Not As Clase

PROGRAMACI
ON LINEAL
Notas de Clase
Departamento de Ingeniera Industrial
Universidad de Antioqua
Pablo Andres Maya
24 de julio de 2008
1
INDICE
Departamento de Ingeniera Industrial-Pablo Andres Maya
Indice
1. INTRODUCCI
ON 4
1.1. Ejemplos iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. FORMULACI
ON DE MODELOS MATEM
ATICOS DE OPTIMIZACI
ON 9
2.1. Formulacion del modelo matematico . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1. Que es un modelo de programacion matematica? . . . . . . . . . . . . . . 9
2.1.2. Formulacion del Modelo Matematico de Optimizacion . . . . . . . . . . . . 9
2.2. Lecturas adicionales y material recomendado . . . . . . . . . . . . . . . . . . . . . 17
3. INTRODUCCI
ON A LA PROGRAMACI
ON LINEAL Y EL M
ETODO DE
SOLUCI
ON GR
AFICO 18
3.1. El problema de la programacion lineal . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2. Metodo Graco: Primera aproximacion a la solucion de PL . . . . . . . . . . . . . 20
4.

ALGEBRA LINEAL (Repaso) Y AN
ALISIS CONVEXO 25
4.1. Conjuntos y funciones convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.1.1. Denicion conjunto convexo . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.1.2. Denicion de Punto extremo . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.3. Denicion de Hiperplanos y semiespacios . . . . . . . . . . . . . . . . . . . 26
4.1.4. Denicion de rayos y direcciones . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.5. Denicion de Funciones convexas y concavas . . . . . . . . . . . . . . . . . 28
4.2. Conjuntos poliedricos y conos poliedricos . . . . . . . . . . . . . . . . . . . . . . . 28
4.2.1. Puntos extremos y direcciones extremas de conjuntos poliedricos . . . . . . 29
5. EL M
ETODO SIMPLEX: Preambulo 31

5.1. Elementos preliminares a la presentacion del Metodo Simplex . . . . . . . . . . . . 31
5.1.1. Puntos extremos y optimalidad . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.1.2. Solucion basica factible: Denicion algebraica de Punto Extremo . . . . . . 34
5.1.3. Resumen de teoremas importantes . . . . . . . . . . . . . . . . . . . . . . . 36
5.2. Idea fundamental del Metodo Simplex . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.3. Interpretacion geometrica del Metodo Simplex . . . . . . . . . . . . . . . . . . . . 38
6. EL M
ETODO SIMPLEX: Descripcion general 39

6.1. Metodo Simplex. Una primera aproximacion . . . . . . . . . . . . . . . . . . . . . . 39
6.2. Algebra del metodo Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.3. El Metodo Simplex en pocas palabra . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.4. El Metodo Simplex en formato Tableau . . . . . . . . . . . . . . . . . . . . . . . . 47
7. C
OMO DETERMINAR LA SOLUCI
ON INICIAL? 51
7.1. Porque no siempre es sencillo encontrar una SBF inicial? . . . . . . . . . . . . . . 51
7.2. Metodo de las dos fases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
7.3. Metodo de Penalizacion o Gran M . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2
INDICE
8. DUALIDAD 57
8.1. Obtencion del problema Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
8.2. Relaciones Primal-dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
8.3. Interpretacion economica del problema dual . . . . . . . . . . . . . . . . . . . . . . 63
9. SENSIBILIDAD 66
9.1. Cambios en el vector de costos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
9.1.1. Caso 1. Cambios en una variable no basica . . . . . . . . . . . . . . . . . . 67
9.1.2. Caso 2. Cambios en una variable basica . . . . . . . . . . . . . . . . . . . . 67
9.1.3. Intervalos de variacion permisibles . . . . . . . . . . . . . . . . . . . . . . . 67
9.2. Cambios en el vector del lado derecho b . . . . . . . . . . . . . . . . . . . . . . . . 69
9.2.1. Intervalos de variacion permisibles . . . . . . . . . . . . . . . . . . . . . . . 69
9.3. Cambios en la matriz de restricciones A . . . . . . . . . . . . . . . . . . . . . . . . 71
9.3.1. Cambios en los coecientes asociados a una variable no basica . . . . . . . . 71
9.3.2. Cambios en los coecientes asociados a una variable basica . . . . . . . . . 71
9.3.3. Adicion de una nueva restriccion . . . . . . . . . . . . . . . . . . . . . . . . 71
9.3.4. Adicion de una nueva Actividad (Variable) . . . . . . . . . . . . . . . . . . 71
3
1. INTRODUCCI
ON
La Investigacion de Operaciones (IO) trata con problemas de decision en los que a traves de la
formulacion y analisis de modelos matematicos se pretende generar informacion que orienten el
proceso decisorio. La gura 1 ilustra el proceso desarrollado por la Investigacion de Operaciones
Figura 1: Proceso de la Investigacion de operaciones
El proceso comienza con la creacion de un modelo y su formulacion, en el cual se denen las
variables y se cuantican las relaciones necesarias para describir el comportamiento relevante del
sistema. Despues se realiza el analisis, en el que haciendo uso de herramientas matematicas y tec-
nologicas se extraen las conclusiones que el modelo sugiere, siendo importante destacar que estas
conclusiones son obtenidas a partir del modelo y no desde el problema mismo que se pretende
representar. A partir de las conclusiones obtenidas, con base en el modelo, se pretende inferir
las decisiones que deberan tomarse en torno al sistema real. El ciclo se cierra en la evaluacion
de las decisiones tomadas, las cuales pueden ser aplicadas y derivar en un nuevo estado actual
del sistema para comenzar nuevamente el ciclo o pueden ser no aplicables al sistema actual, sien-
do necesario revisar la pertinencia de la representacion de la realidad hecha a traves del modelo. [3]
En conclusion, la Investigacion de operaciones pretende ayudar a la toma de decisiones acerca de
sistema complejos; siendo posible distinguir diversas areas especicas seg un se restrinja el ambito
de aplicacion.[2].
La Investigacion de Operaciones basa la creacion del modelo en tres aspectos fundamentales: El
conjunto de decisiones u opciones que se le presentan al tomador de decisiones. Las restricciones
que limitan la seleccion de la decisiones posibles y los objetivos denidos que hacen preferir una
decision posible con respecto a otra. Estos tres elementos pueden toman forma, en algunos casos,
mediante un Modelo de Optimizacion o Programa Matematico y usualmente se denomina Opti-
mizacion o Programacion Matematica al area de la Investigacion de Operaciones que se soporta
en el uso de metodos cuantitativos para el analisis de este tipo de modelos o programas. [3]
Como herramienta basica de la IO, la programacion matematica cubre un dominio amplio de
problemas y su complejidad varia dependiendo de la naturaleza de las funciones y restricciones
que involucra. Sin interes de detallar, por el momento, en los diferentes tipos de modelos de
Programacion Matematica la gura 2 presenta una primera clasicacion en funcion del tipo de
4
1.1 Ejemplos iniciales
variables, restricciones y funciones objetivo que involucran. Es necesario resaltar que a medida
que se profundiza en el estudio de este tipo de modelos puede ser posible detallar aun mas esta
clasicacion.
Figura 2: Clasicacion de los modelos de Optimizacion
El primer tipo de modelo es el de Programacion lineal (LP por sus siglas en ingles), en el cual las
variables involucradas son continuas, las restricciones son lineales y tiene una unica funcion objetivo
lineal. Si se consideran restricciones y/o la funcion objetivo no lineales, se denomina un Programa
No Lineal (NLP). La presencia de variables discretas convierte estos en Programas Lineales Enteros
(ILP) o Programas no Lineales Enteros (INLP). Por ultimo, los problemas se hacen mas complejos
al considerar mas de una funcion objetivo, entrando en el campo de la optimizacion multiobjetivo.
[3]
1.1. Ejemplos iniciales
Comenzaremos por plantear algunos ejemplos que ilustran el tipo de problemas que son objeto de
estudio dentro de la Investigacion de Operaciones; aunque no constituyen una descripcion detallada
de todo el campo de accion de esta disciplina, nos permitiran hacernos una idea del camino que
comenzamos a recorrer con este primer curso en el area de Investigacion de Operaciones. Es impor-
tante resaltar que no todos los ejemplos planteados corresponden como tal a programas lineales,
sin embargo aplazaremos esta discusion para cuando hayamos denido claramente este concepto.
Ejemplo 1. Una empresa productiva tiene un unico vehculo con capacidad de carga de 500 kg
para el transporte de los envos internos entre sus dos plantas ubicadas en Bogota y Medelln.
Cada Lunes se realiza un viaje desde la ciudad de Medelln hacia la ciudad de Bogota, para ello
el domingo debe decidirse cuales de los paquetes que arriban durante la semana seran enviados,
puesto que la demanda es por lo general superior a la capacidad. En la tabla 1 se presentan los datos
5
de los paquetes que arribaron durante la presente semana (peso de cada paquete y valor del paquete).
Paquete Peso Valor Paquete Peso Valor
1 26 280 16 6 207
2 11 187 17 21 335
3 38 496 18 24 484
4 54 112 19 35 437
5 54 439 20 25 480
6 58 256 21 25 23
7 6 254 22 25 76
8 27 63 23 55 245
9 52 177 24 31 71
10 13 202 25 28 302
11 18 324 26 22 73
12 8 112 27 59 349
13 7 259 28 49 500
14 14 155 29 60 68
15 17 156 30 19 37
Tabla 1: Peso y valor paquetes recibidos
Considere por ahora que la unica limtate para el n umero de paquetes que pueden transportarse en
el peso total de la carga y que la compa na tiene por poltica transportar el conjunto de paquetes
que haga que el valor total de la mercanca transportada sea lo mas grande posible.
Dise ne y describa una estrategia para seleccionar el conjunto de paquetes que sera transporta-
do
Indique el conjunto de paquetes que usted seleccionara para transportar, calcule el valor total
de la carga transportada. (Verique que el conjunto seleccionado no sobrepasa la capacidad
de carga total del vehculo)
El problema planteado corresponde a un caso particular del denominado Problema de la Mochila
(Knapsack Problem) el cual ha sido ampliamente estudiado y respecto al cual seguramente nos
referiremos en el desarrollo del curso.
Ejemplo 2. Cierta empresa de decoracion produce cuatro colores exclusivos de pintura, con base
en cuatro colores estandar de pintura comercial (Blanco, amarillo, azul y rojo), a los cuales a dado
nombres muy particulares. La Tabla 6 presenta la cantidad de cada uno de los colores base (en
litros) necesarios para producir un litro de pintura del color exclusivo dado, as como la utilidad
generada por la venta de cada uno de estos litros.
Amarillo Azul Rojo Blanco Utilidad
Ilusion 0 0,4 0,1 0,5 12
Porvenir 0,3 0,4 0 0,3 10
Amistad 0,3 0,2 0,5 0 8
Anhelo 0,1 0,2 0,4 0,3 11
Tabla 2: Requerimientos para fabricacion de pinturas y utilidad generada
6
La compa na dispone actualmente de cien litros de pintura de cada uno de los colores base. Usted
ha sido designado para determinar la cantidad de pintura de cada tipo que deben producirse.
Cual seria la mezcla de produccion que usted recomendara a la empresa?
Cual seria su recomendacion si la empresa dispone ahora de diferentes cantidades de cada
uno de los litros de cada tipos de pintura base?
Ejemplo 3. La empresa encargada de la recoleccion y disposicion de residuos solidos de la ciudad
en la que usted habita, enfrenta en este momento el problema del dise no de la red para la disposicion
de basuras. La empresa ha dividido la ciudad en diez comunas o fuentes generadas de desperdicios,
y en este momento se cuenta con dos basureros para la disposicion nal de los desechos. Debido
a que los recorridos de los camiones son muy largos, se ha propuesto ubicar dentro de la ciudad
estaciones de transferencia en las que se acumule la basura recogida por ciertos vehculos para ser
llevada posteriormente a alguno de los dos basureros existentes.
La empresa debe abordar el problema del dise no de la red, indicando cuantas y cuales estaciones
de transferencia deben ser habilitadas, y las cantidades de basura que deben ser transportadas de
cada fuente a cada estacion de transferencia y de cada estacion a cada basurero. La gerencia de
la empresa ha preseleccionado seis posibles lugares en donde se pueden localizar las estaciones de
transferencia.
La informacion suministrada corresponde a: Los costos de transporte por tonelada desde cada pun-
to de generacion de desechos hasta las plantas de transferencia, as como las demandas totales de
recoleccion de basura de cada punto de generacion. Los costos de transporte por tonelada desde las
posibles plantas de transferencia a los basurero, as como las capacidades maximas de las posibles
plantas. y, Los costos jos de apertura de cada posible planta de transferencia, los costos de proceso
por tonelada de desechos y la capacidad maxima de cada uno de los dos basureros.
La compa na debe decidir entonces, cuantas y cuales plantas de transferencia abrir y determinar
el patron de embarque de los desechos desde las fuentes hasta los basureros considerando su paso
por las plantas de transferencia.
Ejemplo 4. La secretaria de bienestar social ha sido encargada para coordinar el sistema de aten-
cion a desplazados de cierto Departamento. Diez organizaciones civiles han ofrecido sus servicios
y recursos para albergar durante seis meses algunas de estas personas. El conjunto de poblacion
que debe ser atendida se ha clasicado en Menores, Adultos y Ancianos. Cada una de las organi-
zaciones interesadas cuenta con una disponibilidad expresada en recursos monetarios para atender
la poblacion que le sea asignada durante todo el semestre; cada organizacion ha estimado el valor
semestral que representa cada uno de los tipos de personas de la poblacion.
Se desea determinar las organizaciones que se ocuparan de la atencion de la poblacion desplazada y
la forma en que se encontrara distribuido el conjunto de personas atendidas por cada organizacion
seleccionada entre los distintos tipos de poblacion; de modo que se sirva al mayor n umero posible
de personas. Considerando para ello que:
Pueden seleccionarse maximo 5 organizaciones.
Los recursos demandados por la porcion de poblacion atendida por cada organizacion selec-
cionada, no debe sobrepasar su capacidad economica.
Para maximizar el impacto social deberan cumplirse que al menos el 70 % de la poblacion
menor sea atendida.
7
Dado que la mayora de la poblacion es adulta, Se ha determinado que para cada institucion
que sea seleccionada, debera cumplirse al menos una de las dos restricciones siguientes.
Del total de recursos disponibles, al menos el 15 % debe estar destinado a menores
Del total de recursos disponibles, al menos el 10 % debe estar destinado a ancianos.
La tabla 4 presenta el costo de atencion para cada tipo de poblacion en cada organizacion preselec-
cionada, el n umero total de personas de cada tipo de poblacion y la disponibilidad de recursos de
cada organizacion.
Hacienda Menores Adultos Ancianos Capacidad ($)
1 3,2 2,1 4,5 785
2 1,8 1,8 2 535
3 2,8 2 2,8 485
4 3 1 2,6 585
5 1,9 1,5 2,5 515
6 2,3 1,3 2,4 515
7 3,5 2,9 2,9 625
8 1,9 1,3 2 385
9 2,6 2,3 2,8 495
10 2,7 2,5 2,7 425
TOTAL 523 1350 250
Tabla 3: Informacion para la planeacion del sistema de atencion a desplazados
8
2. FORMULACI
ON DE MODELOS MATEM
ATICOS DE
OPTIMIZACI
ON
2.1. Formulacion del modelo matematico
El termino modelo hace referencia, por lo general, a una estructura que ha sido construida para
representar caractersticas de alg un objeto; usualmente solo algunas de las caractersticas del objeto
que se desea representar son retenidas en el modelo, dependiendo del proposito para el cual este
haya sido creado. En la mayora de los casos, los modelos involucrados en la investigacion de
operaciones son abstractos, representationes matematicas, mediante simbologa algebraica, de las
relaciones internas del sistema u objeto que se modela. Note como el modelo esta denido entonces
por las relaciones que este incorpora, las cuales por lo general son independientes de los datos que
denen una realizacion o caso particular.
2.1.1. Que es un modelo de programacion matematica?
Los modelos de programacion matem atica se enmarcan dentro de la categora de modelos ab-
stractos que como habamos mencionado son abordados por la investigacion de operaciones. Una
caracterstica que se asocia com unmente a los modelos de programacion matematica es la preten-
sion de optimizar, la cual por lo general se evidencia en la existencia de una o varias funciones que
representan los objetivos para los que se desea obtener el mejor resultado posible.
Ahondaremos en la formulacion del modelo matematico, por al importancia que esta reviste, pues
constituye el elemento basico a partir del cual es posible hacer efectivo el uso de algoritmos para
su solucion y analisis que proveeran informacion que oriente la toma de decisiones.
2.1.2. Formulacion del Modelo Matematico de Optimizacion
No existe una metodologa unica para la formulacion del modelo matematico. Sin embargo, pueden
distinguirse algunos aspectos fundamentales que deben tenerse en cuenta para una correcta for-
mulacion. Quiza lo mas importante es que estaremos interesados en formulaciones generales y no
propias de cada caso particular del mismo problema (instancias)
1
. Es decir, formulaciones en las
que existe una division natural entre los datos del problema y la estructura del modelo siendo esta
ultima ademas independiente del tama no del problema.
Con el n de llegar al tipo de formulaciones descritas, se presenta inicialmente la formulacion de
algunos ejemplos sencillo de modelos matematicos de Optimizacion. Para posteriormente avanzar
en su formulacion de acuerdo a las condiciones deseables que se describieron anteriormente.
Ejemplos introductorios de formulacion
Retocemos el ejemplo 1 de la seccion anterior:
Ejemplo 5. Una empresa productiva tiene un unico vehculo con capacidad de carga de 500 kg
para el transporte de los envos internos entre sus dos plantas ubicadas en Bogota y Medelln.
Cada Lunes se realiza un viaje desde la ciudad de Medelln hacia la ciudad de Bogota, para ello el
domingo debe decidirse cuales de los paquetes que arriban durante la semana seran enviados, puesto
que la demanda es por lo general superior a la capacidad. Se suministran ademas, los datos de los
paquetes que arribaron durante la presente semana (peso de cada paquete y valor del paquete).
1
Usualmente se denomina instancia a un caso particular del problema para el cual se genero el modelo; es decir,
la instancia es particular y responde a un conjunto de datos o informacion propia de un caso especico
9
2.1 Formulacion del modelo matematico
Debemos decidir para cada paquete si este es o no enviado. Para ello, sea x
1
una variable binaria
que toma el valor de 1 si el paquete se enva, y 0 si no se enva. De manera similar para los demas
paquetes podramos denir x
2
, x
3
, . . ., x
30
.
El conjunto de paquetes seleccionados debe satisfacer que no sobrepase la capacidad del vehculo.
Esto es, si sumamos el peso w de todos los paquetes seleccionados este debera ser menor que la
capacidad del vehculo C. Esto puede expresarse como:
26x
1
+ 11x
2
+ . . . 19x
30
C =
30
i=1
w
i
C
Note que solo para los paquetes que se decide enviar la variable x
i
toma el valor de 1, por lo que
esta suma corresponde al peso total de la carga enviada.
Por ultimo, se desea maximizar el valor de la carga enviada. Para ello debemos sumar el benecio
de todos los paquetes que se decide enviar. Es decir:
280x
1
+ 187x
2
+ . . . 37x
30
=
30
i=1
b
i
De esta forma hemos denido ya el modelo matematico que deseamos optimizar (las variables a
considerar, las restricciones, y la funcion que dene el objetivo que deseamos optimizar). La gura
3 describe esquematicamente dicho modelo.
Figura 3: Esquema modelo matematico para el problema Knapsack
El modelo matematico puede entonces formularse de la siguiente forma:
10
Maximizar b
1
x
1
+ b
2
x
2
+ . . . + b
i
x
i
+ . . . + b
30
x
30
w
1
x
1
+ w
2
x
2
+ . . . + w
i
x
i
+ . . . + w
30
x
30
C
x
1
, x
2
, . . . x
30
{0, 1}
Podramos escribir este modelo de forma mas compacta, es decir:
Maximizar
30
i=1
b
i
x
i
30
i=1
b
i
x
i
C
x
i
{0, 1} i = 1, 2 . . . , 30
Consideremos ahora el Ejemplo 2, respecto a la produccion de pintura.
Ejemplo 6. Cierta empresa de decoracion produce cuatro colores exclusivos de pintura, con base
en cuatro colores estandar de pintura comercial (Blanco, amarillo, azul y rojo), a los cuales a dado
nombres muy particulares. La Tabla 6 presenta la cantidad de cada uno de los colores base (en
litros) necesarios para producir un litro de pintura del color exclusivo dado, as como la utilidad
generada por la venta de cada uno de estos litros.
Amarillo Azul Rojo Blanco Utilidad
Ilusion 0 0,4 0,1 0,5 12
Porvenir 0,3 0,4 0 0,3 10
Amistad 0,3 0,2 0,5 0 8
Anhelo 0,1 0,2 0,4 0,3 11
Tabla 4: Requerimientos para fabricacion de pinturas y utilidad generada
La compa na dispone actualmente de cien litros de pintura de cada uno de los colores base. Usted
ha sido designado para determinar la cantidad de pintura de cada tipo que deben producirse. Cual
seria la mezcla de produccion que usted recomendara a la empresa?
Debemos decidir la cantidad de cada tipo de pintura base que se empleara para producir cada uno
de los tipos de colores exclusivos. Para ello, denotaremos los colores bases de la siguiente forma:
Amarillo,Am. Azul, Az. Rojo, R. y, Blanco, B. De igual forma denotaremos los colores exclusivos
como: Ilusion, I. Porvenir, P. Amistad, Ad. y, Anhelo. De esta forma podemos denir:
x
I
: Cantidad de pintura del color exclusivo Ilusion a producir.
x
P
: Cantidad de pintura del color exclusivo Porvenir a producir.
x
Ad
: Cantidad de pintura del color exclusivo Amistad a producir.
x
An
: Cantidad de pintura del color exclusivo Anhelo a producir.
11
Debemos garantizar que la cantidad usada de cada uno de los tipos de pintura base no sobrepase
la cantidad disponible; lo cual, en el caso particular del color amarillo, puede expresarse como:
0x
I
+ 0,3x
P
+ 0,3x
Ad
+ 0,1x
An
100
Una restriccion similar existira para cada uno de los tipos de pintura base. Por otra parte, esta-
mos interesados en maximizar la utilidad que genera el programa de produccion propuesto. Para
ello debemos sumar las cantidades producidas de cada pintura de color exclusivo por la utilidad
generada. Es decir, la funcion que expresa el objetivo que se desea maximizar es:
12x
I
+ 10x
P
+ 8x
Ad
+ 11x
An
La gura presenta de modo esquematica el modelo matematico. En donde, m
i,j
representa la can-
tidad de pintura base i requerida para producir un litro de pintura de color exclusivo j. As mismo,
u
j
, representa la utilidad generada por cada litro de pintura j
Figura 4: Esquema modelo matematico para el problema de mezcla
El modelo matematico puede entonces formularse de la siguiente forma:
Maximizar u
I
x
I
+ u
P
x
P
+ u
Ad
x
ad
+ u
An
x
An
0x
I
+ 0,3x
P
+ 0,3x
A
d + 0,1x
A
n 100
0,4x
I
+ 0,4x
P
+ 0,2x
A
d + 0,2x
A
n 100
0,1x
I
+ 0x
P
+ 0,5x
A
d + 0,4x
A
n 100
0,5x
I
+ 0,3x
P
+ 0x
A
d + 0,3x
A
n 100
x
I
, x
P
, x
Ad
, x
An
0
El modelo puede escribirse un poco m as compacto de la siguiente forma:
12
Maximizar
u
j
x
j
m
Am,j
x
j
C
Am
m
Az,j
x
j
C
Az
m
R,j
x
j
C
R
m
B,j
x
j
C
B
x
j
0 i = I, P, Ad, An
Construccion del Modelo Matematico
Hasta ahora, hemos descrito a modo de ejemplo la formulacion de modelos matematicos simples.
sin embargo, con base en ellos es posible notar que: (1) El modelo mezcla los datos propios del
problema particular con la formulacion misma del problema. (2) Cambios en los datos o parametros
de entrada requeriran modicar el modelo construido. (3) No es una forma eciente de modelar
problemas con un mayor numero de variables, como los que usualmente se requieren en las aplica-
ciones reales.
Con el n de poder modelar problemas mas complejos, debemos hacer la formulacion mas general
e independiente de la instancia. Para ello emplearemos las siguientes deniciones:
Conjuntos e Indices. Son colecciones de objetos del mismo tipo, en donde los elementos
no tienen un orden dado, que denen las entidades principales asociadas al problema de
optimizacion. Los indices son variables auxiliares que permitiran recorrer estos conjuntos de
objetos.
Parametros. Corresponden a cantidades deterministicas que al tomar el valor particular
para cada caso deniran la instancia del problema que se desea abordar; es decir, son denidas
de manera general, pero para cada instancia tomaran valores particulares pero deterministi-
cos.
Variables de Decision. Representan las decisiones asociadas al problema, el valor que
deben tomar estas variables con el n de lograr el objetivo propuesto (maximizar o mini-
mizar) cierta funcion asociada a ellas. Pueden estar relacionadas con cantidades a producir,
la decision de desarrollar o no una actividad tiempos de inicio de actividades, etc.
Funcion Objetivo. por lo general constituye una funcion de las variables de decision del
problema y eval ua el valor del objetivo propuesto, el cual se desea optimizar.
Restricciones. Las restricciones son el conjunto de limitaciones que restringen o limitan la
solucion del problema; es decir, restringen el conjunto de soluciones del problema por medio
de la imposicion de condiciones que deben satisfacer las variables de decision o funciones de
variables de decision).
Para evidenciar la forma como empleamos estos conceptos en la formulacion de modelo matematico,
abordaremos al formulacion de los dos ejemplos desarrollados anteriormente y presentaremos un
ejemplo adicional.
Ejemplo 7. Considere el Ejemplo 5, formulemos a partir de el el modelo matematico con las
caractersticas que deseamos.
13
Sea :
Conjuntos e Indices
P Conjunto de paquetes indexado con i
Parametros
W
i
Peso asociado al paquete i
V
i
Valor asociado al paquete i
K Capacidad del camion
Variables de decision
x
i
_
1, Si el paquete i es embarcado
0, Si el paquete i no es embarcado
Restricciones
Restriccion de capacidad
iP
W
i
x
i
K
Restriccion de variable binaria
x
i
{0, 1}i P
Funcion Objetivo
iP
V
i
x
i
El modelo formulado entonces seria el siguiente
Maximizar
iP
V
i
x
i
iP
W
i
x
i
K
x
i
{0, 1}i P
Note que si por alguna razon el n umero de paquetes o el valor de los parametros para la instancia
cambiasen, el modelo aun es pertinente.
Ejemplo 8. Considere el Ejemplo 6, formulemos a partir de el el modelo matematico con las
caractersticas que deseamos.
Denamos :
Conjuntos e Indices
P Conjunto de pinturas exclusivas, indexado con i
B Conjunto de pinturas base, indexado con j
Parametros
M
ij
Litros de Base j necesarios para obtener un litro de pintura i
14
U
i
Utilidad generada por la venta de un litro de pintura i
C
j
Cantidad disponible de Base j
x
i
Cantidad de Pintura exclusiva i a producir
Restricciones
Restriccion disponibilidad de materias primas (Bases)
iP
M
ij
x
i
C
j
j B
Funcion Objetivo
iP
U
i
x
i
Maximizar
iP
U
i
x
i
iP
M
ij
x
i
C
j
j B
x
i
0 i P
Como ultimo ejemplo de formulacion del modelo matematico, consideraremos el caso de la empresa
cortamos, el cual se describe a continuacion.
Ejemplo 9. La compa na CORTAMOS fabrica varillas de hierro de 100 cm de largo, las cuales
posteriormente corta en tama nos de 20, 40, 60 y 80 cm. La compa na establece diariamente el
total de requerimientos de cada uno de los tama nos con base en los pedidos de los clientes y fab-
rica el n umero de varillas de 100cm necesarias para cubrir los requerimientos. La compa na tiene
por poltica no mantener inventario de modo que diariamente debe repetir este mismo ejercicio de
planeacion de la produccion.
Dado un un requerimiento (cantidad a producir de cada tama no de corte) Cual debe ser el mnimo
numero de varillas de un metros que debe fabricar la compa na para cumplir los requerimientos de
demanda dados? Cual es la cantidad de material desperdiciado?
Existen diversas formas de formular el problema, presentaremos aqu una basada en la denicion
de patrones de corte.
Un Patron de corte correspondera a un vector columna que presenta una combinacion posi-
ble del n umero de cortes de cada tipo que se generan a partir de una varilla; es decir,a
j
=
{a
1j
, a
1j
. . . a
mj
}
T
Por ejemplo, de acuerdo con los datos presentados el patron {2, 0, 1, 0} indi-
ca cortar la varilla en dos pedazos de 20cm y 1 pedazo de 60cm.
Denamos entonces:
Conjuntos e Indices
C Conjunto de cortes que se fabrican, indexado con i. i = 1...m
A Conjunto de patrones de corte, indexado con j.
Parametros
15
a
ij
n umero de cortes i que se generan al cortar una varilla seg un el patron j
d
i
Cantidad de cortes del tipo-longitud- i demandados
x
i
N umero de veces que se utilizara el patron de corte j
Restricciones
Restriccion de demanda
jA
a
ij
x
j
d
i
i C
Restriccion de enteros
x
j
Z
+
j A
Funcion Objetivo
jA
x
j
Minimizar
jA
x
j
jA
a
ij
x
j
d
i
i C (1)
x
j
Z
+
j A (2)
Una vez expuestas algunas ideas respecto a la formulacion de modelos matematicos, es necesario
no perder de vista que la creacion e modelos es practicamente un arte y que quiza solo la practica
podra dar elementos que orienten al momento de enfrentar un problema especico. Por ello le
recomendamos poner en practica lo aprendido en los siguientes ejercicios.
Ejercicio 1. Una compa na fabrica televisores y grabadoras. La compa na tiene 3 almacenes y
2 tiendas de venta al menudeo. En los tres almacenes se dispone, respectivamente, de 60, 80,
y 50 televisores y de 80, 50 y 50 grabadoras. En las tiendas de venta al menudeo, se requieren
respectivamente 100 y 90 televisores y 60 y 120 grabadoras. La Tabla 5 muestra los costos de
envio por unidad de los almacenes a las tiendas. Plantee un problema de optimizacion que minimice
el costo total de transporte.
Almacen Tienda 1 Tienda 2
1 300 500
2 200 300
3 600 300
Tabla 5: Datos para el problema de Electrodomesticos
Ejercicio 2. Un fabricante de automoviles tiene un contrato para exportar 400 automoviles del
modelo A y 500 del modelo B. El automovil del modelo A ocupa un volumen de 12m
3
y el modelo
15m
3
. Se dispone de 3 barcos para transportar los automoviles. Estos llegaran al puerto de destino
a principios de enero, mediados de febrero y nales de marzo respectivamente. El primer barco solo
16
2.2 Lecturas adicionales y material recomendado
transporta automoviles modelo A a un costo de $450 por automovil. Los barcos 2 y 3 transportan
ambos modelos a un costo de $35 y $40 por m
3
respectivamente. El primer barco solo puede aco-
modar 200 automoviles y los barcos segundo y tercero tienen disponibles vol umenes de 4500 y 6000
m
3
. Si el fabricante se ha comprometido a entregar por lo menos 250 automoviles del modelo A y
200 automoviles del modelo B para mediados de febrero y el resto para nales de marzo. Cual es
el modelo de optimizacion que minimiza el costo total?
2.2. Lecturas adicionales y material recomendado
Algunas lecturas complementarias recomendadas para mejorar la comprension o ampliar los con-
ceptos desarrollados hasta este momento son:
CABALLERO, J y GROSSMANN I. Una revision del estado del arte en al optimizacion
Revista Iberoamericana de automatica e informatica industrial, Volumen 4, Enero de 2007.
17
3. INTRODUCCI
ON A LA PROGRAMACI
ON LINEAL
Y EL M
ETODO DE SOLUCI
ON GR
AFICO
Inicialmente se presentan las caractersticas que denen un Programa Lineal (PL) y deniremos dos
formatos particulares respecto a la forma como este puede formularse. Posteriormente, se describe
el Metodo Graco para la solucion de problemas lineales, el cual constituye la introduccion al
estudio de metodos de solucion para problemas de mayor tama no.
3.1. El problema de la programacion lineal
Considere el siguiente problema de programacion lineal
Minimizar c
1
x
1
+ c
2
x
2
+ . . . + c
n
x
n
a
11
x
1
+a
12
x
2
+. . . + a
1n
x
n
b
1
a
21
x
1
+a
22
x
2
+. . . + a
2n
x
n
b
2
.
.
.
.
.
.
.
.
.
a
m1
x
1
+a
m2
x
2
+. . . + a
mn
x
n
b
m
x
1
x
2
. . . x
n
0
En el cual, c
1
x
1
+ c
2
x
2
+ . . . + c
n
x
n
se denomina funcion objetivo y se denota usualmente por z.
Los coecientes c
1
, c
2
, . . . , c
n
son coecientes de costo y x
1
, x
2
, . . . , x
n
son las variables de decision
cuyo valor debe determinarse. La desigualdad
n
j=1
a
ij
x
j
b
i
, se denomina la i-esima restriccion y
los coecientes a
ij
se denominan coecientes tecnologicos y conforman la matriz de restricciones A.
A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
El vector columna cuya i-esima componente es b
i
, denominado vector del lado derecho , representa
en este caso los requerimientos mnimos que deben satisfacerse (Que signicaran en el caso en
el cual el problema fuese de maximizacion y las restricciones del tipo ?). Las restricciones
x
1
, x
2
, . . . x
n
0 son las restricciones de no negatividad
El planteamiento de un problema de optimizacion como un programa lineal requiere considerar
varias hipotesis que estan implcitas en el planteamiento anterior.
1. Proporcionalidad. La contribucion de una variable x
j
a la funcion objetivo (c
j
x
j
) y a cada
una de las restricciones (a
ij
x
j
) es proporcional al valor de la variable. De esta forma si se
duplica el valor de la variable se duplica su contribucion.
2. Aditividad. Esta hipotesis permite garantizar que el costo total es igual a la suma de los
costos individuales y que la actividad total de la i-esima restriccion es igual a la suma de las
contribuciones de cada una de las actividades
3. Divisibilidad Esta hipotesis permite a las variables de decision tomar valores fraccionarios.
4. Cantidades determinsticas Todos los coecientes c
j
, a
ij
y b
i
son conocidos con certeza.
18
3.1 El problema de la programacion lineal
Es necesario notar que se realizo la presentacion del programa lineal mediante un problema de
minimizacion con restricciones de ; sin embargo, este hecho no es restrictivo, pues cualquier
programa lineal puede transformarse a esta forma mediante manipulaciones basicas. Para ello
seria util preguntarnos:
Ejercicio 3. De respuesta a las siguientes preguntas:
Como podran transformarse las restricciones expresadas en forma de desigualdad, como
restricciones de igualdad?
Como podra transformarse una variable no restringida en signo o una variable no positiva
en una variable no negativa?
Como puede transformarse un problema de maximizacion en uno de minimizacion?
Ahora sabiendo que es posible transformar este problema a diversas formas equivalentes, es impor-
tante destacar dos formas en las cuales puede expresarse el problema lineal y que seran de utilidad
posteriormente.
Un problema se encuentra en forma estandar o normal si todas la s restricciones son de
igualdad y las variables son no negativas.
Un problema se encuentra en forma canonica de minimizacion cuando todas las restricciones
son desigualdades del tipo y las variables son no negativas. (Cual es la estructura de un
problema en forma estandar de maximizacion?)
La gura 5 presenta estas formulaciones para problemas tanto de minimizacion como de maxi-
mizacion
Figura 5: Formas estandar y canonicas
19
3.2 Metodo Graco: Primera aproximacion a la solucion de PL
Ejercicio 4. Considere el siguiente programa lineal
Minimizar 3x
1
x
2
+ x
3
x
1
+ x
2
+ x
3
2
x1 + x
2
2x
3
5
x1 + 2x
2
+ 2x
3
6
x1 0
x
2
0
Formule este el problema forma canonica de minimizacion
Formule este el problema forma estandar de minimizacion
Formule este el problema forma estandar de maximizacion
Notacion matricial del programa lineal
Es posible expresar el problema lineal que formulamos anteriormente haciendo uso de la notacion
matricial, lo cual sera de utilidad en la presentacion que despues realizaremos de algoritmos para
la solucion de este tipo de problemas. Para ello, sea:
c =
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
b =
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
y A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
Entonces el problema puede escribirse como:
Minimizar c
T
x
Ax b
x 0
Ejercicio 5. Exprese el problema lineal original escribiendo las restricciones como una combi-
nacion lineal de las columnas de la matriz de restricciones A.
3.2. Metodo Graco: Primera aproximacion a la solucion de PL
Considere el siguiente programa lineal:
Minimizar c
T
x
Ax b
x 0
Todos los posibles vectores x tales que Ax b constituyen soluciones factibles para el problema.
Dentro de ese conjunto de soluciones pretendemos encontrar aquella que minimice el valor de la
funcion objetivo c
T
x. Todos aquellos puntos que generan un mismo valor de la funcion objetivo
z deben satisfacer la ecuacion c
T
x = z. Si deseamos minimizar dicho valor debemos mover par-
alelamente a si mismo el plano (en dos dimensiones corresponde a una recta) en la direccion que
20
Figura 6: Metodo geometrico
permita disminuir el valor de la funcion objetivo hasta donde nos sea posible sin abandonar el
conjunto de soluciones factibles. La gura 6 ilustra el proceso descrito.
Puede observarse que la direccion en la cual debemos movernos para hacer que decrecer el valor
de la funcion objetivo es en la direccion dada por c. Dicho movimiento es posible hasta el punto
se nalado como optimo en la gura 6, puesto que si pretendieramos avanzar mas en la direccion
indicada nos moveramos en una region en la que no existen soluciones factibles, que satisfagan
el conjunto de restricciones. Que cambiaria en el proceso descrito, si el problema fuese de maxi-
mizacion?
Este proceso de solucion parece razonable solo para problemas con dos o incluso tres variables. Sin
embargo, a partir de este metodo es posible visualizar algunos aspectos que nos seran de utilidad
posteriormente y los que detallemos en breve.
Ejemplo 10. Use el metodo geometrico para encontrar la solucion optima del siguiente problema.
Maximizar 3x
1
+ x
2
x
1
+ x
2
2
x1+ x
2
5
x1 + 2 x
2
6
x1 x
2
0
La gura 17 presenta la region factible as como la direccion c en la cual debemos mover la recta
objetivo. El punto se nalado como optimo (5, 0) es el punto en el cual no podemos movernos mas
en esa direccion puesto que estaramos abandonando el conjunto de soluciones factibles, la region
factible.
A partir de lo expuesto para este metodo resaltaremos algunos aspecto, que como habamos se nal-
ado, nos seran de utilidad posteriormente.
Para la region considerada, la solucion optima se encuentra ubicada en uno de los vertices
de la region factible, el cual corresponde al ultimo punto que tocara la recta objetivo dentro
de la region si continuamos desplazandonos en la direccion c.
Para la region considerada, El punto optimo se encuentra corresponde a la interseccion de
dos de las rectas que denen la region factible.
21
Figura 7: Metodo geometrico-Ejemplo
Dependiendo de la estructura del problema y considerando que la region factible es no vaca,
es posible que se presenten otros casos para la solucion optima.
Solucion optima unica. Como en el caso considerado. La solucion optima corresponde
a un unico punto de la region factible, sin importar si la region factible es o no acotada.
La gura 8 ilustra esta situacion
Figura 8: Solucion unica
Soluciones optimas alternativas. Las recta objetivo trazada puede abandonar la
region factible no por un solo punto sino por un segmento de recta particular; en este
caso cualquier punto en dicho segmento es optimo, es decir existe un conjunto innito
de puntos optimos. En la gura 9 se presenta esta situacion.
Figura 9: Soluciones optimas alternativas
No existencia de solucion optima acotada. En este caso existe una direccion en la
cual es posible continuar moviendo la recta objetivo mejorando constantemente el valor
22
de la funcion objetivo. Es decir, podra encontrase siempre una mejor combinacion de
los valores de las variables de decision del problema que permitiran mejorar el valor de
la funcion objetivo actual. Esta situacion se ilustra en la gura 10.
Figura 10: No existencia de optimo nito
Ejercicio 6. Considere los siguientes programas lineales
Problema 1 Maximizar 3x
1
+ 2x
2
x
1
+ 2x
2
2
x
2
4
x
1
x
2
0
Problema 2 Minimizar x
1
2x
2
sujeto a x
1
+ x
2
4
x
1
+ x
2
2
x
2
2
x
1
, x
2
0
a. Use el metodo geometrico para resolverlos
b. Rescriba dichos problemas en notacion matricial, especicando claramente la matriz A y los
vectores c, b y x
Algunas lecturas complementarias recomendadas para mejorar la comprension o ampliar los con-
ceptos desarrollados hasta este momento son:
CABALLERO, J y GROSSMANN I. Una revision del estado del arte en al optimizacion
Revista Iberoamericana de automatica e informatica industrial, Volumen 4, Enero de 2007.
DANTZING, G. Linear programming Operations Research, Volumen 50, No. 1, 50th An-
niversary Issue. Enero 2002
COOPER, W. A Brief History of a Long Collaboration in Developing Industrial Uses of
Linear Programming Operations Research, Volumen. 50, No. 1, 50th Anniversary Issue. Enero
2002
23
BIXBY, r. Solving real-world linear programs:A decade and more of progress Operations
Research, Volumen. 50, No. 1, 50th Anniversary Issue. Enero 2002
24
4.

ALGEBRA LINEAL (Repaso) Y AN
ALISIS CONVEXO
Para hacer mas facil la comprension de algunos de los temas tratados en el curso es de utilidad
tener claros algunos conceptos basicos de Algebra Lineal. Si bien no cubriremos dicho repaso en
este documento, si sugeriremos un listado de temas que seria deseable revisar.
1. Conceptos fundamentales de vectores
Denicion de vector
Operaciones entre vectores
Combinaciones lineales y anes
Independencia lineal
2. Espacios y subespacios
3. Conceptos fundamentales de Matrices
Denicion de matriz
Matrices Especiales (Cero, Identidad, Triangular, Simetrica,Transpuesta, Inversa)
Operaciones entre matrices
Determinante de una matriz
Rango de una matriz
4. Solucion de sistemas de ecuaciones simultaneas
4.1. Conjuntos y funciones convexas
Se abordaran algunos conceptos basicos y deniciones respecto a los conjuntos convexos.
4.1.1. Denicion conjunto convexo
Un conjunto X se denomina un conjunto convexo si para dos puntos cualquiera x
1
y x
2
cualquier
combinacion lineal x
1
+(1)x
2
tambien pertenece al conjunto X para todo [0, 1]. Este tipo
de combinacion se denomina combinacion convexa, en el caso en el cual (0, 1) se denomina
combinacion convexa estricta
Note que existe una interpretacion geometrica para la denicion de conjunto convexo que acabamos
de presentar. El vector x
1
+ (1 )x
2
representa un punto en el segmento de recta que une los
puntos x
1
y x
2
. Podemos denir un conjunto convexo como aquel que satisface que para cualquier
par de puntos x
1
y x
2
que pertenezcan al conjunto, el segmento que los une, todas las combinaciones
convexas entre ellos, pertenecen tambien al conjunto. La gura 11 ilustra un conjunto convexo y
uno no convexo.
25
4.1 Conjuntos y funciones convexas
Figura 11: Ejemplo de conjuntos convexos y no convexos
4.1.2. Denicion de Punto extremo
Un punto x de un conjunto convexo se denomina un punto extremo si no puede ser representado
como una combinacion convexa estricta de dos puntos distintos en X. La gura 12 presenta un
ejemplo de un punto extremos y puntos no extremos en un conjunto convexo.
Figura 12: Ejemplo de puntos extremos y no extremos
Dada a la importancia que tienen este tipo de puntos en la programacion lineal, estaremos re-
tomando su estudio posteriormenete.
4.1.3. Denicion de Hiperplanos y semiespacios
Un hiperplano es la generalizacion a un mayor n umero de dimensiones del concepto de linea recta
en E
2
y de plano en E
3
, que nos son mas familiares. Un hiperplano H en E
n
es un conjunto de
la forma {x : px = k}, siendo p un vector diferente de 0 en E
n
y k un escalar. Un hiperplano es
un conjunto convexo que consta de todos los puntos x = x
1
, x
2
, . . . x
n
que satisfacen la ecuacion
n
i=1
p
i
x
i
= k.
Un hiperplano H divide al espacio E
n
en dos regiones denominadas subespacios. De modo que un
subespacio es una coleccion de puntos de la forma {x : px k} o {x : px k} , siendo p un vector
diferente de 0 en E
n
y k un escalar. Note que la union de los dos subespacios se nalados es E
n
. La
gura 13 presenta estos conceptos para un espacio de dos dimensiones.
4.1.4. Denicion de rayos y direcciones
Un rayo es un conjunto convexo cuyos puntos tienen la siguiente forma {x
0
+d : 0}. El punto
x
0
constitute el vertice del rayo y el vector d el cual es diferente de 0 es la direccion.
26
4.1 Conjuntos y funciones convexas
Figura 13: Denicion de Hiperplano y semiespacios
Direcciones de un conjunto convexo
Para un conjunto convexo, un vector d se denomina una direccion del conjunto si para todo x
0
en el conjunto, el rayo {x
0
+ d : 0} tambien pertenece al conjunto. Es decir, con origen en
cualquier punto x
0
es posible moverse a lo largo de la direccion d sin salirse del conjunto.
Considere un conjunto convexo no vaco X = {x : Ax b, x 0}. Entonces, un vector d distinto
de cero es una direccion de X si y solo si:
d 0, d = 0 y Ad 0 (3)
En el caso el el cual el conjunto convexo es acotado, no tendra direcciones, Porque? Podramos
preguntarnos tambien Que condiciones debe satisfacer d en el caso en el cual es conjunto poliedrico
se dene con restricciones de (=) o ()?
Ejemplo 11. Considere el conjunto X = {(x
1
, x
2
) : x
1
+x
2
3, 2x
1
+x
2
2, x
1
0, x
2
0}
Determine si, existen, las direcciones del conjunto.
De acuerdo con la denicion y las condiciones que debe satisfacer una direccion d, tenemos el
siguiente sistema:
_
2 1
1 1
_ _
d
1
d
2
_
_
0
0
_
y
_
d
1
d
2
_
_
0
0
_
Es decir d
1
y d
2
deberan ser tales que:
2d
1
+ d
2
0
d
1
+ d
2
0
d
1
0
d
2
0
Note que este conjunto se reduce a:(Porque?)
d
1
d
2
(4)
d
1
0 (5)
Note que dando en la ecuacion (4) el valor arbitrario de 1 a d
2
se obtiene la direccion (1, 1)
T
. De
manera similar puede observarse que la otra direccion esta dad por (1, 0)
T
.
27
4.2 Conjuntos poliedricos y conos poliedricos
Ejercicio 7.
2
Considere el conjunto convexo X = {(x
1
, x
2
) : x
1
2x
2
6, x
1
x
2
2,
x
1
0, x
2
1} Determine si, existen, las direcciones del conjunto.
De forma similar a como se denen los puntos extremos podemos denir una direccion extrema
de un conjunto convexo. Dichas direcciones seran aquellas que no pueden representarse como una
combinacion lineal positiva de dos direcciones distintas del conjunto.
Conos convexos
Un caso particular de conjunto convexo que nos resultara de interes es el cono convexo, el cual
esta conformado por todos los rayos que salen del origen. Lo cual es equivalente a decir que un
cono convexo C es un conjunto convexo con la propiedad de que x C. Para caracterizar un cono
convexo basta expresarlo en terminos de sus direcciones extremas. Por ejemplo, el cono de la gura
14 esta denido por las direcciones extremas (1, 1) y (
2
3
,
1
3
)
Figura 14: Ejemplo de Cono convexo
4.1.5. Denicion de Funciones convexas y concavas
Las funciones concavas y convexas seran de nuestro interes en la consideracion de diferentes proble-
mas de optimizacion. Si bien profundizaremos al respecto, deniremos estos dos tipos de funciones.
Funcion convexa: es aquella para la cual dos vectores x
1
y x
2
cualquiera satisfacen que :
f (x
1
+ (1 )x
2
)) f(x
1
) + (1 )f(x
2
) [0, 1]
Funcion concava: es aquella para la cual dos vectores x
1
y x
2
cualquiera satisfacen que :
f (x
1
+ (1 )x
2
)) f(x
1
) + (1 )f(x
2
) [0, 1]
La gura 15 ilustra cada uno de estos tipos de funciones en el espacio E
2
4.2. Conjuntos poliedricos y conos poliedricos
Los conjuntos y conos poliedricos son casos especiales de conjuntos convexos. Un conjunto poliedri-
co o poliedro es la interseccion un n umero nito de semiespacios. (cuando este conjunto es acotado
se denomina usualmente politopo) Un conjunto poliedrico puede expresarse por medio de un sis-
tema de desigualdades a
i
x b
i
para todo i = 1...m. Lo cual es equivalente a expresarlo como
{x : Ax b}, en donde A es una matriz de m n cuyo i-esimo renglon es a
i
. La gura 16
3
presenta un ejemplo de un conjunto poliedrico (particularmente de un politopo)
2
Tomado de [1]
3
Tomada de [4]
28
4.2 Conjuntos poliedricos y conos poliedricos
Figura 15: Ejemplo de funciones convexas y concavas
Figura 16: Ejemplo de poliedro
Una clase particular de conjuntos poliedricos son los conos poliedricos, en el cual todos los hiper-
planos que denen los semiespacios cruzan por el origen. Por lo tanto el cono poliedrico C puede
representarse como {x : Ax 0}
4.2.1. Puntos extremos y direcciones extremas de conjuntos poliedricos
Pretendemos abordar ahora los conceptos de punto extremo y direcciones que se abordaron para
conjuntos convexos, para el caso particular de los conjuntos poliedricos y desde un punto de vista
geometrico.
Considere para ello el conjunto poliedrico descrito de la siguiente forma
X = {x : Ax b, x 0}
Puntos extremos
Los hiperplanos asociados con los (m+n) subespacios que denen a X se denominan hiperplanos
denitorios de X. Un punto x X es un punto extremo o vertice de X si x se encuentra en
n hiperplanos denitorios de de X linealmente independientes. Para hacer mas comprensible este
concepto piense en un cubo en el espacio de tres dimensiones, Sobre cuantos planos denitorios del
poliedro (cubo) se encuentra cada uno de los vertices?. Si por un punto especico x pasan mas de
n hiperplanos denitorios linealmente independientes se denominara un punto extremo degenerado.
Direcciones
Anteriormente se caracterizaron las direcciones extremas de X como vectores d que satisfacen las
29
condiciones
d 0, d = 0 y Ad 0
Geometricamente, este sistema dene un cono poliedrico, (excepto el origen) el cual se obtiene
trasladando los hiperplanos denitorios de X en direccion paralela a ellos mismos hasta que pasan
por el origen. Con el n de evitar duplicidades, las direcciones deben normalizarse usando para ello
la norma rectilinea |d
1
| +|d
2
| + . . . +|d
n
| = 1 lo cual corresponde a d
1
+ d
2
+ . . . + d
n
= 1 puesto
que d 0. De esta forma el conjunto de direcciones de X puede caracterizarse como:
D = {d : Ad 0, 1
T
d = 1, d 0} (6)
Las direcciones extremas estaran entonces determinadas como los puntos extremos del conjunto
D denido en (6)
Un buen recurso para repasar los elementos de Algebra Lineal necesarios son las clases del Doctor
Hilbert Strang de MIT, las cuales pueden verse directamente en Internet o descargarse. Partic-
ularmente utiles resultan las 8 primeras sesiones. La direccion en la cual pueden accederlas es:
http://web.mit.edu/18.06/www/Video/video-fall-99-new.html
JARVISJ y SHERALIH. BAZAARA M. Programacion Lineal y Flujo en Redes. Capitulo 2: Algebra
Lineal, Analisis Convexo y Conjuntos Poliedricos. Limusa, 2a edition, 1999.
30
5. EL M
ETODO SIMPLEX: Preambulo

El metodo simplex fue creado por Dantzing en 1947 para resolver problemas de programacion
lineal y aun cuando se han propuesto variantes y otros metodos diferentes para la solucion de este
tipo de problemas, el metodo simplex continua siendo considerado un metodo viable, eciente y
quiza el mas popular para la solucion de programas lineales. Ademas, el estudio de este metodo
tiene importancia para la comprension de la estructura de los conjuntos poliedricos que denen la
region factible y que estan inmersos como base de los programas lineales.
5.1. Elementos preliminares a la presentacion del Metodo Simplex
Desarrollaremos inicialmente una serie de conceptos e intentaremos adquirir ciertos elementos
intuitivos respecto al metodo que nos permitan despues plantearlo de manera clara y rigurosa.
5.1.1. Puntos extremos y optimalidad
Recuerde de la seccion 3, cuando para dar solucion a problemas de programacion lienal con dos
variables empleamos el metodo geometrico. En aquel caso fue posible observar que al existir una
solucion optima de un programa lineal, entonces existe un punto extremo optimo. Comenzaremos
por mostrar que esta observacion siempre es cierta.
Considere el siguiente programa lineal en forma estandar:
Minimizar c
T
x
A x = b
x 0
Teorema 5.1. Teorema de representatividad
Sea X = {x 0 | Ax = b} un conjunto (poliedrico) no vaco. Entonces, el conjunto de puntos
extremos es no vaco y tiene un n umero nito de puntos, digamos x
1
, x
2
, ...x
k
. Mas a un, el conjunto
de direcciones extremas es vaco si y solo si, X es acotado. Si X es no acotado, entonces el conjunto
de direcciones extremas es no vaco y tiene un n umero nito de vectores, digamos d
1
, d
2
, ..., d
l
.
As mismo, x X si y solo si x se puede representar como una combinacion lineal convexa de
x
1
, x
2
, ...x
k
mas una combinacion lineal no negativa de d
1
, d
2
, ..., d
l
. Es decir,
x =
k
j=1
j
x
j
+
l
j=1
j
d
j
Donde
k
j=1
j
= 1
j
0 j = 1, 2, 3 . . . k
j
0 j = 1, 2, 3 . . . l
31
5.1 Elementos preliminares a la presentacion del Metodo Simplex
Puede entonces reescribirse el problema, en funcion de las variables
j
y
j
de la siguiente forma.
Minimizar
k
j=1
(c
T
x
j
)
j
+
l
j=1
(c
T
d
j
)
j
k
j=1
j
= 1
j
0 j = 1, 2, 3 . . . k
j
0 j = 1, 2, 3 . . . l
Note que los valores de las
j
no se encuentran restringidos y pueden hacerse arbitrariamente
grandes, por ello si al menos para un j el valor c
T
d
j
< 0 podramos hacer la funcion objetivo tan
peque na como quisieramos (tender a ) haciendo el valor de la correspondiente
j
suciente-
mente grande. En el caso en el cual c
T
d
j
0 para toda j = 1, 2 . . . l, para minimizar el valor de la
funcion objetivo, es necesario hacer que los correspondientes
j
tomen el valor de cero
Se desea minimizar el valor de la funci on objetivo, que de acuerdo con lo expuesto correspondera
a minimizar

k
j=1
(c
T
x
j
)
j
, para ello debe determinarse el mnimo valor de c
T
x
j
y asignar a la
variable
j
asociada el valor de uno y cero a las demas variables.
En resumen, existe una solucion optima nita para el problema lineal si c
T
d
j
0 para todas las
direcciones extremas; en cuyo caso el punto que provee dicha solucion se determina seleccionando
dentro del conjunto de puntos extremos aquel que provee el mnimo valor de la funcion objetivo.
En el caso en el cual dos o mas puntos provean el mnimo valor c
T
x
j
, cada uno de estos puntos
extremos corresponde a un punto optimo as como toda combinacion convexa de ellos.
Ejemplo 12. Considere nuevamente el programa lineal planteado en el ejemplo 10.
Minimizar 3x
1
x
2
x
1
+ x
2
2
x1+ x
2
5
x1 + 2 x
2
6
x1 x
2
0
cuya region factible corresponde a la de la gura 17
Note que por ser acotado dicho poliedro no tiene direcciones extremas, mientras que los puntos
extremos pueden obtenerse facilmente, siendo estos:
x
1
=
_
0
0
_
x
2
=
_
5
0
_
x
3
=
_
4
1
_
x
4
=
_
2
3
8
3
_
x
5
=
_
0
2
_
Podemos entonces usar el Teorema de Representacion para escribir el problema de la siguiente
forma:
32
Figura 17: Metodo geometrico-Ejemplo
Minimizar 0
1
15
2
13
3

14
3

4
2
5
5
j=1
j
= 1
j
0 j = 1, 2, 3 . . . 5
La funcion objetivo se maximiza al asignar el valor de 1 a
2
, en cuyo caso el valor optimo de
la funcion objetivo seria 15. Note que esta solucion optima es generada por el punto extremo
x
2
=
_
5
0
_
Observe que la solucion corresponde a las seleccion del punto extremo del conjunto poliedrico que
provee el mnimo valor de la funcion objetivo. Que sucede en el caso en el cual la region factible
es no acotada?
Ejercicio 8. Considere el siguiente problema lineal
Minimizar 4x
1
x
2
x
1
+ x
2
2
x
1
+ 2 x
2
6
x
1
x
2
0
1. Dibuje la region factible.
2. Encuentre todos los puntos extremos y direcciones extremas de la region
3. Haga uso del teorema de Representacion para escribir el problema en terminos de los puntos
y direcciones extremas.
4. Encuentre si existe la solucion optima del problema con base en la formulacion del problema
que realizo en el numeral anterior.
33
5.1.2. Solucion basica factible: Denicion algebraica de Punto Extremo
Se ha demostrado hasta este punto que si existe una solucion optima, entonces tambien existe un
punto extremo optimo. Esta fue la idea clave en el metodo de solucion geometrico y la cual se
generalizo mediante el Teorema de Representacion. Sin embargo, el concepto de Punto de Extremo
es un concepto geometrico, el cual es necesario caracterizar algebraicamente para poder ser usado
computacionalmente.
Denicion de tipos de Solucion
considere el sistema Ax = b y x 0, en donde Aes una matriz mn y b es un vector m. Por lo gen-
eral, en los modelos estandar de programacion lineal se observa que existe un mayor numero de vari-
ables que de restricciones, es decir n > m. Suponga que el rango de rango(A, b) = rango(A) = m.
De esta forma las columnas de A podran reordenarse de modo que las primeras m columnas
conformen la matriz B invertible de m m ; es decir, las primeras m columnas son linealmente
independientes. Las restantes nm columnas conformaran la matriz N de m(nm). De igual
forma podra distinguirse en el vector x unas componentes asociadas a las columnas en B y otras
a las columnas en N, podra escribirse entonces el sistema como
_
B N
_
x
B
x
N
_
Se dene como una solucion basica aquella en la cual las variables asociadas a las nm columnas
en N toman el valor de cero y el valor de las restantes n variables se encuentra comno la solucion
del sistema Bx
B
= b. Es decir x
B
= B
1
b y x
N
= 0.
Si ademas de la descripcion dada anterior mente para las soluciones basicas, se satisface que x
B
0
entonces se denomina Solucion Basica Factible (SBF). La matriz B se denomina matriz basica o
Base y la matriz N se denomina matriz no basica. Las componentes del vector x se distinguen
entre, x
B
variables basicas y x
N
variables no basicas. Si existe al menos una variable basica cuyo
valor es cero, se denomina una Solucion Basica Factible Degenerada
Ejemplo 13. Considere el siguiente conjunto poliedrico.
x
1
+ x
2
2
x1 + x
2
5
x1 + 2x
2
6
x1, x
2
0
Dibuje para el la region factible e identique en ella las Soluciones Basicas y Soluciones Basicas
Factibles.
En la siguiente gura se ilustran las soluciones basicas y basicas factibles para el conjunto dado.
Note por ejemplo que el punto (-2,0) corresponde a una Solucion Basica, pues satisface las in-
ecuaciones que denen el poliedro excepto las de no negatividad (igual sucede con el punto (1.5,
3.5) como se hara evidente a continuaci on). Mientras que los puntos restantes que se se nalan en la
gura corresponden a soluciones basicas factibles, pues las satisfacen las inecuaciones que denen
34
Figura 18: Soluciones Basicas y Basicas Factibles
el poliedro y ademas las restricciones de no negatividad.
Determine ahora estos puntos de acuerdo con base en las deniciones dadas para B, N, x
B
y x
N
.
Para ello considere nuevamente el conjunto poliedrico, introduciendo en el las variables de holgura
x
3
, x
4
y x
5
., de esta forma podramos escribirlo de la siguiente forma: Si existe
x
1
+ x
2
+ x
3
= 2
x1 + x
2
+ x
4
= 5
x1 + 2x
2
+ x
5
= 6
x
1
, x
2
, x
3
, x
4
, x
5
0
Es posible entonces escribir la matriz A de restricciones como:
A =
_
a
1
a
2
a
3
a
4
a
5
=
_
_
1 1 1 0 0
1 1 0 1 0
1 2 0 0 1
_
_
Es posible entonces determinar las soluciones basicas seleccionando Bases de 3 3 y aquellas que
satisfagan ademas que B
1
b 0 constituiran soluciones basicas. factibles. Por ejemplo:
1. B =
_
a
1
a
2
a
3
=
_
_
1 1 1
1 1 0
1 2 0
_
_
x
B
=
_
_
x
1
x
2
x
3
_
_
= B
1
b =
_
_
4
1
5
_
_
Observe que al proyectar esta solucion en E
2
corresponde a la SBF optima en el punto (4,1)
de la gura 18
2. B =
_
a
1
a
2
a
5
=
_
_
1 1 0
1 1 0
1 2 1
_
_
x
B
=
_
_
x
1
x
2
x
5
_
_
= B
1
b =
_
_
1,5
3,5
2,5
_
_
35
5.2 Idea fundamental del Metodo Simplex
Note que esta corresponde a una solucion basica pero no factible, pues no satisface las re-
stricciones de no negatividad
Ejercicio 9. Encuentre para el conjunto poliedrico dado las demas soluciones basica clasicadoras
en basicas y basicas factibles.
Observe que si siguieramos este procedimiento con el n de determinar todas las soluciones basicas,
el n umero maximo de bases que deberan construirse.
_
n
m
_
=
n!
m!(n m)!
(7)
Al respecto pueden surgir algunas preguntas: Porque podran ser menos el n umero de combina-
ciones de las columnas que deberan evaluarse, acaso algunas de ellas no deberan evaluarse? El
n umero de soluciones basicas es igual al numero de bases que puedan conformarse o una solucion
puede estar representada por mas de una base?
5.1.3. Resumen de teoremas importantes
Se resumiran algunos resultados presentados y otros que a partir de los desarrollado es posible
mostrar y que seran de importancia pa la comprension del Metodo Simplex. Para ello considere
nuevamente el problema de programacion lineal,
Minimizar c
T
x
A x = b
x 0
Teorema 5.2. Para una region factible no vaca, el conjunto de puntos extremos corresponde con
el conjunto de Soluciones Basicas Factibles
Teorema 5.3. Para una region factible no vaca, existira una solucion optima nita si y solo si
se satisface para todas las direcciones extremas que c
T
d
j
0. En caso contrario no existira una
solucion optima nita
Teorema 5.4. Si existe una solucion optima, entonces existe un punto extremo, es decir, una
Solucion Basica Factible.
Teorema 5.5. A todo punto extremo (SBF) corresponde una base, no necesariamente unica,
cuando existen varias bases que representan el mismo punto, este se denomina punto extremo
degenerado. Igualmente puede vericarse que a toda base corresponde un unico Punto Extremo.
5.2. Idea fundamental del Metodo Simplex
Con lo expuesto hasta ahora podra pensarse que para resolver un programa lineal basta con
enumerar todos los Puntos extremos, es decir todas las soluciones basicas factibles y seleccionar de
ellas la que genere un menor valor de la funcion objetivo. Sin embargo, hay ciertos aspectos que
considerar en torno a este metodo de solucion directo.
Hemos mencionado que una cota superior para el n umero de SBF es C
m
n
, el cual incluso para
instancias peque nas, es un n umero grande. Por ejemplo, en un problema con 10 variables y
5 restricciones, la cota superior del n umero maximo de bases que deben evaluarse es 252.
Este metodo no aplica para determinar cuando un problema no tiene una solucion optima
nita.
36
5.2 Idea fundamental del Metodo Simplex
En el caso en el cual la region factible fuese vaca, el metodo solo podra determinarlo una
vez haya recorrido todas las posibles combinaciones de las columnas de A
El Metodo Simplex es un procedimiento para moverse de forma inteligente de un punto extremo a
otro mejorando (o no empeorando) el valor de la funcion objetivo, permitiendo ademas identicar
cuando no existe un optimo nito o la region factible es vaca.
El metodo simplex permite reconocer la optimalidad de un punto extremo dado con base en
consideraciones locales sin tener que enumerar todos los puntos extremos o SBF. Para ello considere
el siguiente programa lineal
Minimizar c
T
x
A x = b
x 0
Es posible transformar el sistema Ax = b en terminos de las variables no basicas x
N
el cual
se denomina Equivalente Canonico, de modo que los dos sistemas tengan exactamente las mis-
mas soluciones. Para ello note que, premultiplicando por B
1
y reordenando terminos, podemos
reescribir Ax = Bx
B
+Nx
N
= b como:
x
B
= B
1
b B
1
Nx
N
(8)
Note que asignando el valor de cero a todas las variables no basicas x
N
obtenemos el valor asociado
a las variables basicas x
B
= B
1
. Siendo esta la solucion basica factible asociada a la base B.
Con base en esta nueva descripcion, es posible tambien escribir el valor de la funcion objetivo en
termino de las variables no basicas. Para ello es posible escribir el valor de la funcion objetivo en
terminos del conjunto de variables basicas y el de variables no basicas.
c
T
x = c
T
B
x
B
+c
T
N
x
N
(9)
Sustituyendo (8) en (9) es posible reescribirla como:
c
T
x = c
T
B
(B
1
b B
1
Nx
N
) +c
T
N
x
N
c
T
x = c
T
B
B
1
b + (c
T
N
c
T
B
B
1
N)x
N
(10)
Sea,
I
B
, Conjunto de los indices asociados a las variables basicas. Es decir, los indices de las
variables que asociadas a las columnas que conforman B
I
N
, Conjunto de los indices asociados a las variables NO basicas. Es decir, los indices de las
variables que asociadas a las columnas que conforman N
b = B
1
b, vector del lado derecho actualizado, corresponde ademas al vector solucion de las
variables basicas para la base
N = B
1
N, Matriz correspondiente a las columnas no basicas actualizada.
w
T
= c
T
B
B
1
z = c
T
B
B
1
b = c
T
B
b. Valor de la funcion objetivo asociado a la base B

c
T
N
= c
T
N
c
T
B
B
1
N
37
5.3 Interpretacion geometrica del Metodo Simplex
Con lo cual es posible escribir,
x
B
=

b

Nx
N
=

b
jI
N
a
j
x
j
Donde, a
j
= B
1
a
j
(11)
z = z +c
T
N
x
N
= z +
jI
N
c
j
x
j
(12)
c
j
= c
j
c
T
B
B
1
a
j
= c
j
w
T
a
j
= c
j
c
T
B
a
j
(13)
Ahora es posible expresar el problema originalmente dado, en el espacio de las variables no basicas,
de la siguiente forma.
Minimizar z +
jI
N
c
j
x
j
jI
N
a
j
x
j
+x
B
=

b
x
N
, x
B
0
A partir de esta formulacion es posible observar dos aspectos que soportan el Metodo Simplex.
En (12) es posible observar directamente el efecto que se genera en la funcion objetivo al
modicar alguna variable no basica (x
j
, j I
N
), mientras que (11) permite determinar
hasta que punto podemos incrementar x
j
sin violar x
B
0.
Note en (12) que para el caso en el cual todas las variables no basicas tengan valor c
j
0, el
valor de la funcion objetivo seria mayor que el valor actual z. Estos signica que la solucion
es optima si se satisface que c
j
0 j I
N
, lo cual constituye la idea fundamental del
metodo simplex para determinar la optimalidad del punto extremo (SBF) actual
5.3. Interpretacion geometrica del Metodo Simplex
38
6. EL M
ETODO SIMPLEX: Descripcion general

En la seccion anterior desarrollamos los elementos necesarios para describir con detalle la forma
como opera el Metodo Simplex. El objetivo de profundizar en el estudio del metodo esta mas alla de
la simple comprension de la forma en la que opera, el estudio de dicho metodo proveera claridad en
muchos conceptos que podran ser empleados posteriormente en el estudio de otros metodos de solu-
cion, la solucion de tipos particulares de problemas e incluso el estudio de problemas pertenecientes
a campos diferentes a la programacion lineal.
6.1. Metodo Simplex. Una primera aproximacion
De manera muy general, podra describirse la forma como opera el metodo simple seg un se pre-
sentan en la gura 19.
Figura 19: Forma general de operacion del metodo Simplex
El metodo parte de una Solucion Basica Factible inicial; la obtencion de esta solucion puede ser
directa en algunos casos, mientras que en otros puede requerir de la aplicacion de un metodo
previo. Inicialmente supondremos que siempre es posible obtener esta solucion (o decretar su no
existencia), posteriormente describiremos la forma de efectuarlo.
Una vez se dispone de una SBF, la primera inquietud que debera surgirnos es si esta es una solu-
cion optima del problema. Para ello, sera necesario determinar si existe alguna otra SBF (punto
extremo del poliedro) que genere un mejor valor de la funcion objetivo; recuerde que el metodo
simplex evaluara este aspecto sin necesidad de plantear explcitamente todas las SBF. En caso de
no existir una SBF que mejore el valor de la funcion objetivo, aquella SBF en la que actualmente
nos encontramos es optima; si es posible hallar una mejor solucion, el metodo simplex se movera a
ella, cambiando as el conjunto de variables basicas y la base de columnas asociadas, y debera ahora
nuevamente preguntarse pos su optimalidad.
Es importante notar que el metodo simplex podra detectar en alguna iteracion especica la no
existencia de un optimo nito. En la siguiente seccion detallaremos y daremos solucion a alguna
inquietudes que pudieron haber surgido, tales como Como determina el metodo Simplex si existe
una mejor solucion?,Como se determina dicha solucion hacia la cual debe moverse ?, Como
identica el metodo cuando no existe una solucion optima nita?
39
6.2 Algebra del metodo Simplex
6.2. Algebra del metodo Simplex
Daremos solucion a algunas de las preguntas planteadas de modo que podamos comprender la
forma como el metodo simplex busca la solucion optima de un programa lineal.
Disponemos de una SBF inicial que, de acuerdo con lo desarrollado anteriormente, se encuentra
asociada a una base B, la cual esta conformada por las columnas a
j
correspondientes a las variables
basicas de la SBF actual. Dicha SBF genera un valor de la funcion objetivo z. La primera pregunta
que podra surgir es:
Existira alguna otra SBF (equivalentemente, alg un otro punto extremo) que mejore
(al menos no empeore) el valor de la funcion objetivo?
Para responder a esta pregunta retomemos de (12) la forma como expresamos el valor de la funcion
objetivo en terminos de las variables no basicas.
z = z +c
T
N
x
N
= z +
jI
N
c
j
x
j
(14)
Note que si quisieramos disminuir el valor de la funcion objetivo (en el caso que venimos utilizando
de un problema de minimizacion) seria necesario darle valor a al menos una de las variables no
basicas x
N
cuyo coeciente c
j
sea menor que cero. Recuerde que hasta el momento todas las
variables x
j
j I
N
tienen valor de cero, al incrementar el valor de alguna de estas variables cuyo
coeciente c
j
< 0 el valor de la funcion objetivo se reducira en c
j
x
j
.
El valor c
j
usualmente se denomina costo reducido de la variable j. Note que si todos los costos
reducidos asociados a las variables basicas son no negativos ( c
j
0 j I
N
)entonces la solucion
actual es optima. Esta es precisamente la forma como el metodo Simplex decreta la optimalidad
de una solucion.
Suponiendo que es posible mejorar el valor de la funcion objetivo mediante la inclusion, dandole
un valor mayor que cero, de alguna de las variables que actualmente son no basicas, desearamos
hacer tan grande como sea posible el valor de esta variable, la pregunta que surge:
Hasta donde podemos incrementar el valor de la variable no basica x
j
que
consideraremos en la solucion para mejorar el valor de la FO? Es decir,Que limita
el valor que puede tomar la variable x
j
?
Recuerde que para que la solucion sea basica factible, es necesario que se satisfagan las condiciones
de no negatividad para las variables basicas, puesto que las no basicas toman el valor de cero. De
este modo, al aumentar el valor de una variable no basica, es necesario observar el efecto que esto
tiene sobre el valor de las variables que actualmente se consideran basicas. Para ello, aislemos el
efecto que tiene incrementar el valor de la variable no basica x
k
sobre el conjunto de variables
x
B
(recuerde que las demas variables no basicas permanecen con el valor de cero). Sea
k
el valor
que tomara la variable no basica x
j
, considerado en (11) que solo la columna a
j
de la matriz A
tendra incidencia, el efecto estara dado por
x
B
=

b a
k
k
=

b B
1
a
k
k
(15)
Reescribamos esta expresion de una forma que nos permita visualizarla mejor:
40
_
_
x
B1
x
B1
.
.
.
x
Br
.
.
.
x
Bm
_
_
=
_
b
1
b
2
.
.
.
b
r
.
.
.
b
m
_
_
a
1k
a
2k
.
.
.
a
rk
.
.
.
a
mk
_
k
Note entonces que nuestro interes recae en determinar el valor mas grande posible para
k
(valor
que tomara la variable no basica que entrara a la base, es decir aquella para la cual incrementaremos
su valor desde cero hasta
k
). Este valor debe ser tal que se preserve la condicion de no negatividad
para las variables basicas, x
B
0. Para ello note que:
Si para la variable basica x
Bi
el valor de su coeciente correspondiente en la columna a
k
es menor o igual que cero ( a
ik
0), entonces no importara el valor tomado por
k
, pues la
componente x
Bi
continuara siendo no negativa.
Si para la variable basica x
Bi
el valor del coeciente asociado en la columna a
k
es positivo
( a
ik
> 0), entonces
k
el valor maximo que podra tomar
k
es aquel que preserve la condicion
x
Bi
0. Esto pude expresarse como:
b
i
a
ik
k
0
b
i
a
ik
(16)
Estaramos interesados en que la condicion en (16) se satisfaga para todas las variables actualmente
en el conjunto de variables basicas (i I
B
). Esto se cumplira en el caso en el cual el maximo
valor tomado por
k
corresponda por el mnimo de los valores calculados para todas las variables
basicas. Lo cual se expresa en la regla de la razon minima como:
k
=

b
r
a
rk
= mn
iI
B
| aik>0
_

b
i
a
ik
_
(17)
De esta forma se ha determinado el valor que toma la variable no basica x
k
que entrara a formar
parte de la base, el cual sera igual a
k
=

b
r
a
rk
. En caso de no presentarse degeneracion este valor
sera mayor que cero, lo cual hara que la funcion objetivo disminuya. Ademas, el valor tomado
por x
k
generara una nueva SBF en la cual al menos la variable basica x
r
tomara el valor de cero
y las demas variables no basicas permaneceran tambien en el valor de cero. Esta nueva solucion
corresponde a:
x
Bi
=

b
i

a
ik
a
rk
b
r
i I
B
x
k
=

b
r
a
rk
Todas las demas x
j
iguales a cero.
Habiendo contestado estas dos preguntas, queda descrita una iteracion tpica del metodo Simplex,
en la cual se pasa de la base actual a una base adyacente. Para ello se incrementa el valor de una
variable no basica, cuyo costo reducido contribuya a mejorar el valor actual de la funcion objetivo,
41
actualizando el valor de las variables basicas actuales. En este proceso, la variable basica x
Br
se
hace cero, lo que podra interpretarse como el hecho de que la variable x
r
entra a la base mientras
que la variable x
Br
sale de la base.
Aunque existen algunos otros aspectos que aun hacen falta desarrollar en torno al metodo Simplex,
nos ocuparemos a continuacion de dos de ellos relacionados con la determinacion del tipo de solu-
cion y haremos una corta descripcion del fenomeno de degeneracion. Estudiaremos como el metodo
Simplex determina la existencia de soluciones optimas alternas y analizaremos como determinar la
no existencia de optimos nitos.
Solucion optima unica y soluciones optimas alternativas
En el caso en el cual todas las variables no basicas tienen costo reducido no negativo ( c
k
), la
solucion actual es el unico optimo del problema. Que sucedera en el caso en el cual una variable
no basica x
k
tiene costo reducido igual a cero? En este caso seria posible al incrementar el valor
de dicha variable (suponiendo que no existe degeneracion) y obtener una solucion basica factible
diferente pero que genera el mismo valor de la funcion objetivo. En este caso estaramos en pres-
encia de dos soluciones optimas alternas, dado que cualquier combinacion lineal convexa de estas
soluciones es tambien una solucion optima, tendramos un n umero innito de soluciones optimas
alternativas.
No existencia de optimo nito
Considere ahora el caso en el cual es posible hallar una funcion no basica cuyo costo reducido c
k
es
menor que cero, por lo cual se considera elegible para entrar a la base; sin embargo, al momento de
determinar el maximo valor que esta variable podra tomar, no existe un limite para dicho valor.
Es decir, la variable no basica que se considera para entrar a la base puede crecer indenidamente
sin generar que ninguna de las variables basicas actuales tome un valor negativo (lo cual hara
que la solucion no fuese factible y corresponde con el criterio de razon minima que empleamos
para determinar el valor maximo que puede tomar la variable entrante). En este caso dado que
podramos hacer x
k
tan grande como quisieramos, la funcion objetivo tambien decrecera tanto
como quisieramos, tendera a innito, a medida que el valor de x
k
se incremente. Como detecta
el metodo Simplex esta situacion?.
Para dar respuesta a esta inquietud, retomemos la descripcion del efecto de la variable x
k
en las
variables basicas actuales.
_
_
x
B1
x
B1
.
.
.
x
Br
.
.
.
x
Bm
_
_
=
_
b
1
b
2
.
.
.
b
r
.
.
.
b
m
_
_
a
1k
a
2k
.
.
.
a
rk
.
.
.
a
mk
_
k
Note que el caso en el cual a
k
0, el valor
k
que podra tomar la variable x
k
no se encuentra
acotado; es decir, podra crecer indenidamente. Esto signica que no existe una solucion optima
nita, lo que a su vez implica la existencia de un rayo a lo largo del cual se puede desplazar la
solucion indenidamente, Como puede caracterizarse dicho rayo?. Para ello escribamos el vector
solucion en terminos de la variable entrante x
k
42
_
_
_
_
B
1
b
0
.
.
.
0
.
.
.
0
_
_
+ x
k
_
_
a
k
0
.
.
.
1
.
.
.
0
_
_
: x
k
0
_
_
De esta forma el rayo a lo largo del cual se desplazara la solucion esta centrado en
_
B
1
b
0
_
,
mientras que la direccion del rayo es:
d =
_
_
a
k
0
.
.
.
1
.
.
.
0
_
_
Degeneracion
De acuerdo con la forma en la cual hemos descrito el Metodo Simplex, se esperara que este avance
iteracion por iteracion hacia una mejor solucion, que provea un mejor valor de la funcion objetivo,
con lo cual eventualmente se obtiene el valor optimo, a partir del cual no es posible encontrar otro
punto que mejore el valor de la funcion objetivo. Sin embargo, no en todos los casos se cumple con
la situacion descrita, se presentan situaciones en las cuales el Metodo Simplex realiza iteraciones
sin mejorar el valor de la funcion objetivo. El fenomeno que se presenta en aquellas iteraciones
seguidas por el metodo Simplex sin mejorar el valor de la funcion objetivo se denomina degen-
eracion.
La degeneracion ocurre en un programa lineal cuando en un punto determinado existen mas re-
stricciones activas que las necesarias para denirlo. Una SBF para un programa lineal en forma
estandar es degenerada si la restriccion de no negatividad para alguna o algunas variables basicas
se encuentra activa; es decir,si por lo menos una variable basica toma el valor de cero.[3] Como
se visualiza este fenomeno en el metodo Simplex?.
Un pivote degenerado ocurre cuando el Metodo Simplex pasa de una base a otra diferente pero la
SBF factible asociada no cambia por lo que el valor de la funcion objetivo permanece igual. En un
problema de minimizacion como el que hemos venido considerando, debe suceder que:
Exista una variable no basica x
j
cuyo costo reducido sea tal que deba considerarse para
entrar a la base. ( c
j
< 0).
Al determinar el valor que debe tomar dicha variable, de acuerdo con el criterio de la razon
minima, este sea cero. Es decir, la variable x
j
entrara a la base con el valor de cero y el valor de
la funcion objetivo permanecera constante en z pues la variable entrante aportara c
j
x
j
= 0.
Ejercicio 10. Soluciones Alternativas y Degeneracion
Suponga que en una iteracion del metodo simplex para un problema de minimizacion, se observa
que todos los costos reducidos para las variables no basicas negativos, excepto para una de ellas, la
variable x
k
, cuyo costo reducido es cero (Es decir, c
k
= 0 k I
N
). Puede armarse que existen
soluciones optimas alternativas? (justique su respuesta)
43
6.3 El Metodo Simplex en pocas palabra
6.3. El Metodo Simplex en pocas palabra
Con base en lo desarrollado a lo largo de los dos ultimos captulos presentaremos el resumen del
metodo simplex para la solucion del siguiente programa lineal.
Minimizar c
T
x
A x = b
x 0
ETAPA 1
Seleccionar una solucion basica factible inicial cuya base asociada se es B (En la Seccion ?? dis-
cutiremos algunos metodos para determinar esta solucion)
ETAPA 2
1. Determine el valor de la solucion actual x
B
, el valor de la funcion objetivo asociado y los
costos reducidos asociados a las variables no basicas. Para ello determine y calcule I
B
, I
N
,
x
B
= B
1
b , x
N
= 0, z = c
T
B
x
B
y c
T
N
= c
T
N
c
T
B
A
2. Vericar la optimalidad . Determinar si la solucion actual es optima, lo cual sera cierto
en el caso en el cual c
j
0 j I
N
. En cuyo caso la solucion actual es optima; en caso
contrario continue con el siguiente paso.
3. Determinar la variable no basica candidata a entrar a la base Seleccionar la variable
x
k
con el menor costo reducido
4
. Esta sera la variable candidata a entrar a la base.
4. Determinar, si existe, la variable basica que debe salir de la base Mediante el
criterio de la razon minima se selecciona la variable basica x
r
que sale de la base y se calcula
el valor
k
que tomara la variable basica entrante.
5. Actualizacion de la base Actualize los conjuntos de variables basicas y no basicas (I
B
e I
N
) y determine la nueva base B correspondiente a las columnas asociadas a las variables
basicas en I
b
. Ir nuevamente al Paso 1 de la ETAPA 2
Ejercicio 11. Considere el siguiente programa lineal.
Maximizar c
T
x
A x = b
x 0
Que consideraciones especiales deberan tenerse al resolver este problema mediante el Metodo
Simplex?
Describa brevemente el procedimiento para la solucion de problemas de maximizacion medi-
ante el Metodo Simplex. (Use como gua la descripcion del metodo Simplex para el problema
de minimizacion presentada anteriormente)
4
Esta se conoce la regla de Dantzing, pero realidad podra seleccionarse cualquier variable con costo reucido
negativo
44
Ejemplo 14. Mediante el metodo Simplex y con la base inicial formada por las variables de
holgura resuelva el siguiente problema.
Maximizar z = 2x
1
+ x
2
x
3
+ 5x
4
sujeto a x
1
+ x
2
+ 2x
3
+ x
4
6
x
1
+ 3x
2
x
3
+ 5x
4
15
x
1
, x
2
, x
3
, x
4
0
Iteracion 1
I
B
={5, 6} I
N
={1, 2, 3, 4}
B =
_
1 0
0 1
_
N =
_
1 1 2 1
1 3 1 5
_
Sabemos que b = B
1
b entonces
_
1 0
0 1
_ _
6
15
_
=
_
6
15
_
z=c
T
B
B
1
b=c
T
B
b
z =
_
0 0
_
6
15
_
= 0
Es la solucion actual la optima?
c
T
N
= c
T
N
c
T
B
B
1
N = c
T
N
c
T
B
N
_
2 1 1 5
_
0 0
_
1 0
0 1
_ _
1 1 2 1
1 3 1 5
_
=
_
2 1 1 5
La solucion actual no es optima, pues existen variables no basicas con costos reducidos
no negativos
Debe entrar a la base la variable x
4
Cual variable basica debe salir?
k
= Min {6/1, 15/5}=3
Debe salir la Variable x
6
Iteracion 2
I
B
={5, 4} I
N
={1, 2, 3, 6}
B =
_
1 1
0 5
_
N =
_
1 1 2 0
1 3 1 1
_
b = B
1
b
_
1 1/5
0 1/5
_ _
6
15
_
=
_
3
3
_
45
z=c
T
B
B
1
b=c
T
B
b
z =
_
0 5
_
3
3
_
= 15
c
T
N
= c
T
N
c
T
B
B
1
N = c
T
N
c
T
B
N
_
2 1 1 0
_
0 5
_
1 1/5
0 1/5
_ _
1 1 2 0
1 3 1 1
_
=
_
1 2 0 1
La solucion actual no es optima, pues existen variables no basicas con costos reducidos
no negativos
Debe entrar a la base la variable x
1
Cual variable basica debe salir?
= Min {15/4, 15}=15/4
Debe salir la Variable x
5
Iteracion 3
I
B
={1, 4} I
N
={2, 3, 5, 6}
B =
_
1 1
1 5
_
N =
_
1 2 1 0
3 1 0 1
_
b = B
1
b
_
5/4 1/4
1/4 1/4
_ _
6
15
_
=
_
15/4
9/4
_
z=c
T
B
B
1
b=c
T
B
b
z =
_
2 5
_
15/4
9/4
_
= 75/4
c
T
N
= c
T
N
c
T
B
B
1
N = c
T
N
c
T
B
N
_
1 1 0 0
_
2 5
_
5/4 1/4
1/4 1/4
_ _
1 2 0 0
3 1 1 1
_
=
_
5/2 11/4 5/4 3/4
Note que todos los costos reducidos son negativos. lo cual indica que la SBF actual es la
solucion optima. En la cual: z
= 75/4, x
= (15/4, 0, 0, 9/4, 0, 0)
Ejercicio 12. Considere el siguiente problema lineal
Minimizar 4x
1
x
2
x
1
+ x
2
2
x
1
+ 2 x
2
6
x
1
x
2
0
Considere una base inicial y determine la solucion optima, desarrollando para ello el proced-
imiento descrito para el metodo Simplex
46
6.4 El Metodo Simplex en formato Tableau
6.4. El Metodo Simplex en formato Tableau
El formato Tableau constituye una forma de estructurar la informacion recopilada en cada iteracion
del metodo Simplex, de modo que sea posible ir actualizandola y facilitar la solucion paso a paso
de problemas de programacion lineal. La solucion manual del problema podra no ser una alterna-
tiva a considerar en muchos casos practicos, sin embrago, se ilustra el formato Tableau con el n
de reforzar los conceptos adquiridos en torno al Simplex y proveer una alternativa de solucion de
ciertas instancias peque nas.
Note que en cada iteracion del metodo simplex es necesario disponer de cierta informacion.
El valor de la funcion objetivo as como el de las variables basicas que generan dicha solucion.
Los costos reducidos a las variables no basicas.
Los coecientes asociados a las columnas no basicas en la iteracion actual , para aplicar el
criterio de la razon minima en la seleccion de la variable que sale
La gura 20 presenta la forma como esta informacion se recopilar en el Tableau. Note que la funcion
objetivo z y las variables basicas x
B
se han expresado en terminos de de las variables no basicas x
N
.
Figura 20: Estructura general del Tableau
En la tabla puede distinguirse el renglon cero de los demas renglones. El renglon cero se encuentra
asociado con la funcion objetivo y en el las variables basicas tienen un coeciente de cero, mien-
tras que el coeciente de las columnas no basicas corresponde al costo reducido de cada una de
ellas, la ultima columna proporciona el valor actual de la funcion objetivo. Los demas renglones
proporcionan la informacion necesaria para proceder con el metodo simplex, se destaca como la
ultima columna de cada uno de estos renglones permite observar el valor de las variables basicas
en la solucion actual. El Tableau expresado del modo descrito se denomina en forma canonica
Con base en la informacion contenida en el Tableau seria deseable denir un procedimiento que
permita:
1. Actualizar el conjunto de variables basicas I
B
y sus valores
2. Actualizar el conjunto de variables no basicas I
N
y sus costos reducidos
3. Actualizar el valor de las columnas asociadas a las variables no basicas.

A
Estas operaciones pueden resumirse en lo que se denomina un pivoteo. Considere una variable x
k
que debe entrar a la base, la variable que debera salir x
r
se determina mediante el criterio de la
razon minima. La informacion para aplicar dicho criterio se encuentra en la ultima columna del
tableau (columna del lado derecho LD) y en la columna asociada a la variable x
k
( a
k
). Una vez
determinada la variable que entra y la variable que sale de la base, la operacion de pivoteo permite
actualizar la informacion necesaria para la proxima iteracion, si esta se requiere, con base en los
nuevos conjuntos de variables basicas y no basicas.
47
Dado que la variable x
k
entrara a la base, el costo asociado en el renglon debe ser cero, as mismo,
debemos convertir la columna asociada a la variable x
k
en una columna unitaria cuyos elementos
son todos ceros excepto por el elemento a
rk
que debera ser un uno. Al convertir la columna
asociada a la variable entrante esta entrara a formar parte de la matiz identidad que conforman las
columnas asociadas a las variables basicas (observe la gura 20), mientras que la columna asociada
a la variable saliente entrara a formar parte de

N.
El pivoteo realiza estas actualizaciones mediante la realizacion de operaciones elementales de la.
Los siguientes tres pasos corresponden a un pivoteo:
1. El renglon r se divide entre a
rk
, de esta forma el elemento r de la columna a
rk
se transforma
en un 1
2. Para todos los demas renglones (i = 1, 2..m, i = r) se resta al renglon i el nuevo renglon r
multiplicado por a
ik
. De esta forma, todos los elementos de la columna a
k
se convertiran en
cero, excepto el elemento r-esimo y se habra obtenido la columna a la cual se hacia mencion
anteriormente.
3. Se resta al renglon cero el nuevo renglon r multiplicado por c
k
, de esta forma, el nuevo costo
en el renglon cero de la variable entrante sera cero.
Note que mediante estas transformaciones se obtendra un nuevo tableau correspondiente al base
en la cual se ha adicionado la variable x
k
y se ha excluido la variable x
r
.
Ejemplo 15. Haciendo uso del metodo Simplex en formato Tableau, encuentre la solucion optima
del siguiente programa lineal.
Maximizar z = 2x
1
+ 3x
2
+ 7x
3
+ 9x
4
sujeto a x
1
+ x
2
+ x
3
+ x
4
9
x
1
+ 2x
2
+ 4x
3
+ 8x
4
24
x
j
0 j
Inicialmente debemos expresar el problema en forma estandar, es decir mediante restricciones de
igualdad y con todas las variables no negativas.
Maximizar z = 2x
1
+ 3x
2
+ 7x
3
+ 9x
4
+ 0x
5
+ 0x
6
sujeto a x
1
+ x
2
+ x
3
+ x
4
+ x
5
= 9
x
1
+ 2x
2
+ 4x
3
+ 8x
4
+ x
6
= 24
x
j
0 j
Iteracion 1.
El tableau correspondiente al programa lineal en forma estandar es:
z
x
5
x
6
z x
1
x
2
x
3
x
4
x
5
x
6
L.D
-1 2 3 7 9 0 0 0
0 1 1 1 1 1 0 9
0 1 2 4 8 0 1 24
48
Con base en este tableau, es posible observar que la variable que debe entrar a la base es
x
4
pues tiene el maximo costo reducido positivo; mientras que seg un el criterio de la razon
minima debe salir la variable x
6
.
el nuevo Tableau, asociado a la la nueva SBF puede hallarse mediante eliminacion gaussiana.
Iteracion 2.
z
x
5
x
4
z x
1
x
2
x
3
x
4
x
5
x
6
L.D
-1 7/8 3/4 5/2 0 0 9/8 -27
0 7/8 3/4 1/2 0 1 1/8 6
0 1/8 1/4 1/2 1 0 1/8 3
x
3
4
.
Iteracion 4.
z
x
5
x
3
z x
1
x
2
x
3
x
4
x
5
x
6
L.D
-1 2/8 2/4 0 -5 0 14/8 -42
0 3/4 1/2 0 -1 1 2/8 3
0 1/4 1/2 1 2 0 1/4 6
x
1
5
.
Iteracion 3.
z
x
1
x
3
z x
1
x
2
x
3
x
4
x
5
x
6
L.D
-1 0 2/3 0 14/3 1/3 5/3 -43
0 1 2/3 0 4/3 4/3 1/3 4
0 0 1/3 1 7/3 1/3 1/3 5
Con base en este tableau, es posible observar que todos los costos reducidos de las variables
no basicas son no positivos. De esta forma es posible armar que el Tableau actual es optimo
y que la solucion optima asociada es x
1
= 4, x
3
= 5 generando un valor de la funcion objetivo
de 43.
Ejercicio 13.
Se tiene el siguiente programa lineal:
Min x
1
3x
2
s.a x
1
+ 2x
2
16
x
2
6
x
1
, x
2
0
Resuelva el problema usando el simplex tableau.
49
Ejercicio 14. Consulte en que consiste el fenomeno de ciclado y de que forma puede prevenirse
en la aplicacion del metodo Simplex.
50
7. C
OMO DETERMINAR LA SOLUCI
ON INICIAL?
En el desarrollo que hemos seguido del metodo Simplex, hemos supuesto que disponemos de una
solucion basica factible inicial, con la cual comenzar las iteraciones. En realidad, la determinacion
de la SBF inicial puede ser un problema complejo. Distinguiremos aqu los casos en los cuales esta
es tarea puede tornarse difcil y presentaremos metodos para sortear este problema y encontrar la
SBF inicial que requiere el metodo.
7.1. Porque no siempre es sencillo encontrar una SBF inicial?
Encontrar una SBF inicial corresponde a encontrar una base B que provea dicha solucion. Recuerde
que, para que la matriz B constituya una base debera ser tal que sus columnas sean linealmente
independientes y que juntas generen el espacio E
n
. Seleccionar las columnas de la matriz A que
constituyan una base puede ser una tarea compleja, particularmente cuando existe gran cantidad
de variables. Anteriormente nos referimos a una cota maxima del n umero de bases que pueden
conformarse a partir de la matriz de restricciones, la cual es de dimensiones mn, siendo esta la
combinatoria
_
n
m
_
Para construir la SBF inicial seria entonces necesario seleccionar m de las n columnas de la matriz
A, de modo que sean linealmente independientes. El caso mas simple de una matriz que constituya
una base para E
m
es una matriz identidad I de dimensiones mm y existen algunos programas
lineales con estructuras tpicas en los que la solucion basica factible inicial es provista por esta base.
Considere un programa lineal en el cual las restricciones han sido dadas de la forma Ax b,
x 0. Si se a nade a cada restriccion una variable de holgura x
s
las restricciones podran escribirse
de la forma Ax +x
s
= b, es decir:
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
+ x
s1
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
+ x
s2
= b
2
.
.
. =
.
.
.
a
i1
x
1
+ a
i2
x
2
+ . . . + a
in
x
n
+ x
si
= b
i
.
.
. =
.
.
.
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
+ x
sm
= b
m
Es posible observar como las variables de holgura forman una matriz identidad I de dimensiones
mm que constituira la base B para la SBF inicial.
En general, es posible transformar cualquier programa lineal a la siguiente forma:(porque?)
Minimizar c
T
x
A x = b
x 0
Si la matriz A contiene una matriz identidad, entonces se obtiene directamente una SBF inicial
tomando B = I, con lo que se obtiene B
1
b = b 0. En caso contrario sera necesario determinar
dicha solucion mediante otro metodo.
51
7.1 Porque no siempre es sencillo encontrar una SBF inicial?
Suponga que despues de manipular las restricciones e introducir variables de holgura para llevarlas
a la forma descrita (Ax = b), no se genera una submatriz Identidad I dentro de la matriz A. Se
emplearan entonces variables articiales para obtener la solucion basica factible inicial y posteri-
ormente se usara el metodo simplex para eliminar dichas variables.
Considere que se modican las restricciones a nadiendo un vector de variables articiales x
a
, con lo
cual el sistema resultante es Ax+x
a
= b, x 0, x
a
0. Se obtiene entonces una matriz identidad
asociada al vector de variables articiales, que provee la SBF inicial del nuevo sistema x
a
= b,
x = 0. Se dispone ahora de una SBF inicial para el metodo Simplex, sin embargo, el problema ha
cambiado; para volver al problema original es necesario hacer que todas las variables articiales
tomen el valor de cero, pues note que cuando x
a
= 0, Ax +Ix
a
= Ax = b.
Ejemplo 16. Considere el siguiente conjunto de restricciones
2x
1
+ 2x
2
5
3x
1
2x
2
3
4x
1
+ 3x
2
12
Convierta el sistema a la forma Ax = b mediante la adicion de variable de Holgura y Exceso
Haga uso de variables articiales de modo que pueda obtenerse una base Identidad inicial.
Para llevar el sistema a la forma Ax = b es necesario adicionar variables de exceso en las dos
primeras restricciones y una variable de holgura en la ultima restriccion, con lo cual se obtiene
2x
1
+ 2x
2
x
3
5
3x
1
2x
2
x
4
3
4x
1
+ 3x
2
+ x
5
12
Note que no existe dentro de la matriz A una matriz Identidad. Para construirla observe que, la
variable de holgura x
5
en la tercera restriccion no esta presente en las demas restricciones y tiene
asociado en la matriz A un vector de la forma (0, 0, 1). Adicionaremos entonces variables articiales
en las otras dos restricciones con el n de construir la matriz identidad. De esta forma, obtenemos:
2x
1
+ 2x
2
x
3
+ x
6
= 5
3x
1
2x
2
x
4
+ x
7
= 3
4x
1
+ 3x
2
+ x
5
= 12
Note que las columnas asociadas a las variables x
5
, x
6
y x
7
forman ahora la matriz identidad que
deseabamos construir.
Es importante distinguir la diferencia entre las variables de holgura y exceso y las variables arti-
ciales.
Las variables de Holgura y exceso se introducen para plantear las restricciones en forma de
igualdad y pueden tomar valor positivo en la solucion del problema, en cuyo caso signicara
que la restriccion de desigualdad es estricta (Por ejemplo: el consumo del recurso fue estric-
tamente menor que el valor dado o la demanda de se sobrepasa la cantidad minima requerida
por un cliente)
52
7.2 Metodo de las dos fases
las variables articiales no son variables estructurales del problema, se introducen para fa-
cilitar el inicio del metodo Simplex, pero deben volverse cero posteriormente al momento de
encontrar soluciones factibles para el problema original.
Una vez modicado el problema original mediante la adicion de variables articiales, la pregunta
que puede surgiremos ahora es: Como obtener a partir del problema modicado una SBF para el
problema original? lo cual corresponde a preguntarnos Como eliminar las variables articiales?.
Estudiaremos para ello dos metodos.
7.2. Metodo de las dos fases
Este metodo adiciona cuantas variables articiales como sean necesarias y minimiza la suma de
estas variables sujeta al conjunto de restricciones modicado. Es decir, Ax + x
a
= b, x 0,
x
a
0. Si el problema original tiene al menos una SBF, entonces el valor optimo de este problema
sera cero, puesto que podra construirse una base asociada solo con columnas estructurales y las
variables articiales perteneceran al conjunto de variables no basicas tomando el valor de cero.
Note que en las iteraciones realizadas para la solucion de este problema lo que ira sucediendo es
que, a medida que las variables articiales toman el valor de cero salen de la base y en su lugar
entran variables estructurales. El metodo de las dos fases puede describirse de la siguiente forma.
Fase 1
Resuelva el siguiente programa lineal, partiendo de la solucion basica factible x = 0 y x
a
= b
Minimizar 1
T
x
a
A x+ x
a
= b
x, x
a
0
Al alcanzar optimalidad pueden encontrarse dos casos.
1. El valor optimo de la funcion objetivo es mayor que cero. En este caso, por lo menos
una de las variables articiales toma un valor diferente de cero (x
a
= 0). El proceso
termina y concluimos que el problema original no tiene Soluciones factibles (no existe
ning un punto que satisfaga las restricciones impuestas)
2. El valor optimo de la funcion objetivo es cero. En este caso, todas las variables arti-
ciales toman el valor de cero. Pueden distinguirse dos casos seg un todas las variable
hayan o no salido de la base, pues podra presentarse que una variable continue en la
base pero tome el valor de cero, en cuyo caso el valor de la funcion objetivo seria cero.
Posteriormente profundizaremos en las implicaciones de estos dos casos, por lo pronto
asumiremos que todas las variables articiales toman el valor de cero y salen de la base.
Siendo este el caso, ha sido posible obtener una base B conformada unicamente por
variable estructurales, la cual servira para iniciar la fase 2.
Fase 2
Se retoma el problema original partiendo de la SBF correspondiente a la base Bencontrada en
la fase 1. De esta forma, se verica si la solucion aportada por esta base es optima (mediante
el criterio de optimalidad) y de no ser as se procede con las iteraciones usuales del metodo
Simplex
53
7.2 Metodo de las dos fases
Es importante discutir ahora que implicaciones tiene cada uno de los dos casos mencionados ante-
riormente, en los que el valor de la funcion objetivo es cero.
Cuando todas las variables articiales toman el valor de cero y salen de la base, esta queda
conformada solo por variables estructurales. En este caso se pasa a la fase dos de manera
directa y se inicia con la SBF obtenida en la Fase 1.
Puede presentarse el caso en el cual alguna o algunas variables articiales estan presentes
en la base pero con valor de cero. En este caso podra procediese a la fase dos garantizando
que estas variables permanezcan en el nivel de cero o podra intentarse eliminarlas antes de
continuar con la siguiente fase. Una descripcion detallada de como efectuar este procedimiento
puede consultarse en la seccion 4.2 de [1]
Ejemplo 17. Metodo de las dos fases
Resuelva el siguiente problema lineal aplicando el Metodo de las Dos Fases
Minimizar z = 3x
1
+ 2x
2
+ 4x
3
+ 8x
4
sujeto a x
1
+ 2x
2
+ 5x
3
+ 6x
4
8
2x
1
+ 5x
2
+ 3x
3
5x
4
3
x
1
, x
2
, x
3
, x
4
0
Tableau incial Fase I.
w
z
x
a
6
x
7
z w x
1
x
2
x
3
x
4
x
5
x
a
6
x
7
L.D
0 -1 0 0 0 0 0 1 0 0
-1 0 3 2 4 8 0 0 0 0
0 0 1 2 5 6 -1 1 0 8
0 0 -2 5 3 -5 0 0 1 3
Hacemos operaciones basicas para iniciar con un tableau factible.
w
z
x
a
6
x
7
z w x
1
x
2
x
3
x
4
x
5
x
a
6
x
7
L.D
0 -1 -1 -2 -5 -6 1 0 0 -8
-1 0 3 2 4 8 0 0 0 0
0 0 1 2 5 6 -1 1 0 8
0 0 -2 5 3 -5 0 0 1 3
Sale x
a
6
y entra x
4
.
w
z
x
4
x
7
z w x
1
x
2
x
3
x
4
x
5
x
a
6
x
7
L.D
0 -1 0 0 0 0 0 1 0 0
-1 0 5/3 -2/3 -8/3 0 4/3 -4/3 0 -32/3
0 0 1/6 1/3 5/6 1 - 1/6 1/6 0 4/3
0 0 -7/6 20/3 43/6 0 -5/6 5/6 1 29/3
Se termino la Fase I, puedo pasar a la Fase II ya que el problema original es factible.
z
x
4
x
7
z x
1
x
2
x
3
x
4
x
5
x
7
L.D
-1 5/3 -2/3 -8/3 0 4/3 0 -32/3
0 1/6 1/3 5/6 1 - 1/6 0 4/3
0 -7/6 20/3 43/6 0 - 5/6 1 29/3
54
7.3 Metodo de Penalizacion o Gran M
Sale x
7
y entra x
3
z
x
4
x
3
z x
1
x
2
x
3
x
4
x
5
x
7
L.D
-1 53/43 78/43 0 0 44/43 16/43 -304/43
0 13/43 - 19/43 0 1 - 3/43 - 5/43 9/43
0 - 7/43 40/43 1 0 - 5/43 6/43 58/43
La solucion actual es optima pues los costos reducidos asociados a las variable no basicas son
positivos.
Ejercicio 15. Resuelva el siguiente problema lineal aplicando el Metodo de las Dos Fases
Minimizar z = x
1
2x
2
+ 4x
3
sujeto a x
1
+ x
2
+ 2x
3
= 2
2x
1
+ 2x
2
+ 0x
3
= 3
x
1
, x
2
, x
3
0
7.3. Metodo de Penalizacion o Gran M
Recuerde que el introducir variables articiales tiene como unico objetivo determinar una SBF
inicial para el problema original. La primera fase del metodo de las dos fases descrito en ??, ignora
la funcion objetivo del problema original para lograr este n, buscando as una solucion cualquiera
sin importar que tan buena sea esta .
El metodo de penalizacion considera la funcion objetivo original adicionando a ella las variables
articiales. Dado que la presencia de las variables articiales en la solucion optima no es deseable,
debera asignarseles un coeciente en la funcion objetivo que haga muy poco atractiva su presencia
en la base. Para ello el metodo resuelve el siguiente problema
Minimizar c
T
x + M1
T
x
a
A x+ x
a
= b
x, x
a
0
El termino M es un n umero positivo muy grande. Note que el termino M1
T
x
a
desestimula la
presencia en las variables articiales en la solucion optima del problema, puesto que su presencia
hace poco atractivo el valor de la funcion objetivo. Es decir, el metodo penaliza el hecho de que
alguna de las variables articiales sean consideradas en la solucion optima incrementando en M el
valor optimo de la funcion objetivo.
Al resolver el problema propuesto es posible encontrarse con uno de los siguientes cuatro casos:
Encontrar una solucion optima (x
, x
a
) para el modelo problema modicado, en la cual todas
las variables articiales toman el valor de cero, x
a
= 0. En cuyo caso x
constituye la solucion
optima del problema original.
Encontrar una solucion optima (x
, x
a
) en la cual al menos una variable articial es diferente
de cero,x
a
= 0. En este caso, el problema original no tiene soluciones basicas factibles.
55
7.3 Metodo de Penalizacion o Gran M
En alguna iteracion del metodo simplex encontrar que la variable x
k
que entra a la base puede
crecer indenidamente (recuerde que esto sucede cuando para la variable x
k
la columnas
asociada satisface que a
k
0). Podran darse a su vez dos posibilidades:
Todas las variables articiales tienen actualmente el valor de cero, x
a
= 0. En este caso
el problema original no tiene solucion optima nita.
Al menos una variable articial tiene valor positivo, x
a
= 0. En cuyo caso se concluye
que el problema original no tiene soluciones factibles
Ejemplo 18. Metodo de penalizacion
Resuelva el problema considerado en el ejemplo 17 aplicando el Metodo de penalizacion
El formato tableau del problema propuesto seria el siguiente:
z
x
a
6
x
7
z x
1
x
2
x
3
x
4
x
5
x
a
6
x
7
L.D
-1 3 2 4 8 0 M 0 0
0 1 2 5 6 -1 1 0 8
0 -2 5 3 -5 0 0 1 3
Sin embargo, este Tableau no se encuentra en forma canonica. Para tener un tableau inicial factible,
realizamos operaciones de pivotaje y se obtiene.
z
x
a
6
x
7
z x
1
x
2
x
3
x
4
x
5
x
a
6
x
7
L.D
-1 3-M 2-2M 4-5M 8-6M M 0 0 -8M
0 1 2 5 6 -1 1 0 8
0 -2 5 3 -5 0 0 1 3
Sale x
a
6
y entra x
4
.
z
x
4
x
7
z x
1
x
2
x
3
x
4
x
5
x
7
L.D
-1 5/3 -2/3 -8/3 0 4/3 0 -32/3
0 1/6 1/3 5/6 1 - 1/6 0 4/3
0 -7/6 20/3 43/6 0 - 5/6 1 29/3
Sale x
7
y entra x
3
z
x
4
x
3
z x
1
x
2
x
3
x
4
x
5
x
7
L.D
-1 53/43 78/43 0 0 44/43 16/43 -304/43
0 13/43 - 19/43 0 1 - 3/43 - 5/43 9/43
0 - 7/43 40/43 1 0 - 5/43 6/43 58/43
La solucion actual es optima y como era de esperarse coincide con la encontrada mediante el
metodo de dos fases.
Ejercicio 16. Metodo de penalizacion
Resuelva el problema considerado en el ejemplo 15 aplicando el Metodo de penalizacion
56
8. DUALIDAD
Asociado a cada problema de programacion lineal existe otro problema tambien de programacion
lineal. Por convencion se dene el problema original como el problema Primal y el problema
asociado a este como el problema Dual. La existencia del problema dual es importante puesto
que provee informacion valiosa con respecto a la solucion del problema original ademas de poseer
algunas propiedades que emplearemos posteriormente.
8.1. Obtencion del problema Dual
Considere el siguiente programa lineal expresado en forma canonica, el cual denominaremos Prob-
lema Primal o simplemente Primal
Minimizar c
T
x
Ax b
x 0
El programa lineal asociado, el cual denominaremos Problema Dual o simplemente Dual, es:
Maximizar w
T
b
w
T
A c
T
w 0
Ejemplo 19. Considere el siguiente programa lineal
Minimizar 4x
1
+ x
2
x
1
+ x
2
2
3x
1
+ 2x
2
6
x
1
x
2
0
El problema dual asociado a este problema es:
Maximizar 2w
1
+ 6w
2
w
1
+ 3 w
2
4
w1 + 2 w
2
1
w
1
w
2
0
Respecto a estos dos problemas es posible observar una correspondencia, en la cual se destacan los
siguientes aspectos:
Ambos problemas hacen uso de los mismos parametros para su construccion (las a
ij
, b
i
y
c
j
), solo que en diferente ubicacion.
Cada restriccion del problema primal tiene asociada una variable en el problema dual y cada
variable del problema primal tiene asociada una restriccion del problema dual.
Los coecientes de cada columna de la matriz A en el problema primal corresponden a los
coecientes de una de las restricciones del problema dual. Mientras que, los coecientes de
cada renglon de la matriz A en el problema primal corresponde a los coecientes en una
variable en las restricciones del problema Dual.
57
8.1 Obtencion del problema Dual
Los coecientes del vector b del lado derecho en el problema primal constituyen los coe-
cientes de la funcion objetivo en el problema dual. Mientras que, los coecientes de la funcion
objetivo en el problema primal corresponden a los coecientes del vector del lado derecho del
problema dual.
La correspondencia entre los elementos de los dos problemas, la forma de las restriccion y las
consideraciones respecto a las variables en cada uno de ellos se resumen en la gura 21
Figura 21: Relaciones entre los problemas primal y dual
Ejemplo 20. Considere el siguiente programa lineal.
Minimizar z = 2x
1
+ 3x
2
+ 5x
3
sujeto a 2x
1
+ x
2
+ 3x
3
+ x
4
5
2x
1
+ x
3
4
2x
1
7x
3
8
2x
2
+ x
3
+ x
4
= 6
x
1
0
x
2
, x
3
0
x
4
libre
a) Formule el problema en forma canonica de maximizacion.
Maximizar z = 2(x
1
) 3x
2
5x
3
sujeto a 2(x
1
) x
2
3x
3
(x
4
x
4
) 5
2(x
1
) + x
3
4
2(x
1
) 7x
3
8
2x
2
+ x
3
+ (x
4
x
4
) 6
2x
2
x
3
(x
4
x
4
) 6
x
1
, x
2
, x
3
, x
4
, x
4
0
58
8.1 Obtencion del problema Dual
b) Encuentre el dual del problema original y del numeral anterior y compruebe que son equiv-
alentes.
Dual del problema original:
Maximizar z = 5w
1
4w
2
+ 8w
3
+ 6w
4
sujeto a 2w
1
+ 2w
2
2w
3
2
w
1
+ 2w
4
3
3w
1
+ w
2
7w
3
+ w
4
5
w
1
+ w
4
= 0
w
1
0
w
2
, w
3
0
w
4
libre
Dual del problema a)
Minimizar z = 5w
1
4w
2
+ 8w
3
+ 6w
4
6w
5
(18a)
sujeto a 2w
1
2w
2
+ 2w
3
2 (18b)
w
1
+ 2w
4
2w
5
3 (18c)
3w
1
+ w
2
7w
3
+ w
4
w
5
5 (18d)
w
1
+ w
4
w
5
0 (18e)
w
1
w
4
+ w
5
0 (18f)
w
1
, w
2
, w
3
, w
4
, w
5
0 (18g)
La equivalencia de este dual con el del problema original es de la siguiente forma: supongamos
unas nuevas variables tal que w
4
= w
5
w
4
, w
2
= w
2
y w
3
= w
3
. Con estas nuevas
transformaciones y multiplicando las restricciones (18c), (18d) por -1, uniendo (18e),(18f),
encontramos:
Maximizar z = 5w
1
4w
2
+ 8w
3
+ 6w
4
sujeto a 2w
1
+ 2w
2
2w
3
2
w
1
+ 2w
4
3
3w
1
+ w
2
7w
3
+ w
4
5
w
1
+ w
4
= 0
w
1
0
w
2
, w
3
0
w
4
libre
El cual es un problema equivalente al primero.
Ejercicio 17. Se tiene el siguiente problema de PL.
Maximizar z = 3x
1
+ 2x
2
sujeto a x
1
+ 3x
2
15
2x
1
+ x
2
10
x
1
, x
2
0
59
8.2 Relaciones Primal-dual
1. Formule el dual.
2. Si x
1
fuese libre, como cambiara el dual?.
3. Si la primera restriccion fuese una igualdad estricta como cambiara el dual?.
8.2. Relaciones Primal-dual
Describiremos en este apartado una serie de lemas y teoremas que seran de utilidad para la com-
prension de la relacion existente entre el problema primal y el problema dual.
Lema 8.1. El dual del problema dual es el primal.
El lema 8.1 implica que no importa cual de los problemas se dene como Primal y cual como Dual,
esto es una simple convencion y depende del marco de referencia que se elija.
Una relacion, quiza mas interesante, es la que se presenta entre los valores de la funcion objetivo
de los dos problemas.
Teorema 8.1. Teorema de dualidad debil
El valor de la funcion objetivo para cualquier solucion factible del problema primal de minimizacion
es siempre mayor o igual que el valor de la funcion objetivo para cualquier solucion factible del
problema dual de maximizacion.
Considere un programa lineal para el cual x
0
y w
0
son dos soluciones factibles cualquiera para el
problema primal y dual, respectivamente. Entonces:
c
T
x
0
w
T
0
b (19)
Note entonces que el valor de la funcion objetivo para el cualquier solucion factible problema
de minimizacion proporciona una cota superior para el valor optimo de la funcion objetivo del
problema de maximizacion. De igual forma, el valor de la funcion objetivo para cualquier solucion
factible del problema de maximizacion representa una cota para el valor optimo de la funcion
objetivo del problema de minimizacion. La gura 22 presenta esquematicamente este concepto.
Figura 22: Teorema de dualidad debil
Fundamentado en las propiedades y las relaciones existentes entre el problema dual y el problema
primal, se establecen condiciones sucientes y necesarias para que una solucion factible de un
programa lineal sea optima.
60
Teorema 8.2. Condiciones de Karush-Kuhn-Tucker
Si x
y w
son soluciones optimas del problema primal y dual, respectivamente, debe cumplirse
que:
Ax
b, x
0 (Factibilidad Primal) (20)

w
T
A c
T
, w
0 (Factibilidad Dual) (21)

w
T
(Ax
b) = 0
_
c
T
w
T
A
_
x
= 0 (Holgura Complementaria) (22)

La condicion en (20) implica que el punto optimo x
debe ser factible para el problema primal.

La condicion en (21) implica que el punto optimo w
debe ser factible para el problema dual.

En la interpretacion de la condicion en (22) se profundizara posteriormente, por el momento es
importante notar que se asociada a la relacion existente entre las variables del problema dual con
las restricciones del problema primal y de las variables del problema primal con las restricciones del
problema dual. De modo que en optimalidad, si una variable en un problema es positiva, entonces
la restriccion correspondiente en el otro problema no debe tener holgura. Si una restriccion en un
problema es sin holgura, entonces la variable correspondiente en el otro problema debe ser cero.
A partir de la condicion de holgura complementaria es posible obtener la siguiente relacion respecto
a las soluciones optimas del problema primal y dual.
Teorema 8.3. Teorema de dualidad fuerte
Si para un par de soluciones factibles de los problemas primal y dual se satisface que el valor de la
funcion objetivo asociada a cada una de ellas en su correspondiente problema es el mismo, entonces
dichas soluciones son optimas para sus respectivos problemas.
Si x
0
y w
0
son soluciones factibles del problema primal y dual y son tales c
T
x
0
= w
T
0
b, entonces
x
0
y w
0
son soluciones optimas del problema primal y dual respectivamente.
La gura 23 presenta gracamente este concepto.
Figura 23: Teorema de dualidad fuerte
Respecto a la relacion existente entre los problemas primal y dual, es posible que surjan preguntas
entorno al signicado que puede tener la no existencia de optimo nito o la no existencia de
soluciones factibles para alguno de los dos problemas. Haciendo uso de los teoremas descritos y de
algunos conceptos adicionales se formula el siguiente teorema que aborda dichas inquietudes.
Teorema 8.4. Teorema Fundamental de Dualidad
Respecto a los problemas de programacion lineal primal y dual, siempre se cumple exactamente una
de las siguientes proposiciones
61
1. Ambos problemas tienen soluciones optimas, siendo estas x
y w
tales que c
T
x
= w
T
b.
2. Uno de los problemas no tiene solucion optima nita (el valor de la F.O. crece sin limite),
en cuyo caso el otro problema debe ser no factible
3. Ambos problemas son no factibles.
Una de las aplicaciones que se puede dar al cuerpo de teoremas presentados, es usar la informa-
cion respecto al problema dual para encontrar la solucion del problema primal, como se ilustra a
continuacion.
Ejemplo 21. Se tiene el siguiente problema de PL cuyo dual tiene la siguiente solucion optima
w
1
= 2 y w
2
= 5.
Minimizar z = 24x
1
+ 5x
2
sujeto a 2x
1
+x
3
1
4x
1
+x
2
x
3
3
x
1
, x
2
, x
3
0
a) Plantee el dual del problema.
Maximizar y = w
1
+ 3w
2
sujeto a 2w
1
+4w
2
24
+w
2
3
w
1
w
2
0
w
1
, w
2
0
b) Utilizando las condiciones de KKT, encuentre la solucion al problema primal.
Holgura complementaria:
Usando (w
T
a
j
c
j
)x
j
= 0
(4 + 20 24)x
1
= 0
(5 5)x
2
= 0
(2 5)x
3
= 0
Por lo tanto no podemos concluir nada acerca del valor de x
1
y x
2
, pero si es claro que x
3
= 0.
Usando w
i
(a
T
i
x
b
i
) = 0. vemos que
2(2x
1
+ x
3
1) = 0
5(4x
1
+ x
2
x
3
3) = 0
Por lo tanto 2x
1
+ x
3
= 1 y 4x
1
+ x
2
x
3
= 3, como sabemos que x
3
= 0, esto equivale a
resolver el siguiente sistema de dos variables y dos incognitas:
2x
1
+ x
3
= 1
4x
1
+ x
2
= 3
Resolviendo encontramos que x
1
= 1/2 y x
2
= 1.
62
8.3 Interpretacion economica del problema dual
8.3. Interpretacion economica del problema dual
Considere el siguiente programa lineal.
5
P: Minimizar c
T
x
A x = b
x 0
Y su correspondiente dual.
P: Maximizar w
T
b
w
T
A = c
T
w 0
En la Seccion 5 escribimos el problema de programacion lineal en terminos de las variables no
basicas, en donde la ecuacion (12) corresponde a la funcion objetivo, la cual retomamos a contin-
uacion:
z = z +
jI
N
c
j
x
j
= c
B
B
1
+
jI
N
c
j
x
j
= w
T
b +
jI
N
c
j
x
j
Se perturba ligeramente el lado derecho b
i
, manteniendo la optimalidad de la solucion. entonces
podra interpretarse
z
b
i
= c
B
B
1
i
= w
i
como la razon de cambio del valor optimo por un incremento unitario en el i-esimo valor del lado
derecho dado que las variables no basicas se mantienen en cero.
En terminos economicos puede pensarse en el valor de las variables duales, w
como un vector de
precios sombra para el vector del lado derecho. Por ejemplo, en el problema planteado como primal,
la i-esima restriccion podra representar el requerimiento de producir por menos b
i
unidades para
satisfacer la demanda de producto i, mientras que c
T
x representa el costo total de produccion,
entonces w
i
es el costo incremental de producir una unidad mas del i-esimo producto. Es decir,
w
i
es el precio justo que se pagara para tener una unidad extra del i esimo producto.
Es posible interpretar economicamente el problema dual completo. Suponga que se contrata una
empresa para producir b
1
, b
2
. . . b
m
unidades de m productos. Para producir esos bienes la empresa
puede realizar cualquiera de las n actividades en distintos niveles, cada actividad j tiene su propio
costo c
j
y se acepta pagar el costo total de produccion. Desde el punto de vista del comprador,
le gustara tener control sobre las operaciones de la empresa de modo que pudiera especicar
las combinaciones y niveles de las actividades de la empresa para minimizar el costo total de
produccion. si a
ij
representa la cantidad de producto i generada por una unidad de la actividad j,
entonces

n
j=1
a
ij
x
j
representa el total de unidades que se producen del producto i el cual debe
ser mayor o igual que la cantidad requerida b
i
. Por tanto, el problema que el comprador desea
resolver es el siguiente:
5
Basado en [1]
63
8.3 Interpretacion economica del problema dual
Minimizar
n
j=1
c
j
x
j
n
j=1
a
ij
x
j
b
i
i = 1, 2 . . . , m
x
j
0 j = 1, 2 . . . , m
El cual corresponde al problema primal.
En lugar de controlar la operacion de la empresa para obtener la combinacion mas deseable de
actividades, el comprador podra acordar con la empresa pagarle precios por unidad w
1
, w
2
. . . , w
m
de cada uno de los m artculos; Sin embargo, los precios estipulados por al empresa deben ser justos.
Puesto que a
ij
es el n umero de unidades del articulo i producidas por una unidad de la actividad
j, y como w
i
es el precio por unidad del producto i entonces

m
i=1
a
ij
w
i
puede interpretarse como
el precio por unidad de la actividad j consistente con los precios w
1
, w
2
, . . . , w
m
el cual no debe
exceder al costo real de la actividad c
j
. Ademas, la empresa desea seleccionar un conjunto de
precios que maximice su ganancia, Es decir, el problema que debe considerar la empresa es:
Maximizar
m
i=1
w
i
b
i
m
i=1
a
ij
w
i
c
j
j = 1, 2 . . . , n
w
i
0 i = 1, 2 . . . , m
Observe que de acuerdo con el teorema de dualidad fuerte el costo mnimo de produccion desde
la optica del comprador debe ser igual a la ganancia maxima desde el punto de vista de la empresa.
Cual debe ser el costo incremental w
i
que el comprador esta dispuesto a pagar por producir una
unidad adicional de producto i si la produccion optima actual sobrepasa sus requerimientos b
i
?
Este costo debe ser cero, pues el comprador no estara dispuesto a pagar ning un costo adicional
por producir una unidad de producto para el cual la solucion actual genera produccion en exceso.
Esto es, precisamente lo que establece el teorema de holgura complementaria, si

n
j=1
a
ij
x
j
> b
i
entonces w
i
= 0. De manera similar, si

m
i=1
a
ij
w
i
< c
j
entonces x
j
= 0; es decir, si la ganancia
total generada mediante los artculos producidos por un nivel unitario de la actividad j es menor
que el costo de produccion asociado (c
j
), entonces el nivel de la actividad j debe ser cero en condi-
ciones de optimalidad.
Recuerde que en la denominacion de un problema como Primal y el otro como Dual es indiferente
a cual de ellos se asigna cual nombre. Sin embargo, al denominar el problema de maximizacion
como el primal se obtiene otra interpretacion interesante del problema dual. Para ello considere el
siguiente problema.
64
Maximizar
n
j=1
c
j
x
j
n
j=1
a
ij
x
j
b
i
i = 1, 2 . . . , m
x
j
0 j = 1, 2 . . . , n
Cuyo problema dual esta dado por,
Minimizar
m
i=1
w
i
b
i
m
i=1
a
ij
w
i
c
j
j = 1, 2 . . . , n
w
i
0 i = 1, 2 . . . , m
El problema se puede interpretar como la produccion de n productos diferentes haciendo uso de
un conjunto com un de m recursos. x
j
representa el n umero de unidades producidas del producto j
y b
i
las unidades disponibles del recurso i. Cada unidad del producto j consume a
ij
unidades del
recurso i y genera una ganancia de c
j
. El objetivo recae en maximizar la ganancia total por las
cantidades producidas.
La variable w
i
en el problema dual representa el precio sombra de una unidad de recurso i. Ob-
serve que si el fabricante decide no producir una unidad del producto j y en cambio rentar los
recursos que no utilizar en su produccion por precios justos (w
1
, w
2
, . . . , w
m
) la restriccion del
problema dual

m
i=1
a
ij
w
i
c
j
estipula que la renta de las unidades de recurso liberadas por no
producir una unidad de j debe ser mayor que la perdida de ganancia ocasionada. Sin embargo,
con el n de que los precios de renta de los recursos liberados sean justos se minimiza la renta total.
Cuanto estara dispuesto a pagar usted por una unidad extra de recurso del cual no se han
consumido todas las unidades disponibles? Obviamente usted no necesita mas unidades de ese
recurso y por ello el valor justo de renta o precio dual debera ser cero. Similarmente, Cuantas
unidades producira usted de un producto cuya ganancia generada (c
j
) es menor que el costo de los
recursos consumidos (
m
i=1
a
ij
w
i
)? La respuestaapropiada seria no producir es decir el nivel de la
variable x
j
asociada en el problema primal debera ser cero. Es precisamente esto lo que establece
el teorema de holgura complementaria.
65
9. SENSIBILIDAD
Al iniciar el estudio del metodo Simplex uno de los supuestos considerados esta relacionado con el
hecho de que los valores para los parametros del modelo son conocidos con certeza. Sin embargo,
en muchas aplicaciones practicas esto puede no ser cierto. Por ejemplo, para parametros como
el precio de ciertos recursos y la cantidad disponible de ellos, el precio de algunos productos ,
los costos de ciertas actividades (Por ejemplo: transporte, produccion, almacenamiento) podemos
disponer de estimaciones o de valores de referencia establecidos a partir de la experiencia, pero que
pueden cambiar dependiendo de las circunstancias.
Es deseable entonces poder evaluar como los cambios en los parametros que alimentaron el modelo
pueden incidir sobre la solucion optima obtenida, para determinar la forma como este se comporta
respecto a diferentes valores posibles de dicho conjunto de parametros. De esta forma, es posible
determinar cuando la solucion es robusta y orientar mejor la toma de decisiones, con base en el
resultado de evaluar el efecto de los valores de los parametros en la decision optima que sugiere
el modelo matematico. En aquellos casos en los cuales los modelos son sencillos y no involucran
muchas variables y restricciones podramos permitirnos resolverlo para diferentes valores de los
parametros, diferentes escenarios resultantes de modicar las estimaciones de los parametros; Sin
embargo, esta alternativa no se hace viable cuando la solucion del modelo involucra gran esfuerzo.
Note que respecto al efecto que tiene el cambio de los parametros en el modelo de programacion
lineal existen dos posibilidades: altera la solucion optima encontrada o no afecta dicha solucion.
Cuando la solucion optima actual se ve afectada puede ser bien porque deja de ser optima pero
continua siendo factible o porque deja incluso de ser factible. Por otra parte los cambios en los
parametros que denen el programa lineal pueden agruparse en las siguientes categoras:
6
Cambios en el vector de costos c
Cambios en el vector del lado derecho b
Cambios en la matriz de restricciones A
Adicion de una nueva restriccion
Adicion de una nueva actividad
A continuacion se desarrolla brevemente cada uno de estos casos, considerando para ello la forma
matricial en la que se estudio el metodo Simplex, sin embargo, un analisis muy similar se obtiene
desde la optica del metodo del Tableau.
9.1. Cambios en el vector de costos
Considere una solucion basica factible optima para un programa lineal, suponga que el coeciente
de una o mas variables se cambia de forma que para esta variable o cada una de las variables que
cambia se tiene que el valor actual es c
k
y este se cambia por c
k
. Note que en este caso no es posible
que la solucion optima deje de ser factible, puesto que la region factible no se ha modicado y por
tanto el punto debe continuar perteneciendo a esta y aun mas continua siendo un punto extremo de
ella. Sin embargo, lo que puede suceder es que considerando la nueva funcion de costos la solucion
se mantenga optima o deje de serlo. La Figura 24 ilustra esta ultima situacion
Para el analisis del efecto de este tipo de cambios es importante distinguir cuando el cambio afecta
variables actualmente basicas y cuando variables no basicas.
6
De acuerdo con [1]
66
9.1 Cambios en el vector de costos
Figura 24: Cambios en el vector de costos
9.1.1. Caso 1. Cambios en una variable no basica
Dado que el efecto que podra presentarse es sobre la optimalidad de la solucion, es necesario
entonces vericar esta condicion; para ello, debemos considerar los costos reducidos, los cuales
expresamos como:
c
T
N
= c
T
N
c
T
B
B
1
N
Es posible observar que el cambio en el costo de la variable no basica x
k
solo afectara el costo
reducido de dicha variable y no el de las demas variables no basicas y mucho menos el de las
basicas. Por lo tanto, basta calcular el costo reducido para x
k
como c
k
= c
k
c
T
B
B
1
a
j
y en el
caso en el cual este indique que debe considerarse para mejorar el valor de la funcion objetivo (Sea
positivo en el caso de Maximizacion o negativo en el caso de Minimizacion), se reinicia el algorit-
mo Simplex considerando esta como la variable que entra a la base y determinando quien debe salir.
Note que dado el caso en el cual varias variables no basicas cambian simultaneamente su valor, el
calculo de los costos reducidos debera hacerse solo para las variables cuyo costo fue modicado.
9.1.2. Caso 2. Cambios en una variable basica
Para determinar el efecto que el cambio en el coeciente de costos de una variable basica tiene
sobre la optimalidad de la solucion actual, nuevamente deben considerarse los costos reducidos.
Sin embargo note que en este caso el cambio de una sola variable basica altera los cotos reducidos
de todas las variables no basicas, por lo que se hace necesario calcular todo el vector de costos
reducidos:
c
T
N
= c
T
N
c
T
B
B
1
N
Si alguno de estos costos resulta tal que la variable no basica asociada deba entrarse a la base, se
inicia el metodo Simplex a partir de dicha variable y se determina quien debera salir de la base.
Note que en este caso si se modica el costo para varias variables basicas simultaneamente, de
todas formas debera recalculates todo el vector de costos reducidos.
9.1.3. Intervalos de variacion permisibles
Para los dos casos descritos, es posible obtener valores maximos y mnimos para la variacion posible
en el costo (c) de las variables respecto a su valor actual, mantenido las demas constantes, de
67
9.1 Cambios en el vector de costos
modo que la solucion actual continua siendo optima. Por ejemplo, en el caso del del coeciente
de una una variable no basica, podramos expresar el efecto en su costo reducido de la siguiente
forma:
c
k
= (c
k
+ c)
. .
c
k
c
T
B
B
1
a
j
A partir de esta expresion puede determinarse el valor del maximo o mnimo cambio permisible
teniendo en cuenta que dicho costo debera ser no negativo o no positivo seg un sea el problema de
Minimizacion o Maximizacion respectivamente. Es decir, c
k
0 o c
k
0 seg un sea el caso
Ejemplo 22. Considere el siguiente problema de PL.
Maximizar z = 2x
1
+ 12x
2
+ 7x
3
sujeto a x
1
+ 3x
2
+ 2x
3
10
2x
1
+ 2x
2
+ x
3
4
x
1
, x
2
, x
3
0
La solucion optima de dicho problema tiene como variables basicas a x
3
y x
4
(Variable de Holgura
de la primera restriccion); siendo dicha solucion:
_
x
3
x
4
_
=
_
4
2
_
y z
= 28
a. En cual intervalo puede variar el valor valor del costo asociado a x
1
en la funcion objetivo,
de modo que la solucion actual siga siendo optima?
Debe determinarse el valor maximo en el cual puede incrementarse el costo c
1
, que se de-
nomina c
1
, de modo que la solucion continue siendo optima; En otras palabras, el maximo
valor de valores de dicho incremento, de nuevo que el nuevo costo reducido de x
1
continue
siendo no positivo. Note ademas que no se determina un limite inferior para el cambio en c
1
puesto que si este se hace mas peque no con mayor razon no sera considerado para conformar
la solucion basica optima.
c
j
= c
j
c
T
B
B
1
a
j
= c
j
c
T
B
a
j
=
_
2 + c
1
_
0 7
_
3
2
_
= c
1
12
Para que la solucion actual siga siendo optima, Se debe satisfacer respecto al costo reducido
de x
1
que c
1
12 0. Por lo tanto c
1
12. Es decir, la solucion actual continuara siendo
optima mientras se cumpla que c
1
14
b. Que sucede si el coeciente asociado a x
3
en al funcion objetivo toma el valor de 1?
Dado que x
3
es una variable basica en la solucion optima actual, se vera afectado todo el
vector de costos reducidos y no unicamente el de la variable x
3
68
9.2 Cambios en el vector del lado derecho b
c
T
N
= c
T
N
c
T
B
B
1
A
N
=
_
2 12 0
_
0 1
_
3 1 2
2 2 1
_
=
_
0 10 1
Por tanto, x
2
es candidata a entrar a la base. Esto implica que la solucion actual no continua
siendo optima con el nuevo coeciente de costo para x
3
. Debemos reiniciar las iteraciones del
metodo Simplex a partir de este punto. Sabiendo que es x
2
la variable que entra a la base, es
posible determinar, mediante el criterio de la razon minima, que x
3
es la variable que debe
salir de la base. Mediante una iteracion tpica del metodo Simplex (pudo haberse requerido
mas de una iteracion) obtenemos la nueva solucion optima.
_
x
2
x
4
_
=
_
2
4
_
y z
= 24
9.2. Cambios en el vector del lado derecho b
Considere una solucion basica factible optima para un programa lineal, suponga que en el vector
de recursos o vector del lado derecho se modican una o varias (incluso todas) sus componentes de
modo que el vector b es reemplazado por el vector b
. Es posible observar que la forma como esta

cambio puede afectar la optimalidad de la solucion actual es incidiendo sobre su factibilidad. Es
decir, es posible que este cambio ocasione que la nueva solucion x
B
= B
1
b
no satisfaga las condi-

ciones de no negatividad. En cuyo caso, debera hacerse uso de por ejemplo el metodo Dual Simplex
(que opera sobre la factibilidad del problema dual) para determinar la nueva solucion optima. En
el caso en el cual el cambio en el vector b no induce la perdida de factibilidad del problema dual,
entonces la solucion actual continua siendo optima pero debera actualizarse el valor de la solucion.
La Figura 25 ilustra las dos situaciones que pueden presentarse al incrementar el valor del recurso
b
i
asociado a una de las restricciones. En la parte derecha, se observa como el cambio en el lado
derecho de una restriccion, cambia el valor asociado a la solucion pero no las restricciones que
denan dicha solucion, es decir, las variables basicas (por ende la base) que la denen. Mientras
que el lado derecho de la graca, ilustra el caso en el cual el cambio del valor b
i
de una restriccion
implica que cambien las restricciones activas que denen la solucion optima, haciendo no factible
la solucion denida por la base actual.
En resumen, ante un cambio en el vector recursos pueden darse las siguientes dos situaciones.
1. Perdida de la factibilidad primal (x
B
= B
1
b
tenga al menos una componente negativa). En

este caso debe recurrirse por ejemplo al metodo Dual simplex para obtener la nueva solucion
optima del problema.
2. La base actual continua siendo optima (x
B
= B
1
b
0). Debe simplemente actualizarse

el vector solucion y el valor de la funcion objetivo, siendo estos x
B
= B
1
b
y z
= c
T
B
b
,
respectivamente
9.2.1. Intervalos de variacion permisibles
De manera similar a como se construyeron intervalos para el valor maximo y mnimo de la variacion
de los coecientes de costos, pueden obtenerse limites respecto a la variacion de los parametros
69
9.2 Cambios en el vector del lado derecho b
Figura 25: Cambios en el vector de recursos
b
i
de cada restriccion, dicha variacion se denota por b
i
. Estos valores seran tal que si un valor
particular de un recurso se modica dentro de estos limites establecido, permaneciendo los demas
parametros constantes, la solucion continuara siendo optima.
Dichos valores pueden encontrarse teniendo en cuenta que debe satisfacerse que:
b
= B
1
b
0
Para un valor de cambio b
i
, esto da origen a un conjunto de desigualdades que denen el valor
maximo y mnimo que podra tomar dicho cambio.
Ejemplo 23. Considere el Programa Lineal del Ejemplo 22. Suponga que el lado derecho de la
segunda restriccion cambia de 4 a 4+b
2
.
1. Encuentre el rango de valores de b
2
para los cuales la solucion actual sigue siendo optima.
Note que con el cambio del vector de recursos puede suceder que la solucion deje de ser optima
porque deja de ser factible. Debemos vericar entonces que para el nuevo vector b se satisfaga
que B
1
b 0. Es decir:
b = B
1
b
=
_
0 1
1 2
_ _
10
4 + b
2
_
=
_
4 + b
2
2 2b
2
_
Entonces para no perder factibilidad es necesario que 2 2b
2
0 y 4 +b
2
0. De donde
es posible obtener que 4 b
2
1
2. Dado el resultado de la parte anterior, determine explcitamente el valor de la funcion objetivo
como una funcion de b
2
z = c
T
B
B
1
b = c
T
B
b
z =
_
7 0
_
4 + b
2
2 2b
2
_
= 28 + 7b
2
70
9.3 Cambios en la matriz de restricciones A
Por lo tanto: 0 z = 28 + 7b
2
35
9.3. Cambios en la matriz de restricciones A
Considerando una solucion factible optima, ante el cambio en alguno de los coecientes de la matriz
A pueden denirse dos casos posibles: Cambios que involucran columnas no basicas y cambios que
involucran columnas basicas.
9.3.1. Cambios en los coecientes asociados a una variable no basica
En primer lugar es importante notar que los cambios en las columnas asociadas a las variables no
basicas, no afectaran la Factibilidad de la solucion. Para ello, recuerde que la solucion es basica
factible si se satisface que b = B
1
b 0, el cambio en la columna asociada a una variable no
basica (una columna en N) no incide sobre esta relacion.
Por otra parte, el cambio en los coecientes de la matriz A asociados a una variable no basica
podra afectar la optimalidad de la solucion actual solo si inducen a que la variable que actualmente
es no basica, sea promisoria para entrarla a la base. Es decir, en el caso en el cual se modica una
columna no basica, debera vericarse si el costo reducido de la variable asociado a la columna
modicada (c
k
= c
k
c
T
B
B
1
a
k
) cambia de modo que deba entrarse a la base; Si es as, se reinicia
el metodo Simplex a partir de esta iteracion, en caso contrario la solucion actual continua siendo
optima.
9.3.2. Cambios en los coecientes asociados a una variable basica
En este caso, la optimalidad de la solucion podra verse afectada bien sea porque la solucion actual
deje de ser factible o aun si continua siendolo podra ya no ser optima.
Es necesario determinar en primer lugar si el cambio en la columna basica permite que la nueva base
B continue generando una solucion basica factible o no. Para ello, debe vericarse que B
1
b 0,
en caso de no satisfacerse tal condicion, debera emplearse por ejemplo el metodo Dual Simplex para
retornar a una solucion basica factible. Por otro lado, si la solucion continua siendo basica factible,
es posible que no continue siendo optima, por ello debera vericarse la optimalidad de la solucion
mediante la evaluacion de los nuevos costos reducidos, en caso haberse perdido la optimalidad sera
necesario reiniciar las iteraciones Simplex a partir de este punto para recuperarla.
9.3.3. Adicion de una nueva restriccion
Con la adicion de una nueva restriccion al problema pueden generar dos posibles situaciones. En
primer lugar la solucion optima actual satisface dicha restriccion, en este caso la solucion actual
continua siendo optima. Si por el contrario, la solucion optima actual no satisface dicha restriccion,
signica que dicha solucion ya no es factible, se ha perdido la factibilidad en el problema primal.
Debera entonces emplearse por ejemplo el metodo dual Simplex para encontrar una nueva solucion
optima que satisfaga todas las restricciones incluida la nueva restriccion.
9.3.4. Adicion de una nueva Actividad (Variable)
Considere la adicion de una nueva actividad al problema, representada por al variable x
n+1
con
costo c
n+1
y columna de coecientes asociada a
n+1
. Con respeto a esta nueva actividad, debe
determinarse si es promisoria para considerarla en el conjunto de variables basicas; para ello, basta
evaluar el costo reducido asociado a la nueva variable c
n+1
= c
n+1
c
T
B
B
1
a
n+1
, si estos costos
son tales que dicha variable deva entrar a la base se procede de esta forma y se continua con las
71
iteraciones Simplex como es usual; si por el contrario, el costo reducido de la variable es tal que no
se debe considerar para el conjunto de basicas, se da a dicha variable el valor de cero y la solucion
actual continua siendo optima.
Ejemplo 24. Considere nuevamente el Ejemplo 22. Suponga que se a nade una nueva actividad
x
6
con un coeciente en la funcion objetivo de 4 y vector de consumo a
T
6
= [1, 2]. Encuentre la
nueva solucion optima.
Para calcular la nueva solucion optima, es necesario recalcular el costo reducido de x
2
, as como
su a
2
asociado:
a
i
= B
1
a
i
a
6
=
_
0 1
1 2
_ _
1
2
_
=
_
2
3
_
c
j
= c
j
c
T
B
B
1
a
j
= c
j
c
T
B
a
j
c
6
=
_
4
_
7 0
_
2
3
_
= 10
Note entonces que la solucion actual sigue siendo optima
72
REFERENCIAS
Referencias
[1] Jarvis J. y Sherali H. Bazaara M. Programacion Lineal y Flujo en Redes. Limusa, 2
a
edition,
1999.
[2] Jornet V. y Puente R. Goberna M. Optimizacion Lineal. Teora, Metodos y Modelos. Mc Graw
Hill, 2004.
[3] Rardin R. Optimization in operations research. Prentice Hall, 2000.
[4] Rao S. ENGINEERING OPTIMIZATION. Theory and Practice. John Wiley & Sons, Inc, 3
edition, 1996.
73

Not As Clase

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

Not As Clase

Încărcat de

Drepturi de autor:

Formate disponibile

PROGRAMACI

ETODO SIMPLEX: Preambulo 31

ETODO SIMPLEX: Descripcion general 39

OMO DETERMINAR LA SOLUCI

ETODO SIMPLEX: Preambulo

b. Valor de la funcion objetivo asociado a la base B

ETODO SIMPLEX: Descripcion general

OMO DETERMINAR LA SOLUCI

0 (Factibilidad Primal) (20)

0 (Factibilidad Dual) (21)

= 0 (Holgura Complementaria) (22)

debe ser factible para el problema primal.

debe ser factible para el problema dual.

. Es posible observar que la forma como esta

no satisfaga las condi-

tenga al menos una componente negativa). En

0). Debe simplemente actualizarse

S-ar putea să vă placă și