herramienta de utilidad para los mtodos generadores de soluciones eficientes (ver seccin 4.5) es la siguiente: Teorema 2.5.9 Entonces, Y E P si, y slo si, el problema min s / u t A t C 0, u t b s = t Cx , e, s 0 es acotado, con valor ptimo 0.
({
})
({
})
Demostracin. Si el problema min s / u t A t C 0, u t b s = t Cx , e, s 0 es acotado, con valor ptimo 0, por el Corolario 1.7.8 x E P . Como x Y 0 , aplicando el Corolario 2.5.1 Y E P . No queremos finalizar esta seccin sin dejar de interpretar los resultados obtenidos a travs de la teora de poliedros. Efectivamente, dado que toda cara de X se puede poner como el poliedro generado por sus puntos extremos y direcciones extremas (si las hubiese), tenemos las siguientes consecuencias inmediatas: Por el Corolario 2.5.1, si un punto del interior relativo de una cara es eficiente, toda la cara es eficiente (Corolario 1.7.19). Por el Corolario 2.5.3, si todos los vrtices de una cara son soluciones k ptimas de un mismo problema P , con R+ + , entonces toda la cara es eficiente. Por el Corolario 2.5.4, si algn punto de la cara no es eficiente, entonces todo el interior relativo de la cara es ineficiente. Por la Proposicin 2.5.5, si todos los vrtices de la cara son ineficientes, entonces toda la cara es ineficiente. En contraposicin, aunque todos los vrtices de una cara sean eficientes, tal cara no tiene por que ser eficiente (ver Ejemplo 2.5.10).
Ejemplo 2.5.10 En la Figura 2.10 se observa que los vrtices x 2 y x 3 son P eficientes y, sin embargo, CVH x 2 , x 3 / E .
({
})
2.6. VRTICES EFICIENTES
107
x2
X x1 x3 C
Figura 2.10
2.6 Vrtices Eficientes

Los tests de eficiencia para vrtices constituyen una de las herramientas bsicas de la programacin vectorial lineal. Histricamente (ver, por ejemplo, [Ph72], [EvSt73], [Zl74], ...) fueron los primeros en ser abordados por su relativa sencillez y porque su disponibilidad permitira afrontar, de manera casi inmediata, diversas implementaciones de algoritmos generadores de vrtices eficientes (cuyo diseo general se consideraba conceptualmente claro). Sorprendentemente, tales resultados han estado dispersos en la literatura durante largo tiempo y, algunos, ni siquiera estaban exentos de errores ([Ph72]). Ello nos impuls a realizar una reelaboracin completa del tema, cuyo fruto ha sido este apartado. Por una parte, pretendemos mostrar la armona y belleza de la teora, al integrar de manera natural y sencilla los resultados ms importantes publicados (no un inventario metdico), incluyendo un estudio detallado y paralelo del caso degenerado. Consideramos que esta panormica ofrecida presta un gran servicio al lector, por reunir y hacer accesibles un inmenso caudal de ideas. Por otra parte, la estructura diseada nos servir de pauta para realizar el estudio, en las siguientes secciones, de las caracterizaciones de eficiencia de caras de mayor dimensin de un poliedro. Sea P el problema max{ Cx / x X }, donde X viene dado por el sistema (2.1). Consideremos x s.f.b. de X , especificado por una base arbitraria B R mm de A (= [B N ] ) y R = C B B -1 N -C N R k (nm ) , su matriz de costos reducidos asociada, la cual supondremos, sin prdida de generalidad,
108
no nula. Obsrvese que, en caso contrario, se tendra de manera trivial (ver Proposicin 2.6.1) que E P = X . Para puntos arbitrarios, disponemos de resultados como el siguiente:
E P si, y slo si, / x X tal que Rx N Rx N . Proposicin 2.6.1 x EP / x X , Cx Cx / x X , Cx = C B b Rx N Demostracin. x

N = Cx / x X , Rx N Rx N . C B b Rx
Ahora bien, si la solucin factible considerada es un vrtice estamos en condiciones de poder explotar su estructura especial para lograr tests notablemente ms eficaces que el anterior.
2.6.1 Caso No Degenerado

Supongamos, en primer lugar, que x es no degenerado. Uno de los resultados clsicos ms importantes es:
P Teorema 2.6.2 ([EvSt73], Lemma 2.1) x Exp si, y slo si, el sistema:
Ru 0 , u 0
(2.8)
no tiene solucin. Demostracin. n m R+ 0 . Como x es no Supongamos, por reduccin al absurdo que u , Ru X. Adems, como N = u 0, x B = b Yx N > 0 x degenerado R++ / x
P nm / u R+ N = Ru 0 = Rx N x Exp Rx #. Luego tal que Ru 0 .
/ x X , Como x X x N 0 , x B = b Yx N 0 , aplicando la hiptesis

P Rx N Rx N x Exp .
Aplicando al sistema (2.8) el teorema de la alternativa de Gale ([Mn69], p. 35) se obtiene:

P k Corolario 2.6.31 x Exp si, y slo si, R++ tal que t R 0 .
En este resultado se basa el mtodo II.2 que aparece en [Ph72], p. 218-220. El autor no distingui el caso degenerado. Este error fue corregido aos ms tarde en [Ph77].
109
Ntese que, independientemente o no de la degeneracin de x , si k R++ tal que t R 0 entonces x S P E P . Para la otra implicacin si es fundamental la hiptesis de no degeneracin. Es interesante destacar que se puede entender como una especie de vector de multiplicadores de Lagrange asociados a x . Por la homogeneidad del sistema del Corolario 2.6.3, la condicin R se puede sustituir por 0k o por e . As,
k ++
P Corolario 2.6.4 x Exp si, y slo si, 0k , t R 0 . P si, y slo si, R k , t R 0 , e . Corolario 2.6.5 x Exp
Si hacemos ahora el cambio de variable = + e , entonces:

P k Corolario 2.6.6 x Exp si, y slo si, R+ , t R e t R .
A partir del Teorema 2.6.2 se descubre, sin dificultad, el siguiente test:

P si, y slo si, el problema: Corolario 2.6.7 ([EvSt73], Corollary 2.2) x Exp
max e t s / Ru + Is = 0, u 0, s 0 es acotado, con valor ptimo igual a 0.
(2.9)
Ntese que el problema (2.9) es factible pues (u t , s t ) = (0, 0) verifica las restricciones. Adems, hay disponible de forma inmediata una base inicial dada por la identidad ( I ). Adems, es claro que (2.9) es un problema degenerado. Sin embargo, se debe esperar que tenga un nmero reducido de restricciones de tipo igualdad, por ser frecuente en la prctica que k sea pequeo. Merece la pena destacar que, si en el transcurso de la resolucin del problema (2.9), el valor objetivo se hace estrictamente positivo, podemos parar sin necesidad de terminar la optimizacin, concluyendo que x es no eficiente. Evidentemente, la consideracin de esta apreciacin aumenta el rendimiento del test.
110
P Teorema 2.6.8 x Exp si, y slo si, (2.9) es no acotado. P Demostracin. x Exp . Por el Corolario 2.6.5 t R 0 , e , no tiene
solucin. Si denotamos por D el problema dual de (2.9) D es no factible. Como (2.9) es factible (2.9) es no acotado.
2.6.2 Caso Degenerado

Con mucha frecuencia ocurre en la prctica que el vrtice objeto de estudio es degenerado. Por tal motivo es prioritario analizar adecuadamente la nueva situacin. Supongamos que x es -degenerado. Siempre se verifica que:
P Teorema 2.6.9 ([St86], Theorem 9.11) x E xp k R++ tales que t R 0 . P Demostracin. Si x E xp
entonces
B B(x ) ,
propiedades del algoritmo del simplex B B(x ) , t R 0 .
k R++ , x S P . Ahora, aplicando las
Bajo hiptesis de degeneracin es posible que la base particular B , asociada a x , que estamos considerando, verifique que I (B ) = ; es decir, el sistema t R 0 , > 0 , no tiene solucin. No obstante, sean Y = B 1 N e YD las filas de Y asociadas a variables bsicas degeneradas.
P Teorema 2.6.10 ([EvSt73], Lemma 2.4) x Exp si, y slo si, el sistema:
Ru 0 , YD u 0 , u 0
(2.10)
no tiene solucin. Demostracin. n m 0 R+ 0 , YD u Supongamos, por reduccin al absurdo que u , Ru X. Adems, como N = u 0, B = b Yx N 0 R++ / x x x
P nm / u R+ N = Ru 0 = Rx N x Exp Rx #, Luego , Ru 0 , YD u 0 .
/ x X , Como x X x N 0 , x B = b Yx N 0 , aplicando la hiptesis

P Rx N Rx N x Exp .
Aplicando al sistema (2.10) el teorema de la alternativa de Tucker ([Mn69], p. 29), se tiene:
111
P k Corolario 2.6.11 ([ArMl91], Proposition 2.2) x Exp si, y slo si, R++ ,
v R+ tales que t R + v t YD 0 .
Por la homogeneidad del sistema anterior podemos escribir: Corolario 2.6.12

P x Exp si, y slo si, 0k , v R+ , tales que
t R + v t YD 0 .
Corolario 2.6.13
P x Exp si, y slo si, R k , v R+ , tales que
t R + v t YD 0 , e .
Si hacemos ahora el cambio de variable = + e , entonces: Corolario 2.6.142
P k x Exp si, y slo si, R+ , v R+
tales que
t R + v t YD e t R .
A partir del Teorema 2.6.10 tambin es posible obtener el siguiente test:
P Corolario 2.6.15 x Exp si, y slo si, el problema:
max e t s / Ru + Is = 0, YD u 0, u 0, s 0 es acotado, con valor ptimo igual a 0.
(2.11)
El problema (2.11) siempre es factible pues (u t , s t ) = (0, 0) verifica las restricciones. Adems, se disponible de forma inmediata una base inicial, dada por las columnas asociadas a s y a las variables de holgura de YD u 0 . Si el grado de degeneracin de x no es grande, se debe esperar que (2.11) tenga una base de dimensin pequea, por ser frecuente en la prctica que k sea pequeo. Evidentemente, (2.11) es un problema degenerado y, nuevamente, si en el transcurso de su resolucin, el valor objetivo se hace estrictamente positivo, podemos parar la optimizacin, concluyendo que x es no eficiente.
En este resultado se basa el mtodo II.2 que aparece en [Ph77], p. 357, para generar una solucin eficiente.
112
P Teorema 2.6.16 x Exp si, y slo si, (2.11) es no acotado. P Demostracin. x Exp . Por el Corolario 2.6.13 t R + v t YD 0 , e ,
v 0 , no tiene solucin. Si denotamos por D el problema dual de (2.11) D es no factible. Como (2.11) es factible (2.11) es no acotado.
2.7 Aristas Eficientes Incidentes en un Vrtice

Una vez que se tienen tests para comprobar la eficiencia de un vrtice, lo natural consiste en intentar extenderlos al caso de aristas incidentes en un vrtice. Mientras que para el caso no degenerado existe una cantidad apreciable de resultados publicados, es significativa la escasez de los mismos para el caso degenerado, que slo ha merecido atencin en raras ocasiones (ver, por ejemplo, [EcKd78]). Esta seccin estudia en qu condiciones una arista incidente en un vrtice es eficiente, desarrollando una teora viable para el caso degenerado. Cx / x X }, donde X viene dado por el Sea P el problema max{ sistema (2.1). Consideremos x s.f.b. de X , especificado por una base arbitraria B R mm de A (= [B N ] ) y R = C B B -1 N -C N R k (nm ) , su matriz de costos reducidos asociada, la cual supondremos, sin prdida de generalidad, no nula. Sean j J N , r j la columna de R asociada a x j y j X e la arista de X , incidente en x , que se obtiene al incrementar el valor de la variable no bsica x j . Supondremos que r j / 0 , pues en caso contrario la arista es obviamente ineficiente (ver Proposicin 4.3.6, (ii)). Sabemos que si denotamos por J = J N {j}, entonces j = F (J ) .

Supongamos que x es no degenerado. Teorema 2.7.1 j EeP (x ) si, y slo si, el sistema: Ru r j , u 0 no tiene solucin. (2.12)
2.7. ARISTAS EFICIENTES INCIDENTES EN UN VRTICE

n m = e j R+ Demostracin. Sea u r j = Ru
113
~ R n m , Ru ~ r j . Como x es no Supongamos, por reduccin al absurdo que u + ~, , dados por, ~ x y x x N = u degenerado, R++ tal que los puntos ~ ~ = b Yx verifican que ~ = u , x > 0 . Luego, ~ x , x x, x = b Y~ x y x
B N N B N B B
j EeP (x ) . N = u , , definido por, x Como x es no degenerado, R++ tal que x

B = b Yx N verifica que x ( B > 0 x x
n m + j
~ Rx . Como Ru E P #, pues X . Adems, x Ru N R~ x xN x

j
. Adems, aplicando la hiptesis
/ u R
E P j E P . N x / x X , Rx N Rx , Ru Ru
Es posible reescribir el Teorema 2.7.1 en trminos de un programa escalar lineal. Efectivamente: Corolario 2.7.2 ([EcKd78], Theorem 1) j EeP (x ) si, y slo si, el problema: max e t s / Ru + Is = r j , u 0, s 0 es acotado, con valor ptimo igual a 0.
(2.13)
Obsrvese que (2.13) siempre es factible pues
(u ,
t
st ) =
(e , 0)
t j
verifica las restricciones. Adems, se puede conseguir de manera inmediata una base inicial. Adicionalmente, la dimensin de esta base debe ser pequea pues hay slo k restricciones de tipo igualdad. Por otra parte, si en el transcurso de la resolucin del problema (2.13), el valor objetivo se hace estrictamente positivo, podemos parar sin necesidad de terminar la optimizacin, concluyendo que j es no eficiente. Aplicando dualidad escalar al Corolario 2.7.2 se tiene: Corolario 2.7.3 j EeP (x ) si, y slo si, el problema: min t r j / t R 0, e es acotado, con valor ptimo igual a 0.
(2.14)
Teorema 2.7.4 j EeP (x ) si, y slo si, el sistema: Ru r j v 0 , u 0 , v 0 no tiene solucin. (2.15)
114
Demostracin. Tomando v = 1 y aplicando la hiptesis Ru r j , u 0 , no tiene solucin. Ahora por el Teorema 2.7.1 j EeP (x ) . n m Supongamos por R. A. que u R+ , v R+ , Ru r j v 0 . Distinguimos dos casos: i) v = 0 el sistema Ru 0 , u 0 , tiene solucin. Por el Teorema 2.6.2 x E P #, pues x j . ii) v > 0 Ru r j , u 0 , tiene solucin. Aplicando el Teorema 2.7.1 j EeP (x ) #. El siguiente resultado constituye una elegante extensin del Teorema 2.6.2. Teorema 2.7.5 j EeP (x ) si, y slo si, el sistema: Ru 0 , u J N { j } 0 no tiene solucin.
k tal que t R 0 , t r j = 0 . Corolario 2.7.6 j EeP (x ) si, y slo si, R++
(2.16)
Demostracin. j EeP (x ) . Aplicando el Teorema 2.7.4 (R, r j )y 0 , y 0 no tiene solucin. Aplicando el teorema de la alternativa de Gale k k ([Mn69], p. 35) R++ , t (R, r j ) 0 R++ , t R 0 , t r j 0 k R++ , t R 0 , t r j = 0 . Independientemente o no de la degeneracin de x , siempre ocurre k que si R++ tal que t R 0 , t r j = 0 entonces j EeP (x ) . Por desgracia, para la otra implicacin es fundamental la no degeneracin de x . Por la homogeneidad del sistema del Corolario 2.7.6, la condicin R se puede sustituir por 0k o por e . As podemos obtener:
k ++
Corolario 2.7.7 j EeP (x ) si, y slo si, 0k tal que t R 0 , t r j = 0 . Corolario 2.7.8 ([EcHK80], Corollary 4.2) j EeP (x ) si, y slo si, R k tal que t R 0 , t r j = 0 , e .
k En general, dado R+ + arbitrario, se tiene:
115
Corolario 2.7.9 j EeP (x ) si, y slo si, R k tal que t R 0 , t r j = 0 ,
. k Demostracin. Inmediata teniendo en cuenta que j EeP (x ) R++ , t R 0 , t r j = 0 y que por la homogeneidad del sistema siempre podemos multiplicar por una constante positiva suficientemente grande que haga que .
Utilizando, respectivamente, los cambios de variable = + e y = + se obtienen:
k Corolario 2.7.10 j EeP (x ) si, y slo si, R+ tal que t R e t R ,
t r j = e t r j .
k Corolario 2.7.11 j EeP (x ) si, y slo si, R+ tal que t R t R ,
t r j = t r j .
O bien, expresados en trminos de programas lineales escalares: Corolario 2.7.12 ([EcKd78], Corollary 2) j EeP (x ) si, y slo si, el problema: min s j / t R + s t = e t R, 0, s 0 (2.17)
es acotado, con valor ptimo igual a 0. Corolario 2.7.13 ([ArMl91], p. 479) j EeP (x ) si, y slo si, el problema: min s j / t R + s t = t R, 0, s 0 es acotado, con valor ptimo igual a 0. Ntese que el programa lineal (2.18) tiene la gran ventaja de que, cuando I (B ) , es evidente una solucin factible bsica inicial (ahorrndonos la fase I del mtodo del simplex), la cual viene dada por t , s t = 0t , t R , pues I (B ) t R 0 . Esta ventaja desaparece si utilizamos el problema (2.17), donde no se puede garantizar la no negatividad del trmino independiente.
(2.18)
) (
A partir del Teorema 2.7.5 se tiene: Corolario 2.7.14 ([EcKd78], Corollary 1) j EeP (x ) si, y slo si, el problema: max e t s / Ru + Is = 0, u J N { j } 0 , s 0 (2.19)
es acotado, con valor ptimo igual a 0.
116
Ntese que el problema (2.19) siempre es factible pues (u t , s t ) = (0, 0) verifica las restricciones. Evans y Steuer afirman, errneamente, un resultado parecido al Corolario 2.7.14. A saber: el punto extremo adyacente a travs de j es eficiente si, y slo si, el problema (2.19) es acotado, con valor ptimo igual a 0 ([EvSt73], Lemma 2.3). Sin embargo, slo se verifica la implicacin hacia la izquierda. En general, la otra no es cierta, pues dos vrtices adyacentes de X pueden ser eficientes y la arista que los une no serlo (Ejemplo 2.5.10) y, por tanto, (2.19) ser no acotado. Ecker y Kouada dan un contraejemplo numrico que ilustra este hecho ([EcKd78], p. 252). Corolario 2.7.15 j EeP (x ) si, y slo si, (2.19) es no acotado.
Demostracin. j EeP (x ) . Por el Corolario 2.7.8 t R J N { j } 0 , t r j = 0 , e , no tiene solucin. Si denotamos por D el dual de (2.19) D es no factible. Como (2.19) es factible (2.19) es no acotado. A continuacin vamos a estudiar las generalizaciones de los resultados anteriores al caso degenerado.

Supongamos, pues, que x es -degenerado. Sean Y = B 1 N , YD las filas de j Y asociadas a variables bsicas degeneradas e y D la columna j de YD .
j / yD 0 . Sabemos que para la tabla ~ cannica actual T (B ) asociada a x , los elementos de J N determinan aristas incidentes en x , pues las variables no bsicas asociadas a los mismos se pueden incrementar. Sin embargo, hay que tener muy presente que algunos ~ de los elementos de J Z J N tambin pueden estar asociados a aristas incidentes en x , a pesar del hecho de que en la tabla T (B ) tales variables no se puedan incrementar individualmente ([Mr85]). Esta circunstancia ~ conlleva a que, si consideramos J N como fuente de ndices para el clculo de las aristas eficientes incidentes en un vrtice degenerado, tengamos que estudiar todas las tablas cannicas asociadas al mismo que sean lexicogrficamente accesibles a partir de la base originalmente fijada ([ArMl91]). Slo de esta manera podemos garantizar la obtencin de todas las aristas eficientes incidentes en el vrtice. Para un tratamiento a partir de una nica tabla cannica remitimos al lector a los resultados ms generales expuestos, para el caso degenerado, en la seccin 2.8. N
~ Consideremos J N =
{j J
2.7. ARISTAS EFICIENTES INCIDENTES EN UN VRTICE ~ JN JN
117
Obsrvese que los elementos de degeneradas alternativas de x .
proporcionan bases
~ Fijemos pues, j J N y no olvidemos la advertencia hecha en el prrafo anterior. Teorema 2.7.16 j EeP (x ) si, y slo si, el sistema: Ru r j , YD u 0 , u 0 no tiene solucin. n m = e j R+ Demostracin. Sea u r j = Ru ~ ~ R n m , Ru ~ rj, Y u Supongamos, por reduccin al absurdo que u + D 0 ~, ~ N = u , , dados por, ~ x y x x N = u x B = b Y~ xN y x R++ tal que los puntos ~ B = b Yx N verifican que ~ j . X . Adems, x B 0 . Luego, ~ x xB , x x, x ~ Rx E P #, pues j E P (x ) . Ru R~ x x Como Ru
N N e
(2.20)
B = b Yx N verifica que x N = u , x , definido por, x ( R++ tal que x

n m +
/ u R Adems, aplicando la hiptesis P j P E E . N x Rx N Rx
/ x X , , YD u 0 , Ru Ru
El Teorema 2.7.16 admite tambin la reformulacin: Corolario 2.7.17 ([EcKd78], Theorem 2) j EeP (x ) si, y slo si, el problema: max e t s / Ru + Is = r j , YD u 0, u 0, s 0 es acotado, con valor ptimo igual a 0.
(2.21)
El problema (2.21) siempre es factible pues (u t , s t ) = e tj , 0 verifica las restricciones. Adems, se puede conseguir de manera inmediata una base inicial. La dimensin de dicha base no ha de ser grande si el grado de degeneracin de x no es elevado (en la prctica es frecuente que k sea pequeo). Por otra parte, si en el transcurso de la resolucin del problema (2.21), el valor objetivo se hace estrictamente positivo, podemos parar sin necesidad de terminar la optimizacin, concluyendo que j es no eficiente. Aplicando dualidad escalar al Corolario 2.7.17 conseguimos: Corolario 2.7.18 j EeP (x ) si, y slo si, el problema:
min t r j / t R + v t YD 0, e, v 0
(2.22)
118
es acotado, con valor ptimo igual a 0. Teorema 2.7.19 j EeP (x ) si, y slo si, el sistema: Ru r j v 0 , YD u 0 , u 0 , v 0 (2.23) no tiene solucin. Demostracin. Tomando v = 1 y aplicando la hiptesis Ru r j , YD u 0 , u 0 , no tiene solucin. Por el Teorema 2.7.16 j EeP (x ) . n m , v R + , Ru r j v 0 , Supongamos por reduccin al absurdo que u R+ YD u 0 . Distinguimos dos casos: i) v = 0 el sistema Ru 0 , YD u 0 , u 0 , tiene solucin. Aplicando el Teorema 2.6.10 x E P #, pues x j . ii) v > 0 Ru r j , YD u 0 , u 0 , tiene solucin. Por el Teorema 2.7.16 j EeP (x ) #.
k Corolario 2.7.20 j EeP (x ) si, y slo si, R++ , v R+ tales que
t R + v t YD 0 , t r j = 0 . Demostracin. j EeP (x ) . Por el Teorema 2.7.19 (R, r j )y 0 , (YD , 0)y 0 , y 0 no tiene solucin. Aplicando el teorema de la alternativa k de Tucker ([Mn69], p. 29) R++ , v R+ , t (R, r j ) + v t (YD , 0) 0 k k R++ , v R+ , t R + v t YD 0 , t r j 0 1 R++ , v R+ , t R + v t YD 0 , t r j = 0 .
Por la homogeneidad del sistema enunciado en el Corolario 2.7.20, la k 0 condicin R+ + se puede sustituir por k o por e . As:
Corolario 2.7.21 j EeP (x ) si, y slo si, 0k , v R+
tales que
R + v YD 0 , r = 0 .
t t t j
Corolario 2.7.22 j EeP (x ) si, y slo si, R k , v R+
tales que
t R + v t YD 0 , t r j = 0 , e .
t r j v t y D j 0

k En general, dado R+ + , tenemos:
119
Corolario 2.7.23 j EeP (x ) si, y slo si, R k , v R+
tales que
t R + v t YD 0 , t r j = 0 , .
k Corolario 2.7.24 j EeP (x ) si, y slo si, R+ , v R+
tales que
t R + v t YD e t R , t r j = e t r j .
k , v R+ Corolario 2.7.25 j EeP (x ) si, y slo si, R+
tales que
t R + v t YD t R , t r j = t r j .
En funcin de la acotacin de programas escalares lineales, los resultados anteriores se escriben como: Corolario 2.7.26 ([EcKd78], Corollary 3) j EeP (x ) si, y slo si, el programa: min s / t R + v t YD e t R, t r j + s = e t r j , 0, v 0, s 0 (2.24) es acotado, con valor ptimo igual a 0.
Corolario 2.7.27 j EeP (x ) si, y slo si, el programa:
min s / t R v t YD t R, t r j + s = t r j , 0, v 0, s 0 es acotado, con valor ptimo igual a 0.
(2.25)
La ventaja del problema (2.25) sobre el (2.24) viene dada porque si tenemos I (B ) , entonces podemos garantizar la no negatividad del trmino independiente ( t R 0 ) y podemos utilizar directamente la fase II del mtodo del simplex, por ser evidente una solucin factible bsica inicial. A partir del Teorema 2.7.19 se puede deducir: Corolario 2.7.28 j EeP (x ) si, y slo si, el problema:
max e t s / Ru + Is r j v = 0, YD u 0, u 0 , s 0, v 0 es acotado, con valor ptimo igual a 0.
(2.26)
El problema (2.26) siempre es factible pues (u t , s t , v ) = (0, 0, 0) verifica las restricciones.
120
Corolario 2.7.29 j EeP (x ) si, y slo si, (2.26) es no acotado. Demostracin. j EeP (x ) . Por el Corolario 2.7.22
t R + v t YD 0 ,
t r j = 0 , e , v 0 , no tiene solucin t R + v t YD 0 , t r j 0 , e , v 0 , no tiene solucin. Si denotamos por D el dual de (2.26) D es no factible. Como (2.26) es factible (2.26) es no acotado.
2.8 Caras Eficientes Incidentes en un Vrtice

Aunque el problema de determinar la eficiencia de una cara incidente en un vrtice no degenerado arbitrario ha sido ampliamente estudiado a lo largo del tiempo ([Is77a], [EcHK80], [Mr85], ...), creemos totalmente justificado dedicar parte de nuestro esfuerzo y empeo a la obtencin de nuevas condiciones que garanticen dicha circunstancia. Por otra parte, de forma sistemtica (salvo escasas excepciones) se ha dejado de lado el caso degenerado, aducindose que lo nico que se necesita para manejarlo es introducir alguna regla para deshacer los empates que se producen al determinar la fila pivote ([EcHK80], p. 356). Esto es falso pues, incluso aunque se considerasen todas las tablas cannicas asociadas a un vrtice degenerado, se pueden perder caras eficientes ([Mr85], p. 31). Los tests que determinan la eficiencia o no de una cara son herramientas muy apreciadas y codiciadas en programacin vectorial. En general, las ideas que se esconden en los mismos, en ltima instancia, suelen ser sencillas, pero su elaboracin no es trivial. En esta seccin vamos a obtener caracterizaciones novedosas que nos permitan determinar la eficiencia de una cara incidente en un vrtice dado. Para ello partiremos de dos planteamientos parecidos, pero distintos. El primero de ellos se basa en la idea de que la cara es eficiente si, y slo si, lo es algn punto de su interior relativo. El segundo, relaja el problema original de tal forma que el vrtice considerado se convierte ahora en un elemento del interior relativo de una cierta cara del problema relajado que es eficiente si, y slo si, lo es la cara objeto de estudio. Como siempre, sea P el problema max{ Cx / x X }, donde X viene dado por el sistema (2.1). Consideremos x s.f.b. de X , especificado por una base arbitraria B R mm de A (= [B N ] ) y R = C B B -1 N -C N R k (nm ) , su matriz de costos reducidos asociada, la cual supondremos, sin prdida de generalidad, no nula.
2.8. CARAS EFICIENTES INCIDENTES EN UN VRTICE
121

Supongamos que x es no degenerado. Sean J J N arbitrario y r = R J N J e . En esta situacin, es claro que J es un descriptor maximal y dim(F (J )) = n m J . Adems, j / j J N J es, exactamente, el conjunto de aristas
de F (J ) incidentes en x .
Una posible generalizacin del Teorema 2.7.1 adopta la forma: Teorema 2.8.1 F (J ) E P f (x ) si, y slo si, el sistema: Ru r , u 0 no tiene solucin. t t nm t = u J J . u r = Ru = 0t , e t R+ Demostracin. Sea u , N J (2.27)
) (
~ R n m , Ru ~ r . Como x es no Supongamos, por reduccin al absurdo que u + ~, , dados por, ~ degenerado, R++ tal que los puntos ~ x y x x N = u ~ = b Yx verifican que ~ = u , x > 0 . Luego, ~ x , x x = b Y~ x y x x,
B N N B N B B
F (J ) E P f (x ).
~ Rx E P #, pues F (J ) . Como Ru X . Adems, x Ru N R~ x xN x
N = u , , definido por, x Como x es no degenerado, R++ tal que x 0 B = b Yx N verifica que x B > 0 x F (J ) . Adems, aplicando la hiptesis x n m E P F (J ) E P N x / x X , Rx N Rx / u R+ , Ru Ru f (x ). La no factibilidad del sistema (2.27) se puede analizar a travs de la resolucin de un programa lineal escalar. Efectivamente: Corolario 2.8.2 F (J ) E P f (x ) si, y slo si, el programa: max e t s / Ru + Is = r , u 0, s 0 es acotado, con valor ptimo igual a 0.
(2.28)
e t , 0 verifica las restricciones. Adems, se debe esperar que (2.28) tenga una base de dimensin pequea, por ser frecuente en la prctica que k sea pequeo. Si en el transcurso de la resolucin del problema (2.28), el valor objetivo se hace estrictamente positivo, podemos parar sin necesidad de terminar la optimizacin, concluyendo que F (J ) es no eficiente.
(0 ,
t
El problema (2.28) siempre es factible, pues
(u
t J
t , uJ , st N J
122
2. CARACTERIZACIONES DE CARAS EFICIENTES Aplicando dualidad escalar al Corolario 2.8.2 se obtiene:
Corolario 2.8.3 F (J ) E P f (x ) si, y slo si, el problema: min t r / t R 0, e es acotado, con valor ptimo igual a 0.
(2.29)
Otra posibilidad viene de la mano del siguiente resultado: Teorema 2.8.4 F (J ) E P f (x ) si, y slo si, el sistema: Ru rv 0 , u 0 , v 0 (2.30) no tiene solucin. Demostracin. Tomando v = 1 y aplicando la hiptesis Ru r , u 0 , no tiene solucin. Por el Teorema 2.8.1 F (J ) E P f (x ). n m , v R + , R u rv 0 . Supongamos por reduccin al absurdo que u R+ Distinguimos dos casos: i) v = 0 el sistema Ru 0 , u 0 , tiene solucin. Utilizando el Teorema 2.6.2 x E P #, pues x F (J ) ii) v > 0 Ru r , u 0 , tiene solucin. De nuevo, por el Teorema 2.8.1 F (J ) E P f (x ) #.
k t t Corolario 2.8.5 F (J ) E P f (x ) si, y slo si, R++ tal que R 0 , r = 0 .
Demostracin. F (J ) E P f (x )
(R,
r )y 0 , y 0 no tiene solucin.
k Aplicando el teorema de la alternativa de Gale ([Mn69], p. 35) R++ , t k t t k t t (R, r ) 0 R++ , R 0 , r 0 1 R++ , R 0 , r = 0 . k tal que Independientemente o no de la degeneracin de x , si R++ t t P R 0 , r = 0 , entonces F (J ) E f (x ).
Por la homogeneidad del sistema enunciado en el Corolario 2.8.5, la k 0 condicin R+ + se puede sustituir por k o por e . As:
t t 0 Corolario 2.8.6 F (J ) E P f (x ) si, y slo si, k tal que R 0 , r = 0 .
t R 0 t R J N J 0 t r = t R J N J e 0 .
123
k Corolario 2.8.7 F (J ) E P tal que t R 0 , t r = 0 , f (x ) si, y slo si, R
e.
k En general, dado R+ + , siempre podemos multiplicar por una constante positiva suficientemente grande que haga que , pudindose obtener: k Corolario 2.8.8 F (J ) E P tal que t R 0 , t r = 0 , f (x ) si, y slo si, R
.
Utilizando, respectivamente, los cambios de variable = + e y = + se concluye:
k t t Corolario 2.8.9 F (J ) E P f (x ) si, y slo si, R+ tal que R e R ,
t r = e t r .
k t t Corolario 2.8.10 F (J ) E P f (x ) si, y slo si, R+ tal que R R ,
t r = t r .
Lema 2.8.11 Dados v1 , v 2 R n . Entonces v1 v 2 , e t v1 = e t v 2 si, y slo si, v1 = v 2 . Demostracin. Trivial. Por hiptesis, v1 v 2 . Supongamos por reduccin al absurdo que t 1 t 2 j { #. Luego v1 = v 2 . 1, , n}, v1j > v 2 j e v > e v Los siguientes resultados son claros combinando los corolarios anteriores con el Lema 2.8.11. Corolario 2.8.12 F (J ) E P f (x ) si, y slo si, el programa: min e t s J N J / t R + s t = e t R, 0, s 0 es acotado, con valor ptimo igual a 0. Corolario 2.8.13 F (J ) E P f (x ) si, y slo si, el programa: min e t s J N J / t R + s t = t R, 0, s 0 es acotado, con valor ptimo igual a 0.
} }
(2.31)
(2.32)
124
Cuando I (B ) , el programa (2.32) presenta la ventaja de que es evidente una solucin factible bsica inicial (ahorrndonos la fase I del mtodo del simplex), la cual viene dada por t , s t = 0t , t R , pues I (B ) t R 0 . Esta ventaja se pierde si se sustituye por e , pues no se puede garantizar la no negatividad del trmino independiente.
A partir del Teorema 2.8.4 se tiene: Corolario 2.8.14 F (J ) E P f (x ) si, y slo si, el programa:
max e t s / Ru + Is rv = 0, u 0 , s 0, v 0 es acotado, con valor ptimo igual a 0.
(2.33)
El problema (2.33) siempre es factible pues (u t , s t , v ) = (0, 0, 0) verifica las restricciones. Corolario 2.8.15 F (J ) E P f (x ) si, y slo si, el problema (2.33) es no acotado.
t t Demostracin. F (J ) E P f (x ) R 0 , r = 0 , e , no tiene solucin
t R 0 , t r 0 , e , no tiene solucin. Si denotamos por D el dual de (2.33) D es no factible. Como (2.33) es factible (2.33) es no acotado. Tambin es posible utilizar otras argumentaciones a las empleadas hasta ahora para deducir condiciones novedosas que garanticen la eficiencia de una cara. Teorema 2.8.16 F (J ) E P f (x ) si, y slo si, el sistema:
t R 0 , t R J N J = 0 , > 0
tiene solucin. Demostracin. F (J ) E P f (x )
k R+ +,
(2.34)
F (J ) S P . Aplicando el
Teorema 2.4.13 El sistema, t R 0 , t R J N J = 0 , > 0 , tiene solucin.
Por la homogeneidad del sistema (2.34), es claro que Corolario 2.8.17 F (J ) E P f (x ) si, y slo si, el sistema:
t R 0 , t R J N J = 0 , e
tiene solucin.
(2.35)
Haciendo el cambio de variable = e en el sistema (2.35) obtenemos:
125
Corolario 2.8.18 ([EcHK80], Theorem 4.2) F (J ) E P f (x ) si, y slo si, el sistema:
t R e t R , t R J N J = e t R J N J , 0
tiene solucin.
(2.36)
El siguiente resultado generaliza a los dados en el Teorema 2.6.2 y Teorema 2.7.5, para vrtices y aristas, respectivamente. Teorema 2.8.19 F (J ) E P f (x ) si, y slo si, el sistema: Ru 0 , u J 0 (2.37) no tiene solucin. t J N J t = 0, > 0, Demostracin. F (J ) E P f (x ) El sistema, R 0 , R tiene solucin. El sistema, t R, R J N J 0 , > 0 , tiene solucin. Aplicando el teorema de la alternativa de Gale ([Mn69], p. 35) El sistema R, R J N J y 0 , y 0 , no tiene solucin. El sistema (2.37) no tiene solucin.
El Teorema 2.8.19 se puede expresar en funcin de la resolucin de un programa lineal escalar, obtenindose el siguiente test: Corolario 2.8.20 F (J ) E P f (x ) si, y slo si, el programa: max e t s / Ru + Is = 0, u J 0, s 0 es acotado, con valor ptimo igual a 0.
(2.38)
El resultado anterior es ms sencillo que el enunciado en [Is77a], Theorem 4 y Theorem 5. Corolario 2.8.21 F (J ) E P f (x ) si, y slo si, el problema (2.38) es no acotado. Demostracin. Por el Corolario 2.8.17, F (J ) E P f (x )
t R 0 ,
t R J N J = 0 , e , no tiene solucin. Si denotamos por D el dual de (2.38) D es no factible. Como (2.38) es factible (2.38) es no acotado.

Vamos a estudiar ahora las generalizaciones de los resultados anteriores al caso degenerado. Supongamos, pues, que x es -degenerado. Nuestra intencin consiste en calcular todas las caras eficientes incidentes en un vrtice degenerado a travs de la utilizacin de una nica tabla cannica.
126
Sea J J Z un descriptor maximal. Sabemos que F (J ) determina una nica cara de X incidente en x y que toda cara F tiene asociado un nico descriptor maximal J J Z (ver Teorema 2.3.29). = J JN , JD = J J D e YJ D Sean J N ( YJ D J D ) las filas de Y asociadas a ( JD JD ) respectivamente. Como es habitual, YD representa variables de J D las filas de Y asociadas a las variables bsicas degeneradas ( J D ). , donde u es solucin del sistema (2.6). En virtud del Sea r = Ru Corolario 2.3.33, como J es un descriptor maximal, r siempre se puede calcular. Estas hiptesis generalizan las hechas en el caso de caras incidentes en un vrtice no degenerado, pues en esa situacin, J Z = J N , J D = , JD = y el sistema (2.6) se transforma en: J = JN J N J N e , u J N = 0 u J N J N = e se tiene r = R J N J e . Tomando u Nuestro primer resultado caracteriza la eficiencia de una cara en funcin de la no factibilidad de un sistema relativamente simple: Teorema 2.8.22 F (J ) E P f (x ) si, y slo si, el sistema: Ru r , YD u 0 , u 0 (2.39) no tiene solucin. Demostracin. ~ ~ R n m , Ru ~r, Y u Supongamos, por reduccin al absurdo que u + D 0 ~, ~ N = u , , dados por, ~ x y x x N = u x B = b Y~ xN y x R++ tal que los puntos ~ ~ ~ B = b Yx N verifican que x B , x F (J ) . X . Adems, x B 0 . Luego, x , x x ~ Rx E P #, pues F (J ) E P (x ). Ru R~ x x Como Ru
N N f
B = b Yx N verifica que N = u , x , definido por, x R++ tal que x n m 0 F (J ) . Adems, aplicando la hiptesis / u R+ , Ru Ru / x X , x P P E F (J ) E f (x ). N x Rx N Rx Ntese que el Teorema 2.8.22 generaliza de forma elegante y apropiada al Teorema 2.6.10, dado que el descriptor maximal asociado a x es precisamente J Z y por esta razn el sistema (2.6) tiene como nica = 0 y, consecuentemente, r = 0 . Por otra parte, es evidente que el solucin u
127
Teorema 2.8.22 tambin generaliza al Teorema 2.8.1, pues cuando el vrtice es no degenerado, J D = . Comprobar la no factibilidad del sistema (2.39) se puede llevar a cabo fcilmente a travs de la resolucin de un programa lineal escalar. Efectivamente: Corolario 2.8.23 F (J ) E P f (x ) si, y slo si, el programa: max e t s / Ru + Is = r , YD u 0, u 0, s 0 es acotado, con valor ptimo igual a 0.
(2.40)
(0 ,
t
El problema (2.40) siempre es factible pues u

t J N J N
, 0
(u
t JN
t , uJ , st N J N
verifica las restricciones. Por otra parte, si el grado de
degeneracin de x no es grande, se debe esperar que el problema (2.40) tenga una base de dimensin pequea, por ser frecuente en la prctica que k sea pequeo. Adems, si en el transcurso de la resolucin del problema (2.40) el valor objetivo se hace estrictamente positivo, podemos parar sin necesidad de terminar la optimizacin, concluyendo que F (J ) es no eficiente. Ilustraremos con un ejemplo el uso del test dado en el Corolario 2.8.23. Ejemplo 2.8.24 Consideremos la siguiente tabla cannica asociada a J B1 =
{5, 3, 6}
JZ = { 1, 2, 4, 6}. v.b. x5 x3 x6 x1 1 1 1 -2 -2 5
x2 1 1 -1
x3 0 1 0
x4 -1 1 0
x5 1 0 0
x6 0 0 1
r.h.s. 1 3 0 6 -3 12
1 0 2 0 0 -4 0 -1 0 0 3 0 4 0 0 T (B1 ) . Tabla cannica asociada a x
1 2 2 donde R = 2 4 1 . 5 3 4 Comprobemos que la cara F ({ 1, 2, 6}) no es eficiente.
128
={ = {6}, J N J N = {4} y J D J D = . As, el Para J = { 1, 2, 6} J N 1, 2}, J D

N J N N sistema (2.7): YJJD u = 0 , YJJDNJJD u e , u e , se transforma en: 0u = 0 , u 1 .
La tabla cannica asociada al problema (2.40) para J = { 1, 2, 6} es: v.b. s1 s2 s3 s4 x1 -2 -2 5 1 0 x3 1 -4 3 -1 0 x5 2 -1 4 1 0 s1 1 0 0 0 1 s2 0 1 0 0 1 s3 0 0 1 0 1 s4 0 0 0 1 0 r.h.s. 2 -1 4 0 0
Claramente, u = 1 es solucin de este sistema maximal. 2 J N J N J N J N = 1 . Entonces, r = R u 4
J es un descriptor
Este problema se comprueba que es acotado con valor ptimo positivo (5) F ({ 1, 2, 6}) no es eficiente. 4} es un descriptor maximal pues Comprobemos ahora que F ({4}) E P f . J ={ = {4}, J D = , JN JN ={ = {6}, el sistema (2.7) se dado que J N 1, 2} y J D J D transforma en: (1, 1)u 1 , u e , y, claramente, u t = (1, 2 ) es solucin de este sistema. 0 J N J N = 10 . Entonces r = R J N J N u 11 La tabla cannica asociada al problema (2.40) para J = {4} es: v.b. s1 s2 s3 s4 x1 -2 -2 5 1 0 x3 1 -4 3 -1 0 x5 2 -1 4 1 0 s1 1 0 0 0 1 s2 0 1 0 0 1 s3 0 0 1 0 1 s4 0 0 0 1 0 r.h.s. 0 -10 11 0 0
Este problema se comprueba que es acotado con valor ptimo nulo (0) F ({4}) es eficiente.
129
Aplicando dualidad escalar al Corolario 2.8.23 se obtiene otro test importante: Corolario 2.8.25 F (J ) E P f (x ) si, y slo si, el programa: min t r / t R + v t YD 0, e, v 0 es acotado, con valor ptimo igual a 0.
(2.41)
Es posible obtener una ligera variacin del Teorema 2.8.22 que nos permita posteriores desarrollos. Teorema 2.8.26 F (J ) E P f (x ) si, y slo si, el sistema: Ru rv 0 , YD u 0 , u 0 , v 0 (2.42) no tiene solucin. Demostracin. Tomando v = 1 y aplicando la hiptesis Ru r , YD u 0 , u 0 , no tiene solucin. Por el Teorema 2.8.22 F (J ) E P f (x ). n m Supongamos por reduccin al absurdo que u R+ , v R + , R u rv 0 , YD u 0 . Distinguimos dos casos: i) v = 0 el sistema Ru 0 , YD u 0 , u 0 ,
tiene solucin. Por el Teorema 2.6.10 x E P #, pues x F (J ) . ii) v > 0 Ru r , YD u 0 , u 0 , tiene solucin. Aplicando el Teorema 2.8.22 F (J ) E P f (x ) #.
k Corolario 2.8.27 F (J ) E P tales que f (x ) si, y slo si, R++ , v R+
t R + v t YD 0 , t r = 0 . Demostracin. F (J ) E P f (x )
(R,
r )y 0 , (YD , 0)y 0 , y 0 no tiene
solucin. Aplicando el teorema de la alternativa de Tucker ([Mn69], p. 29) k k R++ , v R+ , v R+ , t (R, r ) + v t (YD , 0) 0 R++ , t t t t t k t R + v YD 0 , r 0 2 R++ , v R+ , R + v YD 0 , r = 0 . Por la homogeneidad del sistema dado en el Corolario 2.8.27, la k 0 condicin R+ + se puede sustituir por k o por e . As:
0 Corolario 2.8.28 F (J ) E P tales que f (x ) si, y slo si, k , v R+
t R + v t YD 0 , t r = 0 .
J N J t J N J N N J N J N J N J N t R + v t YD 0 t R J N J N v t YD t r = t R J N J N u u v YD 0
130
k Corolario 2.8.29 F (J ) E P tales que f (x ) si, y slo si, R , v R+
t R + v t YD 0 , t r = 0 , e .
k En general, dado R+ + , se tiene:
k tales que Corolario 2.8.30 F (J ) E P f (x ) si, y slo si, R , v R+
t R + v t YD 0 , t r = 0 , .
k Corolario 2.8.31 F (J ) E P tales que f (x ) si, y slo si, R+ , v R+
t R + v t YD e t R , t r = e t r .
Corolario 2.8.32 F (J ) E P f (x ) si, y slo si,
k R+ , v R+ tales que
t R + v t YD t R , t r = t r .
En funcin de programas lineales escalares es posible escribir: Corolario 2.8.33 F (J ) E P f (x ) si, y slo si, el programa:
min s / t R + v t YD e t R, t r + s = e t r , 0, v 0, s 0 es acotado, con valor ptimo igual a 0. Corolario 2.8.34 F (J ) E P f (x ) si, y slo si, el programa:
} }
(2.43)
min s / t R v t YD t R, t r + s = t r , 0, v 0, s 0 es acotado, con valor ptimo igual a 0.
(2.44)
La ventaja del problema (2.44) sobre (2.45) viene dada porque si tenemos I (B ) , entonces podemos garantizar la no negatividad del J N J N trmino independiente ( t R 0 , t r = t R J N J N u 0 ) y podemos utilizar directamente la fase II del mtodo del simplex, por ser evidente una solucin factible bsica inicial. Utilizando el Teorema 2.8.26 se obtiene: Corolario 2.8.35 F (J ) E P f (x ) si, y slo si, el programa:
max e t s / Ru + Is rv = 0, YD u 0, u 0 , s 0, v 0 es acotado, con valor ptimo igual a 0.
(2.45)
2.8. CARAS EFICIENTES INCIDENTES EN UN VRTICE Evidentemente, el problema (2.45) siempre (u , s , v ) = (0, 0, 0) verifica las restricciones.
t t
131 factible pues
es
Corolario 2.8.36 F (J ) E P f (x ) si, y slo si, el problema (2.45) es no acotado.
t t t Demostracin. F (J ) E P f (x ) R + v YD 0 , r = 0 , e , v 0 , no tiene
solucin t R + v t YD 0 , t r 0 , e , v 0 , no tiene solucin. . Si denotamos por D el dual de (2.45) D es no factible. Como (2.45) es factible (2.45) es no acotado. Utilizando ahora otro tipo de argumentacin es posible escribir: Teorema 2.8.37 F (J ) E P f (x ) si, y slo si, el sistema:
t J N J N J t R + v t YJ D + v t YJJD 0, > 0 , v 0 0, R
(2.46)
tiene solucin. Demostracin.
F (J ) E P f (x )
k R+ +,
F (J ) S P . Aplicando el
Teorema 2.4.19 El sistema (2.46) tiene solucin.
N J Obsrvese que, en realidad, la desigualdad t R J N J + v t YJJD 0 es una
igualdad implcita. Por la homogeneidad del sistema (2.46), es claro que: Corolario 2.8.38 F (J ) E P f (x ) si, y slo si, el sistema:
t J N J N J t R + v t YJ D + v t YJJD 0, e, v 0 0, R
(2.47)
tiene solucin. Corolario 2.8.39 F (J ) E P f (x ) si, y slo si, el sistema:

t J N J t N J + v t YJJD et R t R + v t YJ D e R, R
J N J
, 0, v 0
(2.48)
tiene solucin. Demostracin. Directa, sin ms que hacer en el Corolario 2.8.38 el cambio de variable = e . Teorema 2.8.40 F (J ) E P f (x ) si, y slo si, el sistema: Ru 0 , YJ D 0 u 0 , uJ N (2.49) no tiene solucin. Demostracin. F (J ) E P f (x ) El sistema (2.46) tiene solucin El
N J sistema, t R, R J N J + v t YJ D YJJD 0 , > 0 , v 0 , tiene solucin. ,
) (
132
Aplicando el teorema de la alternativa de Tucker ([Mn69], p. 29) El N J y 0 , y 0 , no tiene solucin. El sistema R, R J N J y 0 , YJ D YJJD ,
sistema (2.49) no tiene solucin.
Creemos muy interesante interpretar el resultado dado en el Teorema 2.8.40. Para ello, consideremos el problema relajado P max{ Cx / x X }, n siendo X = x R / Ax = b, x J 0 y sea F (J ) = {x X / x J = 0}. Aplicando el Teorema 2.6.10, el Teorema 2.8.40 viene a decir que F (J ) E P f si, y slo si, x E P . Qu sentido tiene esto? Para responder a esta pregunta necesitamos un resultado preliminar: Teorema 2.8.41 Si J J es un descriptor maximal de F (J ) , entonces P F (J ) E P f si, y slo si, F (J ) E f .
F (J ) S P F (J ) E P f .
k Demostracin. F (J ) E P f R+ + , F (J ) S P . Por el Teorema 2.4.25,
Luego, estudiar la eficiencia de F (J ) en el problema P es equivalente a estudiar la eficiencia de F (J ) en el problema P . Ahora bien, como F (J ) (F (J )) , entonces x (F (J )) . Ahora es clara la interpretacin.
0 0
El Teorema 2.8.40 tambin se puede expresar en trminos de un programa lineal escalar, dando lugar al siguiente test: Corolario 2.8.42 F (J ) E P f (x ) si, y slo si, el programa:
max e t s / Ru + s = 0, YJ D u 0, u J N 0, s 0 es acotado, con valor ptimo igual a 0.
(2.50)
Corolario 2.8.43 F (J ) E P f (x ) si, y slo si, el problema (2.50) es no acotado.
Demostracin. Por el Corolario 2.8.38, F (J ) E P t R + v t YJ D 0, f (x )

N J t R J N J + v t YJJD = 0 , e , v 0 , no tiene solucin. Si denotamos por D el
dual de (2.50) D es no factible. Como (2.50) es factible (2.50) es no acotado.
2.9. CARAS ARBITRARIAS EFICIENTES
133
2.9 Caras Arbitrarias Eficientes

Los pioneros en el reconocimiento de la eficiencia en caras definidas de forma implcita y sin utilizar informacin especfica relativa a alguno de los vrtices de la misma, fueron Yu y Zeleny ([YuZl75]). Sin embargo, sta es una cuestin que ha recibido mucha menos atencin por parte de los investigadores que la dedicada a las caras incidentes en un vrtice dado. El motivo principal de ello es que existe un consenso bastante generalizado, por parte de la comunidad cientfica, de que los mtodos globales generadores de soluciones eficientes (ver captulo 4) son menos viables que los locales, debido a la explosin combinatoria que experimentan. Otra razn en contra es que, al no poder ser utilizado el concepto de base asociado a todo vrtice, se pierden muchas posibilidades algebraicas, quedando considerablemente limitados los desarrollos tericos. Cx / x X }, donde X es un poliedro Consideremos el LVP, P max{ de R n . Sean Q el problema escalar max c t x / x X y F X f .
En nuestro estudio consideraremos diferentes representaciones para X . Empezaremos deduciendo unos resultados clsicos debidos a Yu y Zeleny. Sean X = x R n / Ax b , con rang(A) = m , I I = { 1, , m} y F = F (I ) = {x X / AI x = bI }. Teorema 2.9.1 Si u R+ , u t AI = c t entonces F (I ) S Q .
I
Demostracin. Por hiptesis, u R+ , u t AI = c t . Entonces, completando m con ceros u , x F (I ) u R+ , u t A = c t , u t (b Ax ) = 0 x S Q .

k Corolario 2.9.2 ([YuZl75], Theorem 4.3) Si R+ + , u R+ t t P u AI = C entonces F (I ) E . I
tales que
Supongamos que I es un descriptor maximal. Entonces: Teorema 2.9.3 F (I ) S Q si, y slo si, u R+ , u t AI = c t .
I
Demostracin. Por el Teorema 2.9.1.
134 Sea
2. CARACTERIZACIONES DE CARAS EFICIENTES x F 0 SQ AI I x < bI I . x SQ

I m u R+ ,
Como
u t A = c t , u t (b Ax ) = 0 . Como AI I x < bI I u I I = 0 u R+ , u t AI = c t .
k Corolario 2.9.4 ([YuZl75], Theorem 4.3, (i)) F (I ) E P f si, y slo si, R+ + ,
u R+ tales que u t AI = t C . Aplicando el teorema de la alternativa de Tucker ([Mn69], p. 29) al Corolario 2.9.4 se obtiene: Corolario 2.9.5 F (I ) E P f si, y slo si, el sistema: Cw 0 , AI w 0 no tiene solucin en R . El Corolario 2.9.5 puede ser reformulado en trminos de un programa lineal escalar como: Corolario 2.9.6 F (I ) E P f si, y slo si, el programa:
n
(2.51)
max e t s / Cw Is = 0, AI w 0, s 0 es acotado, con valor ptimo 0.
(2.52)
Corolario 2.9.7 F (I ) E P f si, y slo si, el problema (2.52) es no acotado.

n / Ax = b , con Consideremos ahora que X viene descrito como x R+ rang(A) = m . Sean J J = { 1, ..., n} descriptor maximal y D R nn matriz 1 si j J . diagonal, donde d jj = 0 si j J J
Teorema 2.9.8 F (J ) E P f si, y slo si, el sistema: Cw 0 , Dw 0 , Aw = 0

n
(2.53)
no tiene solucin en R . Demostracin. Sea x F 0 (J ) x J J > 0 . Supongamos por reduccin al absurdo que = x + w X . Ahora bien, w R n , Cw 0 , Dw 0 , Aw = 0 R++ , x P = C (x + w ) = Cx + Cw Cx #, pues x E . Cx
2.9. CARAS ARBITRARIAS EFICIENTES
135
Sean x F (J ) , x X arbitrario, w = x x Aw = 0 , Dw 0 . Aplicando la / Cx x E P F (J ) E P hiptesis Cw / 0 x X , Cx f . Evidentemente, para demostrar en el Teorema 2.9.8 la implicacin hacia la izquierda no hace falta que J J sea un descriptor maximal. En trminos de un programa escalar lineal, el Teorema 2.9.8 se puede escribir como: Corolario 2.9.9 F (J ) E P f si, y slo si, el programa:
max e t s / Cw Is = 0, Aw = 0, wJ 0, s 0 es acotado, con valor ptimo 0.
(2.54)
El Corolario 2.9.9 constituye una valiosa herramienta de caracterizacin de la eficiencia de una cara arbitraria y representa un resultado parecido en su estructura al dado en el Corolario 2.8.20. Corolario 2.9.10 F (J ) E P f si, y slo si, (2.54) es no acotado. Aplicando el teorema de la alternativa de Tucker ([Mn69], p. 29) al sistema (2.53) obtenemos:
k n m Corolario 2.9.11 F (J ) E P tales que f si, y slo si, R+ + , v R+ , u R
t C + v t D + u t A = 0 .
Veamos ahora cmo, de la mano de los resultados anteriores, se pueden deducir algunos tests de eficiencia para puntos arbitrarios (no necesariamente vrtices): Sean x X y J = {j J / x j = 0}. Evidentemente, F (J ) es una cara de
X y J es un descriptor maximal de la misma. Adems, x F 0 (J ) . Hechas estas precisiones resultan claras las siguientes conclusiones:
Teorema 2.9.12 ([EvSt73], Lemma 1.2) x E P si, y slo si, el sistema: Cw 0 , Dw 0 , Aw = 0 (2.55) n no tiene solucin en R . Corolario 2.9.13 x E P si, y slo si, el programa: max e t s / Cw Is = 0, Aw = 0, wJ 0, s 0 es acotado, con valor ptimo 0.
(2.56)
136
k Corolario 2.9.14 ([EvSt73], Corollary 1.3) x E P si, y slo si, R+ +, n m t t t v R+ , u R tales que C + v D + u A = 0 .
En la seccin 3.2 dedicada a la eficiencia completa mostraremos otra interesante perspectiva desde la que acometer la caracterizacin de eficiencia para caras arbitrarias.
2.10 Regiones de Indiferencia

Las regiones de indiferencia son ampliamente utilizadas en decisin multicriterio porque proporcionan informacin valiosa para el DM, facilitando el proceso de seleccin de una solucin eficiente ([YuZl75], Remark 3.5). Sin embargo, ste no es el nico uso que se les puede dar, pues permiten caracterizar de forma implcita el conjunto de soluciones eficientes de un LVP. Debido a esta ltima propiedad han sido utilizadas, en ocasiones, por los algoritmos generadores de soluciones eficientes (ver [Gal77]). Sea P el problema max{ Cx / x X }, donde X viene dado por el sistema (2.1). Supongamos X y consideremos Y X . La definicin de regin de indiferencia que presentamos a continuacin extiende las ideas comnmente utilizadas en la literatura (ver, por ejemplo, las dadas en [Krn74], p. 605 o [AnCl92], p. 189). Definicin 2.10.1 Se llama regin de indiferencia (dbil) de Y asociada al problema P , y se denota por I P (Y ) ( WI P (Y )), al conjunto 0k / Y S P ( k / Y S P ) . Las particularizaciones ms frecuentes de Y son los casos dados por Y = {x } con x X xp e Y = F X f . Para simplificar la notacin, la regin de indiferencia de x asociada al problema P se denotar por I P (x ). Es claro que: Proposicin 2.10.2 x E P si, y slo si, I P (x ) . Ahora, aplicando dualidad escalar a la Definicin 2.10.1, se tiene: Proposicin 2.10.3 I P (x ) = 0k / t C u t A 0, t Cx = u t b .
2.10. REGIONES DE INDIFERENCIA
137
Se pueden obtener conclusiones ms sutiles cuando x X xp , sin ms que utilizar los resultados de la seccin 2.4. Efectivamente, Corolario 2.10.4 Sea x s.f.b. no degenerada. Entonces 0k / t R 0 . Demostracin. Aplicando el Teorema 2.4.5. I P (x )
I P (x ) =
Corolario 2.10.5 Sea x s.f.b. -degenerada. 0k / v R+ , t R + v t YD 0 . Demostracin. Aplicando el Corolario 2.4.7.
Entonces
Proposicin 2.10.6 ([Krn74], p. 605, [ChHm83], p. 157) Supongamos que X es acotado. Entonces 0k = I P x i .
P x i E xp
( )
Demostracin. Evidente. Sea 0k . Como X es acotado S P . Adems, por ser X apuntado S P contiene algn vrtice. Ahora bien, sabemos que cualquier vrtice x i
P de S P tambin es un vrtice de X . Como, adems, x i E P x i E xp
I P (x i ) 0k
P x i E xp
I (x ) .
P i
Sea F X f .
P Proposicin 2.10.7 F E P f si, y slo si, I (F ) .
Aplicando el Teorema 2.4.3, se tiene: Proposicin 2.10.8 I P (F ) = 0k / t C u t A 0, t C J J = u t A J J Corolario 2.10.9 I P (F ) y WI P (F ) son convexos. Corolario 2.10.10 WI P (F ) es cerrado. El siguiente resultado es importante, pues permite obtener la regin de indiferencia de una cara en funcin de las regiones de indiferencia de sus vrtices y aristas no acotadas.
138
Teorema 2.10.11 ([Gal77], Theorem 2.3) Sea Q = Fxp Fxr . Entonces, I P (F ) = Demostracin. I P (F ) 0k , F S P . Por ser S P convexo
x i Q
I (x ).
P i
0k , Q S P 0k , I P (x i ), x i Q I P (x i ).
x i Q
P P Corolario 2.10.12 Sea Q E xp . F es una cara eficiente maximal de X E xr
si, y slo si,
x i Q
I (x ) y I (x ) = , Q , Q Q
P i P i x i Q
P P E xp . E xr
La importancia del Corolario 2.10.12 viene dada porque enuncia un mecanismo viable para calcular ascendentemente (ver captulo 4) el conjunto de todas las caras eficientes maximales de un LVP. En realidad, el mtodo generador de soluciones eficientes para el LVP propuesto por Gal ([Gal77]) se fundamenta en este principio.
Captulo 3
Tpicos Seleccionados en Programacin Vectorial Lineal

3.1 Introduccin
En este captulo nos centramos en el estudio de ciertas cuestiones de inters en programacin vectorial lineal las cuales, segn nuestro parecer, enriquecen notablemente y desde diversas perspectivas la metodologa estudiada. Concretamente, los tpicos seleccionados, que se describirn brevemente en los prrafos siguientes, han sido la caracterizacin de la eficiencia completa, la identificacin de objetivos redundantes, la dualidad, y la optimizacin lineal sobre la regin eficiente. Indudablemente, hubiera sido posible incluir otros aspectos no menos sugerentes y atractivos. La eleccin realizada est basada en nuestra propia experiencia y constituye un compromiso entre la voluntad de ofrecer un elenco de materias suficientemente rico y variado, y la necesidad de hacer fsicamente abordable un trabajo de estas caractersticas. Ocurre a veces (quiz con mayor frecuencia de lo que podramos pensar a priori) que la regin eficiente de un LVP coincide con su regin factible ([Bn91a]). En estos casos se dice que el problema es completamente eficiente. Es evidente que la deteccin de este fenmeno a priori, es decir, antes de la resolucin del LVP, presenta numerosas ventajas, siendo algunas de ellas las siguientes: (i) puede producir importantes ahorros computacionales, (ii) aporta nuevas caracterizaciones para caras eficientes arbitrarias y (iii) simplifica notablemente la optimizacin de una funcin lineal sobre la regin eficiente. Por tales motivos, hemos dedicado la seccin 3.2 al anlisis de eficiencia completa de un LVP, presentando con detalle un 139
140
3. TPICOS SELECCIONADOS EN PROGRAMACIN ...
buen nmero de tests novedosos. Algunos de ellos se enuncian en trminos de la factibilidad de un sistema lineal (ver, por ejemplo Teorema 3.2.25 y Corolarios 3.2.26 a 3.2.28) y otros en funcin de un programa lineal escalar (Teoremas 3.2.29 y 3.2.31), siendo todos fcilmente aplicables al no requerir hiptesis previas. Es importante resear que, aunque los resultados anteriores han sido obtenidos explotando la definicin de eficiencia completa, tambin se han sugerido enfoques alternativos como los utilizados en los Teoremas 3.2.32 y 3.2.34. Es nuestra opinin que, previamente a la resolucin de cualquier LVP de tamao medio o grande se debera realizar, de manera rutinaria, algn tipo de preprocesado del modelo. Aparte de las tareas tradicionales de preprocesamiento utilizadas en los modelos escalares (ver, por ejemplo, [ThTZ66], [Mt73], [ZnWl80], [Tl80] o [KLTZ83]), tales como identificacin de variables fijas, eliminacin de restricciones redundantes, etc., podemos plantearnos descartar aquellos objetivos que no influyen en la regin eficiente. Las ventajas de eliminar a priori estos objetivos redundantes son obvias: por un lado debemos esperar una disminucin del esfuerzo computacional a la hora de calcular el conjunto de soluciones eficientes y, por otra parte, cualquier tipo de anlisis a posteriori que se haga sobre la regin generada ha de verse simplificado. Estas razones nos decidieron a dedicar parte de nuestro esfuerzo a la identificacin de objetivos redundantes, quedando recogidos nuestros resultados en la seccin 3.3. En ella se intenta conceptualizar de forma clara los elementos que hemos considerado ms relevantes, presentndose algunos de ellos por primera vez (Definiciones 3.3.3, 3.3.6 y 3.3.7). La teora expuesta se ha desarrollado concediendo un papel preponderante al cono de preferencias (Teoremas 3.3.12 y 3.3.18). De esta manera hemos podido enriquecer los resultados propuestos por Gal y Leberling ([GalLb77]) con otros originales (ver, por ejemplo, Corolario 3.3.20), obtenindose todos de manera unificada y armoniosa. Adicionalmente, dado que es conocido que los objetivos que se pueden poner como combinaciones cnicas del resto son redundantes (Corolario 3.3.19), proponemos un procedimiento (algoritmo MSS), con complejidad polinomial, para calcular el sistema generador minimal de un cono polidrico. La dualidad en programacin vectorial lineal fue abordada, por primera vez, por Gale, Kuhn y Tucker, en 1951 ([Kh91], p. 85), como un caso particular del estudio que tales autores hicieron sobre dualidad en programacin matricial lineal ([GlKT51]). Desde entonces, diversos investigadores, han propuesto, con mayor o menor xito, definiciones alternativas para el caso lineal. Aunque la teora de la dualidad permite elegantes desarrollos tericos, su utilidad prctica, hasta el momento, para los casos vectorial y matricial (en contraposicin con lo que sucede en el caso escalar), deja mucho que desear, no habindose logrado an (y, probablemente, nunca se logre) una definicin de problema dual que sea
3.2. ANLISIS DE EFICIENCIA COMPLETA
141
algortmicamente satisfactoria. En la seccin 3.4 se estudian de manera homognea y se relacionan entre s algunas de las definiciones ms notables sobre dualidad en programacin vectorial. Entre todas las disponibles hemos seleccionado las planteadas por Gale-Kuhn-Tucker ([GlKT51]), Kornbluth ([Krn74]), Isermann ([Is77b]) y Hannan ([Hn78]). Nuestro empeo se ha visto recompensado con un buen nmero de modestas aportaciones (ver, por ejemplo, Teoremas 3.4.17, 3.4.21, 3.4.23, 3.4.31, 3.4.33, Lema 3.4.32, Corolarios 3.4.22, 3.4.41, 3.4.43), las cuales han contribuido a enriquecer la teora con nuevas propiedades y relaciones, y a abreviar sustancialmente algunas de las demostraciones presentadas. Por ltimo, la seccin 3.5 estudia diversos aspectos relacionados con la optimizacin de una funcin lineal sobre la regin eficiente. Se trata de un problema elegante y muy complejo (de optimizacin no convexa), que ha despertado inters desde hace ms de treinta aos ([Ph72], p. 224), estando su utilidad e importancia fuera de toda duda (ver, por ejemplo, [IsSt87], [Bn84], [Bn91b], [Bn92], [Bn93], [EcSn94], [DrFs95] y [BnLee96]). En particular, Benson muestra en [Bn84] (p. 565) que ciertos problemas del mundo real se pueden modelar de forma ms apropiada y realista con este enfoque que con el ms tradicional de la programacin lineal multiobjetivo. En este apartado realizamos un estudio terico y algortmico de este tema, presentando, entre otros resultados inditos, el mtodo de maximizacin facial progresiva (MFP) basado en la optimizacin, en cada iteracin, de la funcin objetivo sobre una cara eficiente estrictamente mejorada. Las caras eficientes generadas se obtienen a partir de la resolucin de un programa bilineal simplificado (Teorema 3.5.32), que puede ser abordado adecuadamente mediante tcnicas especficas de optimizacin global ([AHJS99]).
3.2 Anlisis de Eficiencia Completa

Sea P el problema de optimizacin vectorial max {z (x ) / x X }, donde supondremos, sin prdida de generalidad, que X . Definicin 3.2.1 ([Bn91a], p. 482) P se dice que es completamente eficiente si E P = X . Ejemplo 3.2.2 Consideremos el problema P dado por: s.a : x X = x R 3 / 0 x1 1, 0 x2 1, x3 = 0 1 0 0 max Cx = 1 1 1 x 1 1 1
142
y cuya regin factible y cono de preferencias se representa en la Figura 3.1. Evidentemente, E P = X .
x3 (0,1,1) C (1,0,1) X x1 x2 (0,1,1)
Figura 3.1
Es claro que si z (X ) es un conjunto unitario, entonces P es completamente eficiente. En particular, la condicin anterior se da trivialmente si X contiene una nica alternativa. El estudio de la eficiencia completa fue abordado por primera vez en 1977, de la mano de M. Benveniste ([Bnv77]) y posteriormente tratado por H. Benson, en 1991 ([Bn91a]). Mientras que Benveniste realiz un estudio preliminar bajo la hiptesis de linealidad en las funciones objetivo, Benson analiz con detenimiento las particularidades del fenmeno para el LVP. En esta seccin desarrollaremos una teora coherente y estructurada para la eficiencia completa en el caso lineal que, a la par que integra ciertos resultados conocidos, ofrece otros nuevos. Consideremos, inicialmente, Y X . Teorema 3.2.3 Y E P si, y slo si, el sistema: z (x ) z ( y ) 0 , x X , y Y (3.1) no tiene solucin. Demostracin. Y E P y Y , / x X , z (x ) z ( y ) el sistema (3.1) no tiene solucin.
3.2. ANLISIS DE EFICIENCIA COMPLETA Sea PY el programa escalar: max e t s / z (x ) z ( y ) s = 0, x X , y Y , s 0
143
Evidentemente PY siempre es factible y generaliza al problema de maximizacin de holguras Px . Teorema 3.2.4 Y E P si, y slo si, PY es acotado, con valor ptimo 0. Demostracin. Y E P . Por el Teorema 1.4.37 y Y , Pz ( y ) es acotado, con valor ptimo 0 PY es acotado, con valor ptimo 0. Teorema 3.2.5 Si (x , y , s ) S PY entonces x E P .
Demostracin. Aplicar el Corolario 1.4.36. Corolario 3.2.6 Si E P = entonces PY es no acotado.

k Sean R+ + y P ,Y el problema de optimizacin escalar:
max t (z (x ) z ( y )) / z (x ) z ( y ) 0, x X , y Y
P ,Y siempre es factible pues hemos presupuesto que Y X . Adems P ,Y generaliza al problema paramtrico-restringido P , z (ver seccin 1.4.5). Obsrvese tambin que P ,Y es una generalizacin del problema PY , pues eliminando s en ste ltimo se obtiene Pe ,Y . Teorema 3.2.7 Y E P si, y slo si, P ,Y es acotado, con valor ptimo 0. Demostracin. Supongamos por reduccin al absurdo que y Y , x X , z (x ) z ( y ) 0 , t (z (x ) z ( y )) > 0 . Como > 0 z (x ) z ( y ) 0 y E P . # P Supongamos por reduccin al absurdo que Y / E y Y , x X , z (x ) z ( y ) t (z (x ) z ( y )) > 0 #. Aplicando los resultados anteriores obtenemos:
144
Teorema 3.2.8 Son equivalentes: (i) P es completamente eficiente. (ii) El sistema z (x ) z ( y ) 0 , x, y X no tiene solucin ([Bnv77], Theorem1, p. 286). (iii) El programa escalar PX dado por: max e t s / z (x ) z ( y ) s = 0, x, y X , s 0 es acotado, con valor ptimo igual a 0. (iv) El programa escalar P , X dado por:
(3.2)
} }
max t (z (x ) z ( y )) / z (x ) z ( y ) 0, x, y X es acotado, con valor ptimo igual a 0 ([Bn91a], Theorem 1, p. 483).
Una interesante relacin de simetra captada por Benson viene de la mano del problema P max { z (x ) / x X }. Efectivamente: Corolario 3.2.9 ([Bn91a], Corollary 1.1) P es completamente eficiente si, y slo si, P es completamente eficiente. Demostracin. Directa, pues por la Proposicin 1.3.13 sabemos que las regiones eficientes de P y P coinciden. El siguiente resultado no tiene dificultad: Proposicin 3.2.10 Si 0k tal que t z (x ) = 0 t entonces E P = X . Bajo la hiptesis de linealidad en las funciones objetivo, la Proposicin 3.2.10 proporciona nuevas condiciones suficientes. Efectivamente: Teorema 3.2.11 Son equivalentes: t C = 0t , > 0 tiene solucin. (i) (ii) / d R n , Cd 0 . (iii) El sistema Cd Is = 0 , et s 1 , s 0 (3.3) no tiene solucin ([Bnv77], Corollary 1, p. 287). (iv) El problema max e t s / Cd Is = 0, s 0 (3.4) es acotado, con valor ptimo igual a 0. (v) C = { 0 }. Demostracin. (i) (ii) Directa, sin ms que utilizar el teorema de la alternativa de Stiemke ([Mn69], p. 32).
145
(ii) (iii) Supongamos por reduccin al absurdo que d R n , s R k , Cd Is = 0 , et s 1 , s 0 Cd 0 , #. (ii) (iii) Supongamos por reduccin al absurdo que d R n , Cd 0 R+ + , = d d Rn , s 0 . Llamando d = 0 , et s 1, s R k , Cd Is Rk , s Is 0 #. = 0 , et s 1, s Cd (ii) (iv) No reviste dificultad. (ii) (v) d R n / Cd 0} { 0 }. Es claro pues C = { Si consideramos z (x ) = Cx , en virtud del Teorema 3.2.11 se tiene: Corolario 3.2.12 ([YuZl75], Remark 4.3) Si t C = 0t , > 0 tiene solucin entonces E P = X . Corolario 3.2.13 ([Bnv77], Theorem 2) Si / d R n , Cd 0 entonces E P = X . El recproco del resultado anterior no es cierto como pone de manifiesto el siguiente contraejemplo: Ejemplo 3.2.14 Consideremos el problema dado en el Ejemplo 3.2.2. Se tiene 1 que E P = X y, sin embargo, d = (1, 0, 1) R 3 tal que Cd = 0 0 . 0 Corolario 3.2.15 Si el sistema (3.3) no tiene solucin entonces E P = X . Corolario 3.2.16 Si el problema (3.4) es acotado, con valor ptimo igual a 0, entonces E P = X . Corolario 3.2.17 Si C = { 0} entonces E P = X . Obsrvese que el problema (3.4) siempre es factible pues (d t , s t ) = (0, 0) verifica las restricciones. Adems, hay disponible de forma inmediata una base inicial dada por I . Por otra parte, se debe esperar que la base inicial de (3.4) sea de dimensin pequea, por ser frecuente en la prctica que k sea pequeo.
146
Veamos bajo qu hiptesis las condiciones suficientes anteriores de eficiencia completa son tambin necesarias. Si denotamos por int (X ) el interior de X en la topologa usual de R n tenemos: Teorema 3.2.18 ([Bnv77], Theorem 3) Sea X R n tal que int (X ) . Si E P = X entonces / d R n tal que Cd 0 . Demostracin. Supongamos por reduccin al absurdo que d R n , Cd 0 . = x + d X . Adems, Cx = Cx + Cd Cx Sea x int (X ) R+ + , x P x E #. Ntese que la condicin de que int (X ) es muy dura, pues implica que X ha de ser de dimensin total. Veamos cmo se puede comprobar si el interior de un poliedro es no vaco. Para ello consideraremos las representaciones ms comunes. En primer lugar, es de sobra conocido que: i) ii) iii) Si X = x R n / Ax b entonces int (X ) = x R n / Ax < b . Si X = x R n / Ax b, x 0 entonces int (X ) = x R n / Ax < b, x > 0 . Si X = x R n / Ax = b, x 0 entonces int (X ) = x R n / Ax = b, x > 0 .
{ { {
} }
{ {
} }
Proposicin 3.2.19 ([Bnv77], p. 287) Ax < b tiene solucin si, y slo si, yb Ax e , y 1 , y R tiene solucin. Demostracin. Ax < b tiene solucin x R n , y R , y 1 , y (b Ax ) e yb Ax e , y 1 , y R tiene solucin. Corolario 3.2.20 Ax < b , x > 0 tiene solucin si, y slo si, yb Ax e , x e , y 1 , y R tiene solucin. A b Demostracin. Ax < b , x > 0 tiene solucin I x < 0 tiene solucin. b A Por la Proposicin 3.2.19, y 0 x e , y 1 , y R tiene solucin I yb Ax e , x e , y 1 , y R tiene solucin. Proposicin 3.2.21 Ax = b , x > 0 tiene solucin si, y slo si, yb Ax = 0 , x e , y 1 , y R tiene solucin.
(3.5)
147
Demostracin. Inmediata. , y ) = Por hiptesis x > 0 tal que Ax = b . Sea = min1 j n {x j }. Si 1 (x es solucin de (3.5). Si por el contrario, < 1 solucin de (3.5)
(x , 1)
, y ) = (x / , 1 / ) (x
es
A partir de ahora, analizaremos exclusivamente el problema de la eficiencia completa en relacin con el LVP. Supongamos que P viene dado n . por max Cx / Ax = b, x R+
En primer lugar, siempre podemos asegurar que: Corolario 3.2.22 Si 0k , u R m , t C = u t A entonces E P = X . Demostracin. Basta aplicar las condiciones de eficiencia para el caso lineal (Teorema 1.7.6). Evidentemente, el Corolario 3.2.22 es una generalizacin del Corolario 3.2.12. Por otra parte, tambin es posible escribir: Corolario 3.2.23 Si el problema: min e t s / u t A t C s t I = 0, e, s 0 es acotado, con valor ptimo igual a cero, entonces E P = X .
(3.6)
Corolario 3.2.24 Si el problema: max e t Cd / Ad = 0, Cd 0, d e (3.7) P es acotado, con valor ptimo igual a cero entonces E = X . Demostracin. Aplicando dualidad escalar, el problema (3.7) es acotado, con valor ptimo igual a cero min e t s / u t A t C s t I = e t C , 0, s 0 es acotado, con valor ptimo igual a cero. Haciendo el cambio de variable = + e el problema (3.6) es acotado, con valor ptimo igual a cero.
Ahora bien, si utilizamos las condiciones necesarias y suficientes que proporciona el Teorema 3.2.8 en combinacin con los teoremas de la alternativa disponibles para el caso lineal (seccin 1.7), el anlisis de la eficiencia completa para el LVP comienza a dotarse de tests verdaderamente tiles.
148
Teorema 3.2.25 E P = X si, y slo si, el sistema: u t A t C 0 v t A + t C 0 utb + vtb 0 >0 tiene solucin.
(3.8)
Cx Cy 0 Ax = b P Demostracin. E = X . Por el Teorema 3.2.8 El sistema no Ay = b x 0, y 0 x C ) y 0 A 0 x b tiene solucin. El sistema 0 A = no tiene solucin. Por ser y b xt , yt 0 X y aplicando el Teorema de la Alternativa 1.7.3., El sistema A 0 t t ( ) , 0 u t , vt C C 0 A tiene solucin. El sistema (3.8) tiene b t t u, v b 0, > 0 solucin.
(C ,
( (
) )
Debido a la homogeneidad del sistema (3.8) obtenemos: Corolario 3.2.26 E P = X si, y slo si, el sistema: u t A t C 0 v t A + t C 0 utb + vtb 0 e tiene solucin. Aplicando ahora el cambio de variable = e al sistema (3.9):
(3.9)
3.2. ANLISIS DE EFICIENCIA COMPLETA Corolario 3.2.27 E P = X si, y slo si, el sistema: u t A t C et C v t A + t C et C utb + vtb 0 0 tiene solucin.
149
(3.10)
En realidad, la desigualdad u t b + v t b 0 del sistema (3.8) es una igualdad implcita. Efectivamente: Corolario 3.2.28 E P = X si, y slo si, el sistema: u t A t C 0 v t A + t C 0 (3.11) utb + vtb = 0 >0 tiene solucin. Demostracin. E P = X El sistema (3.8) tiene solucin. Como u t A + v t A 0 , multiplicando ambos miembros por x X , u t b + v t b 0 . El sistema (3.11) tiene solucin. A partir de los resultados anteriores podemos concluir que: Teorema 3.2.29 E P = X si, y slo si, el problema DX dado por: min u t b + v t b s.a : u t A t C 0 v t A + t C 0 e es acotado, con valor ptimo igual a 0.
(3.12)
Obsrvese que DX no puede ser no acotado si suponemos que X . A modo de comparacin, Benson propone como condicin necesaria y suficiente para la eficiencia completa de P , que el problema: min u t b t t s.a : u A s I 0 v t A t C s t I = 0 e, s 0 sea acotado, con valor ptimo igual a 0 ([Bn91a], Theorem 2).
150
Por otra parte, es interesante notar que: Proposicin 3.2.30 DX es el dual de la formulacin lineal de PX . Demostracin. Inmediata, sin ms que tener en cuenta que la formulacin lineal de PX es: s.a : C C I x 0 A 0 0 y = b 0 A 0 s b x y 0 s x max 0 , 0 , e y s
(3.13)
Teorema 3.2.31 E P = X si, y slo si, el programa lineal escalar (3.13) es acotado con valor objetivo ptimo 0. Tambin podemos utilizar otro tipo de argumentaciones para comprobar la eficiencia completa de un problema. La que exponemos a continuacin se basara en nuestra capacidad para encontrar un punto del interior relativo del poliedro. Sabemos que, X si, y slo si, X 0 ([NmWl88], Proposition 2.3). Sea x X 0 . Teorema 3.2.32 E P = X si, y slo si, el sistema u t A t C , u t b = t Cx tiene solucin. k Demostracin. E P = X R+ x S P El sistema + , X = S P u t A t C , u t b = t Cx tiene solucin.
Teorema 3.2.33 E P = X si, y slo si, P(Cx ) es acotado, con valor ptimo 0. Demostracin. Si P(Cx ) es acotado, con valor ptimo 0, por el Teorema 1.4.37 x E P . Como x X 0 E P = X .
151
Si E P = X x E P . Por el Teorema 1.4.37 P(Cx ) es acotado, con valor ptimo 0. La principal dificultad que presentan las caracterizaciones dadas en los dos teoremas anteriores estriba en encontrar un punto x X 0 . Ahora bien, si somos capaces de determinar el descriptor maximal J J de X ( F (J ) = X ), entonces, en virtud de la Proposicin 2.3.19, X 0 = {x X / x J J > 0, x J = 0}. Otra posibilidad que podemos contemplar, para desarrollar nuevas herramientas de utilidad en el estudio de la eficiencia completa, consiste en utilizar los resultados obtenidos en el captulo 2, relacionados con la caracterizacin de las caras eficientes, sin ms que tener en cuenta que X es una cara (impropia) de X . Aunque la idea es sencilla (y en esta sencillez radica gran parte de su belleza), proporciona una nueva perspectiva, aparentemente no explotada previamente, para afrontar este problema. Con la intencin de dar una pequea muestra de los resultados que se pueden obtener por esta va, consideremos x s.f.b. de X , especificado por una base arbitraria B R mm de A (= [B N ] ) y R = C B B -1 N -C N R k (nm ) , su matriz de costos reducidos asociada, la cual supondremos, sin prdida de generalidad, no nula. Supongamos, en primer lugar, que x es no degenerada. Siempre ocurre que X = F ( ) . Pero si x es no degenerada, entonces tambin es un descriptor maximal de X . Sea r = R e . Ahora, utilizando el vector r que acabamos de definir, podemos aplicar a X los resultados obtenidos en la seccin 2.8. En particular, en virtud del Teorema 2.8.1, se tiene: Teorema 3.2.34 E P = X si, y slo si, el sistema Ru r , u 0 , no tiene solucin. O bien, utilizando el Corolario 2.8.6,
k Corolario 3.2.35 E P = X si, y slo si, R++ , t R 0 , t r = 0 .
Para el caso en que x es -degenerado necesitamos encontrar previamente el descriptor maximal J J de X . Una vez hallado, definimos es solucin del sistema (2.6) y ya estamos en condiciones de , donde u r = Ru aplicar los resultados de la seccin 2.8 obtenidos para el caso degenerado. Concretamente, aplicando el Teorema 2.8.22 se tiene:
152
Teorema 3.2.36 E P = X si, y slo si, el sistema Ru r , YD u 0 , u 0 , no tiene solucin. O bien, utilizando el Corolario 2.8.27 podemos escribir:
k , v R+ , t R + v t YD 0 , Corolario 3.2.37 E P = X si, y slo si, R++ t r = 0 .
No quisiramos acabar esta seccin sin mencionar, de manera explcita, que tambin es posible hacer un razonamiento inverso al realizado en los prrafos anteriores. Efectivamente, una de las aplicaciones de mayor utilidad prctica para los tests de eficiencia completa consiste en utilizarlos para determinar la eficiencia de una cara arbitraria. Esta reflexin se basa en el hecho de que cualquier cara de un poliedro es, en s misma, un poliedro. As, entre otros muchos resultados podemos escribir: Teorema 3.2.38 F E P f si, y slo si, el sistema Cx Cy , x X , y F , no tiene solucin. Corolario
max e t s / Cx Cy Is = 0, x X , y F es acotado, con valor ptimo 0.
3.2.39
F EP f
si,
slo
si,
el
programa
escalar
3.3 Identificacin de Objetivos Redundantes

En esta seccin nos planteamos estudiar cuales (si los hay) de los objetivos de un LVP no influyen en su conjunto de soluciones eficientes, en el sentido de que, si los suprimimos, el nuevo problema resultante contina teniendo la misma regin eficiente que el original. Este tipo de anlisis se conoce con el nombre de identificacin o determinacin de objetivos redundantes y tiene gran importancia en programacin vectorial, por ser ampliamente aceptado que el esfuerzo computacional para resolver un LVP crece ms que proporcionalmente con el nmero de objetivos ([St86]). En general, la eliminacin de los objetivos redundantes de un LVP se deber traducir, por una parte, en un ahorro (a veces considerable) de clculo (y tiempo) al resolver el problema y, por otra, en una simplificacin de cualquier anlisis a posteriori (filtrado de soluciones eficientes, bsqueda de una solucin preferida, ...) que se haga sobre la regin eficiente. Por desgracia, la identificacin exacta de los objetivos redundantes de un LVP es un problema de gran dureza (como se ver en breve) y, en el estado actual del arte, slo resultan prcticos ciertos enfoques muy sencillos.
3.3. IDENTIFICACIN DE OBJETIVOS REDUNDANTES
153
A efectos de clasificacin, la identificacin de objetivos redundantes est englobada dentro del anlisis de sensitividad en programacin vectorial. Sea P un LVP definido como en (1.5). A lo largo de este apartado utilizaremos la siguiente notacin: Dado I { 1, ..., k }, I ser { 1, ..., k } I . Cuando I = {r}, con r {1, ..., k } , por motivos de simplificacin, denotaremos por r a { 1, ..., k } {r}. De forma usual, z I (x ) corresponder con {zi (x ) / i I } y designaremos por PI al problema de programacin vectorial: max{z I (x ) / x X } (3.14) Obsrvese que PI es un nuevo problema a todos los efectos pues, en general, no ocurre que E P E PI , ni que E P E PI . Sin embargo, si se da la siguiente propiedad: Proposicin 3.3.1 WE PI WE P . Demostracin. Sea x WE PI z ( x) > z ( x ) x WE P . / x X , z I ( x) > z I ( x ) / x X ,
Definicin 3.3.2 ([GalLb77], Definition 2.2) Sea r {1, ..., k } . El objetivo zr (x ) se dice (dbilmente) redundante1 en P si, y slo si, E P = E Pr ( WE P = WE Pr ). En caso contrario, el objetivo se dice que es (dbilmente) irredundante2. Supondremos, para no trivializar el concepto recin introducido, que z r (x ) no es idnticamente constante. En funcin de la definicin anterior es claro que, si mediante algn procedimiento, llegamos al convencimiento de que el objetivo z r es redundante debemos, en aras del ahorro del esfuerzo computacional y la simplificacin del problema de decisin, eliminarlo del modelo. Sin embargo, y como regla general, las funciones objetivo identificadas como redundantes segn la definicin anterior son dependientes de la secuencia de eliminacin seguida, debindose desecharse una a una en pasos sucesivos pues, eliminar una de ellas, puede convertir otras funciones objetivo redundantes, en irredundantes. Para hacer un tratamiento lo ms general posible consideraremos simultneamente un bloque de funciones objetivo. As, si E P = E PI diremos
1 2
Tambin son utilizables los adjetivos derivado, no esencial, superfluo, ... Fundamental, esencial, ...
154 z (x ) .
que z I (x ) es redundante en P y que z I (x ) es una representacin (vlida) de
La identificacin de objetivos redundantes en un LVP es una cuestin mucho ms difcil de tratar que la determinacin de la eficiencia completa del problema, pues mientras que en esta ltima se compara E P con X (poliedro cerrado y convexo), en la primera se compara E P con E PI (en general, no convexo y sin descripcin algebraica conocida a priori). Definicin 3.3.3 Dada una representacin z I (x ) de z (x ) para el problema P , se define su orden como el cardinal de I . Definicin 3.3.4 z I (x ) es una representacin no redundante o minimal de z (x ) para el problema P si, y slo si, i) E P = E PI y ii) PI no tiene objetivos redundantes. Ntese que para un mismo problema P pueden haber mltiples representaciones no redundantes de z (x ) y sus rdenes no tienen porqu ser coincidentes. Efectivamente: Ejemplo 3.3.5 Consideremos el problema: 1 0 0 1 1 0 x1 1 0 1 x2 / 0 x1 2, 0 x2 2, x3 = 0 max 0 1 1 x 1 1 2 3 1 2 1 cuya regin factible y cono de preferencias se ilustra en la Figura 3.2. Se observa sin dificultad que existen dos representaciones no redundantes distintas para z (x ) , las cuales vienen dadas por: {z1 , z5 , z6 } y {z1 , z2 , z3 , z4 }, siendo sus rdenes 3 y 4, respectivamente. El ejemplo anterior evidencia que el orden de una representacin no redundante de z (x ) para el problema P es altamente dependiente de la secuencia de objetivos redundantes identificados (eliminaciones parciales seguidas).
155
x3
(0,1,1)
(1,1,1)
C
(0,1,1) (1,1,1) (0,2,0)

X x2
(2,0,1) (2,0,0)
x1
(2,2,0)
Figura 3.2
Definicin 3.3.6 Al nmero mnimo de objetivos no redundantes de un problema P le denominaremos ndice vectorial de P (o, simplemente, ndice de P ) y lo denotaremos por (P ). Para el problema del Ejemplo 3.3.5, (P ) = 3 . En general, determinar el ndice vectorial de P es algo bastante complejo (no slo depende de z (x ) , sino tambin de X e, incluso, de la secuencia de objetivos redundantes identificados). Definicin 3.3.7 Una representacin de z (x ) para el problema P se dice ptima si su orden coincide con (P ). En el Ejemplo 3.3.5, {z1 , z5 , z6 } es una representacin ptima de z (x ) . Cuando el LVP a resolver tiene un nmero de objetivos coincidente con su ndice vectorial, el espacio objetivo es de la menor dimensin posible. Evidentemente, lo deseable es tener el problema formulado en trminos de una representacin ptima. Lamentablemente, esto es mucho ms difcil de hacer que de decir.
156
Los siguientes resultados enunciados a continuacin caracterizan los objetivos redundantes en P . Sin embargo, ninguno de ellos resulta ser demasiado til en la prctica. Teorema 3.3.8 z I (x ) es redundante en P si, y slo si, x X , los sistemas: z (x ) z (x ), x X (3.15) (3.16) z I (x ) z I (x ) , x X son simultneamente compatibles o incompatibles. Demostracin. Directa teniendo en cuenta la definicin de solucin eficiente y que z I (x ) es redundante en P E P = E PI . Teorema 3.3.9 ([GalLb77], Theorem 2.4) z I (x ) es redundante en P si, y slo
I k si, i) x E P , R+ + , x S (PI )w , ii) x E PI , R++ , x S P .
Teorema 3.3.10 E P E PI si, y slo si, el sistema: z I ( y ) z I (x ) , y X , x E P no tiene solucin. Teorema 3.3.11 E PI E P si, y slo si, el sistema: z ( y ) z (x ), y X , x E PI no tiene solucin.
(3.17)
(3.18)
El problema que presentan los sistemas (3.17) y (3.18) es que no se pueden expresar como sistemas de desigualdades lineales, dado que los conjuntos de soluciones eficientes, en general, no son convexos. En este punto nos vemos obligados a introducir ms notacin. Convendremos en que: C I representa las filas de C correspondientes a los ndices de I . C y C I denotan los conos de preferencia de P y PI , respectivamente. Dx y DxI indican los conjuntos de dominacin de x X para P y PI , respectivamente. Teorema 3.3.12 z I (x ) es redundante en P si, y slo si, i) x E P , DxI X = {x}, ii) x E PI , Dx X = { x} .
157
En funcin del teorema anterior y dado que Dx = x + C , es claro que una condicin suficiente para que E P = E PI es que ocurra que C = C I . Sin embargo, esta condicin, en general, no es necesaria, es decir, C I x puede ser redundante en P y, sin embargo, C C I . Efectivamente, en el Ejemplo 3.3.5, z3 (x ) es redundante y C C I . La idea que acabamos de enunciar nos permitir obtener un procedimiento para identificar objetivos redundantes. Primero necesitaremos algunos resultados preliminares. Sea r I . Definicin 3.3.13 cr es una combinacin cnica de las filas de C I si, y slo si, u R+ tal que crt = u t C I .
I
Teorema 3.3.14 cr es una combinacin cnica de las filas de C I si, y slo si, el sistema: crt x > 0 , C I x 0 , (3.19) n no tiene solucin en R . Demostracin. cr es una combinacin cnica de C I el sistema crt = u t C I tiene solucin en R+ . Ahora, aplicando el teorema de la alternativa de Farkas ([Mn69], p. 34) el sistema (3.19) no tiene solucin en R n . El siguiente resultado constituye un mtodo eficaz para comprobar si cr es una combinacin cnica de las filas de C I . Teorema 3.3.15 cr es una combinacin cnica de las filas de C I si, y slo si, el programa lineal escalar: max crt x / C I x 0 (3.20) es acotado. Demostracin. Basta tener en cuenta el Teorema 3.3.14.
I
Observaciones: (i) El programa (3.20) siempre es factible. Efectivamente, se puede considerar como solucin factible bsica inicial la que se obtiene al considerar las variables de holgura como bsicas. Si el problema (3.20) es acotado, el valor objetivo ptimo ha de ser, necesariamente, 0. Efectivamente, si suponemos que x R n tal que crt x > 0 y C I x 0 , entonces tambin es solucin factible cualquier x con R+ + . Ahora, tomando todo lo grande que queramos,
(ii)
158
3. TPICOS SELECCIONADOS EN PROGRAMACIN ... podemos aumentar arbitrariamente el valor de la funcin objetivo, en contradiccin con que el problema sea acotado. Si al resolver el problema (3.20), en alguna iteracin el valor de la funcin objetivo se hace positivo, podemos concluir que el problema es no acotado. El problema es altamente degenerado, lo cual, muy probablemente, afectar de manera adversa a la resolucin numrica del mismo.
(iii)
(iv)
Corolario 3.3.16 cr no es una combinacin cnica de las filas de C I si, y slo si, el programa (3.20) es no acotado. Demostracin. Basta tener en cuenta la discusin que sigue al Teorema 3.3.15. Definicin 3.3.17 C I es una combinacin cnica de C I si, y slo si, cada fila de C I es una combinacin cnica de C I . Es claro que C I es una combinacin cnica de C I si, y slo si, U R+
(k I ) I
tal que C I = UC I
Teorema 3.3.18 Si C I es una combinacin cnica de las filas de C I entonces C = C I . Demostracin. Sea x R n , x 0 . Si x C Cx 0 . Evidentemente, slo puede ocurrir uno de los siguientes dos casos: i) C I x 0 x C I , o bien, ii) r I , C I x = 0 , crt x > 0 . Ahora bien, como C I es una combinacin cnica de C I u R+ , crt = u t C I
I
crt x = u t C I x = 0 #. Luego este segundo caso no se puede dar. x C I C I x 0 . Como adems U R+ Cx 0 x C .

(k I ) I
, C I = UC I C I x = UC I x 0
Ahora estamos condiciones de dar condiciones suficientes para determinar objetivos redundantes. Corolario 3.3.19 ([GalLb77], Theorem 2.3) Si c r es una combinacin cnica de C I entonces crt x es redundante en P . Corolario 3.3.20 Si el programa (3.20) es acotado entonces crt x redundante en P . es
159
Corolario 3.3.21 ([GalLb77], Theorem 2.11) Si las filas de C I generan el cono criterio V ( C) entonces los objetivos C I x son redundantes en P . Lo interesante, evidentemente, es tener en C I un sistema generador minimal de V ( C) , pues los generadores no esenciales del cono criterio se corresponden con objetivos redundantes al ser combinaciones cnicas de los generadores esenciales. Este razonamiento da pie a una heurstica muy sencilla, enunciada por Gal y Leberling ([GalLb77], p. 179-180), consistente en determinar el sistema generador minimal del cono criterio V ( C) . No obstante, debemos realizar una serie de apreciaciones: (i) No se puede garantizar que la representacin de z (x ) obtenida con una heurstica como la anterior sea ptima. Ni siquiera, no redundante. El nmero mnimo de generadores de V ( C) slo constituye, en general, una aproximacin a (P ) y, que sepamos, no existe ninguna estimacin sobre la bondad de la misma. Para el buen funcionamiento de la heurstica es fundamental contar con un algoritmo eficaz para encontrar el sistema generador minimal de un cono polidrico (es decir, finitamente generado). El procedimiento propuesto por Gal y Leberling para realizar este paso solo se esquematiza rudimentariamente, sin entrar en detalles algortmicos de ningn tipo.
(ii)
Como creemos que el clculo del sistema generador minimal de un cono polidrico no es, a priori, una tarea trivial, a continuacin presentamos un algoritmo nuevo y con marcado carcter prctico, para resolver tal problema. Al finalizar el procedimiento, I almacenar los ndices correspondientes a las filas de C que constituyen el sistema generador minimal del cono criterio. Algoritmo MSS (Minimal Spanning System) Paso 0. (Inicializacin) Hacer I = { 1, ..., k } y J = { 1, ..., k }. Paso 1. (Progresin, exploracin y registro) Seleccionar r J . Hacer J = J {r}. Resolver Q max crt x / C I {r }x 0 .
Si Q es acotado hacer I = I {r} ( cr es un generador no esencial y, por tanto, se puede suprimir). Paso 2. (Terminacin) Si J = , STOP. En otro caso, ir al paso 1.
160
x3
(0,1,1)
(1,1,1)
C
(0,1,1) (1,1,1) (0,2,0)

X x2
(2,0,1) (2,0,0)
x1
(2,2,0)
Figura 3.3
Observaciones: (i) (ii) (iii) El algoritmo es vlido (Teorema 3.3.15). El nmero de iteraciones realizada por el algoritmo es k . La complejidad del algoritmo es claramente polinomial.
Ejemplo 3.3.22 Consideremos el siguiente problema: 1 0 0 1 1 0 x1 1 0 1 x2 / x1 x2 + x3 = 0, x1 + x3 2, x1 x2 0, x1 , x2 , x3 0 max 0 1 1 x 1 1 2 3 1 1 2 En la Figura 3.3 se observa la regin factible (el segmento que une los puntos (0, 0, 0) y (2, 2, 0)) y el cono de preferencias C . Claramente, el problema es completamente eficiente. Cuando se calcula el sistema generador minimal del cono criterio, utilizando el algoritmo MSS con seleccin de objetivos
161
secuencial, se detectan como redundantes las funciones objetivo z5 y z6 . Efectivamente z5 = z3 + z4 y z6 = z2 + z3 . El orden de la representacin obtenida de z (x ) es 4 y, sin embargo, (P ) = 2, como se puede comprobar grficamente sin excesiva dificultad. A continuacin veremos cmo se puede mejorar sensiblemente la eficacia del procedimiento MSS en orden a detectar objetivos redundantes. Un primer refinamiento consiste en realizar a priori un preprocesado de la regin factible, con el objeto de, entre otras cosas, poder fijar el mayor nmero de variables posibles. Entonces, las columnas de C asociadas a variables fijas, se pueden descartar en el anlisis de objetivos redundantes que se haga a continuacin (Proposicin 1.6.15, ii)). El resultado inmediato es que ahora el cono criterio est contenido en un espacio de menor dimensin, lo cual conlleva dos ventajas fundamentales: por una parte se requiere un menor esfuerzo computacional en la identificacin de objetivos redundantes, y por otra, es muy posible que se detecten ms de ellos utilizando mtodos como MSS, basados en el clculo del sistema generador minimal del cono criterio. Ejemplo 3.3.23 Un posible preprocesado aplicable a la descripcin de la regin factible del Ejemplo 3.3.22 podra consistir en: Restando a la segunda restriccin la primera x2 2 . Se tiene una cota superior para x2 . Restando a la tercera restriccin la primera x3 0 . Como x3 0 Se fija x3 a 0. Al fijar x3 a 0, la segunda restriccin se puede reemplazar por una cota superior sobre x1 x1 2 . Luego, X = {x R 3 / x1 x2 = 0, 0 x1 2, 0 x2 2, x3 = 0}. Como x3 = 0 , podemos eliminar la tercera columna de C , obtenindose la matriz criterio preprocesada: 1 0 1 0 ~ 1 0 C = 0 1 1 1 1 1 La representacin grfica de estos vectores se da en la Figura 3.4.
162
Ahora, aplicando el algoritmo MSS, se obtiene que z2 , z3 y z4 son redundantes. La representacin de z (x ) obtenida viene dada por {z1 , z5 , z6 }.
z6
z2
z3
z1
z5 z4
Figura 3.4
Siguiendo con nuestra intencin de descartar a priori el mayor nmero posible de columnas de la matriz criterio, podemos recurrir a la siguiente idea: Si conocemos una solucin bsica (aunque no sea factible), asociada a una base B de A , es posible trabajar con la matriz de costos reducidos R en lugar de C (Proposicin 1.6.15, i)). Esto conlleva una nueva disminucin del tamao de la matriz criterio considerada, pasando de ser de dimensin k n a k (n m ) . Ejemplo 3.3.24 Consideremos el problema dado por la siguiente tabla: x1
1 1 0 -1 0 1 0 1 1
x2
-1 0 1 0 -1 0 1 1 -11
x4
0 1 0 0 0 0 0 0 0
x5
0 0 1 0 0 0 0 0 0
r.h.s. 0 2 2 0 0 0 0 0 0
3.4. DUALIDAD
163
Es claro que la tabla anterior corresponde al problema originalmente enunciado en el Ejemplo 3.3.22, despus del preprocesado de la regin factible realizado en el Ejemplo 3.3.23. 1, 4, 5}, tenemos: Si tomamos como base la dada por J B = {
v.b.
x1
1 1 0 0 0 0 0 0 0
x2
-1 0 1 -1 -1 1 1 1 2
x4
0 1 0 0 0 0 0 0 0
t
x5
0 0 1 0 0 0 0 0 0
r.h.s. 0 2 2 0 0 0 0 0 0
x1 x4 x5
As R = C B B 1 N C N = ( 1, 1, 1, 1, 2, 0 ) . Ahora aparecen como sistemas generadores minimales del cono criterio los siguientes: {z1 , z3 }, {z1 , z4 }, {z1 , z5 }, {z2 , z3 }, {z2 , z4 } y {z2 , z5 }, los cuales son, a su vez, representaciones ptimas de z (x ) para el problema P . Obsrvese que ahora el nmero mnimo de generadores del cono criterio preprocesado y reducido coincide con (P ).
3.4 Dualidad
La programacin lineal escalar presenta una elegante simetra lograda a travs del concepto de dualidad. Lamentablemente, y a pesar de los mltiples intentos realizados, no sucede lo mismo para el caso vectorial. En este apartado estudiaremos y relacionaremos entre s algunas de las definiciones ms importantes de dualidad en programacin vectorial sugeridas a lo largo del tiempo.
3.4.1 Concepto de Dualidad de Gale, Kuhn y Tucker

Albert Tucker y sus alumnos David Gale y Harold Kuhn publicaron, en 1951, un artculo sobresaliente ([GlKT51]) en el que presentaron, de manera rigurosa, una teora de dualidad generalizada para problemas de programacin matricial lineal. Aunque, segn parece ([Kh91], p. 85), este trabajo estuvo motivado por una nota privada de von Neumann, en la que se formulaba el problema dual de un programa lineal escalar, Gale, Kuhn y Tucker fueron los primeros en desarrollar y dar a conocer tales resultados. Dada la importancia histrica y trascendencia de las conclusiones expuestas en [GlKT51], es nuestra intencin analizar en profundidad la
164
definicin de dualidad matricial de Gale-Kuhn-Tucker para, a continuacin, particularizar al caso vectorial, ciertos resultados que, o bien son de especial inters o bien no constituyen un mero ejercicio acadmico de reduccin de dimensionalidad. Tambin veremos como se relacionan entre s las soluciones eficientes de los problemas matriciales con las de los problemas vectoriales. Dado X R k r regin factible, D X se dice eficiente si, y slo si, / E X , E D . Cuando k > 1 y r = 1 este concepto coincide con el dado para el caso vectorial. Sean A R mn , B R mr y C R k n , matrices de coeficientes (fijas). Se define ([GlKT51], p. 319) el problema primal matricial, al que denotaremos por P GKT M , como: n r max D / Ax = By, Cx Dy, x R+ , y R+ (3.21) + GKT M , como: y el problema dual matricial, denotado por D
k min D / u t A t C , u t B t D, u R m , R+ +
(3.22)
Cuando consideramos el caso especial k > 1 , r = 1 , podemos tomar, sin prdida de generalidad, y = 1 . Ahora, llamando b = B R m y = D R k , los problemas matriciales (3.21) y (3.22) se convierten, respectivamente, en los siguientes problemas vectoriales: n max / Ax = b, Cx , x R+ (3.23) y en: k min / u t A t C , u t b t , u R m , R+ (3.24) +
GKT V
A los problemas (3.23) y (3.24) los denotaremos, respectivamente, por y D GKT V . Es claro que el problema (3.23) se reduce a:
n max Cx / Ax = b, x R+ (3.25) GKT V con lo cual el problema P es equivalente a un LVP en forma estndar. GKT V En cuanto al problema D , en la seccin (1.9) hemos probado que (3.24) es la formulacin lineal del problema que surge en el clculo de los supremos GKT V eficientes de (3.25), verificndose as que E D = S (P ) . Tenemos de esta manera una elegante interpretacin geomtrica de la definicin del problema dual vectorial de Gale-Kuhn-Tucker.
Por ltimo, si el caso vectorial lo particularizamos para k = 1 , se puede tomar, sin prdida de generalidad, = 1 y, llamando c = C R n , los problemas que se obtienen coinciden, respectivamente, con las definiciones clsicas (escalares) de los problemas primal:
3.4. DUALIDAD
n max c t x / Ax = b, x R+
165
(3.26) (3.27)
y dual: para el caso escalar ([Mr83]).
min u t b / u t A c t
Para simplificar la notacin sean, por el momento, P P GKT M y D D GKT M . Asimismo, denotaremos las regiones factibles de ambos problemas por X P y X D , respectivamente. En primer lugar procederemos a caracterizar las soluciones eficientes de los problemas primal y dual. Teorema 3.4.1 ([GlKT51], Theorem 1) (x , y , D ) E P si, y slo si, i) (x , y, D ) X P , ii) el sistema Ax = By , Cx D y , x R+n , y R+r , no tiene solucin. Demostracin. Supongamos por reduccin al absurdo que (x , y , D ) E P P n r D Cx X , D y , y , D D Dy , Ax = By , x R , y R x
++
absurdo con ii). Por hiptesis (x , y , D ) E P . Supongamos por reduccin al absurdo que n r R+ = By . Sean ~ C~ R+ Dy , Ax , ~ x = x+x y = y+y x D~ y, , y , Cx x n r t~ t~ ~ ~ ~ ~ Ax = By , x R+ , y R+ + l { 1, , k }, cl x > d l y Cualquier elemento de d l se puede incrementar ligeramente mantenindose la ~ desigualdad anterior. Sea D una matriz obtenida a partir de D cambiando ~ x D~ y la fila l por otra ligeramente incrementada y tal que C~ ~ ~ ~ x, ~ y , D X P , D D #.
Teorema 3.4.2 ([GlKT51], Theorem 1) (u , , D ) E D si, y slo si i) (u , , D ) X D , ii) el sistema u t A t C , u t B t D , u R m , R+k , no tiene solucin. Demostracin. Anloga a la demostracin anterior. A partir de los resultados anteriores podemos obtener las siguientes propiedades: Corolario 3.4.3 i) Si (x , y , D ) E P entonces Cx = D y . ii) Si (u , , D ) E D entonces u t B = t D .
166
A continuacin daremos dos teoremas de la alternativa que nos sern de bastante utilidad en breve. Teorema 3.4.4 El sistema u t B 0 , u t A 0 , u R m , no tiene solucin si, y n r slo si, el sistema Ax = By , x R+ , y R+ + tiene solucin. Demostracin. n r Sean x R+ , y R+ + , Ax = By . Supongamos por reduccin al absurdo que m t n r u R , u B 0 , u t A 0 u t Ax 0 > u t By , x R+ , y R+ + . Ahora t t bien, como u Ax = u By pues Ax = By #. Sea j { 1, , r}, b j columna j de B . Por hiptesis, u t B 0 , u t A 0 , u R m , no tiene solucin u t b j < 0 , u t B 0 , u t A 0 , u R m no tiene solucin, j { 1, , r}. Aplicando el lema de Farkas ([Mn69], p. 34) xj n+ r y j R+ ,
r j =1
(A,
r j r j xj j y = { } b , j 1 , , r A x B B) = yj j =1 j =1
b j . Llamando x =
xj , y =
j =1
y
j =1
Ax By = Be Ax = B( y + e )
n r Ax = By , x R+ , y R+ + tiene solucin.
m Corolario 3.4.5 ([GlKT51], Lemma 3) El sistema u t B 0 , u t A 0 , u R+ , n r no tiene solucin si, y slo si, el sistema Ax By , x R+ , y R++ tiene solucin. Demostracin. Consecuencia directa del Teorema 3.4.4.
Ahora podemos caracterizar la factibilidad de los problemas primal y dual de forma adecuada. Efectivamente: Teorema 3.4.6 (x , y , D ) X P si, y slo si, el sistema u t A t C , u t B t D , k u R m , R+ , no tiene solucin. n r Demostracin. (x , y , D ) X P Ax = By , Cx D y , x R+ , y R+ + C D n r A x B y , x R+ , y R++ , tiene solucin. Aplicando el Corolario 3.4.5 A B D C t u B 0 , u A 0 , B A
t m u R+ , no tiene solucin
u t A t C ,
3.4. DUALIDAD
k , no tiene solucin. u t B t D , u R m , R+
167
Teorema 3.4.7 (u , , D ) X D si, y slo si, el sistema Ax = By , Cx D y , n r x R+ , y R+ , no tiene solucin. k Demostracin. (u , , D ) X D u t A t C , u t B t D , u R m , R+ + At Bt At C t m k u D t , u R+ , R+ + , tiene solucin. Aplicando el Bt
t Ct At n+ r t A Corolario 3.4.5 x t , 0 x Dt B t B t 0 , x R+ , no tiene solucin A B x x n r ( C , D ) y A B y 0, 0 , x R+ , y R+ , no tiene solucin n r Ax = By , Cx D y , x R+ , y R+ , no tiene solucin.
La siguiente propiedad es importante pues indica, entre otras cosas, que si el problema primal es acotado entonces tambin lo es el dual y viceversa. Teorema 3.4.8 ([GlKT51], Theorem 2) (x , y , D ) E P si, y slo si, (u , , D ) E D Demostracin. (x , y , D ) E P . Por el Teorema 3.4.1 i) P n r (x , y, D ) X , ii) Ax = By , Cx D y , x R+ , y R+ , no tiene solucin. Utilizando el Teorema 3.4.6 y el Teorema 3.4.7 i) u t A t C , u t B t D , k u R m , R+ , no tiene solucin, ii) (u , , D ) X D . Ahora, aplicando el Teorema 3.4.2 (u , , D ) E D . Corolario 3.4.9 E P si, y slo si, E D . Vamos a probar otra propiedad relevante en dualidad y enunciada de la siguiente manera: P ( D ) es acotado si, y slo si, P y D son factibles. Teorema 3.4.10 ([GlKT51], Theorem 3) E P ( E D ) si, y slo si, D R k r tal que los siguientes dos sistemas tienen solucin: i) Ax = By , n r t t t t m k Cx D y , x R+ , y R+ + , ii) u A C , u B D , u R , R+ + . Demostracin. Sean (x , y , D ) , (u , , D ) soluciones de i) y ii), respectivamente. Por definicin, i) (x , y , D ) X P , ii) (u , , D ) X D . Aplicando el Teorema 3.4.7 i) (x , y , D ) X P , ii) Ax = By , Cx D y ,
168
3. TPICOS SELECCIONADOS EN PROGRAMACIN ... y , D ) E P .
n r x R+ , y R+ , no tiene solucin. Por el Teorema 3.4.1 (x ,
si,
Corolario 3.4.11 (x , y , D ) E P (x , y, D ) X P , (u , , D ) X D .
( (u , , D ) E D )
si,
slo
Corolario 3.4.12 E P ( E D ) si, y slo si, X P , X D . Teorema 3.4.13 ([GlKT51], Theorem 4) E P ( E D ) si, y slo si, los n r t t siguientes sistemas tienen solucin: i) Ax = By , x R+ , y R+ + , ii) u A C , k u R m , R+ +. Demostracin. Inmediata por el Teorema 3.4.10. n r m k t t Sean x R+ , y R+ + , u R , R+ + tales que Ax = By y u A C . Sean n tambin b = By , c t = t C iii) Ax = b , x R+ y iv) u t A c t , u R m tienen n = b , u R+ Rm , u t A ct , solucin. Por dualidad escalar, x , Ax t B Cx e t u t B eu Cx tb 0 o o segn sea u + t t t b ey u e t = Dy , u t B = t D . Ahora, b = 0 , respectivamente. En cualquier caso, Cx u aplicando el Teorema 3.4.10 E P ( E D ). =u t By . Sea D = =u t b t Cx ct x Corolario 3.4.14 ([GlKT51], Theorem 5) E P si, y slo si, i) u t B 0 , k u t A 0 , u R m , no tiene solucin, ii) u t A t C , u R m , R+ + , tiene solucin. Demostracin. Inmediata aplicando el Teorema 3.4.4 a la condicin i) del Teorema 3.4.13.
k Teorema 3.4.15 El sistema u t A t C , u R m , R+ + tiene solucin si, y n slo si, el sistema Cd 0 , Ad = 0 , d R+ , no tiene solucin. k Demostracin. El sistema u t A t C , u R m , R+ + tiene solucin t t m k t m , A u C , u R , R+ + , tiene solucin A , At u C t , u R+ k t t R+ + , tiene solucin. Ahora aplicando el Corolario 3.4.5 d C 0 , n d t At , At 0 , d R+ no tiene solucin el sistema Cd 0 , Ad = 0 , n d R+ , no tiene solucin.
3.4. DUALIDAD
169
Corolario 3.4.16 ([GlKT51], Theorem 5) E P si, y slo si, i) Ax = By , n r n x R+ , y R+ + , tiene solucin, ii) Cd 0 , Ad = 0 , d R+ , no tiene solucin. Demostracin. Por el Teorema 3.4.13, E P Los siguientes sistemas n r t t m k tienen solucin: i) Ax = By , x R+ , y R+ R+ + , ii) u A C , u R , +. Ahora el resultado es directo aplicando a ii) el Teorema 3.4.15. Veamos de que forma se particularizan, para el caso vectorial ( k > 1 , r = 1 ), algunos de los resultados anteriores y que nuevas propiedades se obtienen, al tratar con un problema ms sencillo y manejable, por haber reducido la dimensionalidad del mismo. Para poder desarrollar de forma adecuada la teora primero daremos una serie de herramientas preliminares. Teorema 3.4.17 (x , ) X P k R+ , no tiene solucin.
GKT V
si, y slo si, u t A t C , u t b < t , u R m ,
n Demostracin. (x , ) X P Ax = b , Cx , x R+ , tiene solucin A 0 x b n k C I s = , x R+ , s R+ . Aplicando el lema de Farkas b A 0 t t ([Mn69], p. 34) u t , t C I 0, u , < 0 no tiene solucin
GKT V
k u t A t C , u t b < t , u R m , R+ , no tiene solucin.
El siguiente resultado es claro atendiendo a la definicin de solucin eficiente. Teorema 3.4.18 (x , ) E P si, y slo si, i) (x , ) X P n Cx , x R+ , no tiene solucin.
GKT V GKT V
, ii) Ax = b ,
Como consecuencia tenemos: Corolario 3.4.19 Si (x , ) E P

GKT V
entonces Cx = .
Una caracterizacin ms elaborada para las soluciones eficientes del problema primal sigue a continuacin. Teorema 3.4.20 (x , ) E P si, y slo si, i) u t A t C , u t b < t , u R m , k k R+ , no tiene solucin, ii) u t A t C , u t b t , u R m , R+ + , tiene solucin.
GKT V
170
Demostracin. Sea
n ) X , ii) Ax = b , Cx , x R+ no tiene solucin. Ahora, aplicando a i) el Teorema 3.4.17 y utilizando en ii) los teoremas de la k alternativa 1.7.1 y 1.7.2 i) u t A t C , u t b < t , u R m , R+ , no tiene t t t t m k solucin, ii) u A C , u b , u R , R+ + , tiene solucin. P GKT V
(x ,
(x ,
) E P
GKT V
. Aplicando el Teorema 3.4.18 i)
Para el problema dual tenemos:

n si, y slo si, i) Ax = b , Cx , x R+ , Teorema 3.4.21 (u , , ) X D n no tiene solucin y ii) Cd 0 , Ad = 0 , d R+ no tiene solucin.
GKT V GKT V
u t A t C , u t b t , u R m , Demostracin. (u , , ) X D k R+ + , tiene solucin. Aplicando el Teorema de la alternativa de Tucker n , y R+ , no tiene solucin. Ahora ([Mn69], p. 29) Ax = by , Cx y , x R+ n distinguiendo los casos y > 0 e y = 0 , tenemos i) Ax = b , Cx , x R+ , n no tiene solucin y ii) Cd 0 , Ad = 0 , d R+ no tiene solucin.
n Corolario 3.4.22 (u , , ) X D si, y slo si, i) Ax = b , Cx , x R+ , t t m k no tiene solucin y ii) u A C , u R , R+ + tiene solucin. Demostracin. Directa utilizando el Teorema 3.4.21 y aplicando a ii) el Teorema 3.4.15.
GKT V
Teorema 3.4.23 (u , , ) E D si, y slo si, i) (u , , ) X D , ii) el k sistema u t A t C , u t b < t , u R m , R+ , no tiene solucin. Demostracin. GKT V Supongamos por reduccin al absurdo que (u , , ) E D GKT V t C , u Rk , t t , u , XD u t A tb < Rm , u ,
GKT V GKT V
#.
++
(u , , ) X D . Supongamos por m k t t R , u C, u t . Sean A R , tb < reduccin al absurdo que u + ~ ~t ~t ~t A ~ =u +u ~tb < Rk u Rm , = + u C, u . Evidentemente, Por hiptesis (u , , ) E D
GKT V GKT V
cualquier componente de se puede ~ mantenindose la desigualdad anterior. Sea ~, de mediante el procedimiento descrito u
++
decrementar ligeramente un vector obtenido a partir GKT V ~ ~ ~ #. , XD ,
3.4. DUALIDAD Las siguientes propiedades nos sern de utilidad posteriormente: Teorema 3.4.24 Si (u , , ) E D
GKT V
171
XD Demostracin. Si (u , , ) E D t u t b . Supongamos k por reduccin al absurdo que t > u t b . Como R+ + , podemos construir
GKT V GKT V
entonces t = u t b .
(u ,
, ) E D
tal
que
GKT V
= u tb t
(u ,
) X D ,
GKT V
#, luego t = u t b .
GKT V
Proposicin 3.4.25 Si X D t =u tb .
GKT V , , XD tal que entonces u
GKT V t C , , X DGKT V u , t A Demostracin. Si X D u R k . Si t u t = u t > u tb , u Rm , t b ya estara. En otro caso tb ++ t Rk , , =u tb .
Ahora ya estamos en condiciones de obtener resultados de verdadero inters: Teorema 3.4.26 (x , ) E P

GKT V
. Aplicando el Teorema 3.4.20 i) Demostracin. Sea (x , ) E t t t t m k u A C , u b < , u R , R+ , no tiene solucin, ii) u t A t C , k u , ) i) u t A t C , u t b < t , u t b t , u R m , R+ + , tiene solucin (
P GKT V
si, y slo si, (u , , ) E D
GKT V
3.4.23 (u , , ) E
GKT V
k u R m , R+ , no tiene solucin, ii) (u , , ) X D D GKT V
GKT V
. Por el Teorema
Corolario 3.4.27 E P
si, y slo si, E D

GKT V
GKT V
respectivamente i) (x , ) X P , ii) (u , , ) X D . Por el t t t t m k Teorema 3.4.17 i) u A C , u b < , u R , R+ , no tiene solucin,

GKT V GKT V
Teorema 3.4.28 E D ( EP ) si, y slo si, R k tal que tienen n solucin los siguientes dos sistemas: i) Ax = b , Cx , x R+ , ii) t t t t m k t u A C 0 , u b , u R , R+ + . Demostracin. Sean (x , ) y (u , , ) soluciones de i) y ii)
GKT V
ii) (u , , ) X D
GKT V
. Aplicando el Teorema 3.4.23 (u , , ) E D
GKT V
.
172
Corolario 3.4.29
(x ,
) X
P GKT V
, (u , , ) X
(x ,
) E P
GKT V
( (u , , ) E D .
GKT V
) si, y slo si,
D GKT V
Para el caso vectorial, se prueba sin ninguna dificultad que el Teorema 3.4.10 se concreta en: ( ED ) si, y slo si, los siguientes sistemas Teorema 3.4.30 E P n k tienen solucin: i) Ax = b , x R+ , ii) u t A t C , u R m , R+ +. Obsrvese que este resultado no es mas que el Teorema 1.7.41. Para finalizar este subapartado vamos a relacionar entre s las soluciones eficientes de los problemas matriciales y vectoriales. y D y = . Entonces (u , , ) E D Demostracin. Como tambin Teorema 3.4.31 Sean (x , y , D ) X P
GKT V GKT M GKT V GKT V
k t t t t u R m , R+ u , , ) X D + u By D y u b (
(u ,
, D ) X D
y (x , ) E P
GKT M
, (u , , D ) X D
GKT V
GKT M
con By = b u t B t D ,
GKT V
. . Como
u t A tC ,
) X P buscado.
(x ,
(x ,
y , D ) X P
GKT M
Ax = b ,
Cx D y = ,
n x R+
GKT V
. Ahora, aplicando el Corolario 3.4.29 se obtiene el resultado
El lema siguiente es ligeramente ms general que el enunciado por Rdder ([Rd77], Lemma 1.5) y constituye una elegante y potente herramienta terica.
k k Lema 3.4.32 Dados u R m , b R m , R+ vectores fijos. Entonces, + y R t t k m el sistema u = U , = Ub , U R tiene solucin si, y slo si, t = u t b . Demostracin. Sea U R k m tal que u t = tU , = U b u t b = tU b = t . Distinguiremos dos casos: i) u t b 0 y ii) u t b = 0 . u t bu t u t tu t Caso i) Si u t b 0 definimos U = t R km tU = = = ut y ub utb utb u t b Ub = t = . ub k Caso ii) Si u t b = 0 t = 0 . Como R+ + = 0 . Consideremos U =
eu t eu t b t eu t t t k m R U u Ub = = , = =0= . t e t e t e
3.4. DUALIDAD Teorema 3.4.33 Si
173
, donde D = U B y U R es solucin de u t = tU , , D ) E = Ub . GKT V Demostracin. Si (u , , ) E D , por el Teorema 3.4.24 t = u t b . Teniendo en cuenta el Lema 3.4.32 U R km , u t = tU , = U b . GKT M Tomando D = U B u t B = tU B = t D (u , , D ) X D . Adems, D y = U By = U b = . Supongamos por reduccin al absurdo que t C , , D X DGKT M tal que D D u t A , (u , , D ) E DGKT M u
D GKT M k m
(u ,
(u ,
, ) E D
GKT V
By = b ,
r y R+ +
entonces
Ahora bien, como (u , , ) E D , utilizando el Teorema 3.4.23 sabemos t t t t k , no tiene solucin #. que el sistema u A C , u b < , u R m , R+
GKT V
D , u B R , u
t t m
R , D t D
k ++ t
t D t D y = t . y < tb = u t By u
Luego, (u , , D ) E D
GKT M
.
3.4.2 Concepto de Dualidad de Kornbluth

La teora de la dualidad vectorial para el caso lineal desarrollada por Kornbluth, en 1974, considera, en lugar de un problema primal y otro dual fijos, una clase de problemas primales y duales multiparametrizados en los recursos. Sean A R mn , B R mr y C R k n . Las clases de problemas primales y duales consideradas por Kornbluth (ver [Krn74], p. 603-604) y a las que denotaremos, respectivamente, por P ( y ) y D ( ) , vienen dadas por: max Cx / x X P ( y ) y donde y 0r , X P ( y )
} } {
(3.28)
min u t B / u X D ( ) (3.29) n / Ax = By }, 0k y X D ( ) = u R m / u t A t C . = {x R+
Kornbluth centra su atencin en la obtencin de soluciones eficientes propias ([Krn74], p. 602), pero sabemos que para el caso lineal los conceptos de solucin eficiente propia y de solucin eficiente coinciden (Corolario 1.7.17). Obsrvese que cuando r = k = 1 y = = 1 y entonces P (1) y D (1) se reducen al par de problemas primal y dual, respectivamente, del caso escalar (problemas (3.26) y (3.27)). Sin prdida de generalidad, podemos r k considerar y R+ + y R+ + .
174
r P(y ) Teorema 3.4.34 ([Krn74], Theorem 2) y R+ si, y slo si, +, E k D ( ) R , E . ++
P( y ) r k Demostracin. Sean y R+ R+ +, xE + , x S P ( y ) . Ahora, por
dualidad escalar u S D ( y ) , donde D ( y ) = D ( )y = min u t By / u t A t C R k , u E D ( ) R k , E D ( ) .

++ ++
Vamos a establecer las relaciones existentes entre el concepto de dualidad de Gale-Kuhn-Tucker para el caso matricial y el concepto de dualidad de Kornbluth. Teorema 3.4.35 ([Rd77], Theorem 1.8, [Is78a], Theorem 4) GKT M i) (x , y , D ) E P si, y slo si, x E P ( y ) . GKT M ii) (u , , D ) E D si, y slo si, u E D ( ) . Demostracin. Probaremos slo i) por ser ii) su formulacin dual. (x , y , D ) E PGKT M x X P( y ) , Cx = D y y el sistema Cx D y , Ax = By , n r x R+ , y R+ no tiene solucin. En particular, para y = y , Cx D y , n n Ax = By , x R+ , no tiene solucin Cx Cx , Ax = By , x R+ , no tiene solucin x E P ( y ) . r Sea x E P( y ) , y R+ +
k x S P ( y ) . Por dualidad escalar R+ +,
u R m , u t A t C 0 t , t Cx = u t By . Llamando b = By , = Cx y aplicando el Lema 3.4.32 U R kxm tal que u t = tU , Cx = U By . Llamando D = U B el Corolario 3.4.11 (x , u t B = t D , Cx = D y (x , y , D ) E y , D ) X P
GKT M
, (u , , D ) X D
GKT M
. Aplicando
P GKT M
Luego, en virtud del teorema anterior, los conceptos de dualidad de Gale-Kuhn-Tucker y Kornbluth son equivalentes. Con lo cual, los resultados obtenidos para el primero se aplican al otro de forma automtica.
3.4.3 Concepto de Dualidad de Isermann

Heinz Isermann ha sido uno de los investigadores que ms energa y esfuerzo han dedicado al desarrollo de una teora prctica de la dualidad en programacin vectorial lineal. A pesar de ello, no le fue posible conseguir ningn algoritmo de tipo dual para resolver el LVP. Sin embargo, cuando menos, sus ideas aaden una nueva e interesente perspectiva sobre el problema que estamos tratando. En este subapartado vamos a desarrollar la
3.4. DUALIDAD
175
teora de la dualidad de Isermann, mostrando las conexiones existentes con la nocin de dualidad propuesta por Gale, Kuhn y Tucker. Cx / x X }, donde X Consideremos el problema primal P max{ x R / Ax = b . Isermann define, sin pararse en justificaciones de ningn tipo, el problema dual de P , al que denotaremos por D I , como (ver, por ejemplo, [Is77b], p. 247): min g (U ) = Ub (3.30) I D kxm n s.a : U X = U R / UAx Cx, x R+ , no tiene solucin
n +
Aunque a primera vista tal definicin puede resultar artificiosa, es posible obtenerla, como veremos en breve, a travs de la generalizacin del procedimiento conocido como dual lagrangiano para el caso escalar ([Mr83]). Sea U R k m fija, denominada matriz de precios. Consideremos el problema P(U ) dado por: max z (x ) = L(x, U ) = Cx + U (b Ax ) = Ub + (C UA)x (3.31) n s.a : x R+ al que denominaremos problema lagrangiano generalizado. Es claro que U R k m , P(U ) es una relajacin de P , pues X X y z (x ) = L(x, U ) , x X . Por ello, aplicando la Proposicin 1.10.2, z E P(U ) B(P ) , es decir, si x E P(U ) / x X , z (x ) z (x ) . As, una posibilidad para obtener cotas eficientes de P consiste en obtener aquellos valores de U que hagan E P(U ) . Ahora bien, llamando P(U ) a: max (C UA)x n s.a : x R+
sabemos que E P(U ) = E P(U ) (Proposicin 1.3.14). Adems, por ser P(U ) un problema lineal que tiene como nicas restricciones las de no negatividad en las variables, podemos escribir: (i) (ii)
k t E P(U ) si, y slo si, R+ + , (C UA) 0 . E P(U ) entonces 0 E P(U ) .
Sea U tal que E P(U ) E P(U ) 0 E P(U ) / x X , z (x ) z (0) = Ub . Con la intencin de ajustar esta cota superior lo ms
176
posible, interesa minimizar g (U ) = Ub sobre aquellos valores de U que hacen que E P(U ) . Esto da lugar al problema:
k k m min Ub / t (C UA) 0, R+ + ,U R
(3.32)
Ahora bien:
k t Proposicin 3.4.36 U X D si, y slo si, R+ C U A) 0 . +, (
I
n , no tiene solucin. Demostracin. U X D el sistema U Ax Cx , x R+ Aplicando el teorema de la alternativa de Gale ([Mn69], p. 35) k t (C U A) 0 , R++ , tiene solucin.
I
De esta forma, D I es equivalente al problema (3.32). Se tiene as una justificacin geomtrica, aparentemente no conocida hasta ahora, de la definicin de problema dual de Isermann. Es interesante observar que: Para k = 1 , P y D I se reducen al par de problemas primal y dual del caso escalar (problemas (3.26) y 3.27), respectivamente). Para k > 1 , la relacin de dualidad entre P y D I no es simtrica, en el sentido de que el dual del dual no es el problema primal.
Veamos ahora que relaciones existen entre las soluciones eficientes asociadas a los problemas duales propuestos por Isermann y por Gale-KuhnTucker, tanto para el caso vectorial como para el matricial. En primer lugar estudiaremos como se relacionan entre si las regiones factibles. Proposicin 3.4.37
D
GKT V
k t Demostracin. ( , U ) X D R+ C U A) 0 . Tomando u t = tU +, ( u t A tC . Adems, u t b = tU b = t ut, , =

I
( U ,
t
, U b ) X
Si .
( ,
U ) X D
entonces
(u ,
t
, )
( U ,
t
, U b ) X D
GKT V
.
GKT V
Proposicin 3.4.38 Si (u , , ) X D tal que u t = tU , = U b , ( , U ) X D . Demostracin. Inmediata.

I
y t = u t b entonces U R km
3.4. DUALIDAD Como consecuencia:
177
Corolario 3.4.39 X D si, y slo si, X D . Demostracin. GKT V GKT V XD , por la Proposicin 3.4.25 (u , , ) X D , t = u t b . Ahora, aplicando la Proposicin 3.4.38 U R km , u t = tU , = U b , ( , U ) X D I X DI . I I X D ( , U ) X D . Aplicando Proposicin 3.4.37 u t , , =
I
GKT V
( U ,
t
, U b ) X D
GKT V
XD
GKT V
El siguiente paso consiste en analizar las regiones eficientes. Teorema 3.4.40 (Condicin necesaria en [Is78a], Theorem 3) I GKT V Si ( , U ) E D entonces u t , , = tU , , U b E D .
) (
Demostracin.
Por
la
Proposicin
3.4.37,
Supongamos por reduccin al absurdo que GKT V D t t , , X =u b y . Aplicando el Lema 3.4.32 u tal que k m t t , U U X DI y U R , u , b b = = =U = Ub U
( U , , U b) X (u , , ) E
t
D GKT V
D GKT V
( ,
U ) E
DI
.
I
r t Corolario 3.4.41 Sean ( , U ) E D , By = b , y R+ , D = + entonces u ,
Demostracin. Si ( , U ) E D , por el Teorema 3.4.40 u t , ,

I
( U ,
t t
, U B ) E D
U b ED
GKT M
( U , , ( U ,
t
, U B ) E D
GKT V
r . Como By = b , y R+ + , aplicando el Teorema 3.4.33

GKT M
.
que ( , U ) E D .
I
Teorema 3.4.42 (Condicin suficiente en [Is78a], Theorem 3) GKT V Si (u , , ) E D entonces U R km solucin de u t = tU , = U b , tal Demostracin. Si (u , , ) E D , por el Teorema 3.4.24 t = u t b Aplicando la Proposicin 3.4.38 U R km tal que u t = tU , = U b , ( , U ) X D I . Supongamos por reduccin al absurdo que ( , U ) E DI , U tU t X DI , U b U b . Sean u , b . Evidentemente, t = =U =u tb
GKT V
178

GKT V , XD
(u,
( ,
U ) E
(u ,
, ) E D
GKT V
#.
Luego
DI
Corolario 3.4.43 Sean (x , y , D ) X P , (u , , D ) X D con kxm t t By = b . Entonces U R solucin de u = U , D y = U b , tal que

GKT M GKT M
( ,
U ) E D .
I
D aplicando el Teorema 3.4.31 (u , , Teorema 3.4.42, U R kxm solucin de u t = tU , D y = U b , tal que

GKT V
Demostracin. Si
(x ,
y , D ) X P
GKT M
(u , , D ) X con By = b , . Por el ) = (u , , D y ) E
D GKT M
( ,
U ) E D .
I
Luego, en trminos de eficiencia los problemas D I y D GKT V ( D GKT M ) se pueden considerar equivalentes. De esta forma, los resultados presentados para el problema dual de Gale-Kuhn-Tucker son aplicables, de forma automtica, al problema dual de Isermann y viceversa. No obstante, dado que ciertos resultados de la teora de la dualidad de Isermann fueron publicados con errores, hemos credo de inters redactar correctamente y de manera simplificada dicha teora. Proposicin 3.4.44 ([Is76], Lemma 3) (Teorema dbil de dualidad vectorial) I x X P , ( , U ) X D , no se verifica Ub Cx . Demostracin. Supongamos por reduccin al absurdo que x X P , I I ( , U ) X D , U b Cx tU b < t Cx . Ahora bien, como ( , U ) X D n t (C U A) 0 . Adems, dado que x R+ t (C U A)x 0 t t t Cx U Ax = U b #. Corolario 3.4.45 ([Is76], Lemma 4) Sean
P DI
Cx = U b . Entonces, x E , ( , U ) E . Demostracin. Supongamos por reduccin al absurdo que x E P X P , Cx Cx = U b # con la Proposicin 3.4.44. Anlogamente, x I , U X DI , supongamos por reduccin al absurdo que ( , U ) E D b U b = Cx # con la Proposicin 3.4.44. U
xXP,
( ,
U ) X D
con
Teorema 3.4.46 (Teorema fuerte de dualidad vectorial para el problema I primal) x E P , ( , U ) E D con Cx = U b .
3.4. DUALIDAD
179
k Demostracin. Sea x E P R+ + , x S P . Por dualidad escalar
Aplicando el Lema 3.4.32 U R km , u t = tU , = U b ( , U ) X D ,

I
u Rm ,
u t A tC 0t ,
t Cx = u t b .
Llamando
= Cx
I
t = u t b .
Cx = U b . Ahora, por el Corolario 3.4.45 ( , U ) E D .
Teorema 3.4.47 (Teorema fuerte de dualidad vectorial para el problema I dual) ( , U ) E D , x E P con Cx = U b . Demostracin.
, U b ) E D . Aplicando Teorema 3.4.26 (x , U b ) E P el Corolario 3.4.19 x E P , Cx = U b .

t
GKT V
( U ,
Sea
( ,
U ) E D .
I
Por
el
Teorema
3.4.40
GKT V
. Por
Corolario 3.4.48 ([Is76], Lemma 7) i) Sea x X P . Entonces, x E P si, y I slo si, ( , U ) X D , (U A C ) x = 0 . ii) Sea ( , U ) X D . Entonces (U A C ) x = 0 .
I
( ,
U ) E D
si, y slo si, x X P ,
Corolario 3.4.49 ([Is76], Theorem 3) E P si, y slo si, E D .

I
Teorema 3.4.50 ([Is78b], Proposition 4, (i)) Sea X P . Entonces, P es no acotado si, y slo si, D I es no factible. Demostracin. Sabemos por el Corolario 1.7.41 que E P = X P = n Cd 0 , Ad = 0 , d R+ , tiene solucin. Como X P , por el teorema de la k alternativa de Tucker ([Mn69], p. 29) t C u t A 0 , R++ , no tiene
k , no tiene solucin X D = . solucin t (C UA) 0 , R++
I
Teorema 3.4.51 ([Is78b], Proposition 4, (ii)) Sea X D . Entonces, D I es no acotado si, y slo si, P es no factible. I Demostracin. Por hiptesis, X D . Por el Corolario 3.4.39 GKT V XD . Aplicando el Teorema 3.4.21 i) R k , el sistema Ax = b , n n Cx , x R+ , no tiene solucin y ii) Cd 0 , Ad = 0 , d R+ no tiene
I
solucin. En estas condiciones, E D = , por el Corolario 3.4.49 E P = n Utilizando el Teorema 1.7.48 resulta X P = Cd 0 , Ad = 0 , d R+ n tiene solucin. Como por hiptesis Cd 0 , Ad = 0 , d R+ no tiene solucin, P X = .
I
180

I I
Corolario 3.4.52 Si X P y X D entonces E P ( E D ). I Demostracin. Por hiptesis, X P y X D . Supongamos por I reduccin al absurdo que E P = . Por el Teorema 3.4.50 X D = #. Por ltimo, consideremos una base factible arbitraria B para el problema primal (3.25) y sea R = C B B -1 N -C N su matriz de costos reducidos asociada.
k Teorema 3.4.53 B es una base dual-eficiente si, y slo si, R+ +,
C B B 1 X D . Demostracin. Por la Definicin 1.6.14, B es una base dual-eficiente k k R+ tal que t R 0 R+ tal que +, + t B B 1 N B 1 k t B 1 C C B B, C C B N 0 , R+ + , C C B A 0
I
( ,
( ,
C B
) X
xt
DI
.
Proposicin 3.4.54 ([Is78], Theorem 5) Si B es una base dual-eficiente entonces
Demostracin. Inmediata pues x X P , ( , U ) X D y Cx = Ub .

I
( ,
C B B 1 E D .
I
(x
t B
t , xN
((B
b , 0t E P
k R+ +,
( ,
U)
3.4.4 Concepto de Dualidad de Hannan

Sea P el problema vectorial (3.25). En 1978, Edward Hannan propone como problema dual de P la clase D H 0k constituida por los programas lineales escalares multiparametrizados en los recursos: min u t b / u t A t C (3.33)
( )
{
donde ([Hn78], p. 645). Evidentemente, esta clase coincide con la clase de problemas duales de Kornbluth cuando r = 1 y, por tal motivo, le son aplicables automticamente todos los resultados disponibles para la dualidad de Kornbluth. Sin embargo, la formulacin dada en (3.33) aparentemente es ms sencilla que la de Kornbluth. La intencin de Hannan era dotar la teora del LVP con una definicin de problema dual que fuera abordable desde un punto de vista prctico. Hannan plantea (sin confirmarlo) que D H 0k se podra abordar utilizando tcnicas de programacin lineal escalar multiparamtrica o bien utilizando el mtodo del simplex dual escalar en conjuncin con tcnicas desarrolladas para resolver P ([Hn78], p. 645). Sin embargo, esto no es en absoluto trivial de hacer y equivale, en dificultad, a la resolucin de la clase de problemas
0 k
( )
3.5. OPTIMIZACIN LINEAL SOBRE LA REGIN EFICIENTE
181
{P }
0 k
, cuestin que, hasta la fecha, no ha podido ser resuelta
satisfactoriamente.
3.5 Optimizacin Lineal sobre la Regin Eficiente

En esta seccin nos proponemos estudiar diversos aspectos relacionados con la maximizacin de una funcin lineal sobre el conjunto de soluciones eficientes de un LVP. Este problema ha sido estudiado durante ms de treinta aos (ver, por ejemplo, [Ph72], p. 224) y surge, fundamentalmente, cuando se dispone de una funcin que acta como un criterio para discriminar entre, o medir la importancia de las soluciones eficientes. Sin embargo, sta no es su nica aplicacin. En efecto, operaciones como la de determinar los rangos de variacin de cada una de las funciones objetivo sobre la regin eficiente no son ms que especializaciones del problema bajo estudio. Sin prdida de generalidad, formularemos el problema de optimizacin de una funcin lineal sobre la regin eficiente de un LVP, como el programa escalar lineal Q : max v t x / x E P (3.34) n Cx / x X } y X = x R+ / Ax = b . donde P max{
{ {
i) ii)
Q es un problema difcil de resolver pues, por lo comn: E P es no convexo (aunque s conexo) y E P no se conoce de forma explcita, ni se tiene una descripcin apropiada (lineal) de forma implcita.
Matemticamente, el problema Q se puede clasificar como un problema de optimizacin global (tambin denominado problema de programacin no convexa). Tales problemas poseen, en general, ptimos locales (frecuentemente en elevado nmero), que no necesariamente son ptimos globales ([BnLee96], p. 78).
3.5.1 Propiedades Generales

A continuacin desarrollaremos un buen nmero de propiedades que resultan de inters para la resolucin de Q . Asimismo estudiaremos ciertas relajaciones y otras variaciones relativas a dicho problema. La siguiente propiedad nos indica que cuando Q es acotado, alguna de las caras eficientes de P coincide con el conjunto de soluciones ptimas de Q .
182
Teorema 3.5.1 Si Q es acotado ( S Q ) entonces F E P f tal que S Q = F . Demostracin. Directa, por ser v t x funcin lineal y E P = F j , donde 1, ..., l }, F j es una cara eficiente de P . j {
j =1 l
En particular, si Q es acotado algn vrtice eficiente es ptimo para Q. Corolario 3.5.2 ([Bn84], Theorem 4.5) Si SQ E .
P xp
es acotado entonces
Demostracin. Por la representacin tomada de X , se trata de un poliedro apuntado Cualquier cara de X contiene al menos un vrtice. Ahora basta aplicar el Teorema 3.5.1. Teorema 3.5.3 Supongamos que E P . Entonces, Q es no acotado t ( S Q = ) si, y slo si, F E P f tal que v x es no acotada en F . Demostracin. Inmediata. Es claro por ser v t x funcin lineal y E P una unin finita de caras eficientes. Corolario 3.5.4 ([Bn84], Theorem 3.2) Supongamos que E P . Entonces, P Q es no acotado si, y slo si, d E xd tal que v t d > 0 . Demostracin. Inmediata. Si Q es no acotado, por el Teorema 3.5.3 F E P tal que v t x es no f acotada en F . Teniendo en cuenta que F es un poliedro y aplicando la teora de la programacin lineal escalar d Fxd tal que v t d > 0 .
P Adems, como F E P f d E xd .
Sea R la siguiente relajacin del problema Q : max v t x / x X
(3.35)
183
Evidentemente, la gran ventaja que presenta R sobre Q es que se trata de un problema fcil de resolver por ser X un poliedro. Veamos que relaciones se pueden establecer entre las soluciones de R y Q . El siguiente resultado enuncia una condicin suficiente para la acotacin de Q . Teorema 3.5.5 Si Q es factible ( E P ) y R acotado ( S R ) entonces Q es acotado ( S Q ). Demostracin. Supongamos por reduccin al absurdo que S Q = . Como E P , por el Teorema 3.5.3 F cara de X , F E P , v t x es no acotada en F . Como F X v t x es no acotada en X S R = #. Ntese que: i) ii) Q puede ser acotado ( S Q ), aunque R no lo sea ( S R = ). Ver Figura 3.5. Q puede ser no factible ( E P = ), aunque R sea acotado ( S R ). Ver Figura 3.6.
x2
EP X
x1
Figura 3.5
184
x2
Z=X
x1
Figura 3.6
Proposicin 3.5.6 ([EcSn94], p. 544) S R E P S Q . Demostracin. Sea x S R E P x S R , x E P . Como E P X x S Q . Aunque la Proposicin 3.5.6 es sugerente, a priori no hay ninguna garanta de que entre las soluciones ptimas de R tenga que haber alguna solucin eficiente. Una situacin fcil de tratar es la que se presenta cuando todo S R es eficiente. Efectivamente: Proposicin 3.5.7 Si S R E P entonces S Q = S R . Demostracin. Aplicando la Proposicin 3.5.6. Sea x S Q . Supongamos por reduccin al absurdo que SR E , v x > v x #, luego S Q S R . x
P t t
x SR
Veamos algunos ejemplos en los que se cumple la hiptesis del resultado anterior. Sea V ( C) el cono criterio de P y V 0 (C ) su interior relativo, el cual k sabemos que viene dado por x R n / x t = t C , R+ + .
3.5. OPTIMIZACIN LINEAL SOBRE LA REGIN EFICIENTE Proposicin 3.5.8 Si v V 0 (C ) entonces S R E P .
185
Otro caso sencillo se presenta cuando P es completamente eficiente. Efectivamente: Proposicin 3.5.9 Si P es completamente eficiente entonces S R E P . Demostracin. Si P es completamente eficiente, por definicin E P = X . Tambin podemos considerar la siguiente situacin: Proposicin 3.5.10 ([EcSn94], Lemma 2.1) Si v t d > 0 , d C {0} entonces S R E P . Demostracin. Sea x S R . Supongamos por reduccin al absurdo que Dx X , x x d C , d 0 , x E P Dx X {x } x = v t x + v t d > v t x #, pues x S R . Luego, x E P . = x + d X vt x x
Si relajamos la hiptesis anterior imponiendo solamente la no negatividad de v t d sobre C {0} podemos escribir: Teorema 3.5.11 ([Bn84], Theorem 4.7, [EcSn94], Lemma 2.2) Supongamos que E P y que R es acotado. Si v t d 0 , d C entonces S R S Q . Demostracin. Sea x S R . Si x E P ya estara. En otro caso, como P es E P , Cx Cx . Sea d = x x lineal y E P , por el Corolario 1.10.10 x t t t P SR , x = x + d X . Como v d 0 v x v x x E d C , x SQ . x Podemos comprobar la hiptesis realizada en el Teorema 3.5.11 mediante el siguiente procedimiento: Consideremos el problema: T min v t d / Cd 0 . Proposicin 3.5.12 ([EcSn94], Lemma 2.3, (ii)) Si T es acotado entonces vt d 0 , d C . Demostracin. Inmediata aplicando dualidad escalar y teniendo en cuenta que el problema dual de T tiene como funcin objetivo la funcin constante 0. Ciertamente, existen adems otras situaciones especiales que simplifican la resolucin de Q .
186
Teorema 3.5.13 ([BnSy94], Theorem 3.2) Si P tiene alguna solucin superior y v depende linealmente de las filas de la matriz criterio, entonces SQ = E P . Demostracin. Siempre ocurre que S Q E P . Veamos el otro contenido. Si P tiene alguna solucin superior z E P = z I , donde z I es el punto ideal. Por otra parte, si v depende linealmente de las filas de la matriz criterio R k tal que v t = t C . En estas hiptesis, x E P , v t x = t Cx = t z I E P SQ . Bajo las hiptesis del Teorema 3.5.13, el valor objetivo ptimo de Q se obtiene mediante v t x , siendo x E P arbitraria. La hiptesis de que v sea linealmente dependiente con las filas de la matriz criterio no se puede omitir. Efectivamente: Ejemplo Example 3.1) 1 0 0 t x R 3 / 0 x j 1, j { 1, 2, 3} , C = 0 1 0 y v = 3.5.14 ([BnSy94], Sean X =
( )
(0,
t
0, 1) Z =
{(1,
{z R
S R = {( , , 1) / 0 1, 0 1}. Evidentemente, E S Q .
P
1, ) / 0 1} (conjunto de soluciones superiores), S Q =
/ 0 z j 1, j { 1, 2} , el punto ideal es z I = (1, 1) Z , E P = S P =
{(1,
1, 1)} y
Para comprobar si existe dependencia lineal entre v y las filas de C podemos usar el siguiente resultado: Proposicin 3.5.15 El sistema v t = t C , R k , tiene solucin si, y slo si, max v t d / Cd = 0 es acotado. Demostracin. Por la teora de la dualidad escalar.
Obsrvese que max v t d / Cd = 0 siempre es factible y que si es acotado (por dualidad escalar) su valor ptimo es 0. Otro resultado de inters es el siguiente:
P Proposicin 3.5.16 ([Bn84], Theorem 4.6) Sea x E xp tal que cualquier
arista de X incidente en x es eficiente. Entonces si x S Q se verifica que x SR .
187
Demostracin. Consecuencia inmediata de la teora de la programacin lineal escalar. Con el fin de enriquecer ms la teora, podemos estudiar las relaciones existentes entre Q y otros problemas, no necesariamente escalares. Como ejemplo hemos seleccionado uno propuesto por Benson ([Bn84], p. 570). Sea P el programa vectorial max{ C x / x X }, donde C =
C (k +1)xn . vt R Teorema 3.5.17 ([Bn84], Theorem 4.1) Si x S Q entonces x E P . Demostracin. Supongamos por reduccin al absurdo que x E P Cx . Como x E P Cx C x Cx = Cx x E P . Adems, X , C x x C x , Cx = Cx v t x > v t x #, pues x S Q . C x Tenemos as un condicin suficiente para la no acotacin de Q . Corolario 3.5.18 ([Bn84], Remark 4.2) Si E P y E P = entonces Q es no acotado.
x2
x1
Figura 3.7
188
En general, el recproco del resultado anterior no es cierto. Efectivamente: 1 2 t 2 / x1 1 , C = Ejemplo 3.5.19 Sea X = x R+ 1 1 y v = (1, 1) (ver P P 2 Figura 3.7). Entonces E = E = x R+ / x1 = 1 . Sin embargo, Q es no acotado.
3.5.2 El Problema del Clculo del Rango de Variacin Eficiente de las Funciones Objetivo
Existen ciertas especializaciones de Q muy conocidas. Entre ellas figuran los problemas a resolver cuando se pretende calcular el rango de variacin de las funciones objetivo sobre la regin eficiente (rango de variacin eficiente). Tales problemas han suscitado un inters especial (ver, por ejemplo, [St86], p. 267-270, [IsSt87] y [RvRd88]) debido fundamentalmente a las siguientes razones: (i) representan simplificaciones (con propiedades especiales) del problema general Q que inducen a pensar que su resolucin no debe ser tan complicada, (ii) proporcionan una estimacin sobre el tamao de la regin eficiente del problema que es utilizada por muchos algoritmos (principalmente, tcnicas de generacin parciales de soluciones eficientes1 e interactivos2) para mejorar su rendimiento. Por tales motivos, creemos que merece la pena conceptualizar adecuadamente el problema y examinar algunas de sus caractersticas particulares. Dado el problema P max{z (x ) / x X } se define el rango de variacin eficiente de P como el rango de variacin de z (x ) sobre E P . En general, tal rango se suele expresar como z R k / z emin z z emax , donde i { 1, ..., k }, emin P emax P zi = min zi ( x) / x E y zi = max zi ( x) / x E .
Que el cmputo de ziemin o ziemax sobre un LVP no es ms que un caso particular del problema general de optimizacin de una funcin lineal sobre la regin eficiente resulta claro ( v t = eit C , v t = eit C , respectivamente). Hallar z emax no reviste dificultad, pues:
1 2
Por ejemplo, el mtodo NISE ([Ch78], p. 127-140). Por ejemplo, el mtodo STEP ([BMTL71]) o el mtodo restringido ([Ch78], p. 115-121).
189
Demostracin. Sean i { 1, ..., k }, v = e C y Q y R definidos segn (3.34) y 3.35), respectivamente. Comprobemos en primer lugar que si R es no acotado ( S R = ) entonces Q tambin lo es ( S Q = ). Supongamos por
t t i
Corolario 3.5.20 Si E P entonces i { 1, ..., k }, ziemax = max cit x / x X .
reduccin al absurdo que x E P tal que v t x = cit x v t x = cit x , x E P . X tal que cit x > cit x . Slo pueden ocurrir dos casos: (i) Como S R = x E P #. (ii) x E P . Por el Corolario 1.10.10 ~ x x E P tal que C~ x Cx > cit x #. Supongamos ahora que R es acotado ( S R ). Como x cit x cit ~ v t d = eit Cd 0, d C , aplicando el Teorema 3.5.11 S R S Q . Sin embargo, con respecto a z emin , la situacin cambia radicalmente. Por suerte, para k = 2 , disponemos de cotas inferiores vlidas para cualquier tipo de problema (no necesariamente lineal). Efectivamente, si 1, ..., k }, se verifica: denotamos por Pi max{zi ( x) / x X } y z i = z x i , i {
( )
1 2 z2 ( x ) z2 . y z2 1 Demostracin. Vamos a probar slo z12 z1 ( x ) z1 , pues la demostracin del otro resultado es totalmente anloga. Por el Corolario 3.5.20, es cierto que 1 x E P , z1 ( x ) z1 . Veamos, pues, que z12 z1 ( x ) . Supongamos por reduccin al absurdo que x E P , z12 > z1 ( x ) z 2 z( x ) #, pues x E P .
1 Proposicin 3.5.21 Sean x 1 S P1 , x 2 S P2 . Entonces, x E P , z12 z1 ( x ) z1
Corolario 3.5.22 En las condiciones de la proposicin anterior, si z 1 y z 2 son no dominados entonces z emin = z1 x 2 , z 2 x1 .
( ( )
( ))
Aunque la Proposicin 3.5.21 no se puede generalizar para k > 2 , tradicionalmente se han utilizado las tablas de pagos como heursticas para proporcionar estimaciones sobre z emin . La tabla de pagos se define como una tabla de k k entradas, donde 1, ..., k } ([Ch78], p. 118). la fila i corresponde a z x i , siendo x i S Pi , i {
( )
z1 x1
( ) ( )
z k x1
( )
zi x i

( )
z1 x k
zk x k
( )
190
La diagonal de la tabla da los valores mximos sobre la regin eficiente: zimax = zi x i = max{zi ( x) / x X }
( )
max Evidentemente, z max = z1max , ..., z k es el punto ideal del problema.
Para estimar ziemin se suele utilizar zipmin , definido como el valor mnimo de la columna min zi ( x ) / j { 1, ..., k } . A z
j
i
pmin i
de la tabla de pago, es decir,
zipmin
se le denomina valor pesimista o valor nadir
([Ws85], p. 23-24) asociado al objetivo i . Al vector z pmin = z1pmin , ..., z kpmin se le conoce como punto nadir. Dado i { 1, ..., k }, las dificultades con que nos podemos encontrar son pmin que z o que ziemin < zipmin . > zi
emin i
El caso ziemin > zipmin se da, exclusivamente, cuando alguno de los problemas Pi ( i { 1, ..., k }) tiene ptimos alternativos, con lo que las filas de la tabla de pago pueden corresponder a vectores dominados. Esto se puede prevenir maximizando lexicogrficamente cada una de las funciones objetivo (ver seccin 4.2.2), lo que hara que las filas de la tabla de pago sean no dominadas. El otro caso, ziemin < zipmin , en general, no se puede evitar. La experiencia computacional ([IsSt87], p. 93-95) muestra que tales estimaciones suelen ser bastante pobres (incluso aunque se utilicen filas no dominadas en la tabla de pagos), poniendo en entredicho la idoneidad de esta estrategia3. Proposicin 3.5.23 x E P , z (x ) puede tener, a lo sumo, k 2 componentes por debajo del punto nadir. Demostracin. Sea x E P . Supongamos por reduccin al absurdo que i , z j (x ) < z jpmin z x i z (x ) #, pues 1, ..., k } {} i {1, ..., k } tal que j {
( )
x EP .
Con lo visto hasta ahora slo es posible abordar la resolucin de ciertos casos especiales del problema Q . En lo que resta de este apartado nos centraremos en algunos mtodos de resolucin para el caso general. Empezaremos analizando dos tcnicas muy simples.
No obstante, algunos autores, como Reeves y Reid (ver [RvRd88]) piensan que en la mayora de las situaciones reales, tal tcnica representa un buen compromiso entre el esfuerzo computacional requerido y la bondad de las cotas obtenidas.
191
3.5.3 Estrategias Bsicas de Resolucin

Se puede considerar que existen dos planteamientos rudimentarios y de utilidad muy limitada para la resolucin de Q . Ambos se distinguen por la forma en que contemplan a la regin eficiente: explcita o implcitamente.
Mtodo Elemental ([IsSt87], p. 95)

Si se sabe que Q es acotado y que el nmero de vrtices eficientes no es demasiado grande, una tcnica viable consiste en utilizar un algoritmo generador de vrtices eficientes (ver seccin 4.3) para calcularlos todos y P despus evaluar sobre ellos v t x . Efectivamente, si suponemos que E xp = , x l y denotamos por v j a v t x j , j { 1, ..., l } entonces, aplicando el Corolario 3.5.2, el valor objetivo ptimo v de Q vendr dado por max v j / j { 1, ..., l} .
1
{x ,
Las principales dificultades que presenta este procedimiento son: (i) hay que garantizar a priori la acotacin de Q (cosa que no es sencilla de verificar) y (ii) el tiempo requerido para el clculo de todos los vrtices eficientes puede ser prohibitivo.
Mtodo No Lineal ([IsSt87], p. 96)

Desde un punto de vista estrictamente terico el problema Q se puede formular como un problema de programacin escalar no lineal. Efectivamente: max v t x / Ax = b, t C + u t A + s t = 0, s t x = 0, x 0, e, s 0 (3.36)
La justificacin del mtodo se basa en el Teorema 1.7.9, el cual permite garantizar que: n / Ax = b, t C + u t A + s t = 0, s t x = 0, e, s 0 E P = x R+
Las principales dificultades que se observan para resolver (3.36) son las dimensiones del problema y la complejidad del mismo. Efectivamente, hay un incremento de n + k + 1 restricciones y n + m + k variables respecto al problema original Q y, por otro lado, el problema es altamente no lineal debido a la restriccin s t x = 0 . En el estado actual del arte de la programacin escalar no lineal, este planteamiento resulta poco prctico. Debido a las limitaciones que presentan estas estrategias bsicas de resolucin, en los ltimos aos hemos asistido a una verdadera proliferacin de algoritmos altamente complejos, en un intento de resolver el problema general Q (ver, por ejemplo, [Bn91b], [Bn92], [DrFs95], ...), as como procedimientos especficos para situaciones particulares como: caso bicriterio ([BnLee96]), dependencia lineal entre las filas de la matriz criterio y la funcin objetivo de Q ([Bn93]), ... etc.
192
Bajo el siguiente epgrafe presentamos el primer procedimiento con espritu prctico, para resolver el problema Q , del que tenemos constancia.
3.5.4 Mtodo de Planos de Corte

Este mtodo fue propuesto inicialmente por Philip ([Ph72], Method iv.2, p. 225) y redescubierto independientemente por Isermann y Steuer ([IsSt87], p. 96) como una especializacin para el problema del clculo de valores objetivos mnimos sobre la regin eficiente. Posteriormente, Ecker y Song ([EcSn94]) analizan y justifican ciertos detalles no del todo claros en el esquema original. La importancia del procedimiento radica en que es un procedimiento de tipo local (basado en vrtices) geomtricamente intuitivo y, aparentemente, sencillo de utilizar. El mtodo se fundamenta en que cualquier par de vrtices eficientes est conectado a travs de un camino de aristas eficientes (ver seccin 1.7.4). As, cualquier hiperplano H = x R n / v t x = , con v min , v max (donde v max = max v t x / x E P y v min = min v t x / x E P ) intersecta, al menos, a una arista eficiente de X .
} }
Algoritmo P Paso 1. (Inicializacin) Si E P = STOP, Q es no factible. P En caso contrario, elegir x 0 E xp . Hacer i = 0 . Paso 2. (Exploracin) Existe una arista eficiente de P , incidente en x i , que mejore v t x , es decir, con un costo relativo respecto a v menor que 0? Si la respuesta es si, ir al paso 3. En caso contrario, tenemos un ptimo local. Ir al paso 4. Paso 3. (Progresin local) Si la arista es no acotada STOP, Q es no acotado. En otro caso, pivotar a lo largo de la arista hasta x i +1 (vrtice adyacente). Hacer i = i + 1 . Volver al paso 2. Paso 4. (Planos de corte) Sea H i el hiperplano x R n / v t x = v t x i . Existe un vrtice de X H i , que intersecte una arista eficiente de P y que mejore v t x ? Si la respuesta es si, sea x i +1 tal vrtice. Hacer i = i + 1 e ir al paso 3. En caso contrario, tenemos un ptimo global. STOP. x S Q .
193
Obviamente, toda la dificultad del mtodo se concentra en el paso 4, ya que ste no es trivial a pesar de ser intuitivamente claro. Supongamos, por simplificar, que X es un poltopo y hagamos las siguientes hiptesis:
P Sean x E xp ptimo local y no global de Q , X = x X / v t x v t x y P xp
P max{ Cx / x X }. Por ser x E
ptimo local sabemos que no hay
aristas eficientes en P , incidentes en x , que incrementen el valor de v t x . Sin embargo: Teorema 3.5.24 ([EcSn94], Theorem 4.1) Existe una arista eficiente en P , incidente en x , sobre el hiperplano H = x R n / v t x = v t x . Demostracin. Sea x E P X . Por la Proposicin 1.10.3 x E P . P > vt x x E xp X . Nuevamente, por la Adems, como x S Q x , vt x
E P . Como E P es conexo (Teorema 1.7.40), debe Proposicin 1.10.3 x Existe una existir un camino de aristas eficientes en P entre x y x arista eficiente en P , incidente en x . Adems tal arista est sobre el hiperplano H = x R n / v t x = v t x , pues si alguna arista eficiente en P , incidente en x , incrementase el valor de v t x Tal arista es eficiente en P #, pues x es un ptimo local de Q .
Utilizando un razonamiento parecido al anterior es posible probar que: P E xp = v t x ) y existe una Teorema 3.5.25 x , sobre el hiperplano H ( v t x , que incrementa el valor de v t x . arista eficiente en P , incidente en x
P Corolario 3.5.26 ([EcSn94], Corollary 4.1) Sean x E xp ptimo local de Q y P G E xp G = X H . Si x no existe una arista eficiente en P que mejore el
valor de v t x entonces x S Q . Los resultados anteriores indican que nos movamos de x , utilizando las aristas eficientes de P , hasta lograr incrementar la funcin objetivo v . P Queda esbozado as una rutina sistemtica para calcular algn x E xp tal que v t x > v t x o concluir que Q es no acotado. Sin embargo, para poder afirmar en una iteracin arbitraria que x es P un ptimo global de Q , necesitamos generar todo G E xp y esto sigue siendo una tarea computacionalmente costosa (aunque este conjunto, se debe P esperar que sea bastante ms reducido que E xp ).
194
3.5.5 Mtodo de Maximizacin Facial Progresiva

A continuacin vamos a desarrollar un algoritmo novedoso e implementable para resolver el problema general de optimizar una funcin lineal sobre la regin eficiente de un LVP. El procedimiento se fundamenta en dos ideas sencillas. En primer lugar, el conjunto de soluciones eficientes de un LVP se puede ver como una unin finita de caras eficientes (Corolario 1.7.27). Por otra parte, cada cara es un poliedro y podemos optimizar muy eficazmente una funcin lineal v t x sobre ella (por ejemplo, a travs del mtodo del simplex o del mtodo de Karmarkar). El mtodo que proponemos, bautizado como Maximizacin Facial Progresiva, o MFP para abreviar, pretende generar una sucesin de caras eficientes estrictamente crecientes en el valor de la funcin objetivo v . La gran dificultad que existe para explotar un procedimiento con estas caractersticas reside en cmo seleccionar caras eficientes apropiadas sobre las que efectuar la optimizacin lineal. Esta cuestin intentar ser dilucidada a lo largo de este apartado. 1, ..., n}. Empezaremos con una propiedad muy sencilla: Sea J J = { Proposicin 3.5.27 t min u t b / u t A J J v J J .
El
problema
dual
de
max v t x / x F (J )
es
Los siguientes dos resultados nos permitirn caracterizar la no acotacin de v t x sobre una cara no vaca F (J ) de X . Efectivamente: Teorema 3.5.28 Supongamos que F (J ) . Entonces, el problema t max v t x / x F (J ) es no acotado si, y slo si, u t A J J v J J no tiene solucin. Demostracin. Por la teora de la dualidad escalar.
Corolario 3.5.29 Supongamos que F (J ) . Entonces, el problema t max v t x / x F (J ) es no acotado si, y slo si, el sistema A J J d = 0 , v J J d = 1 , d 0 , tiene solucin. Demostracin. Utilizar el Teorema 3.5.28 y aplicar el teorema de la alternativa de Gale ([Mn69], p. 33).
Vamos a caracterizar cuando, sobre una cara arbitraria F (J ) , es posible mejorar un nivel arbitrario R impuesto sobre una funcin objetivo v t x .
3.5. OPTIMIZACIN LINEAL SOBRE LA REGIN EFICIENTE Teorema 3.5.30 El sistema: v x y 1 x 0, x J = 0, y 1

t
195
Ax by = 0
(3.37)
F (J ) tal que v t x > . tiene solucin si, y slo si, x Demostracin. = x / y Ax = b, Sea (x , y ) solucin del sistema (3.37). Consideremos x t t 0, x J = 0 y v x F (J ) y v x + 1/ y > x > . x F (J ) tal que v t x = b, x 0, x J = 0 y vt x > Ax > . Sea Sea x / , y = 1 / 1 es claro que . Tomando x = x (0, 1] tal que v t x (x , y ) es solucin del sistema (3.37).
t u t A J J v J J 0 u t b + w +w>0 , w 0
Teorema 3.5.31 El sistema:
(3.38)
F (J ) tal que v t x > . no tiene solucin si, y slo si, x F (J ) tal que v t x > el sistema (3.37) tiene Demostracin. Si x solucin el sistema: AJ A J J b 0 J J J A b xJ 0 xJ A t x 1 , x 0 t v v J J J J J J J I 0 0 y 0 y 1 0 1 0 tiene solucin. Aplicando el teorema de la alternativa de Gale ([Mn69], p. t t 35) u t A J , A J J , b + vJ vJ + s t (I , 0, 0) + , J , w(0, 0, 1) 0 , + w > 0 , s 0 , , w 0 , no tiene solucin el sistema (3.38) no tiene solucin.
196
3. TPICOS SELECCIONADOS EN PROGRAMACIN ... Consideremos ahora el problema: min s t x s.a : t t C +u A+ s = 0 Ax by = 0 t v x y 1 x, s 0, e, y 1
(3.39)
El problema (3.39) es un problema de programacin bilineal, genricamente denotados como BLP (ver [HrTuy96], p. 20) y, evidentemente, est acotado inferiormente por 0. La importancia que presenta el problema (3.39) se debe al siguiente resultado: Teorema 3.5.32 El programa (3.39) es acotado con valor ptimo 0 , si, y slo t si, F E P f y x F tales que v x > . Demostracin. Por hiptesis F E P f . Sabemos que cualquier cara de un poliedro tiene asociado un nico descriptor maximal (Teorema 2.3.20). Luego J J = { 1, ..., n} descriptor maximal tal que F = F (J ) . Como F (J ) E P f , F (J ) verifica que e , tiene solucin ( , u , s ). Por otra parte, x t > . Por el Teorema 3.5.30 el sistema (3.37) tiene solucin (x , y ) . Es vx claro entonces que ( , u , s , x , y ) es una solucin factible de (3.39) tal que s t x = s Jt x J + s Jt J x J J = 0. Como el problema (3.39) est acotado inferiormente por 0 el programa (3.39) es acotado, con valor ptimo 0. Por hiptesis, el programa (3.39) es acotado con valor ptimo 0. Supongamos que ( , u , s , x , y ) es una solucin ptima del mismo. Sea J = {j J / s j > 0} y consideremos la cara F (J ). Por el Corolario 2.9.11 F (J ) tal que v t x > . Teorema 3.5.30 x F (J ) E P f . Adems aplicando el Corolario 2.9.11 el sistema t C + u t A + s = 0 , s 0 , s J J = 0 ,
(x ,
y ) es solucin del sistema (3.37), luego por el
Ntese que la demostracin anteriormente hecha no slo justifica la existencia de una cara eficiente con la propiedad deseada de incremento del
197
valor objetivo, sino que tambin proporciona el mecanismo de construccin de dicha cara. Este hecho ser utilizado posteriormente por el algoritmo. Teorema 3.5.33 Si el programa (3.39) es acotado con valor ptimo estrictamente positivo entonces v t x , x E P . Demostracin. Supongamos por reduccin al absurdo que x E P tal que vt x > F E P tal que x F . Aplicando el Teorema 3.5.32 el f programa (3.39) es acotado con valor ptimo 0 , lo cual es #.
Teorema 3.5.34 Supongamos E P . Si el programa (3.39) es no factible entonces / x X tal que v t x > . Demostracin. Como E P , aplicando el Corolario 1.7.43 el sistema t C + u t A + s = 0 , s 0 , e , tiene solucin. Dado que por hiptesis el programa bilineal (3.39) es no factible el sistema Ax by = 0 , v t x y 1 , x 0 , y 1 , no tiene solucin. Ahora, por el Teorema 3.5.30 / x X tal t que v x > . Ahora estamos en disposicin de esquematizar un algoritmo para resolver el problema Q basado en la generacin de una sucesin de caras eficientes estrictamente crecientes en el valor objetivo de v . Algoritmo MFP Paso 0. (Inicializacin) Hacer i = 0 y 0 = M , siendo M una constante positiva arbitrariamente grande. Paso 1. (Exploracin) Resolver el siguiente problema de programacin bilineal Ti : min s t x s.a : t t C +u A+ s = 0 Ax by = 0 t i v x y 1 x, s 0, e, y 1
(3.40)
Paso 2. (Regla de parada) Si el programa Ti es no factible o acotado con valor objetivo ptimo estrictamente positivo, STOP. El valor objetivo ptimo de Q es i . En otro caso (el programa (3.40) es acotado, con valor objetivo ptimo 0 ), continuar.
198
Paso 3. (Avance) Sea i , u i , s i , x i ,
y i una solucin ptima de Ti . Hacer J i = j J / s ij > 0 .
Resolver el problema Q i max v t x / x F J i . Si Q i es no acotado, STOP. El problema Q es no acotado. i +1 una solucin extrema ptima de Q i . Hacer i +1 = v t x i +1 , En otro caso, sea x i = i + 1 e ir al paso 1. i Los siguientes resultados mostrarn que los puntos extremos x generados por el algoritmo MFP tienen valores objetivos estrictamente crecientes. Adems veremos que el algoritmo slo necesita un nmero finito de iteraciones para encontrar una solucin ptima global del problema Q o concluir que ste es no acotado o no factible. Primero debemos resaltar los siguientes hechos: (a) Si T0 es no factible podemos concluir que Q es no factible (Teorema 3.5.34). (b) Si Q i es no acotado en alguna iteracin i entonces Q es tambin no acotado (inmediato). Una de las caractersticas ms importantes del algoritmo propuesto es que es montono creciente. Efectivamente: Proposicin 3.5.35 En cada iteracin del algoritmo MFP se mejora estrictamente el valor la funcin objetivo. Demostracin. Sea i el nivel impuesto a la funcin objetivo v t x en la iteracin i del algoritmo MFP. Por el Teorema 3.5.32, si el programa Ti es
i > . Como acotado con valor ptimo 0 F J i E P tal que v t x f y xF J
( )}
( )
( )
en el paso 3 calculamos i +1 como el valor objetivo ptimo del problema Q i max v t x / x F J i i +1 > i .
( )}
El algoritmo MFP slo considera, por cada cara encontrada, un nico descriptor (no necesariamente maximal) y descarta de posteriores consideraciones todos aquellos descriptores correspondientes a caras contenidas en alguna de las ya obtenidas. Antes de probar esta afirmacin necesitamos un resultado preliminar:
199
Proposicin 3.5.36 Sean J , J J tales que F (J ) F (J ) y supongamos que max v t x / x F (J ) es acotado, con valor objetivo ptimo . Sea una constante arbitraria. Entonces el sistema: Ax by = 0 v t x y 1 (3.40) x 0, x J = 0, y 1
no tiene solucin. Demostracin. Por hiptesis, F (J ) F (J ) . Supongamos por reduccin al absurdo que el sistema (3.40) es factible. Por el Teorema 3.5.30 F (J ) F (J ) tal que v t x > #. x Ahora podemos probar el resultado deseado: Teorema 3.5.37 Si J i es el descriptor obtenido en la iteracin i del algoritmo MFP, entonces ningn otro descriptor J J tal que F J i F (J ) ser usado en una iteracin posterior. Demostracin. Sea J J tal que F J i F (J ) . Sea i el nivel utilizado por el programa Ti del algoritmo MFP en la iteracin i . Aplicando la
( )
( )
Proposicin 3.5.36 i , el sistema: Ax by = 0
v t x y 1 x 0, x J = 0, y 1
no tiene solucin. Como este sistema es una especializacin de parte de las restricciones del programa Ti , la Proposicin 3.5.35 y el Teorema 3.5.30 aseguran que J no puede ser generado en una iteracin posterior j del algoritmo. Como consecuencia directa, combinando que P tiene un nmero finito de caras eficientes con el Teorema 3.5.37, es directo probar la convergencia del algoritmo propuesto. Corolario 3.5.38 El algoritmo MFP realiza un nmero finito de iteraciones. Ntese que, en el caso peor, el nmero de iteraciones realizadas por el P algoritmo MFP es: E xp +1. Para que se diese este caso tienen que concurrir las siguientes hiptesis: (i) v t x ha de ser estrictamente creciente en cada vrtice eficiente, (ii) todas las caras generadas por el algoritmo han de ser vrtices o aristas acotadas y estar ordenadas en valor creciente de v t x y (iii) el primer vrtice generado ha de ser el de menor valor objetivo.
200
Finalmente, teniendo en cuenta las propiedades anteriores podemos probar que el algoritmo es vlido. Efectivamente: Corolario 3.5.39 Si E P , el algoritmo MFP encuentra una solucin ptima global exacta para el problema Q o concluye que ste es no acotado. Demostracin. No tiene dificultad dado que P tiene un nmero finito de caras eficientes y que, por construccin, el algoritmo o bien encuentra una cara eficiente que mejora estrictamente el valor de la funcin objetivo para el problema o bien determina que no existe ninguna con la propiedad requerida (Teorema 3.5.32) A continuacin haremos unos breves comentarios sobre los detalles de codificacin del algoritmo MFP. Resulta claro que, excluyendo el paso 1, todos los dems pasos del algoritmo son fcilmente implementables. En particular, el paso 3 se puede llevar a cabo aplicando tcnicas tradicionales de la programacin lineal escalar como el mtodo del simplex (ver, por ejemplo, [Mr83]). El paso 1 es el encargado de la obtencin de una cara eficiente, no necesariamente adyacente a la obtenida en la iteracin anterior, en la que se mejore estrictamente el valor de la funcin objetivo. Esta tarea es, sin lugar a dudas, la ms cara en demanda computacional del algoritmo MFP, requiriendo el clculo de un ptimo global de un programa BLP. Este tipo de problemas ha sido estudiado extensivamente dentro del campo de la optimizacin global durante ms de 30 aos, existiendo en la actualidad diferentes tcnicas bien establecidas, basadas casi todas ellas en la propiedad de que un BLP es posible reformularlo como un problema de minimizacin cncava sobre un poliedro. Entre los procedimientos disponibles podemos destacar: los mtodos de planos de corte como el propuesto por Konno (ver [HrTuy96], Algorithm IX.1, p. 453), los mtodos de aproximacin polidrica interior como el sugerido por Vaish y Shetty (ver [HrTuy96], Algorithm IX.2, p. 457), los mtodos cnicos que combinan planos de corte y aproximacin interna como el de Gallo y lkc (ver [HrTuy96], Algorithm IX.3, p. 460) o los mtodos basados en aproximacin exterior como el de Thieu (ver [HrTuy96], Algorithm IX.4, p. 465). De todas stas, slo el algoritmo de Thieu tiene garantizada su convergencia en un nmero finito de iteraciones a un ptimo global bajo cualquier tipo de circunstancias (acotacin o no de la regin factible). Recientemente, Audet et al. ([AHJS99]) han presentado un procedimiento para resolver de forma exacta el BLP en el caso general. Se trata de un algoritmo basado en ramificacin y acotacin, que utiliza las condiciones de monotona y holguras complementarias de reformulaciones equivalentes del problema en programas lineales maxmin simtricos. Segn los autores, el algoritmo
201
AHJS se ha usado con xito para resolver problemas de hasta 200 variables y 200 restricciones ([AHJS99], p. 591). Ejemplo 3.5.40 Consideremos el problema: 1 1 0 5 1 0 0 3 3 P max x / x 3 , x R+ 0 1 0 0 0 1 1 Nos proponemos calcular el valor mnimo del primer objetivo sobre la regin eficiente utilizando el algoritmo MFP. El problema Q a resolver se formula como: max ( 1, 0, 0 ) x / x E P . Con el fin de no perder la intuicin geomtrica hemos representado grficamente la regin factible de P (ver Figura 3.8).
t
x3
1 x9
x4 x1
x2
x3 x
5
x2
x1 3
x8 x7 x6
Figura 3.8
P Es claro que: E P = CVH x 2 , x 3 , E xp = x 2 , x 3 y que la solucin ptima
de Q se alcanza en x 3 = (2, 3, 1) siendo, el valor objetivo ptimo 2 ( 2 para el problema original de minimizacin). Para poder usar el algoritmo MFP necesitamos una descripcin lineal de la regin factible en forma estndar. Ella se obtiene tomando:
t
({
})
202 1 1 A = 0 0 1 0 1 0
3. TPICOS SELECCIONADOS EN PROGRAMACIN ... 0 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 0 5 1 0 0 0 0 0 0 0 3 , b = y C = 0 1 0 0 0 0 0 . 3 0 0 0 1 0 0 0 0 1 1
Paso 0. i = 0 y 0 = M , ( M una constante positiva arbitrariamente grande). Iteracin 0. Paso 1. Resolver el BLP: t C + u t A + s = 0 Ax by = 0 t 0 v x y 1 x, s 0, e, y 1 Se comprueba que este problema es acotado, con valor ptimo 0, siendo una de sus soluciones ptimas la dada por 0 , u 0 , s 0 , x 0 , y 0 , donde: min s t x s.a :
(3,
= (1, 1, 1) , u = ( 1, 0, 0, 1) , s = (0, 0, 0, 1, 0, 0, 1) , x 0 =
0 t 0 t 0 t
2, 1, 0, 0, 1, 0 ) e y 0 = 1 .
t
Paso 3. J 0 = {4, 7}. Tenemos que resolver el problema Q 0 max v t x / x F J 0 .
Se comprueba que una solucin ptima de Q 0 es valor objetivo ptimo 1 = 2 . Hagamos i = 1 . Iteracin 1. Paso 1. Tenemos que resolver el problema: min s t x s.a :
x 3 = (2, 3, 1) , siendo el
t
( )}
t t C +u A+ s = 0 Ax by = 0 t 1 v x y 1 x, s 0, e, y 1
203
Este problema se comprueba que es acotado con valor ptimo global estrictamente positivo e igual a 1, siendo una de sus soluciones ptimas la dada por 1 , u 1 , s 1 , x 1 , y 1 , donde:
(1,
t t 1 = (1, 1, 1) , u 1 = ( 1, 0, 0, 1) , s 1 = (0, 0, 0, 1, 0, 0, 1) , x 1 = t
3, 1, 1, 2, 0, 0) e y 1 = 1 .
t
Paso 2. Stop, el valor objetivo ptimo de Q es 1 = 2 , alcanzndose este ptimo en el punto x 3 = (2, 3, 1) .
t
Captulo 4
Mtodos Generadores de Soluciones Eficientes

4.1 Introduccin
Aunque el problema de identificar la regin eficiente asociada a un LVP ha sido estudiado extensivamente en la literatura, la gran mayora de los algoritmos publicados no son suficientemente claros en los detalles (que con frecuencia se omiten), presentan numerosos cuellos de botella y suelen suponer la no degeneracin y/o acotacin de la regin factible. Complicando an ms las cosas, debido a la propia estructura del problema, tales procedimientos suelen ser grandes consumidores de recursos computacionales. Todo ello ha ocasionado que, en la actualidad, siga existiendo un considerable inters matemtico en el desarrollo de nuevos y ms eficaces algoritmos generadores de soluciones eficientes ([StPr98]). Este captulo aglutina nuestro esfuerzo en este sentido. As, despus de analizar cuidadosamente las cuestiones ms tradicionales (como el clculo de un vrtice eficiente inicial y la generacin del conjunto de vrtices y/o aristas eficientes), presentamos una clasificacin exhaustiva de los algoritmos de resolucin para el LVP, incluyendo nuevos procedimientos para cada una de las clases consideradas. Una de las primeras acciones a realizar por la mayora de los mtodos generadores de soluciones eficientes consiste en calcular un vrtice eficiente inicial. En la seccin 4.2 analizamos y relacionamos entre s las tcnicas ms conocidas. Entre otros detalles de inters mostraremos: i) que el mtodo de maximizacin lexicogrfica ([EvSt73]) slo es vlido cuando en cualquiera de sus iteraciones es posible encontrar una funcin objetivo acotada, ii) que el mtodo de Isermann ([Is77a]) puede fallar sobre aquellos problemas que verifican que la interseccin entre su conjunto criterio y el ortante no negativo es vaco, iii) que el mtodo de Benson ([Bn81]) puede ser visto como 205
206
4. MTODOS GENERADORES DE SOLUCIONES EFICIENTES
una extensin del mtodo de Isermann, basada en una formulacin dual del subproblema empleado por Ecker y Kouada, y iv) que el mtodo de Hartley ([Hr83], [Hr85]) es el procedimiento vlido ms sencillo de entre todos los considerados. Histricamente, los primeros algoritmos generadores de soluciones eficientes slo calculaban vrtices. La principal razn era su mayor sencillez, tanto terica como prctica. Dado que los vrtices eficientes constituyen una primera aproximacin de la regin eficiente, la idoneidad de este tipo de herramientas nunca ha sido puesta en duda, existiendo en la actualidad diversos mtodos bien consolidados. En la seccin 4.3 presentamos un algoritmo genrico para el clculo del conjunto de vrtices eficientes de un LVP y analizamos con detenimiento las cuestiones ms importantes relacionadas con su implementacin. Los mtodos generadores de vrtices eficientes son susceptibles de ser extendidos, sin apenas cambios, para que calculen tambin el conjunto aristas eficientes. La informacin proporcionada de esta manera es sustancialmente ms completa e interesante debido a su fuerte carcter geomtrico. A pesar de ello, por s sola, no es suficiente para determinar la estructura facial de la regin eficiente. Desafortunadamente, la posibilidad de que existan direcciones extremas eficientes, confiere a la identificacin de todas las aristas eficientes una mayor complejidad terica que la que supone el clculo exclusivo de los vrtices eficientes (Proposicin 4.4.3). Todos estos hechos se analizan en la seccin 4.4. En la seccin 4.5 estudiamos los mtodos generadores de todo el conjunto de soluciones eficientes. Atendiendo exclusivamente a su diseo, tales procedimientos pueden ser agrupados en diversas categoras. Nosotros proponemos una nueva clasificacin que resulta de combinar dos ms generales sugeridas por Sayin ([Sy96]) y Armand ([Ar93b]), respectivamente. Obtenemos as cuatro clases perfectamente definidas y mutuamente excluyentes: Ascendentes Globales (GBU), Ascendentes Locales (LBU), Descendentes Globales (GTD) y Descendentes Locales (LTD). Despus de revisar exhaustivamente la literatura, parece ser que el diseo LTD es indito y representa, por tanto, un enfoque algortmico no explotado previamente. Para cada una de las clases anteriores hemos hecho un estudio similar, consistente en proporcionar un esquema genrico de organizacin de tareas, una especificacin precisa de un nuevo algoritmo basada en el esquema previamente reseado, un anlisis de propiedades y la resolucin detallada de, al menos, un LVP con el procedimiento propuesto. La seccin 4.5.1 trata el intuitivo y legendario diseo GBU. Basndonos en los resultados enunciados en el Teorema 4.5.4 para
4.2. CLCULO DE UN VRTICE EFICIENTE INICIAL
207
envolventes convexas eficientes, proponemos el procedimiento GBUCOMBINATION para la etapa combinatoria de esta clase de esquemas. En la seccin 4.5.2 analizamos el diseo LBU, el cual se ha revelado como el ms ampliamente utilizado por la comunidad cientfica. Atendiendo a la descripcin LBU hemos formulado el algoritmo LBU-FACES. Bsicamente, LBU-FACES constituye una extensin del algoritmo VERTICES dado en la seccin 4.3, en la cual se ha introducido, para el clculo de las caras eficientes maximales incidentes en un vrtice, una nueva rutina ascendente (a la que hemos denominado BU-IFACES) orientada al tratamiento de caras a travs de sus descriptores y que puede emplear como test de eficiencia cualesquiera de los propuestos en la seccin 2.8. La seccin 4.5.3 estudia el diseo GTD. Este diseo es tambin de los ms antiguos, habiendo sido utilizado por Yu y Zeleny en 1975 ([YuZl75]). El algoritmo planteado, al que hemos llamado GTD-COMBINATION, se basa en otro ms general, TD-IFACES que permite calcular de manera descendente las caras eficientes maximales incidentes en una cara arbitraria especificada a travs de un descriptor. Con esta implementacin, es posible reutilizar la rutina en la seccin 4.5.4. Los test de eficiencia empleados en TD-IFACES son los dados en la seccin 2.9. Por ltimo, en la seccin 4.5.4 abordamos el diseo LTD mediante el desarrollo de un algoritmo denominado LTD-FACES. En esencia hemos combinado una versin extendida del algoritmo VERTICES (ver seccin 4.3) con el procedimiento TD-IFACES presentado en el apartado anterior, pero especializado adecuadamente con los tests de eficiencia de la seccin 2.8.
4.2 Clculo de un Vrtice Eficiente Inicial

Encontrar un punto extremo eficiente inicial suele ser la primera tarea a realizar por la mayor parte de los algoritmos que intentan determinar el conjunto de soluciones eficientes de un LVP. A pesar de que este problema est bien resuelto (ver [Hr83] o [Hr85]) y su complejidad computacional es claramente polinomial, se han publicado, de manera sorprendente, una gran cantidad de artculos sobre el mismo. En esta seccin haremos una breve revisin de las ideas ms importantes que se han ido sugiriendo a lo largo del tiempo. Sea P un LVP dado de forma genrica como: max{z (x ) / x X } (4.1) donde z (x ) = Cx y la regin factible X es un poliedro descrito a travs de: x R n /Ax = b, x 0 (4.2)
208
4.2.1 Mtodo Paramtrico

El mtodo paramtrico o ponderado quizs sea el procedimiento ms sencillo y conocido, aunque por desgracia no siempre vlido, para encontrar un vrtice eficiente inicial en un LVP. Una de las primeras referencias en que se comenta este procedimiento es en [Ph72] (Method II.1, p.218). El mtodo paramtrico se basa en que cualquier solucin ptima del problema ponderado ( P ) con pesos estrictamente positivos es eficiente (Teorema 1.4.2). As, cualquier vrtice ptimo de P es un punto extremo eficiente de P . Ntese que el Teorema 1.4.2 no precisa la linealidad del problema P , con lo cual este procedimiento puede ser utilizado para encontrar soluciones eficientes arbitrarias de problemas no lineales.
k Para la implementacin del algoritmo se selecciona un R+ + arbitrario (por ejemplo, = e ) y se resuelve el problema P . Claramente, el nmero de programas escalares lineales resueltos es 1 y su complejidad es polinomial. Ntese que si X es acotado siempre se verifica que S P y,
por tanto, el algoritmo es vlido. Sin embargo, si X es no acotado, puede ocurrir que S P = y, en consecuencia, el algoritmo puede fallar. Encontrar un adecuado que haga que P sea acotado sobre regiones factibles no acotadas puede no ser una tarea sencilla, especialmente cuando el parmetro se selecciona al azar. Por suerte, para la gran mayora de LVPs inspirados en el mundo real, sucede que tienen regiones factibles acotadas y, por tanto, el mtodo funciona correctamente. En el curso de la resolucin de P podemos pasar, de forma inadvertida, durante las pivotaciones intermedias, por puntos extremos que son eficientes para P (aunque no ptimos para P ). Para evitar este hecho, podemos considerar un refinamiento del mtodo, en el que se utilice de forma sistemtica (despus de cada pivotacin o un cierto nmero de ellas) algn test adecuado de eficiencia para vrtices (ver seccin 2.6). Las ventajas del mtodo mejorado con respecto al original son: (i) un presumible ahorro de tiempo y, (ii) una disminucin de la probabilidad de fracaso del mtodo cuando X es no acotado ([St86], p.227). Hay que notar, sin embargo, que los tests de eficiencia son consumidores de recursos computacionales y, por tanto, el ahorro de tiempo depende en gran medida de la implementacin precisa que se haga, pues en ella se establece cundo deben comenzar las comprobaciones y con qu frecuencia. En [EvSt73], p. 68-70, hay unas interesantes tablas de resultados experimentales en las que, entre otras cosas, se comparan entre s el mtodo ponderado original y el mejorado con comprobacin de eficiencia en cada pivotacin (denotadas en
209
el artculo como option1 y option 2, respectivamente), en las que el primero domina claramente al segundo.
4.2.2 Mtodo de Maximizacin Lexicogrfica

El mtodo de maximizacin lexicogrfica o secuencial fue desarrollado originalmente por Evans y Steuer (ver [EvSt73] p. 63-66). El procedimiento consiste en ir optimizando, secuencialmente, cada una de las funciones objetivo sobre el conjunto de soluciones ptimas del problema anteriormente considerado. Es bien sabido el hecho de que aunque todas las funciones objetivo sean no acotadas puede ocurrir que E P y, en consecuencia, P E xp (ver Ejemplo 4.2.1). Steuer afirma errneamente que, obviando esta circunstancia, el mtodo es vlido, es decir, proporciona un vrtice eficiente ([St86], p. 231). Nosotros probaremos que para que el algoritmo sea vlido se necesita como hiptesis que en cada iteracin alguna de las funciones objetivo sea acotada sobre la regin factible considerada. Si se relaja este requerimiento (exceptuando el caso especial enunciado en la Proposicin 4.2.8), el mtodo de maximizacin lexicogrfica puede fallar. Ejemplo 4.2.1 Consideremos el problema lineal biobjetivo representado en la 2 Figura 4.1. Evidentemente, tanto c1 como c2 son no acotadas sobre X = R+ 2 2 / x1 = 0 x R+ / x2 = 0 (ortante no negativo) y, sin embargo, E P = x R+ (frontera del ortante no negativo).
} {
x2
X c2
c1
Figura 4.1
x1
De manera pormenorizada, el algoritmo construye una sucesin de k regiones factibles montonamente encajadas, definidas de forma recursiva de la siguiente forma: Inicialmente, X 0 = X .
210
4. MTODOS GENERADORES DE SOLUCIONES EFICIENTES 1, ..., k }, tal que z j1 (x ) sea Para construir X 1 se debe determinar j1 {
acotado sobre X 0. Entonces 0 0 x X / z j1 (x ) = max z j1 (x ) / x X .
}}
X1
se
define
como
acotado sobre X 1 . Entonces X 2 = x X 1 / z j2 (x ) = max z j2 (x ) / x X 1 .
1, ..., k }\ {j1 } tal que z j2 (x ) sea Para calcular X 2 se determina j2 {
}}
1, ..., k }\ {j1 , , jl 1 } y tal que z jl (x ) sea acotado sobre X l 1 . donde jl {
1, ..., k }, X l = x X l 1 / z jl (x ) = max z jl (x ) / x X l 1 En general, para l {
}}
1, ..., k 1}, X l , pero todas las funciones Si en alguna iteracin l { objetivo no utilizadas todava en las definiciones de los X i anteriores, 1, ..., l }, son no acotadas sobre X l , se hace X l +1 = ... = X k = . i { El mtodo de maximizacin lexicogrfica se fundamenta en los siguientes resultados: Proposicin 4.2.2 ([EvSt73], Lemma 4.4) Supongamos que E P . Si 1, ..., k }, X l entonces X l E P . l { Demostracin. Sea x X l . Si x E P por el Corolario 1.10.10 tenemos que E P tal que z ( x ) z ( x ) . Luego x X l EP . x Proposicin 4.2.3 ([EvSt73], Lemma 4.7) Si X k entonces X k E P . Demostracin. Sea x X k y supongamos por reduccin al absurdo que ) z ( x ) # por la construccin de X k . X , z( x x EP x
l 1, ..., k } se verifica X xp X xp . Proposicin 4.2.4 ([St86], Theorem 9.33) l {
Demostracin. Es evidente, pues por la teora de la programacin lineal l l 1 1, ..., k }. escalar ([Mr83]), X xp , l { X xp Combinando las dos proposiciones anteriores tenemos que:
k P Corolario 4.2.5 X xp . E xp
1, ..., k } no podemos concluir Ntese que, en general, si X l = con l { P nada sobre E . Efectivamente,
211
Ejemplo 4.2.6 (Regin eficiente no vaca) Consideremos el LVP dado por z1 (x ) = 2 x1 , z 2 (x ) = 2 x2 + x3 , z3 (x ) =

3 P x1 + x2 2 x3 y X = R+ . Es claro que (0, 0, 0 ) E xp (basta utilizar el mtodo 3 / x1 = 0 y X 2 = X 3 = . ponderado con = e ) y, sin embargo, X 1 = x R+
Ejemplo 4.2.7 (Regin eficiente vaca) Consideremos el LVP dado por z1 (x ) = x1 , z 2 (x ) = x2 , z3 (x ) = x3 y X =

3 / x1 1 . Es claro que E P = y, sin embargo, X 1 = x R+ / x1 = 1 y X 2 = X3 =. 3 +
{x R
Hay un caso especial que merece inters: Proposicin 4.2.8 Si X k 1 y X k = entonces E P = . Demostracin. Supongamos por reduccin al absurdo que E P . Por la Proposicin 4.2.2 se tiene X k 1 E P . Sea x X k 1 E P . Como X k = X k 1 tal que zi ( x ) = zi ( x ) i { ) > zk ( x ) z( x ) z( x ) 1, ..., k 1} y z k ( x x #, pues x E P .
En funcin de los resultados anteriores, el mtodo de maximizacin lexicogrfica se concreta en el siguiente algoritmo: Algoritmo ML Paso 1 Calcular la secuencia anterioridad.
{X },
i
1, ..., k }, de acuerdo al procedimiento descrito con con i {
Paso 2 Si X k entonces X k E P . En particular, cualquier punto extremo de X k es un punto extremo eficiente de P . En otro caso ( X k = ), no podemos concluir que E P = , salvo si X k 1 . 1, ..., k } no es tan Ntese que construir la sucesin de los X i , i { sencillo como parece y, aunque se pueda hacer, quizs se necesiten ms de k optimizaciones escalares, en el supuesto de que algunas de las funciones objetivo sean no acotadas. Evidentemente, el nmero de programas lineales escalares que se tienen que resolver, para el caso peor, al ejecutar el algoritmo es k (k + 1) / 2 y, por tanto, la complejidad del procedimiento es polinomial.
212
Para reducir la posibilidad de fallo del mtodo cuando algunas de las funciones objetivo son no acotadas, se puede recurrir nuevamente a la utilizacin de test de eficiencia para vrtices como los dados en la seccin 2.6. Existen entonces varias implementaciones posibles: i) Testear el punto extremo eficiente inicial y cada uno de los puntos extremos ptimos encontrados al resolver los problemas de optimizacin escalar. ii) Testear de forma sistemtica (despus de cada pivotacin o un cierto nmero de ellas). En las tablas de resultados computacionales que aparecen en [EvSt73] (p. 68-70) se tienen datos referidos a las implementaciones del mtodo de maximizacin lexicogrfica y a las dos versiones mejoradas anteriores i) y ii) (referidas como option 3, option 4 y option 51, respectivamente, en el artculo [EvST73]). De esos experimentos se desprende que el refinamiento descrito en i) mejora claramente a las otras dos posibilidades.
4.2.3 Mtodo de Ecker y Kouada

El mtodo de Ecker y Kouada ([EcKd75]) constituy, histricamente, el primer mtodo vlido para encontrar una solucin eficiente inicial (no necesariamente un vrtice) para el LVP o concluir que no haba ninguna. Adems su complejidad result claramente polinomial al precisar slo la resolucin de un programa escalar lineal. Posteriormente, Ecker y Hegner ([EcHg78]) refinaron el mtodo original con un nuevo paso, encaminado a encontrar un punto extremo eficiente a partir de la solucin eficiente generada con el mtodo inicial. Dado que esta nueva operacin, basada en pivotaciones, tambin era polinomial, la complejidad terica del procedimiento no se vera afectada aunque, sin embargo, si se resinti la implementabilidad del mismo. A continuacin analizaremos el mtodo primario de Ecker y Kouada y veremos cmo se puede complementar, a travs de un procedimiento fcilmente codificable, para generar un vrtice eficiente. El procedimiento de Ecker y Kouada se basa en el principio general enunciado en el Corolario 1.4.36, a saber: Dado x X y z = z (x ) R k . Si t , s t S P (z ) entonces x E P , siendo P(z ) el siguiente problema: x
max e t s / Ax = b, Cx = Is + Cx , x 0 , s 0
(4.3)
Adems, la validez del mtodo queda garantizada por el siguiente resultado:
Con comprobacin de eficiencia despus de cada pivotacin.
213
Teorema 4.2.9 ([EcKd75], Theorem 2) Supongamos X . Entonces P(z ) es no acotado si, y slo si, E P = . Demostracin. Por hiptesis, P(z ) es no acotado. Como X , por min u t b + t Cx A 0 dualidad escalar el problema es no t t s.a : u t , t 0 , e C I t t t t t factible min u b Cx / u A C 0 , e es no factible El sistema u t A t C 0t , > 0 no tiene solucin. Por el Corolario 1.7.46, E P = .
En funcin de lo visto, el algoritmo de Ecker y Kouada se formula como: Algoritmo EK Paso 1. Si X = entonces E P = . Stop. En otro caso, sean x X y z = z (x ) . Paso 2. Resolver P(z ) . Si P(z ) es no acotado entonces E P = . t , s t S P (z ) se tiene x EP. En otro caso, x
Como hemos mencionado anteriormente la solucin generada por el algoritmo no necesariamente ha de ser un vrtice. Seguidamente vamos a dar un elegante y prctico resultado propuesto por Benson en un contexto no relacionado con el tema que nos ocupa que, sin embargo, proporcionar una forma de obtener un punto extremo eficiente a partir de una solucin ptima de P(z ) .
k P Sean R+ + arbitrario, x E , z = Cx y consideremos los siguientes problemas: P , z max t Cx / Ax = b, Cx z , x 0
b t t A t D , z min u t , v t z / u , v C C , v 0 Ntese que D , z es el problema dual de P , z .
Teorema 4.2.10 ([Bn92], Lemma 2.1, [BnSy93], Theorem 4) Sea u t , v t S D , z , donde v representa las variables duales asociadas a las
= v. restricciones Cx z de P , z . Entonces, x S P , con
214
Demostracin. Como x E P , por el Teorema 1.4.44 se tiene que x S P , z . Aplicando dualidad escalar, dado u t , v t S D , z t Cx = u t b + v t Cx R k . Como el t Cx = ( t v t )Cx = u t b , donde = v . Evidentemente ++ t t t t t problema D viene dado por min u b / u A C = ( v )C , u R m y (u t , v t ) S u X D . Ahora bien, como x X y t Cx = u t b x S .
D , z
En funcin del resultado anterior es posible formular un procedimiento para obtener un vrtice eficiente a partir de un punto de S P (z ) . Algoritmo EV-CATCHER Paso 1. t , s t S P (z ) . Sea x
k ). X xp entonces resolver D , z , con R+ = z (x Si x + arbitrario y z
( (
Sea u t , v t S D , z . (Ntese que D , z siempre es acotado por serlo P , z ). Paso 2. = v y resolver P . Hacer Cualquier vrtice ptimo de P es un vrtice eficiente de P .
4.2.4 Mtodo de Isermann

En el ao 1977 Isermann propuso un nuevo procedimiento para encontrar un punto extremo eficiente inicial de un LVP ([Is77a], p. 714). La propuesta de Isermann era atractiva por los siguientes motivos: i) Era fcilmente implementable (slo precisaba la resolucin de dos programas lineales escalares). ii) Proporcionaba un vrtice eficiente. iii) Fue proclamado como vlido bajo cualquier tipo de circunstancias. Precisamente, la ventaja iii) del mtodo estaba fundamentada en el siguiente resultado: Sea D * el problema dado por: min u t b / u t A t C 0t , e . Teorema 4.2.11 (Ver [Is76], Theorem 5, [Is77a], Theorem 3) E P si, y slo si, D * es acotado. Ntese que, en el teorema anterior, la implicacin hacia la izquierda es clara. Efectivamente, si D * es acotado, dado u t , t S D* entonces D es
215
k acotado, siendo R+ es acotado y, en consecuencia, + . Por tanto, P
EP . En funcin del razonamiento anterior, es posible formular un algoritmo de 2 etapas: Algoritmo I Paso 1. Resolver D * . Si el problema es no factible o no acotado E P = . Stop. En otro caso, sea (u t , t ) S D* . Paso 2. Resolver P . S P E P .
Lamentablemente, el Teorema 4.2.11 no es cierto en general, como pusieron de manifiesto Ecker y Hegner ([EcHg78]), mediante un contraejemplo en el que se daba un problema P acotado, para el que D * era factible y no acotado. De esta forma, el mtodo de Isermann perda su importante caracterstica de validez bajo cualquier tipo de hiptesis. Un sencillo anlisis del Teorema 4.2.11 nos ayudar a ver qu se le pas por alto a Isermann. Como probamos anteriormente, siempre ocurre que si D * es acotado entonces E P . Adems, es claro que si D * es no factible entonces E P = . Ahora bien, queda por estudiar el caso (posible) en que D * sea no acotado. En esta situacin Isermann concluy errneamente (como probaron Ecker y Hegner) que E P = . Veamos qu condiciones hacen que D * sea no acotado. Si suponemos que D * es factible y no acotado, entonces equivalentemente, aplicando dualidad escalar, el problema max e t s / Ax = b, Cx 0, x 0 debe ser no factible, es decir, {x X / Cx 0}= . Benson, en 1981, repar en ste hecho y estableci que el mtodo de Isermann es vlido slo para la clase de problemas P para los que {x X / Cx 0} ([Bn81], Theorem 1).
4.2.5 Mtodo de Benson

En la misma tnica del mtodo de Isermann, Benson propone un procedimiento vlido, estructurado en tres etapas, para encontrar un vrtice eficiente inicial en el LVP. El mtodo de Benson ([Bn81]) est basado en el siguiente resultado:
216
Sean x X y z = z (x ) y denotemos el problema dual de P(z ) , bajo hiptesis de linealidad, por D(z ) . Corolario 4.2.12 D(z ) es acotado si, y slo si, E P . Demostracin. D(z ) es acotado P(z ) es acotado E P .
Ntese que D(z ) min u t b t Cx / u t A t C 0 t , e . En realidad, Benson considera en su artculo un problema ligeramente distinto a D(z ) , pero equivalente a l, sin ms que hacer el cambio de variable = e en D(z ) . Supongamos que D(z ) es acotado y sea u t , t S D (z ) . Entonces
k R+ + tal que D es factible. En consecuencia, si X se tiene que P
es acotado. Teniendo en cuenta este razonamiento, el mtodo de Benson queda descrito de la siguiente forma: Algoritmo B Paso 1. Si X = entonces E P = . Stop. En otro caso, sean x X y z = z (x ) . Paso 2. Resolver D(z ) . Si D(z ) es no acotado entonces E P = . Stop. En otro caso, sea u t , t S D (z ) .
Paso 3. Resolver P . S P E P .
Se podra considerar que el mtodo de Benson utiliza una formulacin dual al de Ecker y Kouada, en el sentido de que el programa lineal propuesto por Benson, D(z ) , es el dual del problema P(z ) considerado por Ecker y Kouada. Obsrvese, adems, que si x X es tal que Cx = 0 , el programa lineal D(z ) propuesto por Benson coincide con el considerado por Isermann ( D * ), y ambos mtodos son exactamente iguales.
217
4.2.6 Mtodo de Hartley

A comienzos de los aos 80 se dispona de un conjunto, ms o menos amplio, de mtodos para obtener un vrtice eficiente inicial de un LVP. Sin embargo, el problema haba sido resuelto, quizs por no realizar un planteamiento adecuado del mismo, de una manera innecesariamente complicada. Este hecho fue observado por Hartley, quin propuso, en 1983 (ver [Hr83], p. 9), un nuevo procedimiento, vlido bajo cualquier hiptesis, que destacaba frente a sus predecesores por su mayor sencillez, tanto terica como prctica. La fundamentacin del mtodo de Hartley reside en el Corolario 1.7.46: Si suponemos X , entonces E P = si, y slo si, el sistema u t A t C 0 , e , no tiene solucin. Por otra parte, es claro que si u t A t C 0 , e tiene solucin k entonces R+ + tal que D es factible. Si asumimos que X entonces P es acotado.
(u t , t )/ u t A t C e t C , 0}, el algoritmo se concreta Llamando Y = {

en: Algoritmo H Paso 1. Si X = entonces E P = . Stop. Paso 2. Si Y = entonces E P = . Stop. En otro caso, encontrar (u t , t ) Y . Paso 3. = + e . Resolver P . ( S E P ). Sea P Ntese que encontrar soluciones factibles para X e Y o, en otro caso, concluir que son vacos, no conlleva dificultad prctica. Adems, si X la s.f.b. encontrada en el paso 1 puede utilizarse como vrtice inicial para la resolucin de P en el paso 3.
218
4.3 Clculo del Conjunto de Vrtices Eficientes

Los algoritmos que calculan el conjunto de vrtices (o bases) eficientes de problema lineal vectorial P son importantes por varias razones: (i) Son ms sencillos, desde un punto de vista terico, y rpidos, desde un punto de vista computacional, que cualquiera de los mtodos generadores de E P . Proporcionan una primera aproximacin de E P . Es bien sabido (Teorema 2.5.7) que, para el caso de que X sea un poltopo, se verifica P que E P CVH E xp .
(ii)
( )
(iii) (iv)
Por lo regular, con ligeras modificaciones tambin proporcionan el conjunto de aristas eficientes (ver seccin 4.4). Constituyen el esquema algortmico bsico (en el que insertar las rutinas generadoras de las caras eficientes incidentes en un vrtice dado) de una clase muy importante de algoritmos generadores de soluciones eficientes (ver el estudio de los mtodos locales realizado en las secciones 4.5.2 y 4.5.4).
Las consideraciones anteriores justifican que dediquemos parte de nuestro esfuerzo al estudio de los mtodos generadores de vrtices eficientes.
P basta con determinar Resulta tentador pensar que para generar E xp
todos los vrtices de la regin factible X y descartar aquellos cuyas imgenes a travs de z estn dominados por algn otro vrtice. Esto es falso, como pone de manifiesto el siguiente ejemplo: Ejemplo 4.3.1 Consideremos el LVP: max{x / x X }, donde X es el poliedro bidimensional representado en la Figura 4.2. Es claro que todos los vrtices P = de X ( X xp = x1 , x 2 , x 3 ) son no comparables entre s y, sin embargo, E xp
{x , x }.
1 2
An en el caso de que mediante algn procedimiento o test eliminsemos aquellos vrtices que no fuesen eficientes, este mtodo de fuerza bruta resultara, en la prctica, costossimo, debido a que el nmero total de vrtices de un poliedro puede ser enorme y, sin embargo, slo ser eficientes una reducida porcin de ellos.
4.3. CLCULO DEL CONJUNTO DE VRTICES EFICIENTES
219
x1 X x3 x2
Figura 4.2
Sin duda, uno de los resultados ms importantes en la teora LVP, y piedra angular de la mayor parte de los algoritmos para resolver E P , es el hecho de que el conjunto de vrtices eficientes es conexo (Corolario 1.7.39). Esta propiedad da lugar a un procedimiento, mucho ms sutil y prctico que el anteriormente reseado, organizado en 3 etapas bsicas: Una operacin de inicializacin consistente en obtener un punto extremo eficiente inicial (ver seccin 4.2). Un proceso de exploracin que determina los vrtices adyacentes a uno dado y descarta aqullos no eficientes. Y un paso de avance que elige (eliminando de posteriores consideraciones) un vrtice eficiente conocido para el cual no se haya estudiado su entorno. El procedimiento se repite hasta que no queden ms vrtices eficientes por estudiar. Zeleny ([Zl74], p. 99) y Yu y Zeleny ([YuZl75], p. 450) utilizan esta tcnica (ya superada, aunque histricamente importante) de obtener vrtices adyacentes, no obviamente ineficientes (ver Proposicin 4.3.6), y luego comprobar su eficiencia. Sin embargo, este procedimiento resulta an bastante oneroso, debido a que se generan ms vrtices de los estrictamente necesarios y a que los test de eficiencia requieren, por lo general, la resolucin de algn programa escalar lineal (LP). Ahora bien, se puede obtener un mayor rendimiento de esta tcnica si introducimos algn mecanismo que garantice que los vrtices adyacentes generados en un paso arbitrario del algoritmo son eficientes. As, un bosquejo rudimentario de un algoritmo ms conveniente para generar el conjunto de vrtices eficientes consistira en: Hallar un vrtice eficiente inicial y determinar todos los vrtices eficientes adyacentes a l, para a
220
continuacin elegir uno de ellos y repetir el proceso iterativamente. En trminos prcticos, el empleo de este procedimiento debe traducirse en una mejora del rendimiento computacional de aquellos mtodos que la utilicen. Los algoritmos generadores de vrtices eficientes dados en [EvSt73], [St86], [EcKd78], [Hr83] y [ArMl91] se enmarcan dentro de este enfoque. Veamos un algoritmo genrico para el clculo de vrtices eficientes basado en esta idea mejorada. Utilizaremos la siguiente notacin: V1 V2 EV x i Lista de vrtices eficientes explorados. Lista de vrtices eficientes no explorados. Vrtices E-adyacentes a x i (Definicin 1.6.9).
( )
Esquema VERTICES Paso 0. Inicializacin. P Encontrar un vrtice eficiente inicial x 0 . Si no hay ninguno, STOP. E xp =. En otro caso, hacer V1 , V2 x 0 , i 0 . Paso 1. Progresin, exploracin y registro. Seleccionar un punto x i V2 . Hacer V1 V1 x i y V2 V2 x i . P / x ~ E x i y hacer V2 V2 EV x i V1 . Calcular EV x i = x E xp
{ }
}
( ) {
{}
{} ( ( ) )
Paso 2. Terminacin. P Si V2 = STOP. E xp = V1 . En caso contrario, hacer i i + 1 e ir al paso 1. Analicemos algunas de las propiedades del esquema VERTICES: Teorema 4.3.2 El esquema VERTICES es vlido. Demostracin. Por la conexidad del conjunto de vrtices eficientes (Corolario 1.7.39). Teorema 4.3.3 El esquema VERTICES es finito. Demostracin. Dado que en la literatura existen procedimientos finitos para calcular EV x i (ver, por ejemplo, [Is77a], [EcKd78], [ArMl91], [Ar93b]) la demostracin es clara pues: i) los vrtices eficientes generados no se repiten, ii) en cada iteracin se pasa un vrtice distinto de V2 a V1 y iii) el nmero de vrtices eficientes de P es finito.
( )
Si denotamos por O(EV ) la complejidad de la rutina que calcula el conjunto de vrtices E-adyacentes a uno dado, se tiene:
221
Proposicin 4.3.4 El esquema VERTICES tiene una complejidad P O(EV ). E xp Como

P E xp
puede ser muy grande (exponencial en la entrada),
independientemente de O(EV ) (que se suele dar en funcin del nmero de programas lineales escalares resueltos o del nmero de aristas eficientes incidentes en el punto extremo), el esquema VERTICES tiene una complejidad no polinomial, por lo que problemas relativamente pequeos requieren una gran cantidad de clculo. Es interesante notar que dado que existen poltopos para los cuales el grafo de aristas asociado es completo y como la eficiencia completa siempre se puede lograr eligiendo adecuadamente la matriz de costos, resulta que tales algoritmos tienen, en el peor de los casos, un comportamiento cuadrtico en X xp para el nmero de LPs resueltos. Complicando an ms la cuestin hay que decir que, hasta el momento, no se conoce ningn algoritmo que enumere el conjunto de puntos extremos de un poltopo definido por un sistema de restricciones degenerado en tiempo polinomial en el tamao de la entrada y la salida ([MrCh95], p. 30).
4.3.1 Consideraciones Prcticas

Aunque el esquema VERTICES es conceptualmente claro, su implementacin no es trivial. En este subapartado intentaremos arrojar cierta luz sobre este aspecto. Sabemos que cuando X es no degenerado existe una correspondencia biunvoca entre las bases factibles y los vrtices de X (ver, por ejemplo, [Hd62], p. 100 [Mr83], p. 121). Adems, mediante el empleo de la tablas cannicas podemos identificar fcilmente todas las bases factibles adyacentes a una dada y movernos a cualquiera de ellas a travs de una nica operacin de pivotacin ([Mr83]). De acuerdo a esta idea en [EvSt73], [Is77], [EcKd78], ... se proponen test para saber qu pivotes de las tablas cannicas conducen a bases o direcciones eficientes. A esta organizacin de datos basadas en tablas la denominaremos esquema de pivotaciones (eficientes). Aunque esta metodologa de trabajo es la que tradicionalmente se ha utilizado, la misma tiene serias dificultades para el caso en que X sea degenerado, pues no se conoce ningn mtodo que de forma eficaz enumere, siquiera, los vrtices adyacentes a uno degenerado ([Pr94], p. 48).
222
Una alternativa a la utilizacin de un esquema de pivotaciones para el caso degenerado, conocida como mtodo de perturbaciones (ver, por ejemplo, [Hd62], p. 175), propone perturbar X aadiendo pequeas cantidades a las componentes del vector de recursos. Si esta operacin se hace correctamente, obtendremos un poliedro X no degenerado, para el cual cada vrtice del mismo corresponde a un vrtice de X y cada vrtice de X tiene asociado al menos un vrtice de X . El mtodo de perturbaciones resulta prometedor dado que no hay ms, (en general, muchos menos) vrtices de X que bases factibles de X . Sin embargo, y puede ser exponencialmente mayor que X xp 1. desafortunadamente, X xp En realidad, desde un punto de vista algortmico, el mtodo de perturbaciones se corresponde con el establecimiento de algn orden lexicogrfico sobre el conjunto de las bases factibles del problema, de tal manera que slo se seleccionen algunas de las bases asociadas a un vrtice degenerado ([Ar93a], p. 250). Este hecho fue explotado por Armand y Malivert (1991) ([ArMl91]) quienes proponen un mtodo para generar los vrtices y aristas eficientes, esencialmente igual al de Isermann ([Is77a]), pero con un tratamiento especial para la degeneracin ([ArMl91], p. 473) consistente en determinar una base eficiente inicial y aplicar la regla de pivotacin lexicogrfica de Dantzig, Orden y Wolfe ([Dn63]) en conjuncin con un test de eficiencia (Corolario 2.6.11), para el clculo de las bases duales-eficientes adyacentes. A continuacin realizamos una serie de consideraciones sobre la implementacin de las tareas ms relevantes del esquema VERTICES. Sean x X xp , B B(x ) , R la matriz de costos reducidos asociada a B y ri la fila i de R . Inicializacin. El tpico de encontrar un vrtice eficiente inicial para un LVP fue tratado en profundidad en la seccin 4.2. Para no ser repetitivos, y muy sintetizadamente, tenemos que: (i) Si X es un poltopo basta con resolver el problema paramtrico Pe para obtener un punto extremo eficiente inicial. (ii) Para el caso general ( X un poliedro no necesariamente acotado), podemos utilizar diversos mtodos a prueba de fallos, entre los que destacamos, por ejemplo, el mtodo de Hartley ([Hr83]). Este paso tiene claramente una complejidad polinomial (se trata de resolver uno o dos LPs) y no reviste especial dificultad.
En [Ar93a], Theorem 4.4, p. 262, se dan cotas superiores e inferiores para el nmero de vrtices de X asociado a uno degenerado de X , cuando X es un poliedro de dimensin total.
1
223
Con el fin de minimizar el nmero de iteraciones necesarias en esta etapa puede ser de utilidad el siguiente resultado: Proposicin 4.3.5 ([YuZl75], Remark 3.3) Si i { 1, ..., m} tal que rij > 0 ,
P j J N entonces x E xp .
Demostracin. Inmediata, sin ms que observar que en las hiptesis anteriores, x es la nica solucin ptima de Pi . Progresin. Consiste en elegir un cierto x i V2 . Entre las reglas ms usuales a considerar tenemos (ver, por ejemplo, [HrSh78], Chapter 6): (i) (ii) (iii) bsqueda primero en anchura. La lista V2 se codifica como una cola (regla FIFO). bsqueda primero en profundidad. La lista V2 se codifica como una pila (regla LIFO). Eleccin al azar.
En general, con cualquiera de las tres estrategias anteriores y utilizando un esquema de pivotaciones eficientes, para pasar de la tabla T B i a la tabla T B i +1 se utiliza el crashing2, pues las bases y sus inversas no se suelen almacenar de forma explcita por razones de espacio y velocidad. En numerosas ocasiones, el crashing conlleva multiples pivotaciones, puesto que las tablas de partida y llegada pueden diferir en un gran nmero de variables bsicas. Desde el punto de vista computacional, si se utiliza la bsqueda primero en profundidad, resulta ms oportuno descartar V2 y almacenar en una pila de pivotaciones el par (fila, columna) por cada pivote utilizado en las iteraciones realizadas hacia delante. De esta manera, cuando una base ya ha sido estudiada (no conduce a ninguna base eficiente adyacente sin explorar) elegir una base (no explorada) de V2 , se traduce en hacer un pop (sacar un elemento) de la pila y realizar la pivotacin inversa correspondiente (el equivalente a una operacin de backtracking), lo cual resulta ser en la prctica computacionalmente menos costoso que la tcnica de crashing aplicada habitualmente (ver los experimentos computacionales de Strijbosch et al. [StVS91]).
( )
( )
Exploracin (clculo de EV x i ). Se trata de la parte del esquema ms delicada y pesada (en recursos computacionales). Bsicamente, se trata de determinar cules de las aristas incidentes a un punto extremo eficiente dado son eficientes. Es ampliamente
Se conoce como crashing al proceso de moverse de una base a otra en un nmero mnimo de pivotaciones ordinarias, sin tener en cuenta la factibilidad intermedia ([St86], p. 107).
2
( )
224
conocido que ya el clculo de las aristas incidentes en un vrtice degenerado es problemtico (ver [Hr83], p. 8 o [Geue93]). Adems, cualquiera que sea la tcnica elegida, sta debe garantizar que no queden aristas sin explorar. Como sabemos, las caracterizaciones ms importantes relacionadas con la eficiencia de una arista incidente en un vrtice eficiente dado, se basan en la resolucin de algn LP (ver seccin 2.7) y tienen, por tanto, complejidad polinomial. Se puede reducir el nmero de LPs resueltos si descartamos ineficiencias obvias: ~ Consideremos J N = {j J N / j > 0} donde j es la razn mnima del mtodo del simplex primal asociada a la columna j (ver, [Mr83], p. 66). ~ ~ Obsrvese si x es no degenerado J N = J N y si x es degenerado J N =
j / yD 0 , donde YD denota las filas de Y asociadas a variables bsicas degeneradas. N
{j J
~ Dado j J N , sean r j la columna j de R y x j la nueva s.f.b. que se obtiene cuando se introduce x j en la base, supuesto que j < . ~ Proposicin 4.3.6 ([YuZl75], Theorem 3.1) Sea j J N , con j < . (i) (ii) (iii)
P Si r j 0 entonces x E xp . P . Si r j 0 entonces x j E xp P , j r j k r k entonces x j E xp Si k J N .
Demostracin. Sabemos que z j = Cx j = Cx j r j .

P . Si r j 0 z j = Cx j = Cx j r j Cx = z x E xp P Si r j 0 z j = Cx j = Cx j r j Cx = z x j E xp .
, j r j k r k z j = Cx j = Cx j r j Cx k r k = Cx k = z k Si k J N
P x j E xp .
Interpretando el apartado (ii) de la proposicin anterior, resulta que no interesa intentar meter en la base aquellas variables con r j 0 . La Proposicin 4.3.6 se puede extender sin dificultad al caso de aristas no acotadas (ver Proposicin 4.4.4) En el peor de los casos (eficiencia completa), para un problema no degenerado, por cada vrtice eficiente habra que resolver n m LPs. Luego,
225
O(EV ) = O(n )* O(LP ) . Evidentemente, un tratamiento unificado (aplicacin de alguna tcnica de postoptimalidad lineal) y una implementacin cuidadosa de los test empleados puede ahorrar una gran cantidad de clculo y mejorar considerablemente el rendimiento computacional (ver, por ejemplo, [EcKd78] o [ArMl91]). A ttulo de ejemplo desarrollaremos una idea dada por Armand y Malivert ([ArMl91], p. 479), que mejora sustancialmente el esfuerzo computacional empleado en la determinacin de las variables no bsicas eficientes asociadas a una base B -dual-eficiente dada. Efectivamente, si R es la matriz de costos reducidos asociada a B (base -dual-eficiente no degenerada), para comprobar si x j ( j J N ) es una variable -eficiente, por el Corolario 2.7.6, slo se necesita verificar la factibilidad del sistema lineal: (4.4) t R s = 0, s j = 0, > 0, s 0
En orden a manejar computacionalmente desigualdades estrictas como > 0 basta tener en cuenta que, por la homogeneidad del sistema (4.4) podemos sustituir > 0 por , con R k + + arbitrario pero fijo. En trminos de la programacin lineal escalar tal sistema es equivalente a que el problema: min s j / t R s = t R, 0, s 0 (4.5)
sea acotado con valor ptimo 0. En la literatura, una eleccin comn consiste en tomar = e , (ver, por ejemplo, [EcKd78], Corollary 2), aunque en este caso no se puede garantizar la no negatividad de e t R , lo que obligara, en general, a tener que aplicar la fase I del mtodo del simplex. Sin embargo, como (4.5) hay que resolverlo para cada j J N , esto puede suponer un coste no despreciable en absoluto, habida cuenta que es ampliamente aceptado el hecho de que las fases I y II del mtodo del simplex tienen, aproximadamente, la misma demanda computacional ([Mr83]). Ahora bien, si se toma = , por ser B -dual-eficiente se verifica que t R 0 . De esta manera se tiene una base factible inicial inmediata para (4.5), pudindose empezar directamente con la fase II del mtodo del simplex. Esto constituye una clara ventaja frente al proceso anteriormente reseado. Registro. En cada iteracin del esquema hay que clasificar los vrtices eficientes obtenidos (posiblemente en gran nmero) en explorados y no explorados y, en el segundo caso, aadirlos a V2 . Ello implica bsquedas continuadas,
226
tanto en V1 como en V2 . Adems, a medida que se generan vrtices eficientes, aumenta el tamao de V1 y, constantemente, se modifica el de V2 . Por tales motivos, para aumentar el rendimiento computacional del esquema es importante prestar atencin, entre otras cuestiones, a las tcnicas de codificacin y almacenamiento que se haga de los vrtices y al tipo de bsqueda que se realice sobre los mismos. Existen diferentes esquemas de codificacin de los vrtices o bases, siendo uno muy sencillo el consistente en almacenar solamente el conjunto de variables bsicas (o no bsicas) en formato de array desordenado. Ahora bien, dado que el nmero de variables en el problema puede ser grande y P E xp elevado, con el fin de acelerar al mximo las velocidades de ejecucin y disminuir los requerimientos de almacenamiento, es fundamental utilizar un formato de datos debidamente compactado o comprimido3. Una alternativa eficaz (a efectos de almacenamiento y comparacin) de codificacin comprimida para un vrtice x consiste en identificar el vrtice por un nmero natural n x . Dado que cada vrtice tiene asociada alguna base, una estrategia posible se basa en asociar a cada base un nico nmero n J B . En particular, el mecanismo de codificacin de bases empleado por Steuer hace n J B =
jJ B
(ver [St86], p. 103-104).
Sin embargo, la implementacin de esta idea no es directa puesto que el nmero n de variables del problema puede ser grande y, en principio, en la base podran estar cualesquiera m de ellas, por lo que n J B puede tener un valor enorme, que imposibilita almacenarlo, directamente, en ninguno de los tipos de datos bsicos que ofrecen los lenguajes de programacin ms habituales. Una solucin aceptable estriba en utilizar una cadena o vector de bits, llammosla bv , de, al menos, n elementos. Esta cadena, en general, se puede implementar como un array (de dimensin conveniente) de enteros, con todas sus componentes inicialmente iguales a 0. Entonces, para cada j J B slo hay que poner a 1 la componente j de bv . Aunque esta operacin no es inmediata (se necesita calcular previamente qu elemento entero de bv contiene a j y luego obtener el desplazamiento apropiado), se puede codificar sin dificultad. Las que s se pueden realizar muy eficientemente, y esto es lo verdaderamente importante, son las comparaciones entre bases. Debemos tener muy en cuenta que el nfasis no se pone tanto en la reduccin del costo de codificacin y decodificacin de las bases eficientes
Desafortunadamente, la utilizacin de estos formatos comprimidos complica el cdigo, hacindolo ms dificil de entender y depurar.
3
4.4. CLCULO DEL CONJUNTO DE ARISTAS EFICIENTES
227
(pues slo se codifican y decodifican una vez), sino en el ahorro de almacenamiento que representan y, especialmente, en la facilidad con que se puedan comparar entre s una vez comprimidas (pues el esquema realiza un gran nmero de bsquedas que, en ltima instancia, acarrean numerossimas comparaciones entre vrtices o bases). Obsrvese que un cdigo numrico como el anterior est asociado a un nico vrtice pero, sin embargo, si el vrtice x es degenerado, un mismo vrtice tiene asociados diferentes cdigos. Esta dificultad puede ser evitada en un algoritmo orientado a vrtices si, en lugar de codificar J B , se codifica el descriptor maximal del vrtice, J Z ; es decir, los ndices asociados a variables a nivel cero. As n x = n J Z = 2 j .
jJ Z
Una vez decidida la codificacin de las bases o vrtices (quizs simultneamente) tenemos que considerar la cuestin de la estructura de almacenamiento de los mismos y la tcnica de bsqueda que se va a emplear. Esto es importante pues los requerimientos de espacio suelen ser cuantiosos debido a que el esquema VERTICES consiste, bsicamente, en un procedimiento de enumeracin de los nodos de un cierto grafo. Entre las tcnicas de almacenamiento ([AhHU74]) susceptibles de ser utilizadas cabe destacar, desde una sencilla lista secuencial simple desordenada, hasta listas doblemente enlazadas ordenadas, rboles, ... etc. En funcin del almacenamiento elegido tambin podremos optar entre diferentes posibilidades de bsqueda, entre las cuales merece la pena citar la bsqueda secuencial, la binaria, ... o aqullas otras ms elaboradas como el hashing ([HrSh78], p. 82-93).
4.4 Clculo del Conjunto de Aristas Eficientes

El conjunto de las aristas eficientes de un LVP se considera de inters por los siguientes motivos: (i) Aaden informacin geomtrica valiosa para la estructuracin de los vrtices eficientes. Este conocimiento puede ser utilizado beneficiosamente por algoritmos ms complejos como los correspondientes a los mtodos ascendentes globales y locales, dados en las secciones 4.5.1 y 4.5.2, respectivamente. Proporcionan una aproximacin de E P mas detallada que la suministrada por los vrtices eficientes. Es bien sabido (Teorema 2.5.8) que para el caso general de que X sea un poliedro arbitrario (no necesariamente acotado), se verifica que P P P E CVH E xp + CNH E xd .
(ii)
( )
( )
228
El procedimiento de clculo de todas las aristas eficientes de un LVP se puede considerar, desde un punto de vista algortmico, muy parecido al empleado con los vrtices eficientes, aunque hay que hacer algunas salvedades que apuntaremos ms adelante. Bsicamente, el problema se reduce a determinar, para cualquier vrtice eficiente generado, en lugar de los vrtices eficientes adyacentes, el conjunto de todas las aristas eficientes (acotadas y no acotadas) incidentes en el mismo (ver, [EcKd78]). Desde esta perspectiva, el siguiente esquema proporciona un algoritmo genrico para el clculo de todas las aristas eficientes de un LVP. Utilizaremos la siguiente notacin: V E1 E2 Lista de vrtices eficientes hallados. Lista de aristas eficientes exploradas. Lista de aristas eficientes no exploradas (uno de los puntos extremos de la arista no ha sido generado).
Esquema EDGES Paso 0. Inicializacin. P Encontrar un vrtice eficiente inicial x 0 . Si no hay ninguno, STOP. E xp = y EeP = . En otro caso, hacer V x 0 , E1 , E2 y i 0 . Paso 1. Exploracin. P P x i y Eue x i , correspondientes a las aristas eficientes acotadas y Calcular los conjuntos Ebe
{ }
( )
( )
no acotadas, respectivamente, incidentes en x i . P P P Hacer E1 E1 Eue x i Ebe x i E2 y E2 E2 Ebe x i E1 .
( ) ( ( )
( ))
Paso 2. Terminacin. P Si E2 = , STOP. Los conjuntos de vrtices y aristas eficientes han sido generados. E xp =V y EeP = E1 . Paso 3. Progresin. Seleccionar una arista e E2 . Sea x i +1 punto extremo de e no generado ( x i +1 V ). Hacer V V x i +1 , i i + 1 , e ir al paso 1.
{ }
Merece la pena que hagamos unos breves comentarios sobre las asignaciones que se realizan en el paso 1.
P P x i Ebe x i E2 . Ntese que Analicemos en primer lugar: E1 E1 Eue
las aristas almacenadas en E x al ser no acotadas, no pueden proporcionar nuevos vrtices no explorados. Por otra parte, los elementos
P ue
( )
i
( ) ( ( )
229
P de Ebe x i E2 , a pesar de ser aristas acotadas, inciden en vrtices ya explorados y, por tanto, pueden ser eliminadas de consideraciones posteriores. La justificacin de la segunda de las asignaciones realizadas, P E2 E2 Ebe x i E1 , es mas sencilla y se fundamenta en el conocimiento de que entre las aristas obtenidas en la iteracin i del esquema, slo las acotadas que no han sido previamente generadas pueden proporcionar nuevas aristas eficientes.
( )
( ))
El razonamiento anterior ayuda a justificar la validez del esquema. Teorema 4.4.1 El esquema EDGES calcula todo el conjunto de aristas eficientes. Demostracin. Inmediata debido a la conexidad de la regin eficiente (Corolario 1.7.39). Teorema 4.4.2 El esquema EDGES es finito. Demostracin. En primer lugar ntese que existen procedimientos finitos, como los dados en [EcKd78] y [ArMl91], para calcular las aristas eficientes incidentes en un vrtice. Ahora la prueba es clara pues los vrtices eficientes generados en cada iteracin no se repiten y el nmero de vrtices eficientes de P es finito. Con respecto a la complejidad del esquema, si denotamos por O(EE ) la complejidad de la rutina que calcula el conjunto de todas las aristas eficientes incidentes en un vrtice dado se tiene:
P O(EE ) . Proposicin 4.4.3 El esquema EDGES tiene una complejidad E xp
A primera vista podra pensarse que la complejidad del esquema EDGES es similar a la del procedimiento VERTICES dado que la dificultad de identificar aristas incidentes en un vrtice dado es comparable a la de la enumeracin de los vrtices adyacentes al mismo. Pero esta afirmacin slo es cierta cuando X es un poltopo. Lamentablemente, para el caso no acotado, el nmero de aristas puede que no crezca polinomialmente en el nmero de vrtices (pinsese en un cono polidrico con un slo vrtice y un nmero arbitrariamente grande de aristas no acotadas incidentes en el mismo). Por tal motivo, el clculo de todas las aristas eficientes de un LVP es un problema estrictamente ms duro de tratar que el de generacin de vrtices eficientes, an a pesar de ser muy parecidos.
230
4.4.1 Consideraciones Prcticas

Dadas las grandes similitudes que presentan los esquemas VERTICES y EDGES, las observaciones sobre implementacin hechas para el primero pueden ser trasladadas sin dificultad al segundo. No obstante, es necesario hacer algunas precisiones. El problema de determinar el conjunto de todas las aristas incidentes en un vrtice degenerado es problemtico, como ya se especific en el captulo 2. Ello obliga a tomar ciertas precauciones si no queremos perder ninguna arista en la etapa de exploracin. En este sentido, las investigaciones de Armand y Malivert ([ArMl91]) han probado que, en orden a generar todas las aristas eficientes incidentes en un vrtice degenerado, basta con considerar slo aquellas bases degeneradas duales-eficientes que sean lexicogrficamente accesibles desde la base actual a travs de pivotes positivos. Este resultado esencial ser usado por los mtodos locales que estudiaremos en la seccin 4.5. La codificacin tradicional de las aristas suele venir dada por un par ordenado (u , v ) donde, si la arista es acotada, se almacenan los puntos extremos de la misma y, si la arista es no acotada, u denota el vrtice en el que incide la arista y v la direccin de no acotacin. En la etapa de progresin, dependiendo del mtodo de seleccin de los elementos de E2 que deseemos usar, tendremos que implementar la lista como una cola (bsqueda primero en anchura), una pila (bsqueda primero en profundidad) o cualquier otra estructura apropiada. En cualquier caso, ntese que es posible (ver Ejemplo 4.4.5) que el estudio de una arista, en una iteracin dada del algoritmo, conlleve la eliminacin de varios elementos, no necesariamente adyacentes, de la lista E2 . Como sabemos (ver seccin 2.7), los mayora de los tests existentes para determinar la eficiencia de una arista incidente en un vrtice dado se basan en la resolucin de algn LP. Con el fin de ahorrar esfuerzo de clculo, se pueden evitar ineficiencias obvias mediante la aplicacin de la Proposicin 4.3.6 que, para el caso no acotado, puede ser extendida de la siguiente manera: Sean x X xp , B B(x ) , R la matriz de costos reducidos asociada a B , j J N tal que y j 0 y j la arista no acotada que se obtiene al incrementar la variable x j . Es claro que:

P Proposicin 4.4.4 Si r j 0 entonces j Eue .
231
Veamos una aplicacin del esquema EDGES sobre un ejemplo concreto. Ejemplo 4.4.5 Supongamos que el conjunto de aristas eficientes de un problema arbitrario se puede representar mediante el grafo representado en la Figura 4.3:
x0 e3 e1 e2
e11
x3 x1 e4 e5 e6 e
9
x2 e7
x4
e8
x5
Figura 4.3
e10
La traza del esquema, utilizando una bsqueda primero en anchura en la etapa de progresin, sera: Iteracin 0. Paso 0. V = x 0 , E1 = y E2 = . Paso 1. P P Ebe x 0 = e1 , e 2 , e 3 y Eue x 0 = E1 = y E2 = e1 , e 2 , e 3 . Paso 2. Como E2 , continuamos. Paso 3. Seleccionamos e1 E2 x1 es el punto extremo de e1 no generado. V = x 0 , x1 .
{ }
( ) {
( )
Iteracin 1. Paso 1. P P Ebe x1 = e1 , e 4 , e 5 , e 6 y Eue x1 = E1 = e1 y E2 = e 2 , e 3 , e 4 , e 5 , e 6 .
( ) {
( )
{}
232
Paso 2. Como E2 , continuamos. Paso 3. Seleccionamos e 2 E2 x 2 es el punto extremo de e 2 no generado. V = x 0 , x1 , x 2 .
Iteracin 2. Paso 1. P P Ebe x 2 = e 2 , e 4 y Eue x 2 = E1 = e1 , e 2 , e 4 y E2 = e 3 , e 5 , e 6 . Paso 2. Como E2 , continuamos. Paso 3. Seleccionamos e 3 E2 x 3 es el punto extremo de e 3 no generado. V = x 0 , x1 , x 2 , x 3 .
( ) {
( )
Iteracin 3. Paso 1. P Ebe x 3 = e3 , e7
{e , e , e }.
5 6 7
( )
P x3 y Eue
( )
= e11
{ }
E1 = e1 , e 2 , e 4 , e 3 , e11
y E2 =
Paso 2. Como E2 , continuamos. Paso 3. Seleccionamos e 5 E2 x 5 es el punto extremo de e 5 no generado. V = x 0 , x1 , x 2 , x 3 , x 5 .
Iteracin 4. Paso 1. P P Ebe x 5 = e 5 , e 7 , e 8 y Eue x 5 = e10
E2 Paso 2. Como E2 , continuamos. Paso 3. Seleccionamos e 6 E2 x 4 es el punto extremo de e 6 no generado. V = x 0 , x1 , x 2 , x 3 , x 5 , x 4 .
( ) { ={ e ,e }
6 8
( ) { }
E1 = e1 , e 2 , e 4 , e 3 , e11 , e 5 , e 7 , e10 y
Iteracin 5. Paso 1. P Ebe x4

1 2
{e , e , e , e , e
4 3
( )
{e , e }
6 8 5 7 10 6 8
y
9
11
,e ,e ,e ,e ,e ,e
}y E
P Eue x4 2
( )
= .
{e }
9
E1
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ... Paso 2. Como

1 2
233
{e , e , e , e , e
4 3
E2 =
11 5
STOP.
10 6 8 9
,e ,e ,e ,e ,e ,e .
P E xp
{x , x , x , x , x , x }
0 1 2 3 5 4
EeP
4.5 Clculo de Todo el Conjunto de Soluciones Eficientes

La forma ms cmoda y prctica de describir el conjunto (en general, no convexo) de soluciones eficientes E P consiste en expresarlo como la unin de todas las caras eficientes maximales de P . Desde esta perspectiva, la estructura de E P es relativamente sencilla, puesto que tiene la misma complejidad que el conjunto de soluciones no dominadas de z (X ) (Dauer y Gallagher [DrGl96] han probado que existe una correspondencia biyectiva entre las caras eficientes maximales de X y de z (X ) ). Genricamente, a los algoritmos que calculan todo E P se les denomina mtodos generadores de soluciones eficientes. Suelen ser complejos y grandes consumidores de recursos computacionales, por la naturaleza combinatoria que presenta la determinacin de las caras eficientes. Esta seccin est dedicada al estudio de los mismos. Se podra afirmar (ingenuamente), que la determinacin de forma exacta de todo E P es un problema resuelto, al menos desde un punto de vista terico y para el caso lineal, pues E P se puede poner como S P
0 k
(Teorema 1.7.13). Sin embargo, disear un algoritmo basado en esta idea no es trivial ni mucho menos, pues no est nada claro como variar paramtricamente el . Atendiendo a la manera en que se construye E P , algunos autores como Serpil Sayin ([Sy96], p. 88), distinguen dos diseos algortmicos claramente diferenciados: ascendente (bottom-up) y descendente (top-down). Los algoritmos generadores de soluciones eficientes con un diseo ascendente calculan las caras eficientes de menor a mayor dimensin, mientras que los descendentes lo hacen en sentido inverso, es decir, determinan las caras eficientes de mayor a menor dimensin. Los mtodos descendentes se pueden considerar, en cierta medida, duales de los ascendentes, pues mientras que los ltimos van incrementando la dimensin sin perder la eficiencia, los primeros decrementan la dimensin hasta lograr la eficiencia. De esta manera, ambos diseos presentan ventajas y desventajas complementarias. Efectivamente:
234
Si las caras eficientes maximales tienen, en general, una dimensin elevada, es de esperar un mayor rendimiento de los mtodos descendentes frente a los ascendentes. Por contra, si las caras eficientes maximales tienen una dimensin reducida, los algoritmos descendentes realizarn un nmero elevado de iteraciones, debido a la explosin combinatoria que experimentan, mientras que los ascendentes se mostrarn muy eficaces. Los algoritmos ascendentes permiten determinar inmediatamente si la regin eficiente es vaca o no, pero descuidan (salvo que la comprobacin se haga de forma explcita a travs de un test especfico como los dados en la seccin 3.2) la posibilidad de eficiencia completa. Con los mtodos descendentes la situacin se invierte, es decir, determinan inmediatamente la eficiencia completa del problema, pero no son adecuados cuando la regin eficiente es vaca (salvo que se aplique algn test especfico como los dados en la Seccin 1.7.5). Si paramos un algoritmo descendente antes de encontrar alguna cara eficiente maximal, no habremos obtenido ninguna cara eficiente. Esto no sucede con los algoritmos ascendentes. Mientras que los algoritmos ascendentes necesitan comprobar la maximalidad de las caras eficientes generadas, los algoritmos descendentes estn exentos de esta verificacin, pues su propia dinmica de funcionamiento garantiza dicha propiedad.
Generalmente, tanto los mtodos ascendentes como los descendentes, evitan trabajar directamente con las dimensiones exactas de las caras identificadas en cada iteracin, debido a la dificultad que conlleva este conocimiento. En realidad, el dato de la dimensin de la cara no es algortmicamente necesario, pudiendo ser empleados, por ejemplo, procedimientos basados en la inclusin matemtica, con complejidades muy inferiores. Otra clasificacin admisible para los mtodos generadores de soluciones eficientes fue propuesta por Armand ([Ar93b], p. 358). Este autor distingue entre mtodos locales y globales. Los mtodos de tipo local determinan las caras eficientes maximales a medida que se obtienen nuevos puntos extremos y aristas eficientes, es decir, para cada vrtice considerado, calculan todas las caras eficientes maximales incidentes en el mismo. Otras estrategias distintas a la anterior, como la de generar primero todos los vrtices y aristas no acotadas eficientes, para despus determinar las caras eficientes maximales, se consideran enfoques globales.
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ...
235
Nuevamente ambas posibilidades algortmicas tienen puntos fuertes y dbiles, producindose una dicotoma. Merecen ser destacados los siguientes aspectos: Los mtodos globales suelen ser algoritmos muy intuitivos que se pueden implementar fcilmente. En general, evitan el inconveniente de la degeneracin en la construccin de las caras eficientes maximales. Por contra, tienen alguna etapa fuertemente combinatoria. Los mtodos locales son ms complejos en sus detalles que los globales, requiriendo implementaciones ms laboriosas, basadas casi siempre en algn tipo de esquema de pivotacin. Por tal motivo han de resolver adecuadamente el problema de la degeneracin de un vrtice. Su principal ventaja consiste en que la etapa combinatoria se reduce notablemente, pues el nmero de caras incidentes en un determinado vrtice acostumbra a ser sensiblemente menor que el nmero total de caras del poliedro.
Es posible combinar las clasificaciones de Sayin y Armand, para lograr una organizacin ms especfica compuesta por los siguientes tipos: Ascendente Local, Ascendente Global, Descendente Global y Descendente Local. Despus de una revisin bibliogrfica exhaustiva, sorprendentemente, no hemos encontrado ningn algoritmo generador de soluciones eficientes que se adapte al enfoque descendente local. A lo largo de esta seccin realizaremos un estudio detallado, con aportaciones algortmicas concretas, para cada una de las clases de diseo que acabamos de especificar.
4.5.1 Mtodos Ascendentes Globales

Los mtodos ascendentes globales (Global Bottom Up o GBU, para abreviar) atienden al siguiente esquema: En primer lugar determinan todo el conjunto de vrtices y aristas eficientes para, a continuacin, obtener el conjunto de caras eficientes maximales mediante la generacin de combinaciones convexas eficientes, progresivamente mayores, de los vrtices y aristas no acotadas generados en el paso anterior. As, podemos escribir el siguiente procedimiento genrico: Esquema GBU-FACES (Global Bottom Up) Etapa I. Clculo. Calcular el conjunto de todos los vrtices y aristas eficientes del problema. P Si E xp = , STOP. E P = .
236
Etapa II. Combinacin. Obtener de manera creciente (en el sentido de la inclusin matemtica) todas las combinaciones convexas eficientes maximales de los vrtices y aristas no acotadas generados en la Etapa I. Entre los algoritmos publicados recientemente que se adaptan a este esquema cabe destacar el de Armand-Malivert ([ArMl91]). En la etapa I quizs haya que obtener informacin adicional para los vrtices y aristas obtenidos. Por ejemplo, si la regin factible es un poltopo, un procedimiento podra consistir en calcular la regin de indiferencia asociada a cada vrtice. Despus de realizada esta tarea, para identificar todas las caras eficientes maximales, basta con simplemente agrupar en conjuntos maximales aquellos puntos extremos eficientes que tengan en comn, al menos, un mismo parmetro. La etapa II es fuertemente combinatoria y la gran consumidora de recursos computacionales, pues el nmero de test de eficiencia a aplicar puede ser enorme ([Ar93b], p. 358). A la hora de buscar las caras eficientes maximales podemos utilizar tanto una bsqueda primero en anchura ([HrSh78], p. 263), como primero en profundidad ([HrSh78], p. 268), sobre el conjunto de vrtices y aristas eficientes. Sin embargo, desde un punto de vista computacional, parece ms eficaz el recorrido primero en profundidad, pues permite hacer un mayor nmero de eliminaciones de los nodos del rbol de enumeracin. Con el propsito de disminuir las combinaciones posibles, es til la siguiente propiedad elemental: dos vrtices adyacentes, eficientes pero no EProposicin 4.5.1 Sean x y x adyacentes (la arista que los une no es eficiente). Entonces, / F EP f tal que F . x, x Aunque a lo largo de esta memoria hemos presentado diversos resultados generales que permiten caracterizar la eficiencia de una envolvente convexa (ver seccin 2.5), es posible dar algunos ms:
{x , , x } X ). CNH ({ d ,, d }
Sean
1 1 p q
xp
{d , , d } X
1 q
xd
y G
= CVH x1 , , x p +
({
})
El siguiente test es una ligera modificacin de un resultado propuesto por Armand y Malivert ([ArMl91], Theorem 4.1).
237
Teorema 4.5.2 Sean x G 0 , x s una s.f.b. de X y B s una base asociada. Entonces, G = CVH x1 , , x p , x s + CNH d 1 , , d q E P si, y slo si, el s sistema t R s + v t YD 0 , t R s x N s = 0 , > 0 , v 0 tiene solucin.
({
})
({
})
Demostracin. k Como G E P R+ + , G S P . Ahora es claro el resultado teniendo en cuenta que x s es una s.f.b. de X , x s S P , x S P y aplicando los Corolarios 2.4.7 y 2.4.8. s Por hiptesis, t R s + v t YD 0 , t R s x N s = 0 , > 0 , v 0 tiene solucin. Por el Corolario 2.4.8 se tiene que x S P . Como x G 0 , aplicando la Proposicin 2.4.21, G S P . Adems, por el Corolario 2.4.7, x s S P y como S P es convexo, G S P y, por tanto, G E P .
A fin de complementar el Teorema 4.5.2, Armand y Malivert distinguieron el siguiente caso: Teorema 4.5.3 ([ArMl91], Theorem 4.2) Sean d s una direccin extrema de X obtenida a partir de x p a travs de una base asociada B p , G = CVH x1 , , x p + CNH d 1 , , d q , d s y x G 0 . Entonces, G E P si, y slo si, el sistema t R p + v t YDp 0 , t R p x N p = 0 , > 0 , v 0 tiene solucin.
({
})
({
})
Demostracin. k Como G E P entonces R+ + tal que G S P . Ahora es claro el resultado teniendo en cuenta que x p es una s.f.b. de X y x S P . Por hiptesis, el sistema t R p + v t YDp 0 , t R p x N p = 0 , > 0 , v 0 tiene solucin x p S P y x S P . Como x G 0 G S P G E P .
Sin embargo, para los propsitos de este apartado, conviene tener a mano caracterizaciones que permitan tratar de manera unificada la etapa de combinacin de los mtodos generadores con diseo GBU. Un ejemplo de tales herramientas es la siguiente:
238
Teorema 4.5.4 Sea x G 0 . Son equivalentes los siguientes resultados: (i) G EP (ii) El problema min s / u t A t C 0, u t b s = t Cx , e, s 0 es acotado, con valor ptimo 0. (iii) El problema max e t s / Cw Is = 0, Aw = 0, wJ 0, s 0 es acotado, con valor ptimo 0, donde J = {j J / x j = 0}.
(4.6)
(4.7)
Demostracin. (i) (ii) por el Teorema 2.5.9. Veamos ahora (i) (iii). Por el Corolario, 2.5.1, G E P x E P . Ahora, aplicando el Corolario 2.9.13, se obtiene el resultado deseado. Obsrvese que el Teorema 4.5.4 trabaja directamente con vrtices y aristas en lugar de bases, desapareciendo, por tanto, el problema de la degeneracin. Cualquiera de los resultados anteriormente expuestos proporciona un procedimiento para calcular iterativamente todas las caras eficientes maximales de un LVP, en base a la generacin de envolventes convexas eficientes progresivamente mayores. Basta empezar inicialmente con P G = x i y repetir el procedimiento x i E xp .
{}
Veamos una codificacin de la etapa II que utiliza un recorrido primero en profundidad para el clculo de las envolventes convexas eficientes maximales. Sin prdida de generalidad y para simplificar la exposicin haremos la descripcin para el caso de un poltopo. Utilizaremos para ello la siguiente notacin: V L Lista con el conjunto de vrtices eficientes del problema. Lista con las caras eficientes maximales halladas.
Algoritmo GBU-COMBINATION( V ) Si V = 1 , STOP. L = V 1, , n 1} ejecutar BUEn otro caso ( V = n , con n > 1 ), hacer L = y para cada i { CONVEX( {} i ).
La implementacin de la rutina BU-CONVEX sera:
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ... Algoritmo BU-CONVEX( I ) Paso 1. Sea m el mximo ndice de I . Si J L tal que I {m + 1, , n} J , STOP. Paso 2. P Si j {m + 1, , n} se verifica que CVH x i / i I {j} / E ir al paso 4.
239
({
})
Paso 3. Para cada j {m + 1, , n} CONVEX( I {j}). Ir al paso 5.
tal
que
CVH x i / i I {j} E P ,
({
})
ejecutar
BU-
Paso 4. Si / J L tal que I J , hacer L L {I }. Paso 5. STOP. Ntese que si se da la condicin del paso 2 del algoritmo anterior entonces I es un conjunto de ndices candidato a ser maximal. Los siguientes resultados justifican la validez del procedimiento propuesto. Proposicin 4.5.5 El algoritmo BU-CONVEX es finito. Teorema 4.5.6 El algoritmo BU-CONVEX( I ) genera todas las envolventes convexas eficientes maximales que contienen a x i / i I y no contienen los 1, ..., m} I , donde m = max(I ). vrtices x i / i { Demostracin. Evidente por la construccin del algoritmo.
Corolario 4.5.7 El algoritmo GBU-COMBINATION es una propuesta finita y vlida de implementacin de la etapa II del esquema GBU-FACES. El siguiente resultado nos da la complejidad del algoritmo GBUCOMBINATION. Proposicin 4.5.8 En el caso peor ( E P = X ), el algoritmo GBUCOMBINATION ejecuta el algoritmo BU-CONVEX (mediante llamadas V recursivas) 2 1 veces.
240
Utilizando como test de eficiencia para envolventes convexas el programa (4.6), vamos a ilustrar el funcionamiento del algoritmo GBUCOMBINATION. Ejemplo 4.5.9 Consideremos el siguiente y Zeleny ([YuZl75], p. 465): 4 1 max 1 3 1 1 s.a: 1 1 3 1 2 1 x 4 2 1 1 0 0 x0 Etapa I. Clculo del conjunto de vrtices eficientes. Esta etapa no reviste dificultad. Para este problema los resultados son: P P E xp = x1 , x 2 , x 3 , x 4 , x 5 y E xd = (ver la Figura 4.4 para una representacin LVP degenerado propuesto por Yu 2 1 x 4
en el plano de la estructura de la regin eficiente del problema), donde: x1 = (0, 1, 2) , x 2 = (1 / 2, 1 / 2, 2) , x 3 = (0, 2, 0) , x 4 = (0, 0, 3) y x 5 = (1, 1, 0 ) . Etapa 2. Algoritmo GBU-COMBINATION. Utilizaremos la siguiente notacin: eff eficiente, no eff no eficiente. Anlisis de x1 . Inicialmente, L = . Se traduce en una llamada a BU-CONVEX( {} 1 ), obtenindose los siguientes resultados: { 1, 2} es eficiente, pues tomando x = 1 / 2 x1 + 1 / 2 x 2 = (1 / 4, 3 / 4, 2 ) y resolviendo el programa (i) del Teorema 4.5.4, el valor ptimo es 0. Anlogamente se { }, comprueba que: { 1, 2, 3} eff, { 1, 2, 3, 4} no eff, { 1, 2, 3, 5} eff, L = { 1, 2, 3, 5} { { }, { 1, 2, 4} eff, como { 1, 2, 4, 5} no eff, L = { 1, 2, 3, 5} ,{ 1, 2, 4} 1, 2, 5} no eff, { 1, 3} eff, { 1, 3, 4} no eff, { 1, 3, 5} eff, { 1, 4} eff, { 1, 4, 5} no eff, { 1, 5} eff. Anlisis de x 2 . { }. L ={ 1, 2, 3, 5} ,{ 1, 2, 4} Se traduce en una llamada a BU-CONVEX( {2}), obtenindose los siguientes resultados: {2, 3} eff, {2, 3, 4} no eff, {2, 3, 5} eff, {2, 4} eff, {2, 4, 5} no eff, {2, 5} eff.
241
x3
x1
x5
x4
x2
Figura 4.4
Anlisis de x . { }. 1, 2, 3, 5} ,{ 1, 2, 4} L ={ 3}), obtenindose los siguientes Se traduce en una llamada a BU-CONVEX( { resultados: {3, 4} no eff, {3, 5} eff. Anlisis de x 4 . { }. 1, 2, 3, 5} ,{ 1, 2, 4} L ={ Se traduce en una llamada a BU-CONVEX( {4}), obtenindose los siguientes resultados: {4, 5} no eff. Luego, las caras eficientes maximales vienen dadas como CVH x1 , x 2 , x 3 , x 5 y CVH x1 , x 2 , x 4 .
({
})
({
})
4.5.2 Mtodos Ascendentes Locales

El modo de funcionamiento de los algoritmos con diseo ascendente local (Local Bottom Up o LBU para abreviar) consiste en determinar gradualmente, de menor a mayor tamao, para cada vrtice eficiente encontrado, todas las caras eficientes incidentes en el mismo. Por tal motivo, los algoritmos generadores de soluciones eficientes de clase LBU se pueden considerar una generalizacin del esquema EDGES. Esta propuesta represent un salto cualitativo importante con respecto a otros esquemas mas sencillos (ascendente o descendente simple)
242
empleados con anterioridad. No en vano, la mayor parte de los algoritmos publicados en la literatura atienden a esta concepcin. Entre ellos podemos destacar los de Isermann ([Is77a]), Gal ([Gal77]), Ecker-Hegner-Kouada ([EcHK80]), Murty ([Mr85]) y Armand ([Ar93b]). La principal ventaja que presentan, frente a los mtodos ascendentes globales, es que la etapa combinatoria se reduce significativamente por cuanto el nmero de caras incidentes en un determinado vrtice suele ser sensiblemente menor que el nmero total de caras del poliedro. Por otra parte, su principal inconveniente es la necesidad de dar un tratamiento adecuado al problema de generar las caras eficientes maximales incidentes en un vrtice degenerado. Sorprendentemente, esta tarea ha sido descuidada y/o obviada por la mayora de autores ([Mr85], p.31). Hasta donde sabemos, slo Murty [Mr85] y Armand ([Ar93b]) han resuelto satisfactoriamente este aspecto. Por otra parte, si las caras eficientes maximales tienen dimensin elevada, por la propia dinmica interna del algoritmo, se produce una explosin combinatoria en cada vrtice estudiado. A continuacin se presenta el esquema tpico de un algoritmo con diseo ascendente local. Utilizaremos la siguiente notacin: V1 Lista de vrtices eficientes explorados (es decir, para los cuales ya han sido generadas todas las caras eficientes incidentes en los mismos). Lista de vrtices eficientes no explorados. Lista de caras eficientes maximales halladas. Conjunto de vrtices E-adyacentes a x i .
V2 L EV x i
( )
Esquema LBU-FACES Paso 0. Inicializacin. Encontrar un vrtice eficiente inicial x 0 . Si no hay ninguno, STOP. E P = . Hacer V1 , V2 x 0 , L e i 0 .
{ }
Paso 1. Progresin. Seleccionar un punto x i V2 . Paso 2. Exploracin. Determinar ascendentemente (en el sentido de la inclusin matemtica) todas las caras eficientes maximales incidentes en x i . Con la informacin obtenida hacer EV x i = P / x ~ E xi . x E xp
( )
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ... Paso 3. Registro. Aadir a L las caras eficientes maximales encontradas en el paso anterior. Hacer V1 V1 x i y V2 V2 x i EV x i V1 .
243
{}
{ }) ( ( )
Paso 4. (Terminacin) Si V2 = STOP. El conjunto de todas las soluciones eficientes ha sido generado. E P = F . En caso contrario, hacer i i + 1 e ir al paso 1.
FL
Si se dispone de un procedimiento vlido y finito para calcular ascendentemente las caras eficientes incidentes en un vrtice arbitrario, entonces las siguientes propiedades son inmediatas: Teorema 4.5.10 El esquema LBU-FACES es finito. Teorema 4.5.11 El esquema LBU-FACES es vlido. El verdadero cuello de botella del algoritmo se produce en la etapa de exploracin, pues el problema de determinar todas las caras eficientes maximales incidentes en un vrtice dado no es trivial. Efectivamente, los mtodos ascendentes locales construyen las caras eficientes maximales incidentes en un vrtice dado a partir de algn proceso incremental que, descrito someramente, consiste en ir aumentando, mientras se pueda, el tamao de las caras sin perder la eficiencia de las mismas. Este procedimiento aunque conceptualmente claro, no es trivial de llevar a la prctica, sobre todo bajo degeneracin, habiendo sido fuente de numerosos errores publicados en la literatura. Por otra parte, una implementacin cuidadosa, que intente tratar de manera unificada todos los vrtices, puede ahorrar una cantidad importante de esfuerzo computacional. El siguiente resultado, aunque sencillo, resultar de gran utilidad: Proposicin 4.5.12 Si F (J ) E P f . F (J ) E P f . F (J ) E P f entonces J J se verifica que
Demostracin. J J F (J ) F (J ) . Ahora, como F (J ) E P f Conviene reparar en que, para sacarle el mximo rendimiento a la propiedad anterior, interesa almacenar las caras no eficientes con la menor dimensin posible. La mejor situacin se presenta con vrtices degenerados no eficientes.
244
Existen dos tcnicas bsicas de crecimiento o incremento para las caras: primero en anchura y primero en profundidad ([HrSh78]). La regla de primero en anchura crea en la primera iteracin las caras eficientes de tamao (dimensin) 1, en la segunda iteracin, mediante combinacin de las caras eficientes obtenidas en el paso anterior, crea las caras de tamao (dimensin) 2 y as sucesivamente hasta que en una iteracin arbitraria no se generan ms caras eficientes o se genera el propio poliedro. Por el contrario, una regla primero en profundidad, selecciona alguna cara eficiente incidente en el vrtice (en general una arista eficiente) y la incrementa constantemente hasta hacerla maximal. A continuacin se repite el procedimiento anterior sobre el conjunto de las caras restantes no incluidas en la recin obtenida. Los algoritmos de Isermann ([Is77a]) y Armand ([Ar93b], procedure S2) utilizan esta ltima tcnica. Seguidamente vamos a desarrollar un procedimiento novedoso, que utiliza una bsqueda primero en anchura, para calcular todas las caras eficientes maximales incidentes en una cara eficiente (no necesariamente un vrtice) y dada a travs de un descriptor. El atractivo que presenta el mtodo es que permite un tratamiento sistemtico y unificado del problema que nos ocupa, tanto en situacin de no degeneracin como de degeneracin. Utilizaremos la siguiente notacin: L1 L2 2
J
Lista de caras eficientes maximales incidentes en la cara eficiente F (J ). Lista de caras no eficientes incidentes en la cara eficiente F (J ). Partes de J .
Algoritmo BU-IFACES( J ) Paso 0. Inicializacin. Hacer i 1 , n = J , I n = {J }, L1 = {J } y L2 = . Paso 1. J Calcular I ni = J 2 / J = n i L2
Paso 2. Terminacin. Si I ni = STOP. El conjunto de todas las caras eficientes maximales incidentes en la cara eficiente F (J ) es F (J ) .
J L1
Paso 3. Para cada
J I ni , si F (J ) E P (aplicar, por ejemplo, Corolario 2.9.9) hacer f
J L1 = (L1 {J L1 / J J }) {J }. En caso contrario, hacer L2 = L2 2 . Hacer i i + 1 e ir al paso 1.
{ }
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ... Analicemos el procedimiento anterior:
245
En la iteracin i se generan todos los descriptores de tamao n i para las caras incidentes en F (J ) que no son ineficientes segn la lista L2 (paso 1). Es claro que si este conjunto es vaco no podremos encontrar ms caras eficientes incidentes en F (J ) que las que ya tengamos (paso 2). En el paso 3 es cuando se estudian individualmente los descriptores. Si es eficiente, tenemos que eliminar de la lista L1 todos aquellos elementos que contengan al descriptor examinado. Por contra, si no es eficiente, cualquier subconjunto de l corresponde a una cara ineficiente (Proposicin 4.5.12) y debemos aadirlos a la lista L2 . Nos queda slo tratar el aspecto de cmo determinar si una cara especificada a travs de un descriptor es eficiente o no. Este asunto ha sido tratado con precisin y rigor en la seccin 2.8, tanto para el caso no degenerado como degenerado, siempre que el descriptor inspeccionado sea maximal (ver, por ejemplo, los Corolarios 2.8.2 y 2.8.23, respectivamente). Por otra parte, dado que sabemos que si un vrtice es no degenerado, todas las caras incidentes en l (inclusive el propio vrtice) tienen asociado un nico descriptor (maximal) (ver Teorema 2.3.26), este caso no presenta inconvenientes. Afortunadamente, el caso degenerado tambin puede ser abordado sin dificultad. Efectivamente, ahora puede ocurrir que el descriptor asociado a una cara ya estudiada no sea maximal. Si no lo es, y dado que usamos un esquema ascendente en el tamao de las caras (descendente en el tamao de los descriptores), al decrementar nuevamente el descriptor puede ocurrir que, o bien sea maximal (correspondiendo a otra cara distinta y pudiendo ser aplicado el test de eficiencia), o bien no lo sea, en cuyo caso debemos volver a decrementar el descriptor. De este modo, resulta inmediata la siguiente propiedad: Teorema 4.5.13 El algoritmo BU-IFACES es finito y vlido. Si queremos que el algoritmo BU-IFACES saque provecho de la informacin generada con anterioridad por el esquema LBU-FACES, las listas L1 y L2 deben ser pasadas como parmetros. As, una llamada a la rutina tendra ahora la forma: BU-IFACES( J , L1 , L2 ) debiendo contener el paso 0 de la misma las siguientes instrucciones: Hacer i 1 , n = J , I n = {J } y L1 = L1 {J }. Ntese que con esta nueva especificacin todava es posible calcular las caras eficientes que contienen a una dada, sin utilizar ningn tipo de informacin previa. Para ello basta realizar una llamada a la rutina BU-
246
IFACES con los argumentos ( J , , ), donde J es un descriptor para la cara considerada. Lo que sigue es la descripcin detallada de un algoritmo basado en el esquema LBU-FACES: Algoritmo LBU-FACES Paso 0. Inicializacin. Encontrar una s.f.b. inicial x 0 . Si no hay ninguna, STOP X = . Hacer V1 , L1 e i 1 . Comprobar si x 0 es eficiente o no. En caso afirmativo, hacer V2 x 0 , L2 .
{ }
J0 En caso negativo, hacer L2 = 2 Z y encontrar un vrtice eficiente inicial x1 . Si no hay P ninguno, STOP. E = . En otro caso, hacer V2 x1 .
{}
Paso 1. Progresin. Seleccionar un punto x i V2 . Paso 2. Anlisis de eficiencia para caras incidentes en x i . Se trata de llamar a la rutina BU-IFACES( J Z i , L1 , L2 ). Almacenar en EV x i los vrtices E-adyacentes a x i encontrados por el procedimiento BUIFACES. Paso 3. Registro. Hacer V1 V1 x i , V2 V2 x i EV x i V1 .
( )
{}
{ }) ( ( )
Paso 4. Terminacin. Si V2 = STOP. El conjunto de todas las soluciones eficientes ha sido generado. E P = F . En caso contrario, hacer i i + 1 e ir al paso 1.
FL1
A continuacin ilustraremos con un ejemplo el funcionamiento del algoritmo LBU-FACES.
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ... Ejemplo 4.5.14 Consideremos el siguiente LVP: max x s.a: 1 1 2 4 1 2 2 x 6 x0 Vase la Figura 4.5 para una representacin grfica de la regin factible.
247
x3 x2 x4 x0 x5 x1 x1 F ({4}) x3 x2
F ({ 5})
Figura 4.5
Paso 0. Inicializacin. Evidentemente X , pues a partir de los datos del problema se obtiene de forma inmediata una tabla cannica factible. v.b. x4 x5 x1 1 1 x2 1 2 x3 2 2 x4 1 0 x5 0 1 0 0 0 x0 . r.h.s. 4 6 0 0 0
-1 0 0 0 0 -1 0 0 0 0 -1 0 0 T B . Tabla cannica asociada a
( )
x 0 es una s.f.b. no degenerada y no eficiente (basta aplicar, por ejemplo, el Corolario 2.6.7, y comprobar que el programa (2.9) es no acotado), siendo J Z 0 ={ 1, 2, 3}.
248
1, 5}) eficiente Sin embargo, la siguiente tabla si representa una s.f.b. ( J B1 = { inicial (pues es solucin ptima del problema max e t Cx / x X ): v.b. x1 x5 x1 1 0 x2 1 1 x3 2 0 x4 1 -1 x5 0 1 0 0 0 x1 . r.h.s. 4 2 4 0 0
0 1 2 1 0 -1 0 0 0 0 -1 0 1 T B . Tabla cannica asociada a
( )
1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }. { Hacemos L1 = , L2 = { 1 V1 = , V2 = x .
{}
Iteracin 1. Paso 1. Progresin. Seleccionamos x1 de V2 . Paso 2. Anlisis de eficiencia para caras incidentes en x1 . 1 2 1 1 Es evidente que x es no degenerado, siendo J N 1 = {2, 3, 4} y R = 1 0 0 . 0 1 0 Ahora ejecutamos la rutina BU-IFACES( J N 1 , L1 , L2 ).
Paso 0. i = 1, n = 3, I 3 = Nivel 1. {2, 4}, {3, 4}}. I2 = { Para
{{2, 3, 4}},
L1 =
{{2, 3, 4}}
JZ2
J = {2, 4} Obtendramos el vrtice x 2 , especificado por 1, 2, 4}. La base est dada por J B 2 = { 3, 5}. Este vrtice es = {
E-adyacente a x1 , como pone de manifiesto la caracterizacin enunciada en el Corolario 2.8.2. Efectivamente:
r = R
J N J
La tabla cannica asociada al test para J = {2, 4} es:
2 e = 0 . 1

v.b. r.h.s. 2 0 -1 0
249
x2
1 -1 0 0
x3
2 0 -1 0
x4
1 0 0 0
s1
1 0 0 -1
s2
0 1 0 -1
s3
0 0 1 -1
s1 s2 s3
Se comprueba que este problema es acotado, con valor ptimo nulo (0) F ({2, 4}) E P f . Para
J Z3
3, 4} Obtendramos el vrtice x 3 , especificado por J = { 3, 4, 5}. La base est dada por J B3 = { 1, 2}. Este vrtice es = {
E-adyacente a x1 , como se puede comprobar a partir del Corolario 2.8.2. Efectivamente:
r = R
J N J
3, 4} es: La tabla cannica asociada al test para J = {

v.b.
1 e = 1 . 0
x2
1 -1 0 0
x3
2 0 -1 0
x4
1 0 0 0
s1
1 0 0 -1
s2
0 1 0 -1
s3
0 0 1 -1
r.h.s. 1 -1 0 0
s1 s2 s3
Se comprueba que este problema es acotado, con valor ptimo nulo 3, 4}) E P (0) F ({ f . En funcin de los resultados anteriores: L1 = Nivel 2 {4}}. I1 = {
{{2, 4}, {3, 4}}.
La nica cara a estudiar es la dada por J = {4}.
Para J = {4} r = R
J N J
1 2 3 e = 1 0 e = 1 . 0 1 1
La tabla cannica asociada al test para J = {4} es:
250

v.b. r.h.s. 3 -1 -1 0
x2
1 -1 0 0
x3
2 0 -1 0
x4
1 0 0 0
s1
1 0 0 -1
s2
0 1 0 -1
s3
0 0 1 -1
s1 s2 s3
Se comprueba que este problema es acotado, con valor ptimo nulo (0) F ({4}) E P f . En funcin de los resultados anteriores: 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }. {4}} y L2 = {{ L1 = {
Evidentemente, ya no hay ms caras eficientes maximales incidentes en x1 que estudiar, terminando por ello la rutina BU-IFACES y devolviendo el control al procedimiento principal. Paso 3. Registro. V1 = x1 , V2 = x 2 , x 3 , L1 =
{}
{{4}} y
1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }. { L2 = {
Iteracin 2. Paso 1. Progresin. 3, 5}. Seleccionamos x 2 de V2 , cuya base B 2 est dada por J B 2 = { La tabla cannica asociada a B 2 es: v.b. x3 x5 x1 1/2 0 x2 1/2 1 x3 1 0 x4 1/2 -1 x5 0 1 r.h.s. 2 2 0 0 2
-1 0 0 0 0 0 -1 0 0 0 1/2 1/2 0 1/2 0 2 T B . Tabla cannica asociada a x 2
( )
Paso 2. Anlisis de eficiencia para caras incidentes en x 2 . 1, 2, 4} y R = Es evidente que x 2 es no degenerado, siendo J N 2 = { 0 0 1 0 . 0 1 1 / 2 1 / 2 1 / 2 Ahora ejecutamos la rutina BU-IFACES( J N 2 , L1 , L2 ).

Paso 0. i = 1, n = 3, I 3 = Nivel 1. { }. I2 = { 1, 4} , {2, 4} Para
251
{{ } 1, 2, 4}
y L1 =
{{4}, { }. 1, 2, 4}
E-adyacente a x 2 pues F ({4}) E P y F ({4}) F ({ 1, 4}) (por tanto, no f hay que aplicar ningn test). Para
JZ4
J = { 1, 4} Obtendramos el vrtice x 4 , especificado por = { 1, 4, 5}. La base est dada por J B 4 = {2, 3}. Este vrtice es
(vrtice E-adyacente a x 2 pues F ({4}) F ({2, 4}) ). En funcin de los resultados anteriores L1 = Nivel 2 {4}}. I1 = { La nica cara a estudiar es la dada por sabemos que es eficiente.
J = {2, 4}
Obtendramos
el
vrtice
ya
explorado
x1
{{4}, { } 1, 4} , {2, 4}
J = {4}, la cual ya
En funcin de los resultados anteriores: {4}} y L2 = {{ L1 = { 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }.
Evidentemente, ya no hay ms caras eficientes maximales incidentes en x 2 que estudiar, terminando por ello la rutina BU-IFACES y devolviendo el control al procedimiento principal. Paso 3. Registro. V1 = x1 , x 2 , V2 = x 3 , x 4 , L1 {{ 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }.
{{4}}
L2
Iteracin 3. Paso 1. Progresin. Seleccionamos x 3 de V2 , cuya base B 3 est dada por J B3 = { 1, 2}. La tabla cannica asociada a B 3 es:
252
v.b. x1 x2
x1
x2
x3
x4
x5
r.h.s. 2 2 2 2 0
1 0 2 2 -1 0 1 0 -1 1 0 0 2 2 -1 0 0 0 -1 1 0 0 -1 0 0 3 T B . Tabla cannica asociada a x 3
( )
Paso 2. Anlisis de eficiencia para caras incidentes en x 3 . 3, 4, 5} y R = Es evidente que x 3 es no degenerado, siendo J N 3 = { 2 1 2 1 . 0 1 1 0 0 Ahora ejecutamos la rutina BU-IFACES( J N 3 , L1 , L2 ).
Paso 0. {3, 4, 5}}, L1 = i = 1, n = 3, I 3 = { Nivel 1. {3, 4}, {3, 5}, {4, 5}} I2 = { Para
{{4}, {3, 4, 5}}
3, 4})). (vrtice E-adyacente a x 3 pues F ({4}) F ({

Para
3, 4} J = {
Obtendramos
el
vrtice
ya
explorado
x1
J Z5
3, 5} Obtendramos el vrtice x 5 , especificado por J = { 1, 3, 5}. La base est dada por J B5 = {4, 2}. Este vrtice es = {
E-adyacente a x 3 , como pone de manifiesto el test enunciado en el Corolario 2.8.2. Efectivamente:
r = R
J N J
2 e = 1 . 0
3, 5} es: La tabla cannica asociada al test para J = {

v.b.
x3
2 0 -1 0
x4
2 -1 0 0
x5
-1 1 0 0
s1
1 0 0 -1
s2
0 1 0 -1
s3
0 0 1 -1
r.h.s. 2 -1 0 0
s1 s2 s3
253
Se comprueba que este problema es acotado, con valor ptimo nulo (0) F ({ 3, 5}) E P f . Para J = {4, 5} Obtendramos el vrtice x 4 (vrtice E-adyacente
a x 3 pues F ({4}) F ({4, 5}) ).
En funcin de los resultados anteriores L1 = Nivel 2 I1 = { {4}, {5}}.
{{4}, {3, 4}, {3, 5}, {4, 5}}
La nica cara a estudiar es la dada por J = { 5}, pues para J = {4} ya sabemos que es eficiente.
Para J = { 5} r = R
J N J
2 2 4 e = 0 1 e = 1 . 1 0 1
La tabla cannica asociada al test para J = { 5} es: v.b.
x3
2 0 -1 0
x4
2 -1 0 0
x5
-1 1 0 0
s1
1 0 0 -1
s2
0 1 0 -1
s3
0 0 1 -1
r.h.s. 4 -1 -1 0
s1 s2 s3
Se comprueba que este problema es acotado, con valor ptimo nulo (0) F ({ 5}) E P f . En funcin de los resultados anteriores: L1 = { {4}, {5}} y L2 = {{ 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }.
Evidentemente, ya no hay ms caras eficientes maximales incidentes en x 3 que estudiar, terminando por ello la rutina BU-IFACES y devolviendo el control al procedimiento principal. Paso 3. Registro. L1 V1 = x1 , x 2 , x 3 , V2 = x 4 , x 5 , {{ 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }.
{{4}, {5}}
L2
Iteracin 4. Paso 1. Progresin. Seleccionamos x 4 de V2 , siendo B 4 una base asociada dada por J B 4 = {2, 3}.
254
La tabla cannica asociada a B 4 es: v.b. x3 x2 x1 x2 x3 x4 x5 r.h.s. 1 2 0 2 1
1/2 0 1 1 -1/2 0 1 0 -1 1 -1 0 0 0 0 0 0 0 -1 1 1/2 0 0 1 -1/2 4 T B . Tabla cannica asociada a x 4 .
( )
Paso 2. Anlisis de eficiencia para caras incidentes en x 4 . 1, 4, 5} y Evidentemente x 4 es no degenerado, siendo J N 4 = { 0 1 0 1 . 0 1 1 / 2 1 1/ 2 Ahora ejecutamos la rutina BU-IFACES( J N 4 , L1 , L2 ).
Paso 0. 1, 4, 5} { }, L1 = i = 1, n = 3, I 3 = { Nivel 1. 1, 4} ,{ 1, 5} , {4, 5} { } I2 = { Para
1, 4, 5} {{4}, {5}, { }
1, 4}) ). (vrtice E-adyacente a x 4 pues F ({4}) F ({ 5}) F ({ 1, 5}) ). a x 4 pues F ({

Para
1, 4} J = {
Obtendramos
el
vrtice
ya
explorado
x2
1, 5} Obtendramos el vrtice x 5 (vrtice E-adyacente Para J = { J = {4, 5}
(vrtice E-adyacente a x 4 pues F ({4}) F ({4, 5}) ). En
Obtendramos
el
vrtice
ya
explorado
x3
{{4}, {5}, {3, 4}, {3, 5}, {4, 5}}
funcin
de
los
resultados
anteriores
L1
Nivel 2 {4}, {5}}. I1 = {
5} ya sabemos que son Como las caras dadas por J = {4} y J = { eficientes, no tenemos nada que estudiar.
En funcin de los resultados anteriores: 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }. {4}, {5}} y L2 = {{ L1 = {
255
Evidentemente, ya no hay ms caras eficientes maximales incidentes en x 4 que estudiar, terminando por ello la rutina BU-IFACES y devolviendo el control al procedimiento principal. Paso 3. Registro. V2 = x 5 , L1 V1 = x1 , x 2 , x 3 , x 4 , 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }. {{
{ }
{{4}, {5}},
L2
Iteracin 5. Paso 1. Progresin. Seleccionamos x 5 de V2 , cuya base B 5 est dada por J B5 = {2, 4}. La tabla cannica asociada a B 5 es: v.b. x4 x2 x1 x2 x3 x4 x5 r.h.s. 1 3 0 3 0
1/2 0 1 1 -1/2 1/2 1 1 0 1/2 -1 0 0 0 0 1/2 0 1 0 1/2 0 0 -1 0 0 5 T B . Tabla cannica asociada a x 5 .
( )
Paso 2. Anlisis de eficiencia para caras incidentes en x 5 . 1, 3, 5} y R = Es evidente que x 5 es no degenerado, siendo J N 5 = { 0 1 0 1 1/ 2 . 1 / 2 0 1 0 Ahora ejecutamos la rutina BU-IFACES( J N 5 , L1 , L2 ).
Paso 0. i = 1, n = 3, I 3 = Nivel 1. 1, 5} ,{ 3, 5} { }. I2 = { Para
1, 3, 5} {{ },
L1 =
1, 3, 5} {{4}, {5}, { }
5}) F ({ 1, 5}) ). (vrtice E-adyacente a x 5 pues F ({ 5}) F ({ 3, 5})). a x 5 pues F ({
1, 5} J = {
Obtendramos
el
vrtice
ya
explorado
x4
3, 5} Obtendramos el vrtice x 3 (vrtice E-adyacente Para J = {
256
4. MTODOS GENERADORES DE SOLUCIONES EFICIENTES 1, 5} ,{ 3, 5} {{4}, {5}, { }
En funcin de los resultados anteriores L1 = Nivel 2 {5}}. I1 = {
5} ya sabemos que es eficiente, no Como la cara dada por J = { tenemos nada que estudiar.
En funcin de los resultados anteriores: 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }. {4}, {5}} y L2 = {{ L1 = {
Evidentemente, ya no hay ms caras eficientes maximales incidentes en x 5 que estudiar, terminando por ello la rutina BU-IFACES y devolviendo el control al procedimiento principal. Paso 3. Registro. V1 = x1 , x 2 , x 3 , x 4 , x 5 , V2 = , 1, 2, 3} ,{ 1, 2} ,{ 1, 3} , {2, 3} , {} 1 , {2} ,{ 3} , }. {{
L1
{{4}, {5}},
L2
Paso 4. Terminacin. Como V2 = El conjunto de caras eficientes maximales se obtiene a partir {4}, {5}}. As, E P = F ({4}) F ({5}) , donde F ({4}) = CVH x1 , x 2 , x 3 , x 4 y de L1 = { 5}) = CVH x 3 , x 4 , x 5 . F ({
({
})
({
})
4.5.3 Mtodos Descendentes Globales

Los mtodos descendentes globales (Global Top Down o GTD para abreviar) comprenden a todos aquellos algoritmos descendentes que perciben la regin eficiente como una unin de caras eficientes maximales arbitrarias, donde el dato de si la cara es incidente en un vrtice dado es irrelevante (o no se conoce, o se obvia). Como sabemos, todos los mtodos descendentes comprueban la eficiencia de las caras de X utilizando un esquema de ordenacin de las mismas de mayor a menor dimensin. De esta manera, una vez que se confirma la eficiencia de una cara se puede asegurar que es maximal, evitndose el clculo de las caras eficientes de menor dimensin. Histricamente, el primer algoritmo generador de soluciones eficientes para el LVP de tipo descendente global se atribuye a Yu y Zeleny ([YuZl75]). Posteriormente han surgido otros como el de Sayin ([Sy96]).
257
A continuacin presentamos el esquema algortmico de un mtodo descendente global de tipo genrico. Utilizaremos la siguiente notacin: L W X if Lista de caras eficientes maximales generada por el algoritmo. Lista de caras por estudiar. Conjunto de las caras de X de dimensin i .
Esquema GTD-FACES Paso 0. Inicializacin. Hacer L , W {X }, i 1 y q dim(X ) . Paso 1. Exploracin y registro. Para cada F W hacer: W W {F }. F }. Si F E P f hacer L L { Paso 2. Progresin (Descenso). i W F X q / / F L, F F . f
Paso 3. (Regla de parada) Si W = , STOP. El conjunto de todas las soluciones eficientes ha sido generado. EP = F . En otro caso, hacer i i + 1 e ir al paso 1. Obsrvese que el algoritmo utiliza una bsqueda primero en anchura ([HrSh78], p. 263), pues estudia en primer lugar la eficiencia de todas las caras de dimensin q i y despus genera las caras de dimensin q i 1 . Teorema 4.5.15 El esquema GTD-FACES es finito. Demostracin. Directa pues el nmero de caras de un poliedro es finito.
FL
Veamos un resultado previo que ser de utilidad para probar la validez del algoritmo. Proposicin 4.5.16 E P =
F
i =0 jJ
i
, donde i {0, , q} se tiene J i
{j / F
i f
}.
Demostracin. Es claro teniendo en cuenta que E P = X if E P .

i =0
258
Teorema 4.5.17 El esquema GTD-FACES es vlido. Demostracin. Evidentemente, todas las caras almacenadas en L son eficientes y maximales por la construccin de la lista W . Veamos ahora que no puede ocurrir que una cara eficiente maximal del problema no haya sido generada por el algoritmo. Efectivamente, basta tener en cuenta la Proposicin 4.5.16 y observar que todas las caras de X son inspeccionadas explcita o implcitamente, pues cuando una cara de dimensin i no es eficiente, automticamente en el paso 2 se aaden a la lista W todas sus caras de dimensin i 1 que no estn contenidas en alguna cara eficiente ya generada. Teorema 4.5.18 En el caso peor ( E P = ), el esquema GTD-FACES genera todas las caras de X . Aunque la idea de descenso se formul originalmente pensando en representaciones implcitas de las caras, resulta claro que el mismo principio sigue siendo igualmente vlido cuando utilizamos representaciones explcitas de las mismas (mediante combinaciones convexas de vrtices y aristas no acotadas). As, sera posible construir una rutina TD-CONVEX, muy similar a la rutina BU-CONVEX dada en la seccin 4.5.1, que ira analizando la eficiencia de envolventes convexas progresivamente ms pequeas. Habiendo dejado constancia del hecho anterior, vamos a precisar, un algoritmo implementable basado en representaciones implcitas de las caras mediante descriptores (ver captulo 2). El principal inconveniente que presenta el esquema GTD-FACES consiste en que trabajar con dimensiones exactas resulta complicado cuando la representacin lineal del poliedro es degenerada (ver seccin 2.2). Por tal motivo, para obtener un algoritmo prctico de clase descendente global se necesita recurrir a alguna tcnica de enumeracin de caras que garantice el decrecimiento de las nuevas caras generadas en trminos de la inclusin (no estricta) matemtica y que permita aplicar algn tipo de test de eficiencia relativamente sencillo. Afortunadamente, esto se puede conseguir cuando caracterizamos las caras utilizando descriptores. Efectivamente, entre otros resultados podemos utilizar el Corolario 2.9.9, el cual caracteriza la eficiencia de una cara dada a travs de un descriptor maximal en trminos de la acotacin del programa (2.54). En particular sabemos que si el programa (2.54) es acotado entonces la cara es eficiente, independientemente de la maximalidad del descriptor utilizado. De esta manera, utilizando una tcnica descendente no tenemos porqu preocuparnos de si J J es un descriptor maximal para la cara. Efectivamente, si J no es maximal y la cara es eficiente, puede que no
259
detectemos la eficiencia de la misma en ese momento (el programa (2.54) resulta no acotado). Lo que si es seguro es que encontraremos, en alguna iteracin posterior del algoritmo, otro descriptor asociado a la cara, J , tal que J J J y en el que el programa (2.54) ser acotado. Precisemos ahora un nuevo algoritmo de clase GTD basado en las ideas anteriores. Utilizaremos la siguiente notacin: L1 L2 Ii Lista con los descriptores de las caras eficientes maximales halladas. Lista con los descriptores de las caras no eficientes halladas. Subconjuntos de J de cardinal i que candidatos a describir una cara eficiente maximal.
Algoritmo GTD-COMBINATION Hacer L1 y L2 . Encontrar una s.f.b. inicial x 0 . Si no hay ninguna, STOP X = . J0 Comprobar si x 0 es eficiente o no. En caso negativo, L2 = 2 Z . 1, , n}, L1 , L2 ) Llamar a TD-IFACES( { Algoritmo TD-IFACES( J , L1 , L2 ) Paso 0. Inicializacin. Hacer i 0 . Paso 1. Calcular I i = {J J / J = i} L2 .
Hacer I i = I i J I i / J L1 , J J . Paso 2. Terminacin. Si I i = , STOP. Paso 3. Para cada J I i , si F (J ) E P J }. f (aplicar, por ejemplo, Corolario 2.9.9) hacer L1 = L1 {
J En caso contrario, hacer L2 = L2 2 . Hacer i i + 1 e ir al paso 1.
{ }
Merece la pena hacer las siguientes aclaraciones: (i) Como las caras asociadas a descriptores de la lista L2 corresponden a caras no eficientes, debemos eliminar de posteriores consideraciones tales elementos. Por ello hacemos I i = {J J / J = i} L2 . La verdadera utilidad de este refinamiento quedar de manifiesto al
260
4. MTODOS GENERADORES DE SOLUCIONES EFICIENTES estudiar los mtodos descendentes locales (ver seccin 4.5.4). En el procedimiento descendente global el nico elemento de L2 que tiene utilidad es J Z 0 .
(ii)
Cuando hacemos I i = I i J I i / J L1 , J J eliminamos aquellos subconjuntos de J de cardinal i que son superconjuntos de algn descriptor eficiente maximal previamente generado. Evidentemente, para las caras correspondientes a tales descriptores ya existe una cara eficiente maximal que las contiene.
Teorema 4.5.19 El algoritmo GTD-COMBINATION es finito y vlido. El motivo de dotar a la rutina TD-IFACES de argumentos especficos es la necesidad de realizar un tratamiento unificado, que permita reutilizar el cdigo y ahorrar esfuerzo computacional en aquellos procesos que la llamen reiteradamente sobre problemas ntimamente relacionados. Veamos como se comporta el procedimiento GTD-COMBINATION sobre varios ejemplos: Ejemplo 4.5.20 Consideremos nuevamente el LVP enunciado en el Ejemplo 4.5.9: 4 1 2 max 1 3 1 x 1 1 4 s.a: 1 1 3 1 2 1 x 4 2 1 1 0 0 x0 Paso 0. Inicializacin. L1 = . Evidentemente X , pues a partir de los datos del problema se obtiene de forma inmediata una tabla cannica: v.b. x4 x5 x6 x1 1 2 1 4 1 -1 x2 1 2 -1 1 3 1 x3 1 1 0 2 -1 4 x4 1 0 0 0 0 0 x5 0 1 0 0 0 0 x6 0 0 1 0 0 0 r.h.s. 3 4 0 0 0 0
T B 0 . Tabla cannica asociada a x 0 .
( )
261
1, 2, 3, 6}. Sabemos, por el Corolario x 0 es una s.f.b. degenerada, siendo J Z 0 = {

P si, y slo si, el programa: 2.9.13, que x 0 E xp
max e t s / Cw Is = 0, wZ 0 0, Aw = 0, s 0 es acotado, con valor ptimo 0.
P Ahora bien, como el problema anterior es no acotado concluimos que x 0 E xp .
1, 2, 3, 6}, { 1, 2, 3}, { 1, 2, 6}, { 1, 3, 6}, {2, 3, 6}, { 1, 2}, { 1, 3}, { 1, 6}, {2, 3}, {2, 6}, { L2 = { 1 , {2}, { 3}, {6}, }. {3, 6}, {} Iteracin 0. Se trata de estudiar los subconjuntos J J tal que J = 0. Dado que I 0 = no hay nada que estudiar. Iteracin 1. I1 =
{{4}, {5}}.
{4}, el programa (2.54) se concreta en Para J = max e t s / Cw Is = 0, Aw = 0, s 0, w4 0 . Como este problema es acotado, con valor ptimo 0, F ({4}) E P f .
{5}, el programa (2.54) se concreta en Para J = t max e s / Cw Is = 0, Aw = 0, s 0, w5 0 . Nuevamente, este problema es

5}) E P acotado, con valor ptimo 0. Luego F ({ f .
As, L1 =
{{4}, {5}}.
Iteracin 2. Se trata de estudiar los subconjuntos J J {4, 5}, tales que J = 2 y que no
P 5})}. = {F ({4}), F ({ pertenezcan a la lista L2 I 2 = STOP. Emf
Veamos otro ejemplo:
262
Ejemplo 4.5.21 Consideremos el siguiente LVP propuesto por Sayin ([Sy96], p. 91): max x s.a: 2 3 4 12 4 1 1 x 8 x0 Paso 0. Inicializacin. L1 = . Evidentemente X , pues a partir de los datos del problema se obtiene de forma inmediata una tabla cannica. v.b. x4 x5 x1 2 4 x2 3 1 x3 4 1 x4 1 0 x5 0 1 0 0 0 x0 . r.h.s. 12 8 0 0 0
-1 0 0 0 0 -1 0 0 0 0 -1 0 0 T B . Tabla cannica asociada a
( )
x 0 es una s.f.b. no degenerada y no eficiente (aplicar, por ejemplo, el 1, 2, 3}. Sin embargo, vamos a obviar este hecho Corolario 2.6.7), siendo J Z 0 = { y no considerar la lista L2 para complicar artificialmente el problema. Iteracin 0. Se trata de estudiar los subconjuntos J J tal que J = 0. Para J = , el programa (2.54) se concreta en max{w1 + w2 + w3 / Aw = 0, w1 , w2 , w3 0}. Como este problema es no acotado no podemos concluir nada. (Ntese que si fuese un descriptor maximal entonces F ( ) E P f ) Iteracin 1. Se trata de estudiar los subconjuntos de I 1 dados por J J y tales que J = 1. {} }. As, I 1 = { 1 , {2} ,{ 3} , {4} ,{ 5}
263
Para J = {} 1 , {2} y { 3}, el test a aplicar se concreta en max{w1 + w2 + w3 / Aw = 0, w1 , w2 , w3 0}. Como este problema es no acotado no podemos concluir nada.
valor ptimo 0 F ({4}) E P f .
{4}, el test a aplicar se concreta en Para J = max{w1 + w2 + w3 / Aw = 0, w1 , w2 , w3 , w4 0}. Este problema es acotado, con
{5}, el test a aplicar se concreta en Para J = max{w1 + w2 + w3 / Aw = 0, w1 , w2 , w3 , w5 0}. Este problema es acotado, con
5}) E P valor ptimo 0 F ({ f . As, L1 =
{{4}, {5}}.
Iteracin 2. Se trata de estudiar los subconjuntos J J {4, 5}, tales que J = 2. As, I 2
{ }. ={ 1, 2} ,{ 1, 3} , {2, 3}
Para J = { 1, 2}, { 1, 3} y {2, 3}, el test a aplicar se concreta en max{w1 + w2 + w3 / Aw = 0, w1 , w2 , w3 0}. Como este problema es no acotado no podemos concluir nada. Iteracin 3. Se trata de estudiar los subconjuntos J J {4, 5}, tales que J = 3. As, I 3
{ }. ={ 1, 2, 3}
{ Para J = 1, 2, 3}, el test a aplicar se concreta en max{w1 + w2 + w3 / Aw = 0, w1 , w2 , w3 0}. Como este problema es no acotado no podemos concluir nada.
Iteracin 4. Se trata de estudiar los subconjuntos J J {4, 5}, tales que J = 4.
P Como I 4 = STOP. Emf 5})}. = {F ({4}), F ({
264
4.5.4 Un Nuevo Enfoque: Mtodos Descendentes Locales

La tcnica que proponemos a continuacin para generar el conjunto de soluciones eficientes de un LVP intenta combinar las ventajas del anlisis local con las que presentan los mtodos descendentes. Obtendramos as un diseo de tipo descendente local (Local Top Down o LTD para abreviar), que hasta donde sabemos, es indito. La idea bsica de los algoritmos descendentes locales consiste en calcular de forma descendente, para cada vrtice eficiente, todas las caras eficientes maximales incidentes en el mismo. El mtodo termina cuando no quedan vrtices eficientes por estudiar. La posibilidad de desarrollar un algoritmo de este tipo est condicionada, principalmente, a la disponibilidad de caracterizaciones adecuadas para caras eficientes incidentes en un vrtice, independientemente de la degeneracin o no del mismo. Afortunadamente, estos tests fueron obtenidos en el captulo 2. Desde un punto de vista algortmico, los mtodos generadores de soluciones eficientes de clase descendente local constituyen una combinacin de los algoritmos VERTICES (seccin 4.3) y TD-IFACES (seccin 4.5.3), donde para cada vrtice eficiente encontrado por la rutina VERTICES se llama a TD-IFACES para que calcule las caras eficientes maximales incidentes en dicho vrtice. Las principales ventajas que presenta el nuevo enfoque propuesto son: (i) Frente a los mtodos descendentes globales, reducen sustancialmente las caras a examinar a base de estudiar localmente cada vrtice eficiente. De esta forma, se mantiene ms controlada una posible explosin combinatoria puesto que el nmero de caras incidentes en un determinado vrtice suele ser sensiblemente menor que el nmero total de caras del poliedro. Cuando las caras eficientes maximales tienen una dimensin elevada, los mtodos descendentes locales deberan comportarse mejor que los ascendentes locales. Como inconvenientes podemos enumerar: (i) Cuanto menor sea la dimensin de las caras eficientes maximales, peor ser el comportamiento de los algoritmos de la clase LTD.
(ii)
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ... (ii)
265
Cuanto mayor sea el nmero de vrtices eficientes, ms esfuerzo computacional ser necesario. Esta dificultad es comn a todos los mtodos locales.
Veamos el diseo genrico de un algoritmo descendente local. Utilizaremos la siguiente notacin: V1 V2 L1 L2 EV x i Lista de vrtices eficientes explorados (es decir, para los cuales ya han sido todas las caras eficientes incidentes en los mismos). Lista de vrtices eficientes no explorados. Lista de caras eficientes maximales halladas. Lista de caras no eficientes halladas. Conjunto de vrtices E-adyacentes a x i .
( )
Esquema LTD-FACES Paso 0. Inicializacin. Encontrar un vrtice eficiente inicial x 0 . Si no hay ninguno, STOP. E P = . Hacer V1 , V2 x 0 , L1 , L2 e i 0 .
{ }
Paso 1. Progresin. Seleccionar un punto x i V2 . Paso 2. Exploracin. Determinar descendentemente (en el sentido de la inclusin matemtica) todas las caras eficientes maximales incidentes en x i . A partir de esta informacin calcular EV x i = P / x ~ E xi . x E xp
( )
Paso 3. Registro. Aadir a L1 las caras eficientes maximales encontradas en el paso anterior. Hacer lo propio con las caras no eficientes y la lista L2 . Hacer V1 V1 x i y V2 V2 x i EV x i V1 .
{}
{ }) ( ( )
FL1
Las siguientes propiedades son inmediatas por ser LTD-FACES una combinacin de los algoritmos VERTICES y TD-IFACES Teorema 4.5.22 El esquema LTD-FACES es finito. Teorema 4.5.23 El esquema LTD-FACES es vlido.
266
A continuacin entraremos en los detalles de un algoritmo especfico basado en la tecnologa LTD. Convendremos en que las listas L1 y L2 contendrn, respectivamente, los descriptores eficientes y no eficientes hallados por nuestro algoritmo. Adems, denotaremos por J Z j el descriptor maximal asociado al punto extremo x j . Algoritmo LTD-FACES Paso 0. Inicializacin. Encontrar una s.f.b. inicial x 0 . Si no hay ninguna, STOP X = . Hacer V1 , L1 e i 1 . Comprobar si x 0 es eficiente o no. En caso afirmativo, hacer V2 x 0 , L2 .
{ }
J0 En caso negativo, hacer L2 = 2 Z y encontrar un vrtice eficiente inicial x1 . Si no hay P ninguno, STOP. E = . En otro caso, hacer V2 x1 .
{}
Paso 1. Progresin. Seleccionar un punto x i V2 . Paso 2. Exploracin. Anlisis de eficiencia para caras incidentes en x i . Se trata de llamar a TD-IFACES( J Z i , L1 , L2 ), pero ahora aplicaremos los tests de eficiencia para caras dados en los Corolarios 2.8.2 y 2.8.23, para los casos no degenerado y degenerado, respectivamente, por ser ms adecuados que el Corolario 2.9.9 cuando se trabaja con un enfoque orientado a tablas. Anlisis de E-adyacencia relativo a x i . Se trata de determinar los vrtices E-adyacentes a x i (utilizando la informacin generada previamente) y almacenarlos en EV x i .
( )
Para cualquier vrtice x j adyacente a x i que descubramos como ineficiente, actualizaremos convenientemente la lista L2 . Paso 3. Registro. Hacer V1 V1 x i , V2 V2 x i EV x i V1 .
{}
{ }) ( ( )
FL1
267
Conviene enfatizar que para poder aplicar un test como el Corolario 2.8.23 en la rutina TD-IFACES es preciso que el descriptor considerado sea maximal (entre otras cosas, esta condicin se necesita para poder calcular el vector r que aparece en el test). Vamos a ilustrar el procedimiento propuesto aplicndolo a un ejemplo concreto: Ejemplo 4.5.24 Consideremos el siguiente LVP (coincidente con el dado en el Ejemplo 4.5.9): 4 1 2 max 1 3 1 x 1 1 4 s.a: 1 1 3 1 2 1 x 4 2 1 1 0 0 x0 Tomaremos como s.f.b. inicial la misma que utiliz Isermann ([Is77a], p. 719). Paso 0. Inicializacin. Sea x1 la s.f.b. asociada a la base B1 dada por J B1 = {2, 3, 6}, cuya tabla cannica escribimos a continuacin: v.b. x2 x3 x6 x1 1 0 2 -3 2 2 x2 1 0 0 0 0 0 x3 0 1 0 0 0 0 x4 -1 2 -1 3 -5 7 x5 1 -1 1 -1 4 -3 x6 0 0 1 0 0 0 r.h.s. 1 2 1 5 1 9
T B1 . Tabla cannica asociada a x1 . Se comprueba sin dificultad que x1 es eficiente. As: V1 = , V2 = x1 , L1 = , L2 = .
( )
{}
268
Iteracin 1. Paso 1. Progresin. Seleccionamos x1 de V2 . Paso 2. Exploracin. Es evidente que x1 es no degenerado, siendo J N 1 = 3 1 3 4 . 2 5 2 7 3 Anlisis de eficiencia para caras incidentes en x1 . Se trata de ir revisando los subconjuntos J J N 1 de menor a mayor cardinal 1, 4, 5} {
y R =
(ascendentemente) lo que implica un estudio (descendente) de las caras F (J ) . Como x1 es no degenerado, aplicaremos como test de eficiencia el Corolario t 2.8.2, a saber, F (J ) E P f (x ) max e s / Ru + Is = r , u 0, s 0 es acotado, con
valor ptimo igual a 0, donde r = R J N J e . } Nivel 0. I 0 = { 1 J = r = R e = 1 . 6 La tabla cannica asociada al test para J = es: v.b. s1 s2 s3 x1 -3 2 2 0 x4 3 -5 7 0 x5 -1 4 -3 0 s1 1 0 0 -1 s2 0 1 0 -1 s3 0 0 1 -1 r.h.s. -1 1 6 0
Se comprueba que este problema es acotado, con valor ptimo positivo (5.7). Por tanto, X = F ( ) no es eficiente (el problema no es completamente eficiente). Nivel 1. 1 , {4} ,{ 5} {} }. I1 = { 1 , J = {4} y J = { 5} Las caras a estudiar son las dadas por J = {}
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ... Para J = {} 1 r = R 3 1 2 e = 5 4 e = 1 . 7 3 4
269
J N J
La tabla cannica asociada al test para J = {} 1 es: v.b. s1 s2 s3 x1 -3 2 2 0 x4 3 -5 7 0 x5 -1 4 -3 0 s1 1 0 0 -1 s2 0 1 0 -1 s3 0 0 1 -1 r.h.s. 2 -1 4 0
Se comprueba que este problema es acotado, con valor ptimo positivo (4) F ({} 1 ) E P f . 3 1 4 e = 2 4 e = 6 . 2 3 1
Para J = {4} r = R
J N J
La tabla cannica asociada al test para J = {4} es: v.b. s1 s2 s3 x1 -3 2 2 0 x4 3 -5 7 0 x5 -1 4 -3 0 s1 1 0 0 -1 s2 0 1 0 -1 s3 0 0 1 -1 r.h.s. -4 6 -1 0
Se comprueba que este problema es acotado, con valor ptimo nulo (0) F ({4}) E P f . 3 3 0 e = 2 5 e = 3 . 2 9 7
Para J = { 5} r = R
J N J
La tabla cannica asociada al test para J = { 5} es:
270
v.b. s1 s2 s3
x1 -3 2 2 0
x4 3 -5 7 0
x5 -1 4 -3 0
s1 1 0 0 -1
s2 0 1 0 -1
s3 0 0 1 -1
r.h.s. 0 -3 9 0
Se comprueba que este problema es acotado, con valor ptimo nulo (0) 5}) E P F ({ f . Evidentemente, ya no quedan ms caras eficientes maximales incidentes en x1 por estudiar. Anlisis de E-adyacencia relativo a x1 . A partir de los resultados anteriores y teniendo en cuenta a T B1 , se obtienen los siguientes vrtices E-adyacentes a x1 :
( )
5}) ). base est dada por J B 2 = {2, 3, 1}. ( x 2 F ({4}) F ({
Si metemos x1 en la base Obtenemos x 2 especificado por J Z 2 = {4, 5, 6}. La
5}) ). base est dada por J B3 = {2, 4, 6}. ( x 3 F ({
1, 3, 5}. La Si metemos x4 en la base Obtenemos x 3 especificado por J Z 3 = {
1, 2, 4, 6}. Si metemos x5 en la base Obtenemos x 4 especificado por J Z 4 = { Una base asociada es J B 4 =

1
{5, 3, 6}.
(Obsrvese que haba 2 variables
candidatas a salir de la base, x2 o x6 , pero ambas conducen al mismo vrtice degenerado). ( x 4 F ({4}) .
Paso 3. Registro. V1 = x1 , V2 = x 2 , x 3 , x 4 , L1 =
{}
{{4}, {5}},
1 }. , {} L2 = {
Iteracin 2. Paso 1. Progresin. Seleccionamos x 2 de V2 , cuya base B 2 est dada por J B 2 = {2, 3, 1}. La tabla cannica asociada a B 2 es:
271
v.b. x2 x3 x1
x1 0 0 1 0 0 0
x2 1 0 0 0 0 0
x3 0 1 0 0 0 0
x4 -1/2 2 -1/2 3/2 -4 8
x5 1/2 -1 1/2 1/2 3 -4
x6 -1/2 0 1/2 3/2 -1 -1
r.h.s. 1/2 2 1/2 13/2 0 8
T B 2 . Tabla cannica asociada a x 2 . Paso 2. Exploracin. Es evidente que x 2 es no degenerado, siendo J N 2 = 3 / 2 1/ 2 3 / 2 3 1 . 4 8 4 1 Anlisis de eficiencia para caras incidentes en x 2 . Como sabemos, debemos revisar los subconjuntos J J N 2 de menor a mayor cardinal (ascendentemente) para realizar un estudio descendente de las caras F (J ) . Como x 2 es no degenerado, aplicaremos como test de eficiencia el Corolario 2.8.2. Como sabemos que X = F ( ) no es eficiente, pasamos directamente al nivel 1. Nivel 1. {4}, {5}, {6}}. I1 = { La nica cara a estudiar es la dada por, J = {6}, pues sabemos que F ({4}) , 5}) E P F ({ f . 3 / 2 1/ 2 2 3 e = 1 . e = 4 8 4 4
( )
{4, 5, 6}
y R =
Para J = {6} r = R
J N J
La tabla cannica asociada al test para J = {6} es:
272
v.b. s1 s2 s3
x4 3/2 -4 8 0
x5 1/2 3 -4 0
x6 3/2 -1 -1 0
s1 1 0 0 -1
s2 0 1 0 -1
s3 0 0 1 -1
r.h.s. 2 -1 4 0
Se comprueba que este problema es acotado, con valor ptimo positivo (5.7) F ({6}) E P f . Anlisis de E-adyacencia relativo a x 2 . A partir de los resultados anteriores y de la tabla T B 2 , obtenemos los siguientes vrtices E-adyacentes a x 2 :
( )
5})). ( x 5 F ({
Si metemos x4 en la base Obtenemos un nuevo vrtice x 5 E-adyacente a 3, 5, 6}). La base est dada por J B5 = {2, 4, 1}. x 2 (especificado por J Z 5 = {
1, 2, 4, 6}), Si metemos x5 en la base Obtenemos x 4 (especificado por J Z 4 = { vrtice eficiente degenerado ya encontrado, pero an no explorado. ( x 4 F ({4}) ). 1, 4, 5}), Si metemos x6 en la base Obtenemos x1 (especificado por J Z 1 = { 5})). vrtice eficiente ya explorado. ( x1 F ({4}) F ({ Paso 3. Registro. V1 = x1 , x 2 , V2 = x 3 , x 4 , x 5 , L1 =
{{4}, {5}} y
1 , {6} }. L2 = { , {}
Iteracin 3. Paso 1. Progresin. Seleccionamos x 3 de V2 , cuya base B 3 est dada por J B3 = {2, 4, 6}. La tabla cannica asociada a B 3 es:
273
v.b. x2 x4 x6
x1 1 0 2 -3 2 2
x2 1 0 0 0 0 0
x3 1/2 1/2 1/2 -3/2 5/2 -7/2
x4 0 1 0 0 0 0
x5 1/2 -1/2 1/2 1/2 3/2 1/2
x6 0 0 1 0 0 0
r.h.s. 2 1 2 2 6 2
T B 3 . Tabla cannica asociada a x 3 . Paso 2. Exploracin. Es evidente que x 3 es no degenerado, siendo J N 3 3 3 / 2 1/ 2 5 / 2 3 / 2 . 2 2 7 / 2 1/ 2 Ntese que a la vista de la tabla T B 3 , si metemos x5 en la base obtendramos un nuevo vrtice x que es obviamente ineficiente (basta observar que r 5 0 y aplicar la Proposicin 4.3.6). Como x 6 tiene como J6 1, 2, 3, 6}, hacemos L2 = L2 2 Z . Recurdese descriptor maximal J Z 6 = { que la deteccin de vrtices ineficientes acelera el estudio de eficiencia para las caras en los mtodos LTD. Anlisis de eficiencia para caras incidentes en x 3 . Revisando sistemticamente los subconjuntos J J N 3 , de menor a mayor cardinal, tenemos: Nivel 1. 1,{ 3} ,{ 5} {} }. I1 = { 5}) E P 5} J Z 6 ya no hay Sabemos que F ({ f . Como J Z 6 L2 tal que J N 3 { ms nada que analizar. Anlisis de E-adyacencia relativo a x 3 . A partir de los resultados anteriores y de la tabla T B 3 , obtenemos los siguientes vrtices E-adyacentes a x 3 :
6
( )
1, 3, 5} {
y R =
( )
( )
5})). vrtice eficiente ya encontrado pero an no explorado. ( x 5 F ({
3, 5, 6}, Si metemos x1 en la base Obtenemos x 5 , especificado por J Z 5 = {
274
1, 4, 5}), Si metemos x3 en la base Obtenemos x1 (especificado por J Z 1 = { 5})). vrtice eficiente ya explorado. ( x1 F ({4}) F ({
Paso 3. Registro. 1, 2, 3, 6}, { 1, 2, 3}, { 1, 2, 6}, {4}, {5}}, L2 = {{ V1 = x1 , x 2 , x 3 , V2 = x 4 , x 5 , L1 = { 1, 3, 6}, {2, 3, 6}, { 1, 2}, { 1, 3}, { 1, 6}, {2, 3}, {2, 6}, { 3, 6}, {} 1 , {2}, { 3}, {6}, }. {
Iteracin 4. Paso 1. Progresin. Seleccionamos x 4 de V2 , siendo B14 una base asociada dada por J B 4 =
{5, 3, 6}.
La tabla cannica asociada a B14 es: v.b. x5 x3 x6 x1 1 1 1 -2 -2 5 x2 1 1 -1 1 -4 3 x3 0 1 0 0 0 0 x4 -1 1 0 2 -1 4 x5 1 0 0 0 0 0 x6 0 0 1 0 0 0 r.h.s. 1 3 0 6 -3 12
T B14 . Tabla cannica asociada a x 4 . Paso 2. Exploracin. 1, 2, 4, 6} , J N 4 = { 1, 2, 4} y R = Evidentemente x 4 es degenerado, siendo J Z 4 = {

1
( )
1 2 2 2 4 1 . 5 3 4 Anlisis de eficiencia para caras incidentes en x 4 . Debemos revisar los subconjuntos J J Z 4 de menor a mayor cardinal. Adems, como x 4 es degenerado aplicaremos como test de eficiencia el Corolario 2.8.23. Nivel 1. 1 , {2} , {6} L2 y Como I 1 = , pues {} analizar.
{4} L1 ,
ya no hay ms nada que
4.5. CLCULO DE TODO EL CONJUNTO DE SOLUCIONES ... Anlisis de E-adyacencia relativo a x 4 . A partir de los resultados anteriores y de T B14 se tiene:
275
( )
Si metemos x1 en la base Obtenemos de nuevo x 4 , pero ahora especificado 5, 3, 1}. por J B 4 = {

2
4 La tabla cannica asociada a B2 es:
v.b. x5 x3 x1
x1 0 0 1 0 0 0
x2 2 2 -1 -1 -6 8
x3 0 1 0 0 0 0
x4 -1 1 0 2 -1 4
x5 1 0 0 0 0 0
x6 -1 -1 1 2 2 -5
r.h.s. 1 3 0 6 -3 12
4 . Tabla cannica asociada a x 4 . T B2
( )
Si metemos x2 en la base Obtenemos x1 (ya estudiado). Si metemos x4 en la base Obtenemos x 6 , vrtice no eficiente ya encontrado.
4 A partir de T B2 se obtienen los siguientes resultados:
( )
Si metemos x2 en la base Obtenemos x 2 (ya estudiado). Si metemos x4 en la base Obtenemos x 6 , vrtice no eficiente ya encontrado. 5, 3, 6}. Si metemos x6 en la base Obtenemos x 4 , especificado por J B 4 = {
1
Como ya no hay ms bases degeneradas lexicogrficamente accesibles a travs de pivotes positivos asociadas a x 4 , concluimos el anlisis de Eadyacencia. Paso 3. Registro. 1, 2, 3, 6}, { 1, 2, 3}, { 1, 2, 6}, {4}, {5}}, L2 = {{ V1 = x1 , x 2 , x 3 , x 4 , V2 = x 5 , L1 = { 1, 3, 6}, {2, 3, 6}, { 1, 2}, { 1, 3}, { 1, 6}, {2, 3}, {2, 6}, { 3, 6}, {} 1 , {2}, { 3}, {6}, }. {
{ }
276
Iteracin 5. Paso 1. Progresin. Seleccionamos x 5 de V2 , cuya base B 5 est dada por J B5 = {2, 4, 1}. La tabla cannica asociada a B 5 es: v.b. x2 x4 x1 x1 0 0 1 0 0 0 x2 1 0 0 0 0 0 x3 1/4 1/2 1/4 -3/4 2 -4 x4 0 1 0 0 0 0 x5 1/4 -1/2 1/4 5/4 1 0 x6 -1/2 0 1/2 3/2 -1 -1 r.h.s. 1 1 1 5 4 0
T B 5 . Tabla cannica asociada a x 5 . Paso 2. Exploracin. Es evidente que x 5 es no degenerado, siendo J N 5 = 3 / 4 5 / 4 3 / 2 2 1 1 . 4 0 1 Anlisis de eficiencia para caras incidentes en x 5 . Al revisar los subconjuntos J J N 5 ascendentemente en su cardinal tenemos: Nivel 1. 3} , {6} L2 y { 5} L1 , ya no hay ms nada que analizar. Como I 1 = , pues { Anlisis de E-adyacencia relativo a x 5 . A partir de los resultados anteriores y de T B 5 tenemos:
( )
{3, 5, 6}
y R =
( )
Si metemos x3 en la base Obtenemos x 2 (especificado por J Z 2 = {4, 5, 6}), vrtice eficiente ya explorado. Si metemos x5 en la base Obtenemos x 6 , vrtice no eficiente ya encontrado (ntese que tambin se da que r 5 0 ). 1, 3, 5}), Si metemos x6 en la base Obtenemos x 3 (especificado por J Z 3 = { vrtice eficiente ya explorado.
277
Paso 3. Registro. 1, 2, 3, 6}, { 1, 2, 3}, { 1, 2, 6}, {4}, {5}}, L2 = {{ V1 = x1 , x 2 , x 3 , x 4 , x 5 , V2 = , L1 = { 1, 3, 6}, {2, 3, 6}, { 1, 2}, { 1, 3}, { 1, 6}, {2, 3}, {2, 6}, { 3, 6}, {} 1 , {2}, { 3}, {6}, }. {
Paso 4. Terminacin. Como V2 = El conjunto de caras eficientes maximales se obtiene a partir {4}, {5}}. As, E P = F ({4}) F ({5}) , donde F ({4}) = CVH x1 , x 2 , x 4 y de L1 = { 5}) = CVH x1 , x 2 , x 3 , x 5 . F ({
({
})
({
})
Captulo 5
Programacin Vectorial Lineal Entera

5.1 Introduccin
A lo largo de esta memoria hemos venido tratando diversas cuestiones que ataen a la programacin vectorial y, ms concretamente, a la programacin vectorial lineal, como un caso particular de la anterior que se ocupa de la maximizacin de k funciones objetivo lineales sobre un poliedro. Sin embargo, es posible obtener otras especializaciones del modelo vectorial profusamente utilizadas en la resolucin de problemas del mundo real. Entre ellas, una muy conocida e ntimamente relacionada (al menos en apariencia) con el LVP, la constituye el problema de programacin vectorial lineal entera, al que denotaremos, de manera genrica, como ILVP. Siendo conscientes de este hecho, nuestra investigacin no poda darse por finalizada sin explorar, siquiera someramente, las posibilidades que ofreca este nuevo planteamiento. Pronto nos dimos cuenta de que, tras su atractiva apariencia, se escondan tremendos desafos que lo hacan an ms cautivante. Este captulo representa nuestra aportacin en esta materia y en l se estudian con rigor algunos de los aspectos tericos y algortmicos de mayor inters relacionados con el ILVP. En la seccin 5.2 se plantea el modelo ILVP en trminos matemticos y se ponen de manifiesto, mediante el uso de numerosos ejemplos, los principales inconvenientes que presenta el mismo. Entre ellos, uno de los ms problemticos, es que no todas las soluciones eficientes del ILVP necesariamente cumplen el Principio de Geoffrion, es decir, maximizan alguna ponderacin de la funcin objetivo vectorial con pesos estrictamente positivos. Este hecho indujo a Teghem y Kunsch ([TgKn86]) a distinguir dos categoras mutuamente excluyentes de soluciones eficientes: soportadas y no soportadas, segn verificasen o no, respectivamente, la propiedad 279
280
5. PROGRAMACIN VECTORIAL LINEAL ENTERA
anteriormente reseada. Otra dificultad, bastante incmoda, es la falta de conexidad de la regin eficiente. En la seccin 5.3 examinamos las principales propiedades tericas del ILVP. Para esta tarea, nos hemos apoyado, principalmente (pero no exclusivamente), en el estudio de las relaciones existentes entre el problema entero y sus relajaciones lineal y convexa. Entre otras cuestiones han sido probados los siguientes resultados: (i) si el problema entero es acotado entonces tambin lo es su relajacin lineal y viceversa (Proposiciones 5.3.19 y 5.3.18, respectivamente), (ii) entre el conjunto de soluciones eficientes del ILVP siempre hay alguna solucin soportada (Teorema 5.3.12), (iii) todas las soluciones eficientes soportadas son propias (Proposicin 5.3.1), (iv) el problema entero es N-acotado (Teorema 5.3.22), (v) para cualquier solucin eficiente no soportada siempre existe alguna solucin eficiente de la relajacin lineal que la domina (Proposicin 5.3.23), (vi) el mtodo de Ecker y Kouada para generar una solucin eficiente inicial sigue siendo vlido en el caso entero (Teorema 5.3.21), ... En la seccin 5.4 presentamos una serie de estimaciones novedosas sobre la proximidad (en norma infinito) entre las soluciones eficientes del problema entero y las de su relajacin lineal (Teoremas 5.4.3, 5.4.6 y 5.4.7). Estas acotaciones aportan una informacin geomtrica valiosa, tanto para el analista como para el DM, pues indican si, en un entorno de una solucin eficiente dada de la relajacin lineal, existe alguna solucin eficiente del problema entero y viceversa. Adems, mostramos que las cotas halladas son las mejores posibles que se pueden obtener bajo las hiptesis hechas (Ejemplo 5.4.4). Desafortunadamente, no es posible conseguir, de manera directa, mtodos generadores de soluciones eficientes enteras para el ILVP, mediante la simple mezcla de las tcnicas existentes para el LVP con los algoritmos de resolucin disponibles para el caso escalar entero ([TgKn86], p. 95). Ello obliga a un replanteamiento completo del problema. En la seccin 5.5 analizaremos en primer lugar, y sin pretender ser exhaustivos, algunos de los mtodos generadores de soluciones eficientes enteras para el ILVP considerados como ms relevantes entre los publicados en la literatura. Distinguiremos el caso general (con mltiples objetivos) del caso especial biobjetivo, debido a las simplificaciones que permiten las propiedades de este ltimo. En general, para cada mtodo damos una especificacin algortmica detallada del mismo y realizamos un anlisis sobre sus propiedades ms relevantes: convergencia, validez y complejidad. Esto nos permitir hacernos una idea del estado del arte sobre el tema. Los algoritmos para el problema general que se abordan en este apartado son los de Klein y Hannan ([KlHn82]), y Marcotte y Soland ([MrSl86]). Para el caso biobjetivo prestaremos atencin al mtodo NISE ([Ch78]), al algoritmo de Chalmet, Lemonidis y Elzinga ([ChLE86]) y al mtodo Restringido ([Ch78],
5.1. INTRODUCCIN
281
p. 115-127). Casi todos los procedimientos expuestos han sido retocados (manteniendo el espritu original) de alguna manera, con la intencin de, o bien hacerlos ms claros o bien poder extenderlos a situaciones para las que originalmente no fueron pensados. En particular, este ltimo es el caso de los mtodos NISE y Restringido, los cuales fueron desarrollados para el caso continuo. Aunque no trataremos, por cuestiones de espacio, los numerosos algoritmos de propsito especial publicados para el problema binario, merece la pena destacar los mtodos de enumeracin implcita dados por Bitran ([Bi77] y [Bi79]), Deckro y Winkofsky ([DcWn83]) y el de Kiziltan y Yucaoglu ([KzYc83]). Entre los diferentes artculos donde se realiza una revisin del estado del arte de los mtodos generadores de soluciones eficientes enteras destacamos el de Rasmussen ([Rs86]), en el que se analizan los mtodos para el problema binario, y el de Teghem y Kunsch ([TgKn86]), que hacen lo propio con el problema general y el problema binario. Sin embargo, el objetivo fundamental de la seccin 5.5 no consiste tanto en hacer una exposicin ms o menos precisa de algunos de los procedimientos de resolucin ms conocidos para el ILVP, sino en presentar dos nuevos algoritmos generadores de soluciones eficientes enteras desarrollados por nosotros. El primero de ellos, al que hemos denominado mtodo de Puntos Subeficientes, es un procedimiento aproximado por exceso cuando se tienen en cuenta ms de dos objetivos ( k > 2 ) y exacto para el caso biobjetivo. El segundo, al que nos referiremos como mtodo de los Retculos Completamente Eficientes, es un mtodo exacto. Adems del estudio comn para los procedimientos de esta seccin, ambos mtodos han sido aplicados sobre problemas concretos para ilustrar su funcionamiento. El mtodo de Puntos Subeficientes enumera de forma implcita las soluciones factibles del ILVP generando, para cada nodo del rbol de enumeracin, separaciones vlidas formadas por subconjuntos disjuntos dos a dos. Ello implica que no se recalculan soluciones previamente halladas. Los puntos de corte para cada nodo se obtienen a travs de una aplicacin local del test de Ecker y Kouada (ver seccin 4.2.3), que garantiza que son eficientes cuando k = 2 . El mtodo de los Retculos Completamente Eficientes (RCE) utiliza un enfoque radicalmente distinto (y, hasta donde sabemos, inusual en el campo entero) al utilizado por los otros algoritmos analizados en esta seccin. Efectivamente, mientras que todos los mtodos estudiados hasta ahora almacenan de forma explcita la regin eficiente, el procedimiento RCE lo hace de forma implcita. Bsicamente, el algoritmo propuesto estudia la eficiencia completa de las regiones activas, almacenndolas si son completamente eficientes y separndolas en caso contrario. El principal
282
inconveniente del algoritmo es que cuando k > 2 , los subconjuntos de la separacin no tienen por qu ser disjuntos dos a dos, pudiendo ser regeneradas algunas de las soluciones ya obtenidas. Evidentemente, cuanto mayor sea la relacin entre el nmero de soluciones eficientes y el nmero de soluciones factibles del problema, mejor ser el comportamiento del mtodo propuesto.
5.2 El Problema de Programacin Vectorial Lineal Entero

La formulacin estndar del problema de programacin vectorial lineal entero mixto viene dada por: max z (x ) = Cx n s.a : x F = X x R / x j Z , j J
(5.1)
n 1, ..., n} y X = { x R+ / Ax=b } , donde supondremos que siendo J J = {
A Z mn es regular por filas, b Z m y C Z k n . Al modelo anterior lo denotaremos, abreviadamente, por MILVP, acrnimo de Mixed Integer Linear Vector Program . Cuando J = J tenemos un problema de programacin vectorial entero puro, denominado ILVP, el cual puede ser escrito como: max Cx / x F = X Z n
(5.2)
Una especializacin de la formulacin dada en (5.2) la constituye aqulla en la que los valores de las variables estn restringidos a los elementos del conjunto B = {0, 1} hablndose, en este caso, del problema de programacin vectorial entero 0-1 (0-1ILVP). Obsrvese que F no es un poliedro, mientras que X s lo es. En realidad, para el problema entero puro, F es un retculo. Sea IP un ILVP dado. Siguiendo la nomenclatura utilizada a lo largo de esta memoria, al conjunto de soluciones eficientes del problema IP lo denotaremos por E IP . El conjunto E IP se suele describir de forma explcita, dado que en la mayor parte de problemas reales la regin eficiente es finita.
5.2. EL PROBLEMA DE PROGRAMACIN VECTORIAL ...
283
x2
C x1
Figura 5.1
Ejemplo 5.2.1 Consideremos el problema IP dado por: 2 s.a : x F = x Z + / x1 + x2 3, x2 2 max z ( x) = (2 x1 x2 , x1 + 2 x2 )
La Figura 5.1 muestra la representacin grfica de la regin factible y del cono de preferencias asociado. Claramente, el conjunto de soluciones eficientes es E IP = {(3,0 ), (2,1), (1,2 )}.
Igual que ocurre en el caso escalar, el modelo ILVP es mucho ms duro de tratar que el LVP. A continuacin presentaremos algunas de las razones que justifican esta afirmacin. En primer lugar, existe una diferencia fundamental entre la programacin vectorial lineal continua y la entera, pues mientras que en la primera, cualquier punto x E P tiene una regin de indiferencia I (x ) = 0k / x S P , es decir, verifican el Principio de Geoffrion ([TgKn86],
p. 96), en la segunda esto puede que no suceda, como pone de manifiesto el siguiente ejemplo extrado de [Bt77], p. 122:
284
x2 c2
x
c1
x1
Figura 5.2
Ejemplo 5.2.2 Sea IP el problema: max ( x1 2 x2 , - x1 + 3 x2 ) / x B 2
La Figura 5.2 muestra la representacin de la regin factible y del cono de preferencias asociado al problema. Resulta claro que E IP = B 2 . Sin embargo, k se verifica que x S IP . Luego para el punto x = (0, 0 ) ocurre que R+ I (x ) = 0k / x S IP = .
Esta (desafortunada) caracterstica o anomala consistente en que algunas de las soluciones eficientes del problema IP pueden tener regiones de indiferencia vacas, nos conducir a hacer distinciones dentro de E IP . Definicin 5.2.3 ([TgKn86], p. 96) Sea x E IP . Diremos que x es eficiente soportada (supported efficient) si I (x ) . En otro caso, x se dice que es eficiente no soportada. Obsrvese que esta definicin es muy parecida a la dada por Gabriel Bitran ([Bt79], p. 381), donde en lugar de considerar 0k se usa k y a las soluciones eficientes soportadas y no soportadas se les denomina, respectivamente, soluciones eficientes fuertes y dbiles.
285
Los conjuntos de soluciones eficientes soportadas y no soportadas los IP denotaremos, respectivamente, por E sIP y Ens . Evidentemente, ambos conjuntos forman una particin de E E
IP s IP ns
E IP , es decir,
IP E IP = E sIP Ens
=.
La siguiente conclusin es clara: Proposicin 5.2.4 E sIP =
0 k
S
IP
Veamos qu se puede decir respecto a las regiones de indiferencia asociadas a soluciones eficientes. Corolario 5.2.5 ([Bt77], Theorem 3.6) Sea x EsIP . Entonces I (x ) = / t C x x i 0, x i E sIP . Demostracin. Directa a partir de la Proposicin 5.2.4.
0 k
Cuando se conoce E IP , pero no somos capaces de discriminar el conjunto E sIP , podemos utilizar el siguiente resultado: Corolario
/ C x x 0, x E . Demostracin. Directa aplicando la definicin de I (x ) y teniendo en cuenta que E IP F . Inmediata teniendo en cuenta el Corolario 5.2.5 y que E sIP E IP .
0 k t i i IP
5.2.6
Sea
x EsIP .
Entonces
I (x )
Ejemplo 5.2.7 Consideremos el problema IP : s.a : x F = x Z / x1 + 5 x2 25, x1 + x2 7, 3 x1 + x2 16 max z ( x) = ( x1 + 2 x2 , 2 x1 x2 )
2 +
En la Figura 5.3 se representa grficamente el cono de preferencias y las regiones factibles, tanto del problema continuo (relajacin lineal) como del problema entero. El problema IP tiene 27 soluciones factibles, de las cuales 11 son eficientes. En particular, E IP = {(0,5), (0,4), (1,4), (2,4 ), (3,4), (3,3), (4,3), (4,2), (4,1), (5,1), (5,0 )}.
286 x2
(5 / 2, 9 / 2)
(9 / 2, 5 / 2)
16 / 3 x 1
Figura 5.3
Es fcil discernir cules de las soluciones eficientes del problema entero son soportadas o no si disponemos de la representacin grfica del conjunto criterio (ver Figura 5.4). Resulta as que: E sIP =
{(0,5), (3,4), (4,3), (5,1), (5,0)},
IP Ens =
{(0,4), (1,4), (2,4), (3,3), (4,2), (4,1)}.
Ntese que en z ( X ) se encuentran una gran cantidad de puntos enteros que no tienen inversa entera en X y que, por tanto, no son factibles para el problema entero. Efectivamente, el punto (2, 1) z (X ) es la imagen de (4 / 3, 5 / 3) X , pero (4 / 3, 5 / 3) F . El carcter discreto de la regin factible del ILVP es ms un inconveniente que una ventaja, pues al perderse la convexidad del problema se anulan muchos importantes resultados que se daban en el caso lineal, entre ellos la conexidad del conjunto de soluciones eficientes.
287
z2
z (X )
z1
Figura 5.4
Adems, ntese que el atractivo de poder listar de forma explcita la regin eficiente es bastante discutible. Cuando E IP es no acotado, o acotado pero con un cardinal elevado resulta imposible o poco prctico, dar la descripcin tradicional (en forma explcita) de E IP . Por desgracia, tampoco resulta fcil dar una descripcin de forma implcita de E IP , aunque es posible, como pondremos de manifiesto en la Seccin 5.5, con el mtodo de los Retculos Completamente Eficientes. Ejemplo 5.2.8 Consideremos el siguiente problema IP propuesto por Roger Hartley ([Hr83], p. 19): max Ix / e t x b, x 0, x Z n , n + b 1 donde b Z ++ . La descripcin explcita de E IP tiene cardinal b (combinaciones con repeticin de n elementos tomados de b en b ), lo que
288
para n y b moderados es desproporcionado. Sin embargo, de forma implcita, E IP = x F / e t x = b . La relajacin lineal de este problema tiene una nica cara eficiente con n vrtices. Para el problema relajado, E P = x X / et x = b .
Por otra parte, cualquier problema de optimizacin escalar lineal entera se puede escribir (aunque es bastante difcil de lograr) como un problema de optimizacin escalar lineal y, sin embargo, esto no se puede extender al caso vectorial como han puesto de manifiesto los ejemplos anteriores.
5.3 Preliminares Tericos

En esta seccin obtendremos de manera rigurosa algunas de las propiedades ms relevantes relacionadas con el ILVP. Una cuestin interesante que, aparentemente no ha sido tratada con anterioridad en la literatura, consiste en dilucidar si todas las soluciones eficientes del problema entero son propias. A pesar de que este problema an permanece abierto, lo que s podemos garantizar son los siguientes resultados:
IP . Proposicin 5.3.1 E sIP E p k Demostracin. Sea x E sIP R+ + tal que x S IP . Aplicando el IP . Teorema 1.4.7 x E p

IP . Proposicin 5.3.2 Si X es un poltopo entonces E IP = E p
Demostracin. Inmediata por tener F un nmero finito de puntos.
5.3.1 Relaciones entre el Problema Entero y su Relajacin Convexa

Definicin 5.3.3 ([Sc86], p. 230) Dado un poliedro X , se define la envolvente entera X I de X , como la envolvente convexa de los puntos enteros de X , es decir, X I = CVH( X Z n ) = CVH (F ) .
Denotaremos por PI el problema (lineal) vectorial continuo: max{ Cx / x X I }
(5.3)
5.3. PRELIMINARES TERICOS Al problema PI lo llamaremos relajacin convexa de IP .
289
Estudiando la relacin existente entre los problemas IP y PI es posible obtener ciertas propiedades de utilidad para el problema entero. Necesitaremos primero un breve repaso de resultados conocidos. Dado que F X I X (en realidad F = X I Z n ) podemos decir que PI es una relajacin de IP . es un poliedro. Luego, por el Teorema de d 1 , ..., d r } Z n tal Caratheodory ([NmWl88], p. 104-105), x1 , ..., x q F , { que X I = CVH (x 1 , ..., x q ) + CNH (d 1 , ..., d r ) . XI Evidentemente,
Si se conocen explcitamente todos los puntos de F , es tericamente posible (aunque difcil de llevar a cabo en la prctica) obtener una descripcin lineal de X I . Para cardinales reducidos se puede utilizar el programa de libre difusin PORTA1 desarrollado por Thomas Christof. Para el caso 0-1, debido a la estructura especial del problema se tiene: Proposicin 5.3.4 ([Sh75], p. 173) x F si, y slo si, x (X I )xp . Demostracin. Siempre se da pues X I = CVH (F ) . Sea x F . Supongamos por reduccin al absurdo que x (X I )xp
x1 , x 2 X I , x1 x 2 , ]0, 1[ , x = x 1 + ( 1 )x 2 . Ahora bien, como 0 < < 1 y i, j { 1, 2}, 0 xij 1 si xi = 0 xi1 = xi2 = 0 y si xi = 1 xi1 = xi2 = 1 . Entonces, x = x1 = x 2 # , luego x (X I )xp . Definicin 5.3.5 ([Sc86], p. 231) Sea X un poliedro. Cuando X I = X se dice que X es un poliedro entero. La conceptualizacin de este fenmeno se debe a que, para muchos problemas combinatorios (como los de transporte y asignacin), ocurre que X es un poliedro entero y se tiene directamente una descripcin lineal de XI .
Disponible en: http://www.iwr.uni-heidelberg.de/iwr/comopt/soft/PORTA/readme.html
290
x2
C x1 x3
Figura 5.5 Teorema 5.3.6 ([NmWl88], Proposition 2.2, p. 541) Si A es totalmente unimodular entonces X es entero. Corolario 5.3.7 ([Sc86], p. 232) Sea X un poliedro racional apuntado. Entonces X es entero si, y slo si, todos sus vrtices son enteros. Es bien sabido (ver, por ejemplo, [Sc86], p. 230 o [NmWl88], Theorem 6.3, p. 107) que R k se verifica S IP = S (PI ) Z n . Proposicin 5.3.8 E PI Z n E IP . Demostracin. Sea x E PI Z n . Evidentemente, x F . Supongamos por ) z ( x ) . Como F X PI F , z( x reduccin al absurdo que x E IP x ) z ( x ) x E PI #, luego x E IP . X PI , z ( x x Sin embargo, en general, no coinciden E IP y E PI Z n , como pone de manifiesto el siguiente ejemplo: 2 1 2 Ejemplo 5.3.9 Sea IP el problema 0-1: max 1 2 x / (1, 1)x 1, x Z + . Vase la Figura 5.5 para una representacin grfica del cono de preferencias y de las regiones factibles del problema entero y su relajacin lineal. Como C = CNH ({(1, 2), (2, 1)}) se tiene que E IP = x1 , x 2 , x 3 = F (el problema entero es completamente eficiente), E PI = CVH x 2 , x 3 y E PI Z n = x 2 , x 3 .
({
})
5.3. PRELIMINARES TERICOS
291
No obstante, es posible asegurar que el conjunto de soluciones eficientes soportadas del problema entero coincide con el conjunto de soluciones eficientes enteras del problema lineal PI . Efectivamente: Teorema 5.3.10 E PI Z n = E sIP . Demostracin. x E PI Z n E IP 0k , x S (PI ) . Como F X I
IP s
x S IP
xE . Sea x E sIP 0k tal que x S IP x S (PI ) Z n x E PI Z n .
De esta manera podemos concluir que:

PI Corolario 5.3.11 E xp EsIP . PI Demostracin. Directa, pues E xp E PI Z n .
El siguiente resultado es importante por cuanto indica que si el problema entero es acotado entonces tiene soluciones eficientes soportadas. Teorema 5.3.12 E IP si, y slo si, E sIP . Demostracin. Directo. Sea x E IP . Supongamos por reduccin al absurdo que E sIP = . Por el
Teorema 5.3.10 E PI = . Como x X I d (X I )xd Z n tal que = x + d X I y z ( x + d ) z ( x ) . En particular, tomando R++ se verifica x = x + d F y z ( x ) z ( x ) x E IP #, luego Z + + resulta que x E sIP . Es claro entonces que:
k Corolario 5.3.13 E IP = si, y slo si, R++ , S IP = .
292
Corolario 5.3.14 Si E IP entonces E IP (X I )xp . Demostracin. E IP E sIP 0k , S IP = S (PI ) Z n S (PI ) (X I )xp S IP (X I )xp E IP (X I )xp .
Un vrtice de X I puede ser no eficiente en PI y, sin embargo, ser eficiente en IP , como pone de manifiesto el Ejemplo 5.3.9. En l, x1 E IP (X I )xp y, sin embargo, x1 E PI . En trminos de acotacin, los problemas IP y PI son equivalentes. Efectivamente: Proposicin 5.3.15 E IP si, y slo si, E PI . Demostracin. E IP E sIP 0k , S IP S (PI ) E PI . PI E PI E xp E sIP E IP .
5.3.2 Relaciones entre el Problema Entero y su Relajacin Lineal

Dado el problema IP max Cx / x F = X Z n , se define su relajacin Cx / x X }, donde la restriccin de que x Z n lineal como el LVP P max{ ha sido eliminada. Como F X y la funcin objetivo no ha sido cambiada, P es una relajacin de IP y, por tal motivo, se le aplican los resultados generales desarrollados en la seccin 1.10. Aunque, en general, no se da la igualdad entre los conjuntos E P Z n y E IP (ver Ejemplo 5.3.9), podemos probar que E P Z n constituye una aproximacin por defecto de E IP . Efectivamente: Proposicin 5.3.16 E P Z n E IP . Demostracin. Sea x E P Z n . Evidentemente, x F . Supongamos por ) z( x ) x X , F = X Z n , z( x reduccin al absurdo que x E IP x P ) z ( x ) #, pues x E . z( x
293
Proposicin 5.3.17 Si IP no tiene soluciones eficientes no soportadas y A es totalmente unimodular entonces E P Z n = E IP . Demostracin. Por el Teorema 5.3.10 sabemos que E PI Z n = E sIP . Si IP no tiene soluciones eficientes no soportadas E IP = E sIP . Adems, por ser A totalmente unimodular, aplicando el Teorema 5.3.6 PI P . Ahora es claro el resultado. Kouvelis y Carlson proponen una clase especial de problemas enteros biobjetivos, denominados programas unimodulares particionados en variables (VPUP, Variable Partitioned Unimodular Programs) en los que, siendo la matriz A totalmente unimodular, se puede garantizar, a priori, IP que Ens = ([KvCr92], Theorem 3.1). Para tales problemas, en funcin del resultado anterior, bastara resolver la relajacin lineal para tener resuelto de forma implcita el problema entero. Los siguientes dos resultados muestran la relacin existente entre la acotacin del problema relajado y la del problema entero. Proposicin 5.3.18 Si F y E P entonces E sIP .
k Demostracin. E P R+ + , S P . Como F X S IP
E sIP .
Proposicin 5.3.19 Si E IP entonces E P . Demostracin. Por hiptesis, E IP . Aplicando el Teorema 5.3.12, k E sIP R++ , IP es acotado. Como, segn la formulacin dada en (5.1), X es racional, aplicando [NmWl88], Corollary 6.8, c., p. 108 P es acotado E P .
Cuando se relaja la condicin de racionalidad del poliedro X , el recproco no es cierto en todos los casos, es decir, puede ocurrir que E IP y E P = , como pone de manifiesto el siguiente ejemplo:
2 Ejemplo 5.3.20 Sea IP el problema max Ix / ( , 1)x = 0, x Z + , donde es irracional. Para = la regin factible de la correspondiente relajacin lineal se muestra en la Figura 5.6. Claramente, E P = . Por otra parte, dado que el nico punto entero de la regin factible es el (0, 0) , resulta que E IP = {(0, 0)}.
294
x2
(1,
x1
Figura 5.6
Uno de las conclusiones ms interesantes que pueden ser obtenidas con los resultados de este apartado es que el mtodo de Ecker y Kouada para generar una solucin eficiente inicial (ver seccin 4.2.3) sigue siendo vlido para el ILVP. Efectivamente, dados x F , z = z (x ) y denotando por IP(z ) al problema: n k max e t s / Ax = b, Cx = Is + Cx , x Z + , s R+ t , s t S P (z ) entonces x EP. el Corolario 1.4.36 garantiza que si x
Adems: Teorema 5.3.21 Si F entonces E IP = si, y slo si, IP(z ) es no acotado. Demostracin. Supongamos por reduccin al absurdo que IP(z ) es acotado. Por el Teorema 1.4.35 E IP #. Supongamos por reduccin al absurdo que E IP . Por la Proposicin 5.3.19 E P . Por hiptesis, IP(z ) es no acotado P(z ) es no acotado. Aplicando el Teorema 4.2.9 E P = #. Al igual que ocurre en el caso lineal, el problema entero es N-acotado. Efectivamente:
295
Teorema 5.3.22 Si E IP entonces x F se verifica que x E IP o bien ) z( x) . E IP tal que z ( x x Demostracin. Sean x F y z = z (x ) . Supongamos que x E IP . Como por hiptesis E IP , aplicando el Teorema 5.3.21 IP(z ) es acotado t , s t S IP (z ) . Ahora, por el Corolario 1.4.36 x E IP y, adems, x
) z( x ) . z( x
Veamos que tambin se verifica que para cualquier solucin eficiente no soportada del problema entero existe una solucin eficiente del problema lineal relajado que la domina.
IP E P tal que z ( x ) z( x ) . Proposicin 5.3.23 Si x Ens entonces x IP Demostracin. En primer lugar obsrvese que si Ens E IP . IP Aplicando la Proposicin 5.3.19 E P . Por hiptesis x Ens xX .
Supongamos por reduccin al absurdo que x E P . Como P es un LVP, k aplicando el Teorema 1.7.13 R+ + , x S P . Teniendo en cuenta que F X x S IP x E sIP #. Luego x E P . Ahora, por el Corolario E P , z( x ) z( x ) . 1.10.10 x
5.3.3 Eficiencia Completa

Intuitivamente (debido al carcter discreto de F ) la posibilidad de encontrarnos con una situacin de eficiencia completa para el problema entero parece ser superior a la que presenta su relajacin lineal. Para confirmar esta apreciacin basta tener en cuenta que IP puede ser completamente eficiente y, sin embargo, P o PI no serlo (ver Ejemplo 5.3.9) pero no a la inversa, como garantiza el siguiente resultado: Teorema 5.3.24 Si E P = X entonces E IP = F . Demostracin. Sabemos por la Proposicin 1.10.3 que E P F E IP . Si E P = X F E IP E IP = F . La consecuencia directa del resultado anterior es que cualquier condicin suficiente para comprobar la eficiencia completa de P sigue siendo vlida para IP . En particular: Proposicin 5.3.25 Si 0k , u R m tales que t C = u t A entonces E IP = F . Demostracin. Basta aplicar el Corolario 3.2.22.
296
El siguiente resultado es algo ms sutil que la aplicacin del Teorema de la alternativa de Tucker ([Mn69], p. 29) a la Proposicin 5.3.25. Proposicin 5.3.26 Si el sistema: Ad = 0 , Cd 0 (5.4) n IP no tiene solucin en Z entonces E = F . Demostracin. Sea x F . Supongamos por reduccin al absurdo que F , Cx Cx d = x x Z n , Ad = 0 , Cd 0 #. Luego x E IP x F E IP . Curiosamente, si el sistema (5.4) tiene solucin entera no negativa, no slo el problema entero no es completamente eficiente, sino que es no acotado (no tiene ninguna solucin eficiente).
n entonces Proposicin 5.3.27 Si el sistema (5.4) tiene solucin en Z + IP E = . Demostracin. Supongamos por reduccin al absurdo que x E IP . Por n Cx = x + d F , Cx hiptesis, d Z + , Ad = 0 , Cd 0 Z + + , x x E IP #. Luego E IP = .
Siempre es posible caracterizar la eficiencia completa del problema entero en los trminos enunciados en el Teorema 3.2.7. As, por ejemplo: Teorema 5.3.28 IP es completamente eficiente si, y slo si, el siguiente programa escalar entero mixto: max e t s / z (x ) z ( y ) s = 0, x, y F , s 0 (5.5) es acotado, con valor ptimo igual a 0.
El resultado anterior nos ser de gran utilidad en la seccin 5.5.3 en la que presentaremos un nuevo algoritmo generador de soluciones eficientes para el problema entero basado en identificar subconjuntos completamente eficientes de la regin factible F .
5.4 Distancias entre las Soluciones Eficientes del Problema Entero y su Relajacin Lineal
En este apartado vamos a dar una serie de estimaciones sobre la proximidad en norma infinito de las soluciones eficientes del problema entero y las de su relajacin lineal.
5.4. DISTANCIAS ENTRE LAS SOLUCIONES EFICIENTES ...
297
Consideremos el problema IP max{ Cx / x F }, donde F = x Z / Ax b , y su correspondiente relajacin lineal P max{ Cx / x X }, donde X = x R n / Ax b .
Como es habitual en la literatura, denotaremos la norma l de un }. vector x R n por x = max{xi / i { 1, , n} Desde un punto de vista estrictamente matemtico, los resultados que presentamos constituyen una generalizacin de los siguientes dos propuestos por Cook et al. ([CGST86]) para el caso escalar. Sean c R n , Q max c t x / x X e IQ max c t x / x F . Teorema 5.4.1 ([CGST86], Theorem 1, p. 252) Sean R+ y A Z mn , tal que cualquier menor de A , en valor absoluto, es menor o igual que . Supongamos que F y que Q es acotado. Entonces: S IQ , x x n . (i) x SQ x (ii) S IQ x S Q , x x x
n .
Teorema 5.4.2 ([CGST86]), Theorem 6, p. 256) Sean R+ y A Z mn , tal que cualquier menor de A , en valor absoluto, es menor o igual que . Entonces, x F ocurre: (i) x S IQ , o bien, (ii) F , x x x
> ct x . n y c t x
Vistos estos resultados preliminares, estamos en condiciones de estudiar las dimensiones que habra de tener un entorno de una solucin eficiente arbitraria del problema relajado, al objeto de garantizar que contiene, al menos, una solucin eficiente soportada del programa entero original. La variante que surge, si eliminamos la condicin de que la solucin sea soportada, an no ha sido resuelta y permanece abierta. Teorema 5.4.3 Sean R+ , A Z mn , tal que cualquier menor de A , en valor absoluto, es menor o igual que . Sea b R m y C R k n . Supongamos EsIP , x x n . que F y E P . Entonces, x E P x
k Demostracin. Sea x E P R++ , x S P . Aplicando el Teorema
S IP , x x 5.4.1, (i), x
EsIP , x x n x
n .
298
5. PROGRAMACIN VECTORIAL LINEAL ENTERA La cota dada en el Teorema 5.4.3 es la mejor posible. Efectivamente:
Ejemplo 5.4.4 Consideremos el problema
F = X Z2 y X =
max{ Cx / x F } 0 1 0 0 1 0 0 1 0 1 1 0 x R 2 / Ax b , siendo A = 0 0 1 1 0 0 0 1 IP
con 0 0 0 , 0 1
2 Adems, se comprueba sin dificultad, que R , 0 < 1 , x = , es la n = 0 la nica solucin eficiente (y, por tanto, nica solucin eficiente de P y x soportada, en virtud del Teorema 5.3.13) de IP . Como = 1 = n = n . xx El ejemplo anterior constituye una generalizacin de otro debido a L. t Lovsz, formulado para el caso escalar con c = (1, ..., 1) y descrito por Schrijver ([Sc86], p. 241). Por otra parte, en general no es cierto que para cualquier solucin eficiente del problema entero exista una solucin eficiente del problema relajado que diste, en norma infinito, a lo sumo n . Efectivamente, esta cuestin queda de manifiesto en el siguiente contraejemplo en el que n = 2 . Ejemplo 5.4.5 Consideremos el problema
2
tomar = 1 .
b = y C = I n , donde I n es la identidad de orden n . Es claro que se puede
IP
max{ Cx / x F } con
1 11 / 2 1 F = X Z y X = x R / Ax b , siendo A = 1 0 , b = 0 y C = 0 1 0 1 4 5 1 . Obviamente, se puede tomar = 1 . Ver la Figura 5.7 para la representacin grfica del cono de preferencias de Pareto y de las regiones factibles del problema entero y su relajacin lineal. Como C = CNH ({(1, 4 ), (1, 5)}), se tiene que:
5.4. DISTANCIAS ENTRE LAS SOLUCIONES EFICIENTES ... E P = CVH ({(0, 11 / 2 ), (11 / 2, 0 )}) y E IP = F {(0, 0)}. = (0, 1) E IP y, sin embargo, x E P , x x Obsrvese que x
x2
11/2
299
> n = 2 .
11/2
x1
Figura 5.7
Si sabemos que la solucin eficiente del programa entero es soportada podemos obtener la siguiente conclusin: Teorema 5.4.6 Sean R+ , A Z mn , tal que cualquier menor de A , en valor absoluto, es menor o igual que . Sean b R m y C R k n . Entonces, E sIP x E P , x x n . x
k S IP . Como S P por ser EsIP R++ Demostracin. Sea x , x
A Z mn , aplicando el Teorema 5.4.1, (ii), x S P , x E P , x x
xx
n .
Si queremos tomar en consideracin cualquiera de las soluciones eficientes (no slo las soportadas) del problema entero, podemos recurrir a: A ( m + k )n Teorema 5.4.7 Sean R+ , , tal que cualquier menor de esta C Z matriz, en valor absoluto, es menor o igual que . Sea b R m . Entonces, E IP x E P , x x n . x
300
S IPe , z . E IP y z ) . Por el Teorema 1.4.44, x = z (x Demostracin. Sean x

A ( m + k )n Como S Pe , z por ser , aplicando el Teorema 5.4.1, (ii), C Z n . Nuevamente, aplicando el Teorema 1.4.44, x S Pe , z , x x x EP , x x
n .
Ntese que la cota dada para los teoremas anteriores es la mejor posible. Para ello basta considerar otra vez el Ejemplo 5.4.4. Por ltimo, el siguiente resultado nos proporciona una estimacin de las dimensiones del entorno de una solucin no eficiente que garantice que contiene, al menos, un punto que la domina. A ( m + k )n Teorema 5.4.8 Sean R+ , , tal que cualquier menor de esta C Z matriz, en valor absoluto, es menor o igual que . Sea b R m . Sea x F , Cx y x x F , Cx n . x E IP . Entonces, x Demostracin. Sean x F , z = Cx . Supongamos que x E IP . Por el F , Teorema 1.4.44 x S IPe , z . Ahora, por el Teorema 5.4.2 x Cx , e t Cx > e t Cx , x x Cx
Cx y x x F , Cx n x
n .
5.5 Mtodos Generadores de Soluciones Eficientes Enteras

Mientras que el LVP se ha estudiado extensivamente en la literatura, obtenindose una gran cantidad de resultados y algoritmos con relativamente (dada la dificultad) buen comportamiento, el ILVP es significativamente ms duro de tratar, presentando una elocuente escasez de resultados. En general, los mtodos generadores de soluciones eficientes para el problema entero son radicalmente distintos a los existentes para el caso continuo ([Sh75], p. 171), necesitando la gran mayora de ellos enumerar, de forma implcita y/o explcita, todas las soluciones factibles y realizar comparaciones entre las mismas para eliminar los puntos dominados ([KlHn82], p. 379). Usualmente, a medida que se calculan las soluciones eficientes de un ILVP, hay que resolver una serie de programas escalares enteros ntimamente relacionados entre s ([KlHn82], p. 381). En estos casos, se
5.5. MTODOS GENERADORES DE SOLUCIONES ...
301
pueden conseguir importantes ahorros computacionales si tales problemas son resueltos de manera unificada mediante tcnicas de postoptimalidad entera. Debido a esto, la gran mayora de algoritmos que resuelven el ILVP han sido implementados para el caso especial de variables 0-1, puesto que el anlisis de postoptimalidad para los problemas enteros escalares 0-1 es relativamente sencillo. Sea IP un ILVP arbitrario formulado como en (5.2).
5.5.1 Mtodo Elemental

Es el algoritmo ms sencillo e intuitivo para resolver un ILVP con un nmero finito de soluciones factibles y sirve, fundamentalmente, como patrn de comparacin para estudiar el comportamiento de otros algoritmos generadores de soluciones eficientes, proporcionando de esta manera un til contraste. El mtodo elemental ([Bi77], Naive Algorithm, p. 129) se estructura en dos etapas. En la primera se enumeran explcitamente todas las soluciones factibles del problema y en la segunda se eliminan aquellas soluciones cuyas imgenes, a travs de z , estn dominadas. Intuitivamente, el mtodo elemental trabaja razonablemente bien cuando la relacin entre el nmero de soluciones eficientes y el nmero de soluciones factibles (densidad de eficiencia) es relativamente alta (prxima a uno). Por otra parte, uno de sus principales inconvenientes radica en que hasta que no finaliza el algoritmo no se puede garantizar la eficiencia de ninguno de los puntos de la lista generada. Veamos cmo se puede concretar la segunda etapa del mtodo. Consideremos una lista de puntos dados de forma explcita y estudiemos el problema de determinar qu puntos de la lista son no dominados. El algoritmo ND (NonDominated) que vamos a dar a continuacin se basa exclusivamente en la definicin de solucin eficiente. Recibe como entrada una lista de puntos L y devuelve como salida la lista de puntos no dominados. Para simplificar el proceso, la lista de salida es sobrescrita sobre la de entrada. Algoritmo ND( L ) Para cada z L determinar los z L tales que z z y, para cada uno de ellos, hacer: L = L {z}.
302
Proposicin 5.5.1 El algoritmo ND tiene complejidad O L
( ) en el nmero
2
de comparaciones vectoriales. Demostracin. El caso peor se da cuando toda la lista L es no dominada. Ahora es directo el resultado. Definicin 5.5.2 Se denomina densidad de eficiencia de denotaremos por (L ) , a la relacin N (L ) / L . Evidentemente 0 (L ) 1 . La importancia del algoritmo ND viene dada porque, en general, cualquier algoritmo aproximado por exceso para el ILVP, combinado con el algoritmo ND, da lugar a un algoritmo exacto. El caso peor de algoritmo aproximado por exceso es aqul que lista, de forma explcita, todo el conjunto de soluciones factibles del problema (primera etapa del mtodo Elemental). L , y la
5.5.2 El Caso Biobjetivo

Cuando slo se presentan dos funciones objetivos ( k = 2 ), tanto la teora como los algoritmos se simplifican notablemente ([BnLee96], p. 79). Esto es debido las propiedades especiales que presenta el plano frente a espacios de mayor dimensin. A continuacin vamos a hacer un breve repaso de algunos de los procedimientos ms conocidos englobados dentro de esta categora.
(i)
Mtodo NISE (NonInferior Set Estimation)
El mtodo NISE ([Ch78], p. 127-140) fue desarrollado por Cohon et al. en 1978, como un mtodo aproximado para el LVP bidimensional. Sin embargo, es posible retocar ligeramente la versin original, para que se pueda utilizar en el caso entero con regin factible acotada ([Bf95], p. 180). El algoritmo modificado que presentamos aqu proporciona una aproximacin del conjunto z EsIP , el cual a su vez se puede considerar una aproximacin de z E IP . Consideremos dos puntos no dominados en el espacio objetivo, z , z z E IP . La idea en la que se fundamenta el mtodo NISE consiste en desplazar hacia afuera de la regin factible el segmento que une los puntos z 1 y z 2 (segn la perpendicular al mismo), es decir, en maximizar una cierta combinacin lineal positiva de las funciones objetivo.
1 2
( )
( )
( )
1 Supongamos, sin prdida de generalidad, que z1 > z12 . Entonces 2 1 z1 y z 2 es z 2 z 1 . 2 < z 2 . El vector direccin del segmento que pasa por z
303
2 Buscamos un cierto R+ tal que t z 2 z 1 = 0 1 / 2 = + 2 1 2 2 1 2 z2 . Luego, podemos tomar = (1 , 2 ) = z 2 . z1 z1 2 / z1 z1 2 , z1 z1
)(
Utilizaremos la siguiente notacin: E Q Lista con las imgenes a travs de z de las soluciones eficientes generadas. Conjunto de pares de ndices asociados a soluciones no dominadas en el espacio criterio candidatas a ser adyacentes en la lista E .
Algoritmo NISE Paso 0. Inicializacin. Si F = STOP. Problema no factible. 1 1 En otro caso calcular z1 = max{z1 (x ) / x F }, z 1 2 = max z 2 (x ) / x F , z1 (x ) = z1 . 2 Hacer E = z 1 y calcular z 2 = max{z 2 (x ) / x F }. 2 1 Si z 2 = z 2 STOP, el punto z 1 es ideal. 2 . En otro caso, calcular z12 = max z1 (x ) / x F , z 2 (x ) = z 2
{}
Hacer E = E z , Q =
2
{ }
{(1, 2)} y s = 3 .
Paso 1. Regla de parada. Si Q = STOP. En caso contrario, seleccionar p = (r , t ) Q . Hacer Q = Q {p}. Paso 2. Bsqueda. t r , z1r z1t Hacer s = z 2 z2
( Si ( ) z > ( ) z
s t s s t
) y resolver IP . Sean x S y z = z(x ) . hacer E = E {z }, Q = Q {(r , s ), (s, t )} y s = s + 1 .

s
s s
IP s
Ir al paso 1. Proposicin 5.5.3 El algoritmo NISE es finito. Demostracin. Directa, por ser F acotado.
Proposicin 5.5.4 Los pesos generados por el algoritmo NISE tienen todas sus componentes estrictamente positivas. Demostracin. Lo haremos por induccin. Es claro que se verifica para (1, 2) Q . Supongmoslo cierto para (r , t ) Q arbitrario y veamos que se verifica el resultado para los pares (r , s ), (s, t ) Q generados en el paso 2 del algoritmo NISE a partir de z s . Esto es equivalente a probar que el punto z s t s r verifica que z1r > z1s > z1t y z 2 . Ahora bien, esto es claro teniendo en > z2 > z2 2 cuenta que si r , t R+ + son los pesos utilizados por el algoritmo para
304 generar a
t t t r t r t
5. PROGRAMACIN VECTORIAL LINEAL ENTERA zr y z t , respectivamente

t t t
( ) z ( ) z . Denotando por A el punto de interseccin de las rectas ( ) z = ( ) z y ( ) z = ( ) z (ver Figura 5.8), es geomtricamente claro que
t t r t t
z z (X ),
( ) z ( ) z ,
r t r r t
la nica posibilidad de desplazamiento hacia afuera del segmento que une a z r y z t , est limitada por la envolvente convexa de los puntos z r , z t y A .
z2 zt
A
zr
z1
Figura 5.8
Corolario 5.5.5 E z EsIP
( )
( )
Demostracin. Para i 3 los puntos z i generados por el algoritmo son soluciones ptimas de IPi . Como por la Proposicin 5.5.4, i tiene todas sus componentes estrictamente positivas z i z E sIP . Para i { 1, 2} es claro que z z E
i
( ),
PI xp
por haberse obtenido a travs del
mtodo lexicogrfico (ver seccin 4.2.2). Ahora por el Corolario 5.3.11 z i z E sIP .
( )
Proposicin 5.5.6 El nmero de programas enteros resueltos por el algoritmo NISE es 2 E + 1 . Demostracin. Para E = 0 o E = 1 es trivial. Ahora basta tener en cuenta que por cada nuevo punto no dominado generado hay que resolver 2 programas enteros. Ntese que el algoritmo NISE no se puede generalizar de forma directa cuando k > 2 (ver [Ch78], p. 138).
305
Para finalizar esta exposicin del mtodo NISE, aadiremos que tambin son posibles otras extensiones del mismo diferentes a la aqu presentada. Efectivamente, en 1991, Solanki ([Sl91]) propuso un algoritmo aproximado, denominado ABIN (Algorithm to approximate the Biobjective Integer Noninferior set), para el problema vectorial entero mixto biobjetivo, que tambin se basaba en una modificacin del mtodo NISE, la cual, en lugar de utilizar el problema ponderado IP para obtener una solucin no
dominada entre los puntos x r y x t , con p = (r , t ) Q , usa un programa basado en la mtrica de Tchebycheff ponderada y aumentada ([Sl91], p. 4).
(ii)
Mtodo de Chalmet-Lemonidis-Elzinga
Se trata de un mtodo exacto, basado en la tcnica divide y vencers, para calcular z E IP , el cual necesita como hiptesis que F sea acotado y z : R n R 2 sea entera (ver [ChLE86]).
( )
Utilizaremos la siguiente notacin: E Q Lista con las imgenes a travs de z de las soluciones eficientes generadas. Conjunto de pares de ndices asociados a soluciones no dominadas en el espacio criterio candidatas a ser adyacentes en la lista E .
k k El algoritmo se basa en que R+ se verifica que + , R IP E (Teorema 1.4.43).
S IP ,
Algoritmo CLE Paso 0. Inicializacin. Si F = STOP. Problema no factible. 1 1 En otro caso calcular z1 = max{z1 (x ) / x F }, z 1 2 = max z 2 (x ) / x F , z1 (x ) = z1 . 2 Hacer E = z 1 y calcular z 2 = max{z 2 (x ) / x F }. 2 1 Si z 2 = z 2 STOP, el punto z 1 es ideal. 2 En otro caso, calcular z12 = max z1 (x ) / x F , z 2 (x ) = z 2 .
{}
Hacer E = E z , Q =
2
{ }
{(1, 2)} y tomar
0 2
arbitrario.
Paso 1. Regla de parada. Si Q = STOP. En caso contrario, seleccionar p = (r , t ) Q . r Hacer Q = Q {p} y = z1t + 1, z 2 +1 .
306
Paso 2. Bsqueda. Si IP , es no factible, ir al paso 1.
s En caso contrario, sean x S IP , , z s = z(x s ) .
Hacer E = E z s , Q = Q {(r , s ), (s, t )} e ir al paso 1. Proposicin 5.5.7 El algoritmo CLE es finito. Demostracin. Directa por ser F acotado.
{ }
La siguiente propiedad es de utilidad para probar la validez del algoritmo.

r t r , z2 Proposicin 5.5.8 (r , t ) Q , min z1r , z1t = z1t , min z 2 = z2 Demostracin. La prueba la haremos por induccin. Es claro que para 2 1 (1, 2) Q se verifica que min z11 , z12 = z12 , min z1 2 , z 2 = z 2 . Supongamos el resultado cierto para un (r , t ) Q arbitrario y veamos que los 2 nuevos pares (r , s ) y (s, t ) creados a partir de l, en el paso 2 del algoritmo CLE, verifican s r r s r , z2 el enunciado. Para (r , s ) se tiene que z 2 . Como > z2 min z 2 = z2 r s IP r s r s s z , z z E z1 > z1 min z1 , z1 = z1 El par (r , s ) verifica el enunciado. Para el par (s, t ) se aplicara un razonamiento anlogo.
( )
Teorema 5.5.9 E = z E IP . Demostracin. Directa por el Teorema 1.4.43. Supongamos por reduccin al absurdo que z = z (x ) z E IP tal que z E (es decir, no fue generado por el algoritmo) Para cualquier problema IP , ,
( )
( )
generado por el algoritmo, x S IP , . Sea IP , el problema con regin factible ms pequea que contiene a x y sea p = (r , t ) Q el par de ndices asociado a tal problema z1 > z1t y
s r z2 > z2 . Sean x S IP , , z s = z(x s ) . Como z , z s z E IP podemos suponer, sin
( )
s prdida de generalidad, que z1s > z1 y z 2 < z 2 x est contenido en la regin factible del problema que tiene asociados el par de ndices (s, t ) Q , la cual es estrictamente ms pequea que la del problema asociado a (r , t ) Q #.
307
Proposicin 5.5.10 El nmero de programas enteros resueltos por el algoritmo CLE es 2 E + 1 . Demostracin. Para E = 0 o E = 1 es trivial. Ahora basta tener en cuenta que por cada nuevo punto no dominado generado hay que resolver 2 programas enteros. Obsrvese que el algoritmo no se puede generalizar de forma directa al caso k > 2 , pues podran quedar partes de z E IP sin generar.
( )
(iii) Mtodo Restringido

Aunque el mtodo restringido originalmente fue diseado como un algoritmo de tipo aproximado para el VP continuo (ver, por ejemplo, [Ch78], p. 115127), se probar que la versin que proponemos aqu es un mtodo exacto para el ILVP biobjetivo, bajo las hiptesis de acotacin de la regin factible F y de que alguna de las funciones objetivo sea entera. Sin prdida de generalidad supondremos que z 2 : R n R entera. Utilizaremos la siguiente notacin: E Lista con las imgenes a travs de z de las soluciones eficientes generadas.
Algoritmo R Paso 0. Inicializacin. zU z 2 (x ) / x F }. 2 = max{ F0 = F , E = , i = 0. Paso 1. i Calcular 1i = max z1 (x ) / x F i y 2 = max z 2 (x ) / x F , z1 (x ) = 1i . Hacer E = E i .
{ { }
Paso 2. i IP Si 2 = zU = E. 2 STOP, z E i +1 i En otro caso, hacer F = x F i / z 2 (x ) 2 + 1 , i = i + 1 e ir al paso 1.
( ) {
Proposicin 5.5.11 El algoritmo R es finito. i Demostracin. Directa, pues los valores de 2 son enteros y crecientes en U cada iteracin y el valor de z 2 es finito por ser F acotado.
308
Teorema 5.5.12 E = z E IP . Demostracin. Sea i E y supongamos por reduccin al absurdo que i z E IP . Como i z (F ) x F , z = z (x ) i . Es claro que x F i pues (i) para i = 0 , F 0 i i 1 = F y (ii) para i 1 , z 2 2 2 + 1 . Ahora, como z1 1i , por la i i construccin de 1i z1 = 1i z 2 > 2 # por la construccin de 2 Supongamos por reduccin al absurdo que z = z (x ) z E IP tal que z E . s , (pues si Sea F s la regin factible ms pequea que contiene a x z 2 2 s +1 s IP s no x F ). Como z (F ) , x E , z E z1 > 1 # por la construccin de 1s .
( )
( )
( )
Proposicin 5.5.13 El nmero de programas enteros resueltos por el algoritmo R es 2 E + 1 . Demostracin. Evidente pues en el paso 0 hay que resolver un programa entero y por cada punto generado hay que resolver, adicionalmente, 2 programas enteros. Ntese que el algoritmo R es simtrico en el sentido de que el papel de z 2 se puede sustituir por z1 , hacindose entonces un barrido en abcisas en lugar de en ordenadas.
5.5.3 El Caso General

Los algoritmos que generan E IP cuando el problema tiene ms de dos objetivos ( k > 2 ), son mucho ms complicados que los existentes para el caso biobjetivo ( k = 2 ). Esto es debido a la enorme complejidad que introducen los espacios multidimensionales. Seguidamente vamos a analizar una serie de procedimientos de utilidad para calcular la regin eficiente de un ILVP. Mientras que los mtodos de Klein-Hannan y Marcotte-Soland son ampliamente conocidos, los mtodos de Puntos Subeficientes y de los Retculos Completamente Eficientes representan contribuciones originales que resultan bastante prometedoras por ser intuitivos y fcilmente implementables. Supondremos con carcter general que F es acotado y que z : R n R k es entera.
309
(i)
Mtodo de Klein y Hannan
El mtodo que describimos a continuacin fue desarrollado por Klein y Hannan ([KlHn82]) y, en palabras de los propios autores, se puede considerar una extensin del mtodo aplicado por Pasternak y Passy al problema biobjetivo 0-1 ([KlHn82], p. 379). El fundamento terico del procedimiento reside en una extensin del Corolario 1.4.15 que permite generar puntos eficientes a travs de la resolucin secuencial de una serie de problemas escalares no convexos y enteros, con regiones factibles sucesivamente encajadas. Utilizaremos la siguiente notacin: IP1i Yi E E
i
max z1 (x ) / x F i z S IPi
( )
( )
1
N Y i , es decir, conjunto de soluciones no dominadas de Y i . Imgenes a travs de z de las soluciones eficientes encontradas.
Algoritmo KH Paso 0. Inicializacin. F0 = F , E = , i = 0. Paso 1. Regla de parada. Si F i = STOP, z E IP = E .
( )
Paso 2. Resolver IP1i . Sean Y i = z S IPi y E i = N Y i .
( )
1
( )
Paso 3. Hacer F i +1 = x F i / z j E i , z 2 (x ) z 2j + 1 z k (x ) z kj + 1 .
Hacer E = E E i , i = i + 1 e ir al paso 1. Ntese que para k = 2 , el algoritmo KH coincide con el algoritmo R (mtodo Restringido) dado en la seccin 5.5.2. Veamos que el algoritmo es vlido: Teorema 5.5.14 ([KlHn82], Theorem 1, (b)) i se verifica que E i z E IP . Demostracin. Sea z = z (x ) E i . Es claro que x F i . Supongamos por ) z . Como x F i F , z = z (x reduccin al absurdo que z z E IP x F i . Adems z Y i z E i #. 1 z1 z x
( )
( )
310
Teorema 5.5.15 ([KlHn82], Theorem 2) z E IP = E . Demostracin. Basta tener en cuenta que E = E i y i , por el Teorema 5.5.14, E zE . Sea x E IP con z = z (x ) . Es claro que x F 0 . Sea F s la regin factible ms pequea que contiene a x z1 z1s , donde z1s es el valor ptimo de IP1s . Si z1 < z1s , como z no puede estar dominado por ningn z E s pues z z E IP x F s +1 #. Luego z1 = z1s z Y s . Como z z E IP z E s zE .
i IP
( )
( )
( )
( )
El siguiente resultado garantiza la convergencia del algoritmo: Proposicin 5.5.16 El algoritmo KH es finito. Demostracin. Directa, teniendo en cuenta que por ser F acotado E IP es finito y que en cada iteracin se genera, al menos, una nueva solucin eficiente, pues para i arbitrario, ninguno de los puntos eficientes generados previamente es factible en F i y al ser F i acotado Y i es finito y distinto de vaco. Ahora por el Teorema 5.5.14, E i z E IP .
( )
Obsrvese que cuando k > 2 e i 1 , la relajacin lineal de F i es no convexa, pues cada solucin eficiente genera una esquina (Ver Figura 5.9). Por tal motivo, a las restricciones introducidas en el paso 3 del algoritmo KH, Klein y Hannan las denominan restricciones esquina ([KlHn82], p. 381). z3
Fi z2
z1 z3
z2
Figura 5.9. Regin factible originada por 3 soluciones eficientes.
311
La aplicabilidad del procedimiento KH depende de que el algoritmo de programacin entera escalar que utilicemos en el paso 2 para resolver los IP1i sea capaz de manejar directamente las restricciones esquina introducidas por las soluciones eficientes que se van generando. Adems, para mejorar la eficacia del algoritmo sera conveniente poder aplicar alguna tcnica de postoptimalidad entera. Estas dos restricciones han reducido drsticamente la utilidad prctica del algoritmo. No obstante, Klein y Hannan han aplicado con xito su mtodo al problema de variables 0-1, utilizando una tcnica de postoptimalidad entera sugerida inicialmente por Roodman y aplicada al algoritmo aditivo de Balas ([KlHn82], p. 382). Para finalizar ntense los siguientes aspectos: (i) (ii) (iii) Todas las restricciones generadas por el algoritmo KH son del mismo tipo. Muchos de los puntos eficientes obtenidos pueden definir restricciones redundantes, por lo que es conveniente eliminarlas. En el paso 2 de una iteracin arbitraria i del algoritmo KH, el 1, , k }, a condicin de problema IP1i se puede sustituir por IPji , j { actualizar convenientemente F i +1 en el paso 3. Para calcular E i a partir de Y i se puede utilizar el algoritmo ND (ver seccin 5.5.1).
(iv)
(ii)
Mtodo de Marcotte y Soland
El mtodo de Marcotte y Soland ([MrSl86]) es un procedimiento muy sencillo e intuitivo que fue diseado originalmente para ser usado de forma interactiva en los casos continuos y discreto. No obstante, sus autores apuntaron ([MrSl86], p. 70) que, sin excesivas modificaciones, se podra obtener un procedimiento de cierta utilidad (su complejidad no es buena) en programacin vectorial entera. Es esta ltima variante la que analizaremos aqu. Utilizaremos la siguiente notacin: L E IP i Lista con las regiones por estudiar. Imgenes a travs de z de las soluciones eficientes. max z ( x) / x F i . Punto ideal del problema IP i . Conjunto de separacin para el problema IP i .
i Ji
312 Algoritmo MS Paso 0. Inicializacin. L = {F }, E = , i = 0 .
Paso 1. Regla de parada. Si L = STOP, z E IP = E . En caso contrario, seleccionar F i L a travs de la regla FIFO.
( )
Paso 2. Eliminacin por no factibilidad. Si F i = ir al paso 6. Paso 3. Bsqueda del punto de separacin. Sean x i S IPi y z i = z x i .
e
Hacer E = E z i . Paso 4. Eliminacin por acotacin. Calcular i punto ideal del problema P i . Si i = z i ir al paso 6. Paso 5. Ramificacin. Sea J i = l { 1, ..., k }/ zli li 1 .
{}
( )
l J i , hacer F = x F / zl (x ) zli + 1 y L = L F il
il i
{ }
lJ i
Paso 6. Cierre de bucle. Hacer L = L F i , i = i + 1 e ir al paso 1.
{ }
Veamos en primer lugar que el algoritmo es vlido: Proposicin 5.5.17 Si IP j es un descendiente de IP i , entonces E IP E IP . Demostracin. Basta hacer la demostracin para el caso IP i padre e IP j hijo. Sean x i S IPi , z i = z x i , j J i tales que F j = x F i / z j (x ) z ij + 1 .
j i e
( )
Entonces, es claro que E IP E IP .

j i
Teorema 5.5.18 E = z E IP . Demostracin. Sea z i = z x i E x i S IPi x i E IP . Aplicando la Proposicin 5.5.17

i e
( )
( )
x i E IP z i E IP . Supongamos por reduccin al absurdo que z = z (x ) z E IP tal que z E (es decir, no fue generado por el algoritmo). Sea F s la regin factible ms
( )
313
pequea que contiene a x F s y z s s F s se ha de separar pero como F s es la regin factible ms pequea que contiene a x l J s , zl zls . Como, adems, l J s , zl zls = ls z z s #, pues z z E IP .
( )
Proposicin 5.5.19 El algoritmo MS es finito. Demostracin. Directa, teniendo en cuenta que por ser X acotado E IP es finito y que la regin factible asociada a un nodo arbitrario no contiene ninguno de los puntos de separacin eficientes de sus ancestros. Proposicin 5.5.20 El nmero de programas enteros resueltos por el E algoritmo MS, en el caso peor, es O k . Demostracin. Efectivamente, en el peor de los casos el rbol de enumeracin tiene profundidad E . Como el nmero de descendientes de un
( )
nodo arbitrario (orden del rbol) puede ser k Una cota superior para el E +1 1 / (k 1) . Como por nmero de nodos generados por el algoritmo es k cada nodo hay que comprobar su factibilidad y, en caso afirmativo, obtener el punto ideal y determinar el punto de separacin Por cada nodo, en el peor caso hay que resolver (k + 2) programas enteros. Ahora es claro el enunciado.
Definicin 5.5.21 Una separacin de F i , N z F i z F il .

lJ
( ( ))
( )
{F }
il
lJ
, se dice vlida si
El siguiente resultado se prueba sin dificultad: Proposicin 5.5.22 La separacin de F i inducida por J i es vlida. Proposicin 5.5.23 F i se puede poner como x F / z (x ) l i , con l i R k , pudiendo tener algunas componentes de l i el valor . Demostracin. Basta tener en cuenta que las regiones factibles generadas en una iteracin arbitraria del algoritmo heredan las restricciones de su regin factible padre F j y que las nuevas restricciones aadidas son del tipo z (x ) l . As, tras las oportunas simplificaciones, l i z (x ). Comentarios 5.5.24 (i) En cada iteracin se crean, a lo sumo, k nuevos nodos. Si k es grande, el rbol de enumeracin crecer muy rpidamente.
314 (ii)
5. PROGRAMACIN VECTORIAL LINEAL ENTERA En general, cuando k > 2 puede ocurrir que las subregiones generadas no sean disjuntas entre s. Esto constituye la principal desventaja del algoritmo, pues no se puede garantizar la no regeneracin de soluciones eficientes previamente halladas. El hecho de que F p F q , con p, q J i , provoca, en general, la existencia de nodos superfluos en el rbol de enumeracin. Efectivamente, consideremos los nodos N p y N t , los cuales supondremos que son, respectivamente, el padre y el to del nodo N s . Entonces, si F s F t , trivialmente, se puede suprimir el nodo N s . Aunque la regla anterior se enunci para el to del nodo N s , sigue siendo vlida para el hermano de cualquier ancestro del nodo N s . Los ancestros de un nodo suprimido no se deben volver a utilizar para suprimir otros nodos (por ejemplo, los descendientes de sus hermanos) pues, en general, no se pueden garantizar separaciones vlidas ([MrSl86], p. 67). Por ltimo, ntese que la comprobacin de condiciones del tipo F s F r , basada en sus respectivas descripciones algebraicas, no es demasiado tediosa (Proposicin 5.5.23).
(iii)
(iv) (v)
(vi)
(iii) Mtodo de Puntos Subeficientes

El algoritmo que damos en esta seccin es un mtodo aproximado por exceso, basado en la tcnica divide y vencers donde, para cada nodo del rbol de enumeracin, se generan separaciones vlidas compuestas exclusivamente por subconjuntos disjuntos entre s. De esta forma, no se pueden regenerar puntos ya obtenidos. Los puntos de separacin para cada nodo se obtienen mediante la aplicacin local (restringida al nodo) del mtodo de Ecker y Kouada (ver seccin 4.2.3). Estos puntos de corte los hemos denominado puntos subeficientes porque, aunque no son necesariamente eficientes para el problema original cuando k > 2 , si son eficientes respecto a las subregiones de las que proceden. Utilizaremos la siguiente notacin: L E Lista de regiones por estudiar. Imgenes a travs de z de los puntos generados.
5.5. MTODOS GENERADORES DE SOLUCIONES ... Algoritmo PS Paso 0. Inicializacin. L = {F }, E = , i = 0 . Paso 1. Regla de parada. Si L = STOP, z E P E . En caso contrario, seleccionar F i L .
315
( )
Paso 2. Eliminacin por no factibilidad. Si F i = ir al paso 5. En otro caso, sean x i F i arbitrario y z i = z x i .
( )
Paso 3. Bsqueda del punto de separacin. t t i , s i solucin ptima de max e t s / x F i , z (x ) s = z i , s 0 y z i . i = z x Sea x i Hacer E = E z
((
) ( )) {}
( )
Paso 4. Ramificacin. Crear k subregiones a partir de F i de la siguiente manera: 1i + 1 F i1 = x F i / z1 (x ) z i 1i , z 2 (x ) z 2 +1 F i2 = x F i / z1 (x ) z ik i i i 1i , z 2 (x ) z 2 k +1 F = x F / z1 (x ) z , , z k (x ) z
{ {
Hacer L = L F
{ }
ij k j =1
{ }
Proposicin 5.5.25 F i se puede poner como x F / l i z (x ) u i , con l i , u i R k , pudiendo ser algunas componentes de l i ( u i ) ( ). Demostracin. Es claro pues las regiones factibles generadas en una iteracin arbitraria i del algoritmo heredan las restricciones de su regin factible padre F i y como las nuevas restricciones aadidas son del tipo l z (x ) u , despus de las oportunas simplificaciones l i z (x ) u i Proposicin 5.5.26 F
{ }
ij k j =1
son disjuntos entre s.
Demostracin. Inmediata.
316
x3
2
2 2
x2 x1
Figura 5.10
Veamos una aplicacin del algoritmo anterior a un ejemplo concreto. Se utilizar la regla FIFO para elegir las regiones de la lista L y convendremos en no almacenar en dicha lista aquellas regiones vacas. Ejemplo 5.5.27 Consideremos el problema IP max{(x1 , x2 , x3 ) / x F } donde
3 / x1 2, x2 2, x3 2, x1 + x2 + x3 4 . Vase la Figura 5.10 para F = x Z+ una representacin grfica de la regin factible F . En total hay 23 soluciones factibles, de las cuales slo 6 son eficientes. En particular: E IP = {(2,0,2 ), (1,1,2 ), (0,2,2 ), (1,2,1), (2,2,0 ), (2,1,1)}.
La aplicacin del algoritmo PS dar los siguientes resultados: Iteracin 0. 0 = (1,2,1) , E = x 0 . 0 = x L = {F }, F 0 = F , z F 01 = {x F / x1 2}, F 02 = {x F / x1 1, x2 3} {x F / x1 1, x2 2, x3 2}.
{ }
F 03
Iteracin 1. 1 = (2,2,0 ) , E = x 0, x 1 . 1 = x L = F 01 , F 03 , F 1 = F 01 , z F 11 = {x F / x1 3}= , F 12 = {x F / x1 = 2, x2 3} = {x F / x1 = 2, x2 2, x3 1}.
F 13
317
Iteracin 2. 0, x 1 , x 2 . 2 = (1,1,2 ) , E = x 2 = x L = F 03 , F 13 , F 2 = F 03 , z F 21 = {x F / 2 x1 1, x2 2, x3 2}= , F 22 = {x F / x1 1, x2 = 2, x3 2}, F 23 = {x F / x1 1, x2 1, x3 3} = .
Iteracin 3. 3 = (2,0,2 ) , E = x 0 , x 1 , x 2, x 3 . 3 = x L = F 13 , F 22 , F 3 = F 13 , z {x F / x1 = 2, x1 3, x2 2, x3 1} F 31 = =
{x F / x1 = 2,1 x2 2, x3 1},
F 33 = {x F / x1 = 2, x2 2, x3 3} = .
F 32
Iteracin 4. 0, x 1 , x 2, x 3, x 4 . 4 = (0,2,2 ) , E = x 4 = x L = F 2 2 , F 32 , F 4 = F 2 2 , z F 41 = F 42 = F 43 = .
Iteracin 5. 5 = (2,1,1) , E = x 0, x 1 , x 2, x 3, x 4, x 5 . 5 = x L = F 32 , F 5 = F 32 , z F 51 = F 52 = F 53 = .
{ }
Iteracin 6. L = STOP. Obsrvese que en este ejemplo la aproximacin dada por el algoritmo PS coincide exactamente con E IP . A continuacin estudiaremos procedimiento propuesto. la validez y convergencia del
Teorema 5.5.28 El algoritmo PS es finito. Demostracin. Como la regin factible es acotada, contendr un nmero finito de puntos. Ahora basta tener en cuenta que en cada iteracin se descarta al menos un punto y que los puntos generados no se repiten. Proposicin 5.5.29 El nmero de programas enteros resueltos por el algoritmo PS es (k + 1) E + 1 . Demostracin. Inmediata teniendo en cuenta que para obtener un punto de separacin hay que resolver un programa entero, que los puntos de separacin no se repiten y que por cada uno de tales puntos se crean k nuevos subproblemas para los que hay que estudiar su factibilidad.
318
el punto Denotemos por IP i el problema max z (x ) / x F i y sea z i obtenido en el paso 3 del algoritmo PS para el nodo F . Entonces: }. Teorema 5.5.30 z E IP z E IP {z
i ij
( )
Demostracin. Sean z z E IP sabemos que

IP i
j y zl > z l x F j { 1, , l 1}, z j z
( ) ) z (E ). = z (x z
i
j =1
( )
con z = z (x ) . Por el Corolario 1.4.36 Si zz

il
IP il
l { 1, , k } zz E
xE
( ).
IPil
tal
que
El algoritmo PS es un mtodo aproximado por exceso. Efectivamente: Teorema 5.5.31 z E IP E . Demostracin. Es inmediata pues E IP = E IP .
0
( )
Para k = 2 el algoritmo PS es exacto. Efectivamente, esta afirmacin aparece clara despus de tener en cuenta los siguientes dos resultados: Sea IP el problema max{z (x ) / x F }. Proposicin 5.5.32 Sean R E IP E IP . y F =
{x F / z1 (x ) }.
Entonces,
Teorema 5.5.33 Sean x E IP , z = z (x ) y F = {x F / z1 (x ) z1 }. Entonces, E IP = E IP F . Demostracin. Como F F , por la Proposicin 1.10.3 E IP F E IP . E IP x F . Supongamos por reduccin al absurdo que x E IP Sea x ) y ~ E IP , (ii) , donde z = z (x 1 , pues x x F, ~ zz z = z (~ x ) (i) ~ z1 > z1 z ~ ~ 2 . Ahora bien, por (i) y por ser x E IP z 2 > ~ z2 z z 2 . Luego, aplicando (i) y E IP . Luego, x E IP . pero, evidentemente, x F #, pues x (ii) z z Lamentablemente, cuando k > 2 el algoritmo PS puede generar soluciones que no son eficientes, como pone de manifiesto el siguiente ejemplo en R 3 .
5.5. MTODOS GENERADORES DE SOLUCIONES ... 3 z1 + 3 z 2 + 4 z 3 28 z3

4
319
4 4
z2
z1
Figura 5.11. Soluciones Eficientes del Problema.
Ejemplo 5.5.34 Consideremos el problema IP max{(x1 , x2 , x3 ) / x F } donde

3 / 3 x1 + 3x2 + 4 x3 28, x1 4, x2 4, x3 4 . La Figura 5.11 muestra F = x Z+ los 13 puntos de la regin eficiente junto a la regin factible del problema relajado. En particular: (4,0,4 ), (3,1,4), (2,2,4), (1,3,4 ), (0,4,4 ), (4,1,3), (3,2,3), E IP = . (2,3,3), (1,4,3), (4,2,2), (3,3,2 ), (2,4,2 ), (4,4,1)
Tomando, por ejemplo, (3,3,2 ) E IP F = {x F / z1 (x ) z1 } = {x F / x1 3}. Sin embargo, (3,4,1) E IP y (3,4,1) E IP .
Afortunadamente, al ser el algoritmo PS un procedimiento aproximado por exceso, siempre es posible combinarlo con el algoritmo ND (ver seccin 5.5.1) para descartar las posibles soluciones dominadas que hubiere y obtener as z E IP de forma exacta.
( )
Comentarios 5.5.35 (i) La ramificacin es lineal. Siempre se crean k subregiones. (ii) Existen diferentes formar de elegir una subregin activa. Dos tcnicas extremas consiste en utilizar las reglas primero en anchura ([HrSh78], p. 263) y primero en profundidad (HrSh78], p. 268). (iii) Las regiones activas se pueden separar utilizando cualquier permutacin de los k objetivos.
320
(iv) Mtodo de los Retculos Completamente Eficientes

El siguiente algoritmo que presentamos es exacto y almacena la regin eficiente de forma implcita a travs de retculos completamente eficientes obtenidos a partir del problema original. Bsicamente, el procedimiento propuesto estudia la eficiencia completa de las regiones activas, separndolas si no son completamente eficientes. El algoritmo es secuencial en el sentido de que genera, en cada iteracin, al menos una solucin eficiente. Lamentablemente, cuando k > 2 , las soluciones generadas en una iteracin pueden haber sido obtenidas previamente. Utilizaremos la siguiente notacin: L R Lista de regiones por estudiar. Regiones de E P (en forma implcita).
Algoritmo RCE Paso 0. Inicializacin. L = {F }, R = , i = 0 . Paso 1. Regla de parada. Si L = STOP, E IP =
Y R
Y .
En caso contrario, seleccionar F i L . Paso 2. Eliminacin por no factibilidad. Si F i = ir al paso 5.
) (x ) , (s ) ) solucin ptima del problema: max{ e s / x, y F , z ( y ) z (x ) s = 0, s 0} Si e s = 0 hacer R = R {F } e ir al paso 5. En otro caso hacer Y = {x F / z (x ) = z (y )} y R = R { Y }.
Sea y i ,
t i t i t i t t i i i i i i
Paso 3. Eliminacin por eficiencia completa.
((
(5.6)
Paso 4. Ramificacin. i = z y i . Crear k subregiones a partir de F i de la siguiente manera: Sea z ij + 1 . j { 1, ..., k }, F j = x F i / z j (x ) z

i
( )
Hacer L = L F
{ }
ij
k j =1
{ }
321
Veamos que el algoritmo RCE es vlido y finito. Para ello necesitamos una serie de resultados preliminares. Proposicin 5.5.36 Los conjuntos ( y, x ) F i F i / z ( y ) z (x ) s = 0, s 0 y (y, x ) F F i /, z (y ) z (x ) s = 0, s 0 son idnticos. Demostracin. Inmediata por ser F i F . Sea y F y x F i tales que z ( y ) z (x ) . Como por la Proposicin 5.5.23, l i R k tal que F i se puede poner como x F / z (x ) l i y F i .
Proposicin 5.5.37 El programa (5.6) es acotado, con valor ptimo 0 si, y slo si, F i E IP . Demostracin. El programa (5.6) es acotado, con valor ptimo 0. Aplicando la Proposicin 5.5.36 El programa t i max e s / y F , x F , z ( y ) z (x ) s = 0, s 0 es acotado, con valor ptimo 0. Ahora, por el Teorema 3.2.4 F i E IP .
Ahora resulta claro que el paso 3 del algoritmo RCE comprueba si F i presenta eficiencia completa o no. En caso afirmativo, no hay necesidad de separacin. Adems, siempre ocurre que: Proposicin 5.5.38 Si (5.6) entonces y i E IP . Demostracin. Si
t
((y ) ,
i t i t i
(x ) , (s ) ) es solucin ptima del problema

i t i t i t i t i t i t
(x ) , (s ) ) es solucin ptima del problema (5.6), aplicando la Proposicin 5.5.36 ((y ) , (x ) , (s ) ) es solucin ptima del e s / y F , x F , z ( y ) z (x ) s = 0, s 0}. Ahora, por el Teorema problema max{
i t
((y ) ,
3.2.5 y i E IP .
Teorema 5.5.39
Y R
Y E
IP
Demostracin. Directa teniendo en cuenta la Proposicin 5.5.37 y la Proposicin 5.5.38.
322
Teorema 5.5.40 E IP =
Y R
Y .
Demostracin. Por el Teorema 5.5.39. E IP tal que Y R , x Y . Supongamos por reduccin al absurdo que x s Sea F la regin factible ms pequea generada por el algoritmo RCE que F s . Sea y s , x s , s s contiene a x solucin ptima de (5.6). s s IP s Y z (x ) z y y F Como Y R , x / E F se ha de separar, pero como F s es la regin factible ms pequea que contiene a x s s s ) z j y . Como z (x ) z y ) z y 1, ..., k }, z j (x j { z (x #, pues
) ( ) ( )) ( )
t t t
((
( )
( )
( )
E IP . x
Teorema 5.5.41 El algoritmo RCE es finito. Demostracin. Directa, teniendo en cuenta que por ser X acotado E IP es finito y que la regin factible asociada a un nodo arbitrario no contiene ninguno de los puntos de separacin eficientes de sus ancestros. Cualquiera de las observaciones hechas en Comentarios 5.5.24 se puede trasladar sin dificultad al algoritmo RCE, debido a la estructura del mismo. En particular, cuando k > 2 , las separaciones generadas por el algoritmo RCE no tienen porque ser disjuntas. Por tal motivo se pueden volver a regenerar soluciones eficientes previamente halladas. Proposicin 5.5.42 El nmero de programas enteros resueltos por el algoritmo RCE es (k + 1) R + 1 . Demostracin. Inmediata teniendo en cuenta que para obtener un punto de separacin hay que resolver un programa entero (problema 5.6) y que por cada uno de tales puntos se crean k nuevos subproblemas para los que hay que estudiar su factibilidad. Debemos esperar un buen tiempo de ejecucin del algoritmo RCE cuanto mayor (ms proxima a 1) sea la densidad de eficiencia del problema. Efectivamente, consideremos el siguiente ejemplo: max{( 4 x1 + x2 , 5 x1 x2 ) / x F }, F Ejemplo 5.5.43 Sea IP = 2 x Z + / 2 x1 + 2 x2 11 . En funcin de la representacin grfica dada en la
Figura 5.7 es claro que E IP = F {(0, 0)} E IP = 20 Con cualquiera de los algoritmos anteriormente analizados se necesitaran, al menos 21,
323
iteraciones. Sin embargo, con el algoritmo RCE slo se necesitan 4. Efectivamente: Iteracin 0. 0 = (0,1). L = {F }, F 0 = F , y 0 , x 0 , s 0 = ((1,4 ), (0,0 ), (1,4 )) , R = , z 0 , R = Y 0 . Y 0 = x F / z (x ) = z F 01 = {x F / z1 ( x) 1} , F 02 = {x F / z 2 (x ) 2} .
t t t
((
) ( ) ( )) } { }
Iteracin 1.
L = F 01 , F 02 , F 1 = F 01 , y 1 , eficiente completo. R = Y 0 , F 1 .
((
) (x ) , (s ) )
t 1 t 1 t
((0,1), (0,1), (0,0))
F 1 es
Iteracin 2.
L = F 02 , F 2 = F 02 , y 2 , completo. R = Y 0 , F 1 , F 2 .
{ }
((
) (x ) , (s ) ) = ((1,0), (1,0), (0,0)) }

t 2 t 2 t
F 2 es eficiente
Iteracin 3. L = STOP.
Conclusiones e Investigaciones Futuras

En esta memoria hemos investigado con rigor y profundidad un buen nmero de aspectos de la programacin vectorial particularizados para los casos lineal y entero. Con carcter general se ha pretendido realizar un tratamiento unificado e integrador de los diversos temas tratados, incorporndose numerosas ideas originales que han derivado en nuevos resultados, algoritmos y enriquecedoras perspectivas de enfoque. En este sentido, las principales aportaciones de este trabajo han sido las siguientes: 1. Se presentan nuevos teoremas de la alternativa para sistemas de desigualdades lineales. Estas eficaces herramientas, aparte de hacer ms manejable los conceptos de solucin eficiente y dbilmente eficiente, han permitido simplificar un buen nmero de desarrollos tericos y obtener nuevos resultados de utilidad prctica ([JrGn01a], [Jr02c]). 2. Continuando con teora bsica, se proponen tambin diferentes tests para determinar cundo el conjunto de soluciones eficientes de un LVP es vaco o no. 3. Se introducen las nociones de cotas y supremos eficientes de un VP como una extensin posible de su contrapartida escalar y se prueba, entre otras propiedades, que los conjuntos de todos los supremos y de las soluciones no dominadas de un CVP coinciden. Este hecho nos proporciona una relacin de polaridad para el CVP que, para el caso lineal, da lugar a la definicin de problema dual propuesta por Gale-Kuhn-Tucker ([JrGn01a], [Jr02c]). 4. Se sugiere el concepto de descriptor maximal como un mecanismo adecuado para describir, de manera nica, las caras de un poliedro, considerndose separadamente los casos especiales que surgen cuando la cara es incidente en un vrtice degenerado y no degenerado. Asimismo, y puesto que es posible que una misma cara tenga varios descriptores asociados, fue necesario desarrollar tests que permitieran determinar su maximalidad ([Jr02b]).
325
326
CONCLUSIONES E INVESTIGACIONES FUTURAS
5. Se realiza un amplio estudio sobre el conjunto de soluciones ptimas de un problema lineal escalar arbitrario que, aparte de aglutinar los escasos resultados existentes, permiti obtener nuevas caracterizaciones y propiedades. 6. Se proporciona un extenso conjunto de tests de eficiencia para caras y puntos arbitrarios de la regin factible, considerando independientemente los casos especiales de caras incidentes en un vrtice conocido no degenerado y degenerado, respectivamente. La utilidad inmediata de tales resultados ha quedado sobradamente demostrada a lo largo de esta memoria ([JrGn01b], [JrGn01c], [Jr01c]). 7. Proponemos algunos tests, fcilmente implementables, para detectar a priori la eficiencia completa de un LVP ([Jr01d], [Jr02a]). Dado que cualquier cara de un poliedro es, en s misma, un poliedro, los tests de eficiencia completa tambin encuentran aplicacin en la caracterizacin de la eficiencia de caras arbitrarias. 8. La identificacin de objetivos redundantes ha sido objeto de un estudio concienzudo. Puesto que se sabe que los objetivos que se pueden poner como una combinacin cnica del resto son redundantes, se propone un mtodo general (algoritmo MSS) para calcular el sistema generador minimal de un cono polidrico. 9. Se incluye una reelaboracin completa y pormenorizada de algunos de los conceptos de dualidad vectorial ms importantes propuestos a lo largo del tiempo, examinndose las relaciones existentes entre las distintas nociones consideradas. 10. En el contexto de la optimizacin de una funcin lineal sobre la regin eficiente se formula un nuevo mtodo (algoritmo MFP) que genera una sucesin de caras eficientes distintas sobre las que se evala el objetivo de inters. Dichas caras se obtienen a partir de la resolucin, en cada iteracin, de un programa bilineal simplificado que puede ser abordado a travs del uso de mtodos especficos bien conocidos de la programacin no convexa. Las caractersticas ms atractivas de este algoritmo son que las caras generadas no necesitan ser adyacentes y que en cada iteracin se mejora estrictamente el valor de la funcin objetivo ([Jr01a]). 11. Sugerimos una nueva clasificacin para los mtodos generadores de soluciones eficientes de un LVP en funcin de su diseo algortmico. La organizacin propuesta consta de cuatro categoras mutuamente excluyentes: Ascendentes Globales (GBU), Ascendentes Locales (LBU), Descendentes Globales (GTD) y Descendentes Locales (LTD). Despus de una extensa revisin bibliogrfica se comprob que, a pesar de su utilidad, el diseo LTD no haba sido previamente explotado.
327
12. Para cada una de las cuatro clases anteriores se desarrollaron nuevos algoritmos generadores de soluciones eficientes. Las especificaciones particulares emplean algunos de los tests de eficiencia para caras obtenidos previamente en esta tesis. Adems del correspondiente anlisis de propiedades realizado, se ilustr el comportamiento de los mtodos propuestos mediante la resolucin de una serie de ejemplos. 13. Con respecto al ILVP, se examinaron con detenimiento las principales dificultades que presenta y se realiz una justificacin rigurosa de propiedades no triviales del mismo que la bibliografa especializada haba descuidado sistemticamente. Gran parte de los resultados pudieron ser obtenidos relacionando el ILVP con sus relajaciones lineal o convexa. 14. Se proporcionan una serie de estimaciones, en norma infinito, sobre la proximidad del conjunto de soluciones eficientes de un ILVP y las correspondientes a su relajacin lineal. Adems, se pudo probar (mediante contraejemplos adecuados) que las estimaciones dadas, bajo las hiptesis realizadas, son las mejores posibles ([Jr01b]). 15. Se proponen dos algoritmos nuevos, basados en la tcnica divide y vencers, para generar el conjunto de soluciones eficientes del problema entero. Uno de los procedimientos (mtodo PS) es un algoritmo exacto para el caso biobjetivo y aproximado por exceso para el caso general ( k > 2 ). Su mejor caracterstica es que no regenera soluciones previamente calculadas. El segundo procedimiento (mtodo RCE) es un algoritmo exacto para cualquier dimensin, que analiza en cada iteracin la eficiencia completa de la regin activa considerada. Este ltimo enfoque, hasta donde sabemos no utilizado previamente en la literatura, permite describir la regin eficiente del ILVP de forma implcita. Indudablemente, el trabajo presentado en esta memoria no puede calificarse de cerrado. Por el contrario, tanto la programacin vectorial lineal como la entera, han demostrado tener buenas condiciones para llevar a cabo fructferas investigaciones. En ms de una ocasin los anlisis y reflexiones realizados nos condujeron hacia nuevos y excitantes derroteros que, por limitaciones lgicas de espacio y tiempo, no pudieron ser tratados, dejando inevitablemente muchos aspectos que mejorar y direcciones hacia donde avanzar. A ttulo de muestra, algunas de las lneas de desarrollo que pensamos acometer en un futuro prximo son las siguientes: 1. Programacin vectorial en el espacio objetivo En los ltimos aos se ha empezado a estudiar seriamente la posibilidad de aplicar al LVP la metodologa vectorial directamente sobre el espacio de consecuencias (en lugar de sobre el espacio de decisin), obtenindose resultados verdaderamente prometedores (ver, por ejemplo, [BnSn00a],
328
[BnSn00b], [Bn98a], [Bn98b], [Bn98c], [Jh97], ...). Esta nueva perspectiva aporta, al menos dos grandes ventajas: La primera es que la estructura del conjunto criterio es mucho ms simple que la de la regin factible, debido principalmente a que el nmero de funciones objetivo es sensiblemente ms reducido (frecuentemente en varios rdenes de magnitud), que el nmero de variables de decisin. Este fenmeno de contraccin, usualmente conocido como colapsamiento ([Dr87], p. 580), tambin afecta en la misma medida a las caras eficientes ([Bn95], p. 244), provocando que muchos puntos de la regin eficiente tengan una misma imagen en el conjunto criterio (ver, por ejemplo, [Dr87] o [Bn95]), y evitando clculos redundantes sin inters para el DM ([Bn98a]). En segundo lugar, el DM prefiere basar la eleccin de la solucin ms preferida en trminos de sus consecuencias, ms que en los niveles de las variables de decisin (ver [Bn98a], [BnSy97], [DrLiu90] o [DrSl90]). Dado que este tipo de investigacin est todava en su ms tierna infancia, consideramos que constituye una prometedora lnea de desarrollo de evidente utilidad prctica. 2. Mtodos aproximados y heursticas en programacin vectorial En nuestra opinin, la programacin vectorial debe redirigir su inters a la obtencin de subconjuntos, de tamao adecuado, de soluciones verdaderamente representativas (quizs en un sentido estadstico) de la regin eficiente. De esta manera es posible aliviar algunas de las debilidades que presenta la metodologa vectorial ([BnSy97]). Esta sugestiva y apenas explotada va de trabajo puede beneficiarse, por ejemplo, de los recientes avances ocurridos en optimizacin global ([HrTuy96]) y en el campo de las heursticas ([McFg00], [MrMr99], [Pr84]). 3. Estudio de problemas combinatorios concretos La optimizacin combinatoria multiobjetivo constituye una potente herramienta para modelizar muchas situaciones del mundo real ([UlTg94]). Sin embargo, a pesar de que problemas combinatorios tales como los de la mochila, rbol generador mnimo, asignacin, transporte, flujo en redes, recubrimiento y viajante de comercio, por citar algunos de los ms conocidos, han comenzado a recibir una creciente atencin en la literatura desde una ptica vectorial (ver, por ejemplo, [SdGn01], [RRCS99], [RASG98], [Is79]), la realidad es que, debido a su enorme complejidad ([Sr86], [Eh98]), requieren an mucha investigacin en diversas direcciones: terica, por ejemplo estudiando si existen caracterizaciones de soluciones eficientes especficas para algunos modelos, metodolgica, adaptando algunos de los mtodos existentes para el caso escalar al caso vectorial o reajustando algunas tcnicas vectoriales generales a problemas concretos, incluso prctica, diseando heursticas que generen subconjuntos representativos de la regin eficiente en el sentido sealado en el apartado anterior.
CONCLUSIONES E INVESTIGACIONES FUTURAS 4. Implementacin computacional de los algoritmos propuestos y
329 estudio
En general, la no implementacin de un algoritmo conlleva el riesgo de que la comunidad cientfica no pueda apreciar su inters. Por otra parte la verdadera utilidad de cualquier algoritmo se manifiesta cuando se puede utilizar para resolver problemas prcticos del mundo real. Con la voluntad de aprovechar al mximo todo el potencial desarrollado en esta tesis, tenemos la intencin de implementar en C++ ([St00]) la totalidad de los algoritmos propuestos, empleando como resolutor escalar para los problemas lineales y enteros el CPLEX ([Cplex93]). Adems, pensamos disear una amplia serie de experimentos computacionales que nos permita analizar numricamente los rendimientos de las rutinas creadas y compararlas entre s. Nuestro objetivo ltimo es crear una librera de procedimientos de la programacin vectorial, robusta y de calidad, que pueda ser integrada en un entorno de trabajo amigable y potente, desde el cual los diferentes usuarios del sistema logren invocar de manera sencilla las distintas funciones implementadas. 5. Paralelismo y Programacin vectorial Hoy en da, los ordenadores ms rpidos del mundo son mquinas paralelas, los cuales permiten, entre otras cosas, dar respuesta en tiempo real a problemas que han sido considerados previamente como intratables, debido a su magnitud, por la tecnologa secuencial. Adems, la disponibilidad de tales instrumentos de clculo de altas prestaciones, se est haciendo cada vez ms habitual gracias al esfuerzo realizado por los diversos centros de supercomputacin existentes (CEPBA1, EPCC2, ...) para hacer ms accesibles sus recursos. Teniendo en cuenta que resolver grandes problemas multiobjetivos requiere con frecuencia largas etapas de cmputo intensivo y enormes cantidades de espacio de almacenamiento y que, en estos casos, se pueden producir importantes ahorros de tiempo cuando se emplean tcnicas paralelas ([Akl97]), una va interesante de investigacin ser la implementacin, utilizando OpenMP ([CDKM01]), de los procedimientos presentados en esta memoria y su posterior anlisis experimental de rendimientos sobre sistemas paralelos de memoria compartida ([Akl89]). El enorme potencial que posee esta lnea de desarrollo ya ha sido percibido por la comunidad cientfica, existiendo en la actualidad algunos trabajos (ver, por ejemplo, [WcZh97] y [StPr98]) muy sugerentes e instructivos sobre el uso del paralelismo en el campo de la programacin vectorial lineal.
1 2
http://www.cccc.es/esp/ http://www.epcc.ed.ac.uk/
Bibliografa
[AhHU74]
Aho, A., Hopcroft, J. and Ullman, J. (1974), The design and analysis of computer algorithms, Addison-Wesley. Audet, C., Hansen, P., Jaumard, B. and Savard, G. (1999), A symmetrical linear maxmin approach to disjoint bilinear programming, Mathematical Programming 85, 573-592. Akl, S. (1989), The Design and Analysis of Parallel Algorithms, Prentice Hall. Akl, S. (1997), Parallel Computation: Models and Methods, Prentice Hall. Alves, M. and Clmaco, J. (2001), Indifference sets of reference points in multi-objective integer linear programming, Journal of MultiCriteria Decision Analysis 10, 177-189. Antunes, C. and Clmaco, J. (1992), Sensitivity analysis in MCDM using the weight space, Operations Research Letters 12, 187-196. An, L., Tao, P. and Muu, L. (1996), Numerical solution for optimization over the efficient set by d.c. optimization algorithms, Operations Research Letters 19, 117-128. Armand, P. (1993), Bounds on the number of vertices of perturbed polyhedra, Annals of Operations Research 47, 249-269. Armand, P. (1993), Finding all maximal efficient faces in multiobjective linear programming, Mathematical Programming 61, 357-375.
[AHJS99]
[Akl89]
[Akl97]
[AlCl01]
[AnCl92]
[AnTM96]
[Ar93a] [Ar93b]
331
332
[ArMl91]
BIBLIOGRAFA
Armand, P. and Malivert, C. (1991), Determination of the efficient set in multiobjective linear programming, Journal of Optimization Theory and Applications 70, No. 3, 467-489. Boffey, B. (1995), Multiobjective routing problems, Top 3, No. 2, 167220. Benichou, M., Gauthier J., Hentges G. and Ribiere, G. (1977), The efficient solution of large-scale linear programming problems-Some algorithmic techniques and computational results, Mathematical Programming 13, 280-322. Burkard, R., Keiding, H., Pruzan, P. and Krarup, J. (1981), A relationship between optimality and efficiency in multicriteria 0-1 programming problems, Computers and Operations Research 8, No. 4, 241-247. Belenson, S. and Kapur, K. (1973), An algorithm for solving multicriterion linear programming problems with examples, Operational Research Quarterly 24, No. 1, 65-77. Benayoun, R., Montgolfier, J., Tergny, J. and Larichev, O. (1971), Linear programming with multiple objective functions: STEP method (STEM), Mathematical Programming 1, 366-375. Benson, H. (1978), Existence of efficient solutions for vector maximization problems, Journal of Optimization Theory and Applications 26, No. 4, 569-580. Benson, H. (1979), Vector maximization with two objective functions, Journal of Optimization Theory and Applications 28, No. 2, 253-257. Benson, H. (1981), Finding an initial efficient extreme point for a linear multiple objective program, Journal of the Operational Research Society 32, No. 6, 495-498. Benson, H. (1982), Admissible points of a convex polyhedron, Journal of Optimization Theory and Applications 38, No. 3, 341-361. Benson, H. (1984), Optimization over the efficient set, Journal of Mathematical Analysis and Applications 98, 562-580. Benson, H. (1985), Multiple objective linear programming with parametric criteria coefficients, Management Science 1, No. 4, 461474. Benson, H. (1986), An algorithm for optimizing over the weakly efficient set, European Journal of Operational Research 25, 192-199.
[Bf95]
[BGHR77]
[BKPK81]
[BlKp73]
[BMTL71]
[Bn78]
[Bn79] [Bn81]
[Bn82] [Bn84]
[Bn85]
[Bn86]
BIBLIOGRAFA
[Bn91a]
333
Benson, H. (1991), Complete efficiency and the initialization of algorithms for multiple objective programming, Operations Research Letters 10, 481-487. Benson, H. (1991), An all-linear programming relaxation algorithm for optimizing over the efficient set, Journal of Global Optimization 1, 83-104. Benson, H. (1992), A finite, nonadjacent extreme-point search algorithm for optimization over the efficient set, Journal of Optimization Theory and Applications 73, No. 1, 47-64. Benson, H. (1993), A bisection-extreme point search algorithm for optimizing over the efficient set in the linear dependence case, Journal of Global Optimization 3, 95-111. Benson, H. (1995), A geometrical analysis of the efficient outcome set in multiple objective convex programs with linear criterion functions, Journal of Global Optimization 6, 231-251. Benson, H. (1998), An outer approximation algorithm for generating all efficient extreme points in the outcome set of a multiple objective linear programming problem, Journal of Global Optimization 13, 124. Benson, H. (1998), Further analysis of an outcome set-based algorithm for multiple-objective linear programming, Journal of Optimization Theory and Applications 97, No. 1, 1-10. Benson, H. (1998), Hybrid approach for solving multiple-objective linear programs in outcome space, Journal of Optimization Theory and Applications 98, No. 1, 17-35. Benson, H. and Aksoy, Y. (1991), Using efficient feasible directions in interactive multiple objetive linear programming, Operations Research Letters 10, 203-209. Benson, H. and Lee, D. (1996), Outcome-based algorithm for optimizing over the efficient set of a bicriteria linear programming problem, Journal of Optimization Theory and Applications 88, No. 1, 77-105. Benson, H. and Morin, T. (1977), The vector maximization problem: Proper efficiency and stability, SIAM Journal on Applied Mathematics 32, No. 1, 64-72. Benson, H. and Sun, E. (2000), Outcome space partition of the weight set in multiobjective linear programming, Journal of Optimization Theory and Applications 105, 17-36.
[Bn91b]
[Bn92]
[Bn93]
[Bn95]
[Bn98a]
[Bn98b]
[Bn98c]
[BnAk91]
[BnLee96]
[BnMr77]
[BnSn00a]
334
[BnSn00b]
BIBLIOGRAFA
Benson, H. and Sun, E. (2000), Pivoting in an outcome polyhedron, Journal of Global Optimization 16, 301-323. Benson, H. and Sun, E. (1999), New closedness results for efficient sets in multiple objective mathematical programming, Journal of Mathematical Analysis and Applications 238, 277-296. Benson, H. and Sayin, S. (1993), A face search heuristic algorithm for optimizing over the efficient set, Naval Research Logistics 40, 103116. Benson, H. and Sayin, S. (1994), Optimization over the efficient set: four special cases, Journal of Optimization Theory and Applications 80, No. 1, 3-18. Benson, H. and Sayin, S. (1997), Towards finding global representations of the efficient set in multiple objective mathematical programming, Naval Research Logistics 44, 47-67. Benveniste, M. (1977), Testing for complete efficiency in a vector maximization problem, Mathematical Programming 12, 285-288. Brumelle, S. (1981), Duality for multiple objective convex programs, Mathematics of Operations Research 6, 159-172. Barda, O., Dupuis, J. and Lencioni, P. (1990), Multicriteria location of thermal power plants, European Journal of Operational Research 45, 332-346. Breslawski, A. and Zionts, S. (1992), Some results concerning the quality of vertex solutions found by a method for multiple objective linear programming, Journal of Multi-Criteria Decision Analysis 1, 139-153. Bitran, G. (1977), Linear multiple objective programs with zero-one variables, Mathematical Programming 13, 121-139. Bitran, G. (1979), Theory and algorithms for linear multiple objective programs with zero-one variables, Mathematical Programming 17, 362-390. Bitran, G. (1980), Linear multiple objective problems with interval coefficients, Management Science 26, No. 7, 694-706. Bitran, G. and Magnanti, T. (1979), The structure of admissible points with respect to cone dominance, Journal of Optimization Theory and Applications 29, 573-614.
[BnSn99]
[BnSy93]
[BnSy94]
[BnSy97]
[Bnv77]
[Br81] [BrDL90]
[BrZn92]
[Bt77] [Bt79]
[Bt80] [BtMg79]
BIBLIOGRAFA
[BtMg80]
335
Bitran, G. and Magnanti, T. (1980), Duality based characterizations of efficient facets, Fandel, G. and Gal, T. (eds.), Multiple Criteria Decision Making: Theory and Application, Lecture Notes in Economics and Mathematical Systems, No. 177, Berlin: SpringerVerlag, 12-25. Carrizosa, E., Conde, E., Fernndez, F. and Puerto, J. (1993), Efficiency in euclidean constrained location problems, Operations Research Letters 14, 291-295. Carrizosa, E., Conde, E., Fernndez, F. and Puerto, J. (1995), Multicriteria analysis with partial information about the weighting coefficients, European Journal of Operational Research 81, 291-301. Chandra, R., Dagum, L. Kohr, D. Maydan, D. McDonald, J. and Menon, R. (2001), Parallel Programming in OpenMP, Morgan Kaufmann Publishers, Academic Press. Cook, W., Gerards, A., Schrijver, A. and Tardos, . (1986), Sensitivity theorems in integer linear programming, Mathematical Programming 34, 251-264. Cohon, J. (1978), Academic Press. Multiobjective Programming and Planning,
[CCFP93]
[CCFP95]
[CDKM01]
[CGST86]
[Ch78] [ChCp77]
Charnes, A. and Cooper, W. (1977), Goal programming and multiple objective optimizations, European Journal of Operational Research 1, 39-54. Chankong, V. and Haimes, Y. (1983), Multiobjective Decision Making: Theory and Methodology, North-Holland. Choi, Y. and Kim, S. (1994), Stepwise contouring of efficient criterion vectors for large-scale MOLP, Journal of Multi-Criteria Decision Analysis 3, 15-26. Chalmet, L., Lemonidis, L. and Elzinga, D. (1986), An algorithm for the bi-criterion integer programming problem, European Journal of Operational Research 25, 292-300. Chieng, I. and Yu, P. (1991), Transformation and restructuring of linear multiobjective programs: A fundamental method to resolve complex problems, European Journal of Operational Research 54, 199-209. Cplex (1993), Using the Cplex Callable Library Mixed Integer Library, Version 2.1, Cplex Optimization, Inc.
[ChHm83] [ChKm94]
[ChLE86]
[ChYu91]
[Cplex93]
336
[DcWn83]
BIBLIOGRAFA
Deckro, R. and Winkofsky, E. (1983), Solving zero-one multiple objective programs through implicit enumeration, European Journal of Operational Research 12, 362-374. Dantzig, G. (1963), Linear Programming and Extensions, Princeton University Press. Dauer, J. (1980), An quivalence result for solutions of multiobjective linear programs, Computers and Operations Research 7, 33-39. Dauer, J. (1987), Analysis of the objective space in multiple objective linear programming, Journal of Mathematical Analysis and Applications 126, 579-593. Dauer, J. (1991), Optimization over the efficient set using an active constraint approach, Zeitschrift fr Operations Research 35, 185-195. Dauer, J. (1993), On degeneracy and collapsing in the construction of the set of objective values in a multiple objective linear program, Annals of Operations Research 47, 279-292. Dauer, J. and Fosnaugh, T. (1995), Optimization over the efficient set, Journal of Global Optimization 7, 261-277. Dauer, J. and Gallagher, R. (1996), A combined constraint-space, objective-space approach for determining high-dimensional maximal efficient faces of multiple objective linear programs, European Journal of Operational Research 88, 368-381. Dauer, J. and Liu, Y. (1990), Solving multiple objective linear programs in objective space, European Journal of Operational Research 46, 350-357. Dauer, J. and Saleh, O. (1990), Constructing the set of efficient objective values in multiple objective linear programs, European Journal of Operational Research 46, 358-365. Dauer, J. and Saleh, O. (1992), A representation of the set of feasible objectives in multiple objective linear programs, Linear Algebra and its Applications 166, 261-275. Dasgupta, P., Chakrabarti, P. and DeSarkar, S. (1999), Multiobjective Heuristic Search, Vieweg. Deshpande, D. and Zionts, S. (1980), Sensitivity analysis in multiple objective linear programming: Changes in the objective function matrix, Fandel, G. and Gal, T. (eds.), Multiple Criteria Decision Making: Theory and Application, Lecture Notes in Economics and Mathematical Systems, No. 177, Berlin: Springer-Verlag, 26-39.
[Dn63]
[Dr80]
[Dr87]
[Dr91]
[Dr93]
[DrFs95]
[DrGl96]
[DrLiu90]
[DrSl90]
[DrSl92]
[DsCD99] [DsZn80]
BIBLIOGRAFA
[DtRT93]
337
Dutta, D., Rao, J. and Tiwari, R. (1993), A restricted class of multiobjective linear fractional programming problems, European Journal of Operational Research 68, 352-355. Dyer, M. and Proll, L. (1977), An algorithm for determining all extreme points of a convex polytope, Mathematical Programming 12, 81-96. Ecker, J. and Hegner, N. (1978), On computing an initial efficient extreme point, Journal of the Operational Research Society 29, 10051007. Ecker, J., Hegner, N. and Kouada, I. (1980), Generating all maximal efficient faces for multiple objective linear programs, Journal of Optimization Theory and Applications 30, No. 3, 353-381. Ecker, J. and Kouada, I. (1975), Finding efficient points for linear multiple objective programs, Mathematical Programming 8, 375-377. Ecker, J. and Kouada, I. (1978), Finding all efficient extreme points for multiple objective linear programs, Mathematical Programming 14, 249-261. Ecker, J. and Shoemaker, N. (1981), Selecting subsets from the set of nondominated vectors in multiple objective linear programming, SIAM J. Control and Optimization 19, No. 4, 505-515. Ecker, J. and Song, J. (1994), Optimizing a linear function over an efficient set, Journal of Optimization Theory and Applications 83, No. 3, 541-563. Ehrgott, M. (2000), Multicriteria Optimization, Lecture Notes in Economics and Mathematical Systems, No. 491, Berlin: SpringerVerlag. Ehrgott, M. (1998), Hard to say it's easy - Four reasons why combinatorial multiobjective programmes are hard, Haimes, Y. and Steuer, R. (eds.), Research and Practice in Multiple Criteria Decision Making, Lecture Notes in Economics and Mathematical Systems, No. 487, Berlin: Springer-Verlag, 69-80. Evans, G. (1984), An overview of techniques for solving multiobjective mathematical programs, Management Science 30, No. 11, 1268-1282. Evans, J. and Steuer, R. (1973), A revised simplex method for linear multiple objective programs, Mathematical Programming 5, 54-72. Fernndez, F., Monroy, L. and Puerto, J. (1998), Multicriteria goal games, Journal of Optimization Theory and Applications 99, 403-421.
[DyPr77]
[EcHg78]
[EcHK80]
[EcKd75] [EcKd78]
[EcSh81]
[EcSn94]
[Eh00]
[Eh98]
[Ev84] [EvSt73]
[FrMP98]
338
[Gal77]
BIBLIOGRAFA
Gal, T. (1977), A general method for determining the set of all efficient solutions to a linear vectormaximum problem, European Journal of Operational Research 1, 307-322. Gal, T. (1978), An overview on recent results in MCP as developed in Aachen, Germany, Zionts, S. (ed.), Multiple Criteria Problem Solving, Lecture Notes in Economics and Mathematical Systems, No. 155, Berlin: Springer-Verlag, 225-248. Gal, T. (1980), A note on size reduction of the objective functions matrix in vector maximun problems, Fandel, G. and Gal, T. (eds.), Multiple Criteria Decision Making: Theory and Application, Lecture Notes in Economics and Mathematical Systems, No. 177, Berlin: Springer-Verlag, 74-84. Gal, T. (1981), Relaxation analysis in linear vectorvalued maximization, European Journal of Operational Research 8, 274-282. Gal, T. (1985), On the structure of the set bases of a degenerate point, Journal of Optimization Theory and Applications 45, No. 4, 577-589. Gal, T. (1986), On efficient sets in vector maximum problems-A brief survey, European Journal of Operational Research 24, 253-264. Gal, T. (1993), Degeneracy graphs: theory and application. An updated survey, Annals of Operations Research 46, 81-105. Gal, T., Kruse, H. and Zrnig, P. (1988), Survey of solved and open problems in the degeneracy phenomenon, Mathematical Programming 42, 125-133. Gal, T. and Leberling, H. (1977), Redundant objective functions in linear vector maximum problems and their determination, European Journal of Operational Research 1, 176-184. Gal, T. and Leberling, H. (1981), Relaxation analysis in linear vectorvalued maximization, European Journal of Operational Research 8, 274-282. Gal, T. and Wolf, K. (1986), Stability in vector maximization - A survey, European Journal of Operational Research 25, 169-182. Gass, S. (1993), Encounters with degeneracy: A personal view, Annals of Operations Research 47, 335-342. Gabbani, D. and Magazine, M. (1986), An interactive heuristic approach for multi-objective integer-programming problems, Journal of the Operational Research Society 37, 285-291.
[Gal78]
[Gal80]
[Gal81]
[Gal85]
[Gal86]
[Gal93]
[GalKZ88]
[GalLb77]
[GalLb81]
[GalWl86]
[Gass93] [GbMg86]
BIBLIOGRAFA
[Geue93]
339
Geue, F. (1993), An improved N-tree algorithm for the enumeration of all neighbors of a degenerate vertex, Annals of Operations Research 47, 361-391. Geoffrion, A. (1967), Solving bicriterion mathematical programs, Operations Research 15, 39-54. Geoffrion, A. (1968), Proper efficiency and the theory of vector maximization, Journal of Mathematical Analysis and Applications 22, 618-630. George, K. and Osborne, M. (1993), On degeneracy in linear programming and related problems, Annals of Operations Research 47, 343-359. Gale, D., Kuhn, H. and Tucker, A. (1951), Linear programming and the theory of games, T. C. Koopmans, ed., Activity Analysis of Production and Allocation, John Wiley & Sons, 317-329. Gallagher, R. and Saleh, O. (1995), A representation of an efficiency equivalent polyhedron for the objective set of a multiple objective linear program, European Journal of Operational Research 80, 204212. Gonzlez-Martn, C. (1985), Mtodos Interactivos en Programacin Multiobjetivo, Secretariado de Publicaciones de la Universidad de La Laguna. Gonzlez, J., Reeves, G. and Franz, L. (1985), An interactive procedure for solving multiple objective integer linear programming problems, Haimes, Y. and Chankong, V. (eds.), Decision Making with Multiple Objectives, Lecture Notes in Economics and Mathematical Systems, No. 242, Berlin: Springer-Verlag, 250-260. Gros, C. (1978), Generalization of Fenchel's duality theorem for convex vector optimization, European Journal of Operational Research 2, 368-376. George, K. and Osborne, M. (1993), On degeneracy in linear programming and related problems, Annals of Operations Research 47, 343-359. Gardiner, L. and Steuer, R. (1994), Unified interactive multiple objective programming, European Journal of Operational Research 74, 391-406. Geromel, J. and Valente, P. (1991), An upper bound on properly efficient solutions in multiobjective optimization, Operations Research Letters 10, 83-86.
[Gf67]
[Gf68]
[GgOs93]
[GlKT51]
[GlSl95]
[Gn85]
[GnRF85]
[Gr78]
[GrOs93]
[GrSt94]
[GrVl91]
340
[Hd62] [Hn78]
BIBLIOGRAFA
Hadley, G. (1962), Linear Programming, Addison Wesley. Hannan, E. (1978), Using duality theory for identification of primal efficient points and for sensitivity analysis in multiple objective linear programming, Journal of the Operational Research Society 29, No. 7, 643-649. Henig, M. (1990), Value functions, Dominations cones and proper efficiency in multicriteria optimization, Mathematical Programming 46, 205-217. Hansen, P., Labb, M. and Wendell, R. (1989), Sensitivity analysis in multiple objective linear programming: The tolerance approach, European Journal of Operational Research 38, 63-69. Hartley, R. (1983), Survey of algorithms for vector optimisation problems, Multi-Objective Decision Making, Academic Press, London. Hartley, R. (1985), Linear multiple objective programming, Mathematics of Multi Objective Optimization, Springer-Verlag, 157177. Horowitz, E. and Sahni, S. (1978), Fundamentals of Computer Algorithms, Pitman. Horst, R. and Thoai, N. (1999), Maximizing a concave function over the efficient or weakly-efficient set, European Journal of Operational Research 117, 239-252. Horst, R. and Tuy, H. (1996), Global Optimization: Determinsistic approaches, 3rd Edition, Springer. Hwang, C. and Masud, A. (1979), Multiple Objective Decision MakingMethods and Applications: A State of the Art Survey, Lecture Notes in Economics and Mathematical Systems, No. 164, Berlin: SpringerVerlag. Ignizio, J. and Thomas, L. (1984), An enhanced conversion scheme for lexicographic, multiobjective integer programs, European Journal of Operational Research 18, 57-61. Isermann, H. (1974), Proper efficiency and the linear vector maximum problem, Operations Research 22, 189-191. Isermann, H. (1976), Existence and duality in multiple objective linear programming, Thiriez, H. and Zionts, S. (ed.), Multiple Criteria Decision Making, Lecture Notes in Economics and Mathematical Systems, No. 130, Berlin: Springer-Verlag, 64-75.
[Hn90]
[HnLW89]
[Hr83] [Hr85]
[HrSh78]
[HrTh99]
[HrTuy96]
[HwMs79]
[IgTh84]
[Is74] [Is76]
BIBLIOGRAFA
[Is77a]
341
Isermann, H. (1977), The enumeration of the set of all efficient solutions for a linear multiple objective program, Operational Research Quarterly 28, No. 3, 711-725. Isermann, H. (1977), The relevance of duality in multiple objective linear programming, TIMS Studies in the Management Sciences 6, 241-262. Isermann, H. (1978), Duality in multiple objective linear programming, Zionts, S. (ed.), Multiple Criteria Problem Solving, Lecture Notes in Economics and Mathematical Systems, No. 155, Berlin: Springer-Verlag, 274-285. Isermann, H. (1978), On some relations between a dual pair of multiple objective linear programs, Zeitschrift fr Operations Research 22, 33-41. Isermann, H. (1979), The enumeration of all efficient solutions for a linear multiple objective transportation problem, Naval Research Logistics Quarterly 26, 123-139. Isermann, H. and Steuer, R. (1987), Computational experience concerning payoff tables and minimun criterion values over the efficient set, European Journal of Operational Research 33, 91 -97. Jahn, J. (1983), Duality in vector optimization, Mathematical Programming 25, 343-353. Jahn, J. (1997), On the determination of minimal facets and edges of a polyhedral set, Journal of Multi-Criteria Decision Analysis 6, 17-24. Jorge, J. (2001), A bilinear algorithm for optimizing a linear function over the efficient set of a multiple objective linear programming problem, to appear. Jorge, J. (2001), Estimaciones sobre proximidad entre las soluciones eficientes del problema de programacin multiobjetivo lineal entero y las de su relajacin lineal, Actas del XXVI Congreso Nacional de Estadstica e Investigacin Operativa. Jorge, J. (2001), Maximal descriptor set characterizations of efficient faces in multiple objective linear programming, to appear. Jorge, J. (2001), Un estudio de la eficiencia completa en programacin lineal multiobjetivo, Actas del XXVI Congreso Nacional de Estadstica e Investigacin Operativa.
[Is77b]
[Is78a]
[Is78b]
[Is79]
[IsSt87]
[Jh83]
[Jh97]
[Jr01a]
[Jr01b]
[Jr01c]
[Jr01d]
342
[Jr02a]
BIBLIOGRAFA
Jorge, J. (2002), Characterizing complete weak efficiency in multiple objective linear programming, Paper Presented at the 5th International Conference on Operations Research, Havana. Jorge, J. (2002), Identifying faces of a polyhedron, Paper Presented at the 5th International Conference on Operations Research, Havana. Jorge, J. (2002), On weakly efficient bounds for multiple objective programming problems, Paper Presented at the 5th International Conference on Operations Research, Havana. Jorge, J. (1992), Aspectos Metodolgicos y Computacionales de la Optimizacin Multiobjetivo. El Caso Lineal, Memoria de Licenciatura, DEIOC, Universidad de La Laguna. Jorge, J. and Gonzlez-Martn, C. (2001), A theory of efficient bounds for multiple objective mathematical programs, to appear. Jorge, J. and Gonzlez-Martn, C. (2001), Characterizing the efficiency of a face incident at a degenerate vertex in multiple objective linear programming, to appear. Jorge, J. and Gonzlez-Martn, C. (2001), Testing for efficient faces incident at a nondegenerate vertex in multiple objective linear programming, to appear. Kuhn, H. (1991), Nonlinear programming: A historical note, Lenstra, J., Rinnooy Kan, A. and Schrijver, A. (eds.), History of Mathematical Programming, A Collection of Personal Reminiscenses, North Holland, 82-96. Khang, D. and Fujiwara, O. (1989), A new algorithm to find all vertices of a polytope, Operations Research Letters 8, 261-264. Kuhn, H. and Tucker, A. (1951), Nonlinear programming, Proceedings of the Second Berkeley Symposium on Mathematical Statistics and Probability, University of California Press, Berkeley, 481-492. Kok, M. (1985), Scalarization and the interface with decision makers in interactive multi objective linear programming, Mathematics of Multi Objective Optimization, Springer-Verlag, 433-438. Klein, D. and Hannan, E. (1982), An algorithm for the multiple objective integer linear programming problem, European Journal of Operational Research 9, 378-385. Karwan, M., Lofti, V., Telgen, J. and Zionts, S. (1983), Redundancy in Mathematical Programming, Lecture Notes in Economics and Mathematical Systems, No. 206, Berlin: Springer-Verlag.
[Jr02b]
[Jr02c]
[Jr92]
[JrGn01a]
[JrGn01b]
[JrGn01c]
[Kh91]
[KhFj89]
[KhTc51]
[Kk85]
[KlHn82]
[KLTZ83]
BIBLIOGRAFA
[Krn74]
343
Kornbluth, J. (1974) Duality, indifference and sensitivity analysis in multiple objective linear programming, Operational Research Quarterly 25, 599-614. Kornbluth, J. (1985), Shadow prices in multiple objective linear programming, Journal of the Operational Research Society 36, No. 12, 1095-1101. Kornbluth, J. (1986), On the use of multiple objective linear programming algorithms to solve problems with fractional objectives, European Journal of Operational Research 23, 78-81. Kornbluth, J. and Steuer, R. (1980), On computing the set of all weakly efficient vertices in multiple objective linear fractional programming, Fandel, G. and Gal, T. (eds.), Multiple Criteria Decision Making: Theory and Application, Lecture Notes in Economics and Mathematical Systems, No. 177, Berlin: SpringerVerlag, 189-202. Karaivanova, J., Narula, S. and Vassilev, V. (1993), An interactive procedure for multiple objective integer linear programming problems, European Journal of Operational Research 68, 344-351. Kouvelis, P. and Carlson, R. (1992), Total unimodularity applications in bi-objective discrete optimization, Operations Research Letters 11, 61-65. Karwan, M., Zionts, S., Villareal, B. and Ramesh, R. (1985), An improved interactive multicriteria integer programming algorithm, Haimes, Y. and Chankong, V. (eds.), Decision Making with Multiple Objectives, Lecture Notes in Economics and Mathematical Systems, No. 242, Berlin: Springer-Verlag, 261-271. Kiziltan, G. and Yucaoglu, E. (1982), An algorithm for bicriterion linear programming, European Journal of Operational Research 10, 406-411. Kiziltan, G. and Yucaoglu, E. (1983), An algorithm for multiobjective zero-one linear programming, Management Science 29, No. 12, 14441453. Lee, S. (1978), Interactive integer goal programming: Methods and application, Zionts, S. (ed.), Multiple Criteria Problem Solving, Lecture Notes in Economics and Mathematical Systems, No. 155, Berlin: Springer-Verlag, 362-383. Lin, J. (1976), Maximal vectors and multi-objective optimization, Journal of Optimization Theory and Applications 18, No. 1, 41-64.
[Krn85]
[Krn86]
[KrnSt80]
[KrNV93]
[KvCr92]
[KZVR85]
[KzYc82]
[KzYc83]
[Lee78]
[Lin76]
344
[LTWW84]
BIBLIOGRAFA
Lowe, T., Thisse, J., Ward, J. and Wendell, R. (1984), On efficient solutions to multiple objective mathematical programs, Management Science 11, 1346-1349. Michalewicz, Z. and Fogel, D.(2000), How to Solve it: Modern Heuristics, Berlin: Springer. Mangasarian, O. (1969), Nonlinear Programming, McGraw-Hill. Murty, K. (1983), Linear programming, John Wiley & Sons. Murty, K. (1985), Faces of a polyhedron, Mathematical Programming Study 24, 30-42. Murty, K. and Chung, S. (1995), Segments in enumerating faces, Mathematical Programming 70, 27-45. Morse, J. and Lieb, E. (1980), Flexibility and rigidity in multicriterion linear programming, Fandel, G. and Gal, T. (eds.), Multiple Criteria Decision Making: Theory and Application, Lecture Notes in Economics and Mathematical Systems, No. 177, Berlin: SpringerVerlag, 238-251. Moreno, M. and Moreno, J. (1999), Heursticas en Optimizacin, Canarias: Direccin General de Universidades. Marchi, E. and Oviedo, J. (1992), Lexicographic optimality in the multiple objective linear programming: The nucleolar solution, European Journal of Operational Research 57, 355-359. Mrmol, A. and Puerto, J. (1997), Special cases of the tolerance approach in multiobjective linear programming, European Journal of Operational Research 98, 610-616. Morse, J. (1980), Reducing the size of the nondominated set: Pruning by clustering, Computers and Operations Research 7, 55-66. Marcotte, O. and Soland, R. (1986), An interactive branch-and-bound algorithm for multiple criteria optimization, Management Science 32, No. 1, 61-75. Mattheiss, T. (1973), An algorithm for determining irrelevant constraints and all vertices in systems of linear inequelities, Operations Research 21, 247-260. Mattheiss, T. and Rubin, D. (1980), A survey and comparison of methods for finding all vertices of convex polyhedral sets, Mathematics of Operations Research 5, No. 2, 167-185.
[McFg00]
[Mn69] [Mr83] [Mr85]
[MrCh95] [MrLb80]
[MrMr99] [MrOv92]
[MrPr97]
[Mrs80] [MrSl86]
[Mt73]
[MtRb80]
BIBLIOGRAFA
[MtYr93]
345
Metev, B. and Yordanova, I. (1993), Use of reference points for MOLP problems analysis, European Journal of Operational Research 68, 374-378. Mavrotas, G., Diakoulaki, D. and Assimacopoulos, D. (1998), Bounding MOLP objective functions: effect on eficient set size, Journal of the Operational Research Society 49, 549-557. Mavrotas, G. and Diakoulaki, D. (1998), A branch and bound algorithm for mixed zero-one multiple objective linear programming, European Journal of Operational Research 107, 530-541. Naccache, P. (1978), Connectedness of the set of nondominated outcomes in multicriteria optimization, Journal of Optimization Theory and Applications 25, 459-467. Niggemeier, M. (1993), Degeneracy in integer linear optimization problems: A selected bibliography, Annals of Operations Research 46, 195-202. Nemhauser, G. and Wolsey, L. (1988), Integer and Combinatorial Optimization, John Wiley & Sons. Nieuwenhuis, J. (1982), Some results about nondominated solutions, Journal of Optimization Theory and Applications 36, No. 2, 289-301. Philip, J. (1972), Algorithms for the vector maximization problem, Mathematical Programming 2, 207-229. Philip, J. (1976), An algorithm for combined cuadratic and multiobjective programming, Thiriez, H. and Zionts, S. (eds.), Multiple Criteria Decision Making, Lecture Notes in Economics and Mathematical Systems, No. 130, Berlin: Springer-Verlag, 35-52. Philip, J. (1977), Vector Maximization at a degenerate vertex, Mathematical Programming 13, 357-359. Pearl, J. (1984), Heuristics: Intelligent Search Strategies for Computer Problem Solving, Addison Wesley. Provan, J. (1994), Efficient enumeration of the vertices of polyhedra associated with network LPs, Mathematical Programming 63, 47-64. Puerto, J. and Fernndez, F. (1998), Pareto-optimality in classical inventory problems, Naval Research Logistics 45, 83-98. Prasad, S. and Karwan, M. (1992), A note on solving bicriteria linear programming problems using single criteria software, Computers Ops. Res. 19, 169-173.
[MvDA98]
[MvDk98]
[Nc78]
[Ng93]
[NmWl88]
[Nw82] [Ph72]
[Ph76]
[Ph77]
[Pr84]
[Pr94]
[PrFr98] [PrKr92]
346
[RASG98]
BIBLIOGRAFA
Ramos, R., Alonso, S., Sicilia, J. and Gonzlez, C. (1998), The problem of the optimal biobjective spanning tree, European Journal of Operational Research 111, 617-628. Rockafellar, R. (1970), Convex analysis, Princeton University Press. Rdder, W. (1977), A generalized saddlepoint theory, European Journal of Operational Research 1, 55-59. Reid, J. (1982), A sparsity-exploiting variant of the Bartels-Golub decomposition for linear programming bases, Mathematical Programming 24, 55-69. Rhode, R. and Weber, R. (1984), The range of the efficient frontier in multiple objective linear programming, Mathematical Programming 28, 84-95. Romero, C. (1993), Teora de la Decisin Multicriterio: Conceptos, Tcnicas y Aplicaciones, Alianza Editorial. Ramesh, R., Zionts, S. and Karwan, M. (1986), A class of practical interactive branch and bound algorithms for multicriteria integer programming, European Journal of Operational Research 26, 161172. Ramesh, R., Zionts, S. and Karwan, M. (1989), Preference structure representation using convex cones in multicriteria integer programming, Management Science 35, 1092-1105. Ringuest, J. (1992), Multiobjective Optimization: Behavioral and Computational Considerations, Kluwer Academic Publishers. Ramos, R, Ramos, M., Colebrook, M. and Sicilia, J. (1999), Locating a facility on a network with multiple median-type objectives, Annals of Operations Research 86, 221-235. Rasmussen, L. (1986), Zero-one programming with multiple criteria, European Journal of Operational Research 26, 83-95. Reeves, G. and Reid, R. (1988), Minimum values over the efficient set in multiple objective decision making, European Journal of Operational Research 36, 334-338. Schrijver, A. (1986), Theory of Linear and Integer Programming, John Wiley & Sons. Sedeo-Noda, A. (2001), Nuevos Algoritmos y Mejoras Computacionales para Problemas de Flujos en Redes, Tesis Doctoral, DEIOC, Universidad de La Laguna.
[Rc70] [Rd77]
[Rd82]
[RhWb84]
[Rm93] [RmZK86]
[RmZK89]
[Rn92]
[RRCS99]
[Rs86] [RvRd88]
[Sc86]
[Sd01]
BIBLIOGRAFA
[SdGn01]
347
Sedeo-Noda, A. and Gonzlez-Martn, C. (2001), An algorithm for the biobjective integer minimum cost flow problem, Computers and Operations Research 28, 139-156. Shapiro, J. (1975), Multiple criteria public investment decision making by mixed integer programming, Thiriez, H. and Zionts, S. (eds.), Multiple Criteria Decision Making, Lecture Notes in Economics and Mathematical Systems, No. 130, Berlin: Springer-Verlag, 170181. Shin, W. and Ravindran, A. (1991), Interactive multiple objective optimization: Survey I--Continuous case, Computers and Operations Research 18, 97-114 Solanki, R. (1991), Generating the noninferior set in mixed integer biobjective linear programs: An application to a location problem, , Computers and Operations Research 18, 1-15. Solanki, R., Appino, P. and Cohon, J. (1993), Approximating the noninferior set in multiobjective linear programming problems, European Journal of Operational Research 68, 356-373. Solanki, R.and Cohon, J. (1989), Approximating the noninferior set in linear biobjective programs using multiparametric decomposition, European Journal of Operational Research 41, 355-366. Som, R. (1996), Practical Sampling Techniques, Second Edition, Revised and Expanded, Dekker. Serafini, P. (1986), Some considerations about computational complexity for multi objective combinatorial problems, Recent advances and historical development of vector optimization, Lecture Notes in Economics and Mathematical Systems, No. 294, Berlin: Springer-Verlag, 222-232. Stroustrup, B. (2000), The C++ Programming Language, Spetial Edition, Addison Wesley. Steuer, R. (1976), A five phase method procedure for implementing a vector-maximum algorithm for multiple objective linear programming problems, Thiriez, H. and Zionts, S. (eds.), Multiple Criteria Decision Making, Lecture Notes in Economics and Mathematical Systems, No. 130, Berlin: Springer-Verlag, 159-169. Steuer, R. (1976), Multiple objective linear programming with interval criterion weights, Management Science 23, No. 3, 305-316.
[Sh75]
[ShRv91]
[Sl91]
[SlAC93]
[SlCh89]
[Sm96]
[Sr86]
[St00] [St76a]
[St76b]
348
[St78]
BIBLIOGRAFA
Steuer, R. (1978), Vector-maximum gradient cone contraction techniques, Zionts, S. (ed.), Multiple Criteria Problem Solving, Lecture Notes in Economics and Mathematical Systems, No. 155, Berlin: Springer-Verlag, 462-481. Steuer, R. (1986), Multiple Criteria Optimization: Computation and Application, John Wiley & Sons. Theory,
[St86]
[St89]
Steuer, R. (1989), ADBASE Multiple-Objective Linear Programming Package, University of Georgia, Athens, Georgia. Steuer, R. (1994), Random problem generation and the computation of efficient extreme points in multiple objective linear programming, Computational Optimization and Applications 3, 333-347. Strijbosch, L., Doorne, A. and Selen, W. (1991), A simplified MOLP algorithm: The MOLP-S procedure, Computers Ops. Res. 18, 709-716. Standish, T. (1980), Data Structure Techniques, Addison Wesley. Steuer, R. and Piercy, C. (1998), Cone decomposition for the solution of efficient extreme points in parallel, Haimes, Y. and Steuer, R. (eds.), Research and Practice in Multiple Criteria Decision Making, Lecture Notes in Economics and Mathematical Systems, No. 487, Berlin: Springer-Verlag, 369-380. Strijbosch, L., Van Doorne, A. and Selen, W. (1991), A simplified MOLP algorithm: The MOLP-S procedure, Computers and Operations Research 18, 709-716. Sawaragi, Y., Nakayama, H. and Tanino, T. (1985), Theory of Multiobjective Optimization, Academic Press. Sayin, S. (1996), An algorithm based on facial decomposition for finding the efficient set in multiple objective linear programming, Operations Research Letters 19, 87-94. Teghem, J. and Kunsch, P. (1986), A survey of techniques for finding efficient solutions to multi-objective integer linear programming, Asia-Pacific Journal of operational Research 3, 95-108. Thieu, T. (1988), A note on the solution of bilinear problems by reduction to concave minimization, Mathematical Programming 41, 249-260. Thulasiraman, K. and Swamy, M. (1992), Graphs: Theory and Algorithms, John Wiley and Sons.
[St94]
[StDS91]
[Stn80] [StPr98]
[StVS91]
[SwNT85]
[Sy96]
[TgKn86]
[Th88]
[ThSw92]
BIBLIOGRAFA
[ThTZ66]
349
Thompson, G. Tongue, F. and Zionts, S. (1966), Techniques for removing nonbinding constraints and extraneous variables from linear programming problems, Management Science 12, No. 7, 588608. Telgen, J. (1980), Redundancy and Linear programs, Mathematical Centre Tracts 137. Tanino, T. and Sawaragi, Y. (1979), Duality theory in multiobjective programming, Journal of Optimization Theory and Applications 27, 509-529. Tung, C. and Chew, K. (1992), A multicriteria Pareto-optimal path algorithm, European Journal of Operational Research 62, 203-209. Ulungu, E. and Teghem, J. (1994), Multi-objective combinatorial optimization problems: A survey, Journal of Multi-Criteria Decision Analysis 3, 83-104. Villareal, B. and Karwan, M. (1981), An interactive dynamic Programming approach to multicriteria discrete programming, Journal of Mathematical Analysis and Applications 81, 524-544. Villareal, B. and Karwan, M. (1981), Multicriteria integer programming: A (hybrid) dynamic programming recursive approach, Mathematical Programming 21, 204-223. Villareal, B., Karwan, M. and Zionts, S. (1980), An interactive branch and bound procedure for multicriterion integer linear programming, Fandel, G. and Gal, T. (eds.), Multiple Criteria Decision Making: Theory and Application, Lecture Notes in Economics and Mathematical Systems, No. 177, Berlin: Springer-Verlag, 448-467. Wiecek, M. and Zhang, H. (1997), A parallel algorithm for multiple objective linear programs, Computational Optimization and Applications 8, 41-56. White, D. (1982), The set of efficient solutions for multiple objective shortest path problems, Computers and Operations Research 9, 101107. White, D. (1983), A branch and bound method for multi-objective boolean problems, in Multi-Objective Decision Making, Edited by S. French, R. Hartley, L. C. Thomas and D. J. White, Academic press, London. White, D. (1984), A branch and bound method for multi-objective boolean problems, European Journal of Operational Research 15, 126130.
[Tl80]
[TnSw79]
[TuCh92]
[UlTg94]
[VlKr81a]
[VlKr81b]
[VlKZ80]
[WcZh97]
[Wh82]
[Wh83]
[Wh84]
350
[Wh91]
BIBLIOGRAFA
White, D. (1991), A characterisation of the feasible set of objective function vectors in linear multiple objective problems, European Journal of Operational Research 52, 361-366. Wilamowsky, Y. Epstein, S. and Dickman, B. (1990), Optimization in multiple-objective linear programming problems with pre-emptive priorities, Journal of the Operational Research Society 41, 351-356. Wendell, R. and Lee, D. (1977), Efficiency in multiple objective optimization problems, Mathematical Programming 12, 406-414. Weistroffer, H. (1985), Careful usage of pessimistic values is needed in multiple objectives optimization, Operations Research Letters 4, 2325. Yamada, S., Tanino, T. and Inuiguchi, M. (1998), An outer approximation method for optimization over the efficient set, Haimes, Y. and Steuer, R. (eds.), Research and Practice in Multiple Criteria Decision Making, Lecture Notes in Economics and Mathematical Systems, No. 487, Berlin: Springer-Verlag, 196-207. Yu, P. (1974), Cone convexity, cone extreme points, and nondominated solutions in decision porblems with multiobjectives, Journal of Optimization Theory and Applications 14, No. 3, 319-377. Yu, P. (1985), Multiple-Criteria Decision Making, Plenum Press, New York. Yu, P. and Zeleny, M. (1975), The set of all nondominated solutions in linear cases and a multicriteria simplex method, Journal of Mathematical Analysis and Applications 49, 430-468. Yu, P. and Zeleny, M. (1976), Linear multiparametric programming by multicriteria simplex method, Management Science 23, No 2, 159170. Ziegler, G. (1998), Lectures on Polytopes, Second Edition, Springer. Zeleny, M. (1974), Linear Multiobjective Programming, Lecture Notes in Economics and Mathematical Systems, No. 95, Berlin: SpringerVerlag. Zeleny, M. (1982), Multiple Criteria Decision Making, New York: McGraw-Hill. Zionts, S. (1977), Integer linear programming with multiple objectives, Annals of Discrete Mathematics 1, 551-562.
[WlED90]
[WnLee77] [Ws85]
[YmTI98]
[Yu74]
[Yu85] [YuZl75]
[YuZl76]
[Zg98] [Zl74]
[Zl82]
[Zn77]
BIBLIOGRAFA
[Zn85]
351
Zionts, S. (1985), Multiple criteria mathematical programming: An overview and several approaches, Mathematics of Multi Objective Optimization, Springer-Verlag, 227-273. Zionts, S. and Wallenius, J. (1976), An interactive programming method for solving the multiple criteria problem, Management Science 22, 652-663. Zionts, S. and Wallenius, J. (1980), Identifying efficient vectors: Some theory and computational results, Operations Research 28, 785-793. Zrnig, P. (1993), A theory of degeneracy graphs, Annals of Operations Research 47, 541-556.
[ZnWl76]
[ZnWl80]
[Zr93]

Programación Vectorial Lineal y Entera

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Programación Vectorial Lineal y Entera

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD DE LA LAGUNA

Programacin vectorial lineal y entera

Autor: Jorge Santiso, Jess Manuel Director: Carlos Gonzlez Martn

Departamento de Estadstica, Investigacin Operativa y Computacin

Investigacin Operativa y Computacin de la Universidad de La Laguna,

Fdo.: Carlos Gonzlez Martn

A mi esposa Marianela, mi amor y mi inspiracin.

A mis hijos Samuel, David e Ivn, un maravilloso sueo hecho realidad.

NOTACIN Y SMBOLOS Gradiente de la i-sima funcin objetivo. Conjunto de dominacin de x : x R n / x = x + y, y C

NOTACIN Y SMBOLOS ILVP

Regin de indiferencia asociada a la base B : k t R+ + / R0

Regin de indiferencia de Y asociada al problema P : 0k / Y S P

Problema de maximizacin uniforme de holguras: max{s / z (x ) es , x X , s R+ }

NOTACIN Y SMBOLOS Problema paramtrico o ponderado: max t z (x ) / x X

Problema paramtrico-restringido: max t z (x ) / x X , z (x )

Problema de la norma ponderada: p k I min i zi zi (x ) / x X i =1 Problema objetivo:

r.h.s. S (P ) SP SQ s.f.b. T (B ) v.b. V ( C)

1 2 j tal que x1j < x 2 j xj > xj

2 i, j tales que xi1 < xi2 y x 1 j > xj

2 Caracterizaciones de Caras Eficientes

2.9 Caras Arbitrarias Eficientes ............................................................133 2.10 Regiones de Indiferencia ..................................................................136

3 Tpicos Seleccionados en Programacin Vectorial Lineal 139

4 Mtodos Generadores de Soluciones Eficientes

5 Programacin Vectorial Lineal Entera

xxvii Mtodo de los Retculos Completamente Eficientes .....320

Conclusiones e Investigaciones Futuras Bibliografa

Fundamentos de la Programacin Vectorial: El Caso Lineal

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

1.2 El problema de Decisin Multicriterio

1.2. EL PROBLEMA DE DECISIN MULTICRITERIO

1.2.1 El Sistema de Preferencias como una Relacin Binaria

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

{ } = {(z1 , {%} = {(z1 , {~} = {(z1 ,

{ }, {%} y {~} forman una particin de

1.2. EL PROBLEMA DE DECISIN MULTICRITERIO Definicin 1.2.2 Se dice que la preferencia si { } { }.

De esta manera, dada la preferencia viceversa.

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

1.2. EL PROBLEMA DE DECISIN MULTICRITERIO

1.2.2 El Sistema de Preferencias Inducido por una Funcin de Valor.

{ } se puede ver como la

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

1.2. EL PROBLEMA DE DECISIN MULTICRITERIO

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

1.3 El Problema General de Programacin Vectorial

Al conjunto de soluciones superiores de P lo denotaremos por S P .

1.3. EL PROBLEMA GENERAL DE PROGRAMACIN ...

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ... Obsrvese que:

1.3. EL PROBLEMA GENERAL DE PROGRAMACIN ...

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

1.3. EL PROBLEMA GENERAL DE PROGRAMACIN ...

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

1.4 Escalarizaciones para el VP

Evidentemente, el interior relativo de k , indicado por , viene dado por

1.4.1 Problema Paramtrico (o Ponderado)

) > t z ( x ) #, pues ) z ( x ) t z ( x X , z( x absurdo que x E P x x S P . Luego, x E P .  Como consecuencias inmediatas tenemos:

1.4. ESCALARIZACIONES PARA EL VP

Corolario 1.4.4 Si X es compacto entonces E P .

El Teorema 1.4.2 se puede refinar an ms. Efectivamente:

x E P . Vamos a probar que

)) < 0 x ) #, X , t z (x ) < t z (x (x) z j (x 

1. FUNDAMENTOS DE LA PROGRAMACIN VECTORIAL: ...

Sumando sobre i y reordenando: k 1 + M ji z j (x ) j =1 i j

) > t z ( x ) #, pues ) z ( x ) t z ( x X , z( x absurdo que x E P x x S P . Luego, x E P . Como consecuencias inmediatas tenemos:

)) < 0 x ) #, X , t z (x ) < t z (x (x) z j (x

Demostracin. Directa aplicando la Proposicin 1.4.27 y el Teorema 1.4.9.

( ) es no factible o no Corolario 1.4.41 WE P = si, y slo si R k , P acotado.

Demostracin. ( ) es acotado. Sea Supongamos por reduccin al absurdo que R k , P P P t t x , s S P ( ) x WE #, pues WE = .

Demostracin. Si X = , el teorema es trivial. Supongamos X . x S P 0k , x S P . Por dualidad escalar, 0k , u R m ,