Documente Academic
Documente Profesional
Documente Cultură
El análisis de sensibilidad o postoptimal para los modelos de Programación Lineal, tiene por
objetivo identificar el impacto que resulta en los resultados del problema original luego de
determinadas variaciones en los parámetros, variables o restricciones del modelo, sin que esto
pase por resolver el problema nuevamente.
Es decir, ya sea si resolvemos nuestro modelo gráficamente o utilizando el Método Simplex, lo que
se busca es que estas variaciones o sensibilidad hagan uso de la solución y valor óptimo actual, sin
tener la necesidad de resolver para cada variación un nuevo problema. En especial nos
concentraremos en el análisis de sensibilidad o postoptimal que hace uso de la tabla final del
Método Simplex.
TEORÍA
Siguiendo la notación utilizada en la sección dedicada al Método Simplex en nuestro sitio, éste
opera para modelos de Programación Lineal en un formato estándar.
Min cTx
s.a Ax = b
x >= 0
Donde:
I: Matriz Identidad
b: Lado derecho
1. Cambio en el "lado derecho" de las restricciones: Lo que se busca identificar si las actuales
variables básicas se mantienen luego de la modificación de uno o más parámetros asociados al
"lado derecho" del modelo. Si calculamos:
y se cumple , Las mismas variables básicas lo son también de la nueva
solución óptima, calculada con el nuevo . Si lo anterior no se cumple, se puede aplicar el Método
Simplex Dual.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las actuales variables básicas
óptimas del problema también lo son del mismo problema, donde los lados derechos corresponde
al vector b=(20,30). (Observación: X4 y X5 son variables de holgura de la restricción 1 y 2
respectivamente)
X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20
Para analizar este escenario debemos calcular el vector de variables básicas y verificar si todos sus
componentes son positivos definidos. Nótese que para esto necesitamosla matriz B inversa, la cual
fácilmente podemos rescatar identificando los parametros asociados a X4 y X5 (variables de
holgura de la restricción 1 y 2 respectivamente) en la tabla final del Método Simplex:
Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene un valor negativo,
cambia la actual base óptima. Cabe destacar que ante esta situación no es necesario resolver el
nuevo escenario partiendo de cero, sino lo que se debe hacer es utilizar la tabla final del simplex
del escenario base, actualizando el lado derecho y valor de la función objetivo.
X1 X2 X3 X4 X5
0 -1 5 1 -1 -10
1 4 -1 0 1 30
0 1 1 0 2 60
Posteriormente, se continua iterando haciendo uso del Método Simplex Dual. (Ver referencia a la
derecha).
2. Inclusión de una nueva variable: Debemos evaluar si la nueva variable es un aporte significativo
a los resultados del modelo original. Luego, para decir si la actual solución básica es óptima para el
nuevo problema, calculamos el costo reducido de la nueva variable como:
EJEMPLO: Se desea estudiar la posibilidad de elaborar un nuevo producto con beneficio neto igual
a 8 y que requiere 4, 2 y 5 unidades de los recursos asociados a cada restricción. Sin resolver
nuevamente el problema, ¿Conviene elaborar el producto?
X1 X2 X3 X4 X5
1 0 1/2 -1/2 0 15
0 1 -1/3 2/3 0 40
0 0 -4/3 2/3 1 20
En este ejemplo rk=1>=0, por lo cual no conviene la incorporación de esta nueva variable al
modelo, es decir, aun cuándo sea incorporada no obtendremos un valor óptimo que supere el
actual V(P)=615. De todas formas mostraremos como se incluye en la tabla final del Simplex esta
modificación de modo que el lector pueda entender su incorporación cuando es necesario:
X1 X2 X3 X4 X5 XNew
1 0 1/2 -1/2 0 1 15
0 1 -1/3 2/3 0 0 40
0 0 -4/3 2/3 1 1 20
Si el costo reducido de esta nueva variable hubiese sido cero, entonces el nuevo escenario tendría
infinitas soluciones.
3. Cambio en los Coeficientes Función Objetivo: Se busca identificar qué ocurre con la actual
solución óptima del escenario base si se cambian uno o varios de los coeficientes que definen la
función objetivo. La solución óptima actual también lo será para el nuevo escenario siempre que
los nuevos costos reducidos sean mayores o iguales a cero (notar que también cambia el valor de
la función objetivo en la actual solución óptima). Es decir se debe cumplir que:
En caso contrario, se aplica el Simplex a partir de la tabla final del modelo original, con los nuevos
costos reducidos y nuevo valor de la actual solución básica.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se modifica los
parámetros de la función objetivo, quedando éstos de la siguiente forma: Z = x1 + 5x2 - 2x3. (X4 y
X5 son las variables de holgura de la restricción 1 y 2 respectivamente).
X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20
Debido a que los cambios en los parámetros de la función objetivo se producen en más de una
variable consideraremos la siguiente fórmula:
Debido a que al menos uno de los costos reducidos de las variables no básicas se ha vuelto
negativo, entonces cambia la actual solución y valor óptimo del problema. Para incorporar esta
modificación en la tabla final del Método Simplex se actualiza los costos reducidos asociados a las
variables no básicas, además del valor óptimo, quedando como sigue:
X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 -1 1 0 1 10
4. Inclusión de una nueva restricción: Para saber si la actual solución y valor óptimo se mantendrá
luego de incorporar una nueva restricción al problema se debe evaluar la solución actual y verificar
si satisface la nueva restricción. En caso afirmativo, la actual solución también lo será del problema
con la nueva restricción, en caso contrario se incorpora la nueva restricción a la tabla final del
Simplex del escenario base.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se considera una
nueva restricción de la forma: 3x1 + 2x2 + 3x3 <= 25. (Observación: Considerar mismo modelo y
tabla final del ejemplo anterior)
Se evalua la solución actual en la restricción: 3*(10) + 2*(0) + 3*(0) <= 25. No cumple. Por tanto se
incorpora esta nueva restricción como fila a la tabla final del Simplex. Adicionalmente, se
agrega X6 como variable de holgura asociada a esta nueva restricción:
X1 X2 X3 X4 X5 X6
0 -1 5 1 -1 0 20
1 4 -1 0 1 0 10
3 2 3 0 0 1 25
0 1 1 0 2 0 20
Una alternativa para encontrar el óptimo a través de esta tabla es formar la identidad (debemos
hacer cero el parámetro asociado a X1 en la tercera fila) multiplicando la fila 2 por -3 y sumando
dicho resultado a la fila 3. De esta forma se obtiene:
X1 X2 X3 X4 X5 X6
0 -1 5 1 -1 0 20
1 4 -1 0 1 0 10
0 -10 6 0 -3 1 -5
0 1 1 0 2 0 20
Luego por cada variable en el problema primal vamos a tener la misma cantidad
de restricciones en el problema dual. En este caso las
variables X1, X2 y X3 definirán la estructura de las restricciones 1, 2 y 3 en
nuestro problema dual. Por ejemplo la primera restricción del problema dual
(asociada a la variable primal X1) sería 2Y1+2Y2<=160.
Notar que los coeficientes que ponderan a las variables duales son
los parámetros asociados a la variable X1 en el primal en la primera y segunda
restricción, respectivamente. La restricción en el dual es del tipo “<=” debido a
que la variable X1 en el problema primal de minimización tiene la condición de no
negatividad (“>=0”). Por último el lado derecho de la restricción es el coeficiente
que tiene la variable X1 en la función objetivo del problema primal. Siguiendo el
procedimiento las restricciones del problema dual serían:
Finalmente como las 2 primeras restricciones del problema primal son del
tipo “>=” en el problema primal de minimización, las respectivas variables duales
asociadas en el problema de maximización serán no negativas. De esta forma el
problema dual es:
Bryan Antonio
Salazar López
Los problemas de transporte o distribución son uno de los más aplicados en la
economía actual, dejando como es de prever múltiples casos de éxito a escala
global que estimulan la aprehensión de los mismos.
PROBLEMA DE TRANSPORTE
MEDIANTE PROGRAMACIÓN LINEAL
Como se mencionó anteriormente, la programación lineal puede ser utilizada para
la resolución de modelos de transporte, aunque no sea sensato resolver los modelos
mediante el Método Simplex, si puede ser de gran utilidad la fase de modelización,
la programación carece de la practicidad de los métodos de asignación, pero puede
ser de gran importancia dependiendo de la complejidad de las restricciones
adicionales que puede presentar un problema particular.
EL PROBLEMA
Una empresa energética colombiana dispone de cuatro plantas de generación para
satisfacer la demanda diaria eléctrica en cuatro ciudades, Cali, Bogotá, Medellín y
Barranquilla. Las plantas 1,2,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW
al día respectivamente. Las necesidades de las ciudades de Cali, Bogotá, Medellín
y Barranquilla son de 70, 40, 70 y 35 millones de Kw al día respectivamente.
Los costos asociados al envío de suministro energético por cada millón de KW entre
cada planta y cada ciudad son los registrados en la siguiente tabla.
www.ingenieriaindustrialonline.com
www.ingenieriaindustrialonline.com
ZMIN = 5X1,1 + 2X1,2 + 7X1,3 + 3X1,4 + 3X2,1 + 6X2,2 + 6X2,3 + 1X2,4 + 6X3,1 + 1X3,2 +
2X3,3 + 4X3,4 + 4X4,1 + 3X4,2 + 6X4,3 + 6X4,4
Luego se puede proceder al uso de la herramienta WinQSB para resolver el modelo
realizado, aquí están los resultados.
www.ingenieriaindustrialonline.com
www.ingenieriaindustrialonline.com
Este problema presenta una solución óptima alternativa, aquí los resultados.
Red Solución
En la práctica conocer que algunos recursos (como los asociados a una restricción)
son superfluos puede ser valioso durante la implementación de la solución. Desde el
punto de vista teórico, la degeneración tiene dos implicaciones: se genera el
fenómeno de ciclos o círculos (es posible que el Método Simplex repita una serie de
iteraciones sin mejorar el valor de la función objetivo, tal como se observo en el
ejemplo anterior e incluso eventualmente nunca terminar los cálculos); el segundo
aspecto teórico surge al examinar las iteraciones 1 y 2. Las dos, aunque difieren en
la clasificación de las variables básicas y no básicas, producen valores idénticos para
todas las variables y el valor objetivo ( ).
x1 x2 x3 h1 h2 h3
h1 3 4 2 1 0 0 0 300
h2 2 1 2 0 1 0 0 200
h3 1 3 3 0 0 1 0 150
Z -2 -4 -5 0 0 1 1 0
Variables y coeficientes
Para determinar las variables de un problema mediante el método del símplex, es preciso hallar primero
la base de resolución. En esta base:
Se incluye una variable de decisión, la que posee el coeficiente negativo mayor. La columna a la que
corresponde se llama columna pivote.
Se excluye una variable de holgura. Se divide cada término por el correspondiente de la columna
pivote y se calcula el menor cociente positivo.
Se aplica entonces el método de eliminación gaussiana para anular los términos de la columna pivote,
tantas veces como se precisa hasta que en la última fila sólo haya coeficientes positivos. (Tal será la
solución).
MÉTODO HÚNGARO
Apartándonos un poco de la idea expresada en módulos anteriores respecto a la
facilidad de resolver problemas atinentes a la investigación operativa en especial
aquellos de transporte mediante el uso de herramientas tecnológicas como lo son
WinQSB, LINGO, TORA, STORM, Excel etc.. vale la pena ya sea para fines
académicos o de cultura ingenieril realizar la resolución del problema de asignación
mediante el algoritmo que se creó para tal fin, como lo es el Método Húngaro.
El método Húngaro es un método de optimización de problemas de asignación,
conocido como tal gracias a que los primeros aportes al método clásico definitivo
fueron de Dénes König y Jenő Egerváry dos matemáticos húngaros. El algoritmo tal
como se detallará a continuación está diseñado para la resolución de problemas
de minimización únicamente, será entonces cuestión de agregar un paso adicional
para abordar ejercicios de maximización.
RESOLUCIÓN DE UN PROBLEMA DE
ASIGNACIÓN MEDIANTE EL MÉTODO
HÚNGARO
EL PROBLEMA
La compañía de manufactura "Jiménez y Asociados" desea realizar una jornada de
mantenimiento preventivo a sus tres máquinas principales A, B y C. El tiempo que
demanda realizar el mantenimiento de cada máquina es de 1 día, sin embargo la
jornada de mantenimiento no puede durar más de un día, teniendo en cuenta que
la compañía cuenta con tres proveedores de servicios de mantenimiento debe de
asignarse un equipo de mantenimiento a cada máquina para poder cumplir con la
realización del mantenimiento preventivo. Teniendo en cuenta que según el grado
de especialización de cada equipo prestador de servicios de mantenimiento el costo
de la tarea varía para cada máquina en particular, debe de asignarse el equipo
correcto a la máquina indicada con el objetivo de minimizar el costo total de la
jornada. Los costos asociados se pueden observar en la siguiente tabla:
www.ingenieriaindustrialonline.com
PASO 1
Encontramos el menor elemento de cada fila
www.ingenieriaindustrialonline.com
PASO 2
Construimos una nueva matriz con las diferencias entre los valores de la matriz
original y el elemento menor de la fila a la cual corresponde.
www.ingenieriaindustrialonline.com
PASO 3
En la matriz construida en el paso anterior se procede a efectuar el paso 1 esta vez
en relación a las columnas, por ende escogemos el elemento menor de cada
columna. Igualmente construimos una nueva matriz con la diferencia entre los
valores de la matriz 2 y el elemento menor de la columna a la cual corresponde cada
valor.
www.ingenieriaindustrialonline.com
PASO 4
En este paso trazaremos la menor cantidad de combinaciones de líneas
horizontales y verticales con el objetivo de cubrir todos los ceros de la matriz de
costos reducidos.
www.ingenieriaindustrialonline.com
www.ingenieriaindustrialonline.com
www.ingenieriaindustrialonline.com
Ahora observamos cómo se hace necesario trazar tres líneas (la misma cantidad de
filas o columnas de la matriz) por ende se ha llegado al tabulado final, en el que por
simple observación se determina las asignaciones óptimas.
www.ingenieriaindustrialonline.com
RESOLUCIÓN DE UN PROBLEMA DE
MAXIMIZACIÓN MEDIANTE EL MÉTODO
HÚNGARO
EL PROBLEMA
Una organización de recolección de café cuenta con tres equipos de siembra y
cosecha del mismo (equipos 1, 2, 3). Estos equipos de trabajo se encuentran
entrenados para trabajar en condiciones particulares del proceso, condiciones como
lo son el tipo de suelo, las condiciones del clima y el tipo de grano.
La organización cuenta con cuatro terrenos disponibles para efectuar el proceso de
siembra y cosecha (terrenos A, B, C, D), estos terrenos tienen condiciones
particulares de suelo, clima y tipo de grano. Cada equipo cuenta con la capacidad
de efectuar el proceso en solo uno de los terrenos disponibles, salvo el equipo 2,
que cuenta con una serie de herramientas tecnológicas que le permiten realizar la
siembra y cosecha del grano en dos de los terrenos disponibles.
Lo primero que debemos hacer es ubicar el mayor valor del tabulado inicial.
En este caso este valor es 15, por lo cual procederemos a realizar la siguiente
operación con cada uno de los valores:
Restaremos a 15, el valor de cada una de las celdas y este valor quedará en cada
una de las celdas correspondientes.
A partir de este tabulado ya podemos aplicar el algoritmo del método húngaro como
se aplicaría en un caso e minimización (normalmente).
Ahora efectuamos este mismo paso, pero esta vez con las columnas. Elegimos el
menor de los valores de cada columna y se lo restamos a cada una de las celdas
de la columna correspondiente.
Ahora procedemos a cubrir la mayor cantidad de ceros, con la menor cantidad de
líneas, si el número de líneas que empleemos es igual al grado de la matriz (en este
caso matriz grado 4, 4x4) habremos llegado al final del ejercicio.
Las asignaciones, como es lógico deberán iniciarse por el equipo al cual solo
corresponda un terreno, en este caso al Equipo 3 le corresponde el Terreno A. De
esta manera al Equipo 1 le corresponde el Terreno D. Mientras tanto el Equipo 2 se
encargará de la cosecha en los terrenos B y C. Según el tabulado del problema
(recordemos que es de maximización), la cantidad de sacos (expresada en cientos
de sacos) será así:
RESOLUCIÓN DE UN PROBLEMA DE
ASIGNACIÓN MEDIANTE
PROGRAMACIÓN LINEAL
EL PROBLEMA
La compañía de manufactura "Jiménez y Asociados" desea realizar una jornada de
mantenimiento preventivo a sus tres máquinas principales A, B y C. El tiempo que
demanda realizar el mantenimiento de cada máquina es de 1 día, sin embargo la
jornada de mantenimiento no puede durar más de un día, teniendo en cuenta que
la compañía cuenta con tres proveedores de servicios de mantenimiento debe de
asignarse un equipo de mantenimiento a cada máquina para poder cumplir con la
realización del mantenimiento preventivo. Teniendo en cuenta que según el grado
de especialización de cada equipo prestador de servicios de mantenimiento el costo
de la tarea varía para cada máquina en particular, debe de asignarse el equipo
correcto a la máquina indicada con el objetivo de minimizar el costo total de la
jornada. Los costos asociados se pueden observar en la siguiente tabla:
VARIABLES DE DECISIÓN
Las variables de decisión de este tipo de problemas es igual a las variables de
cualquier modelo de transporte tradicional, es decir variables Xi,j donde i {Equipo de
mantenimiento 1,2,3} y j {Máquina 1,2,3}, y corresponden a variables binarias en las
cuales el valor 1 significa la asignación de un equipo de mantenimiento a una
máquina en particular.
RESTRICCIONES
Dado que un equipo de mantenimiento no puede ser asignado a más de una
maquinaria, esta característica debe de restringirse mediante las siguientes
inecuaciones.
Además debe restringirse el hecho de que cada máquina solo requiere de un equipo
de mantenimiento, por ende
X1,1 + X2,1 + X3,1 = 1
X1,2 + X2,2 + X3,2 = 1
X1,3 + X2,3 + X3,3 = 1
Xi,j ≥ 0
Xi,j ∈ {Z}
FUNCIÓN OBJETIVO
ZMIN = 10X1,1 + 9X1,2 + 5X1,3 + 9X2,1 + 8X2,2 + 3X2,3 + 6X3,1 + 4X3,2 + 7X3,3