INSTITUTO TECNOLOGICO DE PIEDRAS NEGRAS

Joselin Xaiuri guerrero Montoya I.S.C 11430150 Hctor David garza Casos especiales de mtodo simplex

Casos

especiales

en

la

aplicacin

del

mtodo simplex
Consideraremos casos especiales que pueden presentarse en la aplicacin del mtodo simplex, entre los que se encuentran: Degeneracin. Opciones ptimas. Soluciones no acotadas. Soluciones inexistentes (o infectables). DEGENERACION En la aplicacin de la condicin de factibilidad, una coincidencia de la razn mnima se debe descomponer en forma arbitraria para los fines de determinar la variable que sale. Cuando suceda esto una o ms veces de las variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En este caso, decimos que la nueva solucin es degenerada. Ejemplo degenerada) Maximizar z = 3x1 +9x2 Sujeto a x1 + 4x2 8 x1 + 2x2 4 x1,x2 0 Tabla 3-2 Tres rectas cruzan el ptimo. Como ste es un problema bidimensional, se dice que el punto est ms que determinado (o sobre determinado), ya que solo necesitamos dos rectas para identificarlo. Por este motivo, concluimos que una de las restricciones es redundante. Desafortunadamente no existen tcnicas confiables para identificar restricciones redundantes directamente a partir de la tabla. (Solucin ptima

Figura 3-4 Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La primera tiene que ver con el fenmeno del ciclare reciclaje. Si se observan las iteraciones 1 y 2 de la tabla 3-2, se ver que el valor de la funcin objetivo no ha mejorado (z=18). Por lo tanto, es posible, en trminos generales, que el procedimiento simplex repetira la misma sucesin de iteraciones, sin mejorar nunca el valor de la funcin objetivo ni poner fin a los clculos. El segundo punto terico se presenta en el examen de las iteraciones 1 y 2. Ambas iteraciones, pese a diferir en la clasificacin de las variables como bsicas y no bsicas, producen valores idnticos de todas las variables y el valor de la funcin objetivo, es decir, x1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18 Por lo tanto, se genera un argumento relacionado con la posibilidad de suspender los clculos en la iteracin 1 (cuando aparece la degeneracin), aunque no es ptima. Este argumento no es vlido porque, en general, una solucin puede ser temporalmente degenerada. OPCIONES PTIMAS: Cuando la funcin objetivo es paralela a una restriccin de enlace (o sea, una restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima), la funcin objetivo tomara el mismo valor optimo en ms de un punto de solucin. Por esta razn reciben el nombre de opciones ptimas. Ejemplo (Infinidad de soluciones) Maximizar z = 2x1 + 4x2 Sujeto a x1 + x2 5

x1 + x2 4 x1, x2 0 En trminos algebraicos sabemos que el mtodo simplex es capaz de encontrar soluciones en puntos extremos exclusivamente.

Figura 3-5 Como es de esperarse, el mtodo simplex slo determina los puntos extremos B y C. Matemticamente podemos determinar todos los puntos (x1, x2), del segmento de recta BC, como un promedio ponderado no negativo de los puntos B y C. Esto es, dada la relacin 0 1 y B: x1 =0, x2=5/2 C: X1=3, x2=1 Tabla 3-3

SOLUCION NO ACOTADA

En algunos modelos de programacin lineal los valores de las variables se pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio de soluciones es no acotado cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puede crecer (caso de maximizacin) o de crecer (caso de minimizacin) en forma indefinida. En este caso decimos que el espacio de soluciones y el valor "ptimo" de la funcin objetivo son no acotados. La falta de explicacin en un modelo puede sealar solo una cosa: el modelo est mal construido. Evidentemente resulta irracional hacer que un modelo produzca una ganancia " infinita". Las irregularidades mas probables en estos modelos son: 1) No se toman en cuenta una mas restricciones redundantes, y 2) No se determinan correctamente los parmetros (constantes) de algunas restricciones. La regla general para reconocer la falta de acotacin es la siguiente. Sien cualquier iteracin los coeficientes de las restricciones de una variable no bsica son no positivos, entonces el espacio de soluciones no esta acotado en esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable en el caso de la maximizacin o positivo en el caso de la minimizacin, entonces el valor de la funcin objetivo tampoco esta acotado. Ejemplo (Funcin objetivo no acotada) Maximizar z = 2x1 + x2 Sujeto a x1 - x2 10 2x1 40 x1, x2 0 Iteracin inicial En la tabla inicial x1 y x2 son los candidatos para entrar en la solucin. Como x1 tiene el coeficiente ms negativo. Normalmente se selecciona como la variable que entra. Sin embargo, ntese que todos los coeficientes de las restricciones por debajo de x2 son negativos o cero, esto significa que x2 se

puede hacer crecer en forma indefinida sin que se infrinja ninguna de las restricciones. Como cada incremento de una unidad en x2, aumentar z en 1, un incremento infinito en x2 tambin dar lugar a un incremento infinito en z. Por lo tanto, concluimos que el problema no tiene solucin acotada. Este resultado se puede apreciar en la figura 3-6. El espacio de soluciones no est acotado en la direccin de x2 y el valor de z puede crecer en forma indefinida. Figura 3-6 La regla general para reconocer la falta de acotacin es la siguiente. Si en cualquier iteracin los coeficientes de las restricciones de una variable no bsica son no positivos, entonces el espacio de soluciones no est acotado en esa direccin. Adems, si el coeficiente de la funcin objetivo de esa variable es negativo en el caso de la maximizacin o positivo en el caso de la minimizacin, entonces el valor de la funcin objetivo est acotado. SOLUCION INFACTIBLE Si las restricciones no se pueden satisfacer en forma simultnea, se dice que el modelo no tiene solucin factible. Esta situacin nunca puede ocurrir si todas las restricciones son del tipo (suponiendo constantes no negativas en el segundo miembro) ya que la variable de holgura produce siempre alguna solucin factible. Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos al uso de variables artificiales que, por su mismo diseo, no ofrecen una solucin factible al modelo original. Aunque se toman medidas (a travs del uso de la penalizacin) para hacer que las variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo tiene un espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la iteracin ptima. Esta es nuestra indicacin que el problema no tiene solucin factible.

Desde el punto de vista prctico un espacio infectable apunta a la posibi lidad de que el modelo no se haya formulado correctamente en virtud de que las restricciones estn en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en forma simultnea, en este caso, quina se necesite una estructura del modelo totalmente deferente que no admita todas las restricciones al mismo tiempo. Tabla 3-4 Ejemplo de espacio de solucin infectable Maximizar z = 3x1 + 2x2 Sujeto a 2x1 + x2 2 3x1 + 4x2 12 x1, x2 0 Las iteraciones simplex de la tabla 3-4 muestran que la variable artificial R es positiva (= 4) en figura 3-7 muestra el espacio de soluciones infectable. El mtodo simplex, haciendo posible que la variable artificial sea positiva, ha invertido 4x2 12 en a esencia la direccin de la desigualdad de 3x1 + 3x1 + 4x2 12. El resultado lo podemos llamar la solucin la solucin ptima. Esta es una indicacin de que el espacio de soluciones es infectable. La

pseudoptima, como se muestra en la figura 3-7. Figura 3-7

http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/InvOperChave/Docume ntos/Unidad4/UNIDAD42.htm