MTODO SIMPLEX

Preparando el modelo para adaptarlo al mtodo Simplex. Cambio del tipo de optimizacin. Conversin de signo de los trminos independientes. Todas las restricciones son de igualdad. Desarrollando el mtodo Simplex. Mtodo Simplex. Mtodo de las Dos Fases. Identificando casos anmalos y soluciones. Mtodo Grfico. Ejemplo del mtodo Simplex. Ejemplo del mtodo Grfico. Comparacin del mtodo Simplex con el mtodo Grfico. El mtodo Simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. (Vase mtodo Grfico) El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Deber tenerse en cuenta que este mtodo slo trabaja para restricciones que tengan un tipo de desigualdad "" y coeficientes independientes mayores o iguales a 0, y habr que estandarizar las mismas para el algoritmo. En caso de que despus de ste proceso, aparezcan (o no varen) restricciones del tipo "" o "=" habr que emplear otros mtodos, siendo el ms comn el mtodo de las Dos Fases.

PREPARANDO EL MODELO PARA ADAPTARLO AL MTODO SIMPLEX

Esta es la forma estndar del modelo: Funcin objetivo: Sujeto a: c1x1 + c2x2 + ... + cnxn a11x1 + a12x2 + ... + a1nxn = b1 a21x1 + a22x2 + ... + a2nxn = b2 ... am1x1 + am2x2 + ... + amnxn = bm x1,..., xn 0

Para ello se deben cumplir las siguientes condiciones: 1. El objetivo es de la forma de maximizacin o de minimizacin. 2. Todas las restricciones son de igualdad. 3. Todas las variables son no negativas. 4. Las constantes a la derecha de las restricciones son no negativas.

Cambio del tipo de optimizacin.

Si en nuestro modelo, deseamos minimizar, podemos dejarlo tal y como est, pero deberemos tener en cuenta nuevos criterios para la condicin de parada (deberemos parar de realizar iteraciones cuando en la fila del valor de la funcin objetivo sean todos menores o iguales a 0), as como para la condicin de salida de la fila. Con objeto de no cambiar criterios, se puede convertir el objetivo de minimizar la funcin F por el de maximizar F(-1). Ventajas: No deberemos preocuparnos por los criterios de parada, o condicin de salida de filas, ya que se mantienen. Inconvenientes: En el caso de que la funcin tenga todas sus variables bsicas positivas, y adems las restricciones sean de desigualdad "", al hacer el cambio se quedan negativas y en la fila del valor de la

funcin objetivo se quedan positivos, por lo que se cumple la condicin de parada, y por defecto el valor ptimo que se obtendra es 0. Solucin: En la realidad no existen este tipo de problemas, ya que para que la solucin quedara por encima de 0, alguna restriccin debera tener la condicin "", y entonces entraramos en un modelo para el mtodo de las Dos Fases.

Conversin de signo de los trminos independientes (las constantes a la derecha de las restricciones)
Deberemos preparar nuestro modelo de forma que los trminos independientes de las restricciones sean mayores o iguales a 0, sino no se puede emplear el mtodo Simplex. Lo nico que habra que hacer es multiplicar por "-1" las restricciones donde los trminos independientes sean menores que 0. Ventaja: Con sta simple modificacin de los signos en la restriccin podemos aplicar el mtodo Simplex a nuestro modelo. Inconvenientes: Puede resultar que en las restricciones donde tengamos que modificar los signos de las constantes, los signos de las desigualdades fueran ("=", ""), quedando ("=","") por lo que en cualquier caso deberemos desarrollar el mtodo de las Dos Fases. Este inconveniente no es controlable, aunque nos podra beneficiar si slo existen trminos de desigualdad ("",""), y los "" coincidieran con restricciones donde el trmino independiente es negativo.

Todas las restricciones son de igualdad.

Si en nuestro modelo aparece una inecuacin con una desigualdad del tipo "", deberemos aadir una nueva variable, llamada variable de exceso si, con la restriccin si 0. La nueva variable aparece con coeficiente cero en la funcin objetivo, y restando en las inecuaciones. Surge ahora un problema, veamos cmo queda una de nuestras inecuaciones que contenga una desigualdad "" :

a11x1 + a12x2 b1

a11x1 + a12x2 - 1xs = b1

Como todo nuestro modelo, est basado en que todas sus variables sean mayores o iguales que cero, cuando hagamos la primera iteracin con el mtodo Simplex, las variables bsicas no estarn en la base y tomarn valor cero, y el resto el valor que tengan. En este caso nuestra variable xs, tras hacer cero a x1 y x2, tomar el valor -b1. No cumplira la condicin de no negatividad, por lo que habr que aadir una nueva variable, xr, que aparecer con coeficiente cero en la funcin objetivo, y sumando en la inecuacin de la restriccin correspondiente. Quedara entonces de la siguiente manera: a11x1 + a12x2 b1 a11x1 + a12x2 - 1xs + 1 xr = b1

Este tipo de variables se les llama variables artificiales, y aparecern cuando haya inecuaciones con desigualdad ("=",""). Esto nos llevar obligadamente a realizar el mtodo de las Dos Fases, que se explicar ms adelante. Del mismo modo, si la inecuacin tiene una desigualdad del tipo "", deberemos aadir una nueva variable, llamada variable de holgura si, con la restriccin si "" 0 . La nueva variable aparece con coeficiente cero en la funcin objetivo, y sumando en las inecuaciones. A modo resumen podemos dejar esta tabla, segn la desigualdad que aparezca, y con el valor que deben estar las nuevas variables. Tipo de desigualdad = Tipo de variable que aparece - exceso + artificial + artificial + holgura

DESARROLLANDO EL MTODO SIMPLEX

Una vez que hemos estandarizado nuestro modelo, puede ocurrir que necesitemos aplicar el mtodo Simplex o el mtodo de las Dos Fases. Vase

en la figura como debemos actuar para llegar a la solucin de nuestro problema.

Explicaremos paso a paso los puntos de cada mtodo, concretando los aspectos que hay que tener en cuenta.

Mtodo Simplex
- Construccin de la primera tabla: En la primera columna de la tabla aparecer lo que llamaremos base, en la segunda el coeficiente que tiene en la funcin objetivo cada variable que aparece en la base (llamaremos a esta columna Cb), en la tercera el trmino independiente de cada restriccin (P0), y a partir de sta columna aparecern cada una de las variables de la funcin objetivo (Pi). Para tener una visin ms clara de la tabla, incluiremos una fila en la que pondremos cada uno de los nombres de las columnas. Sobre sta tabla que tenemos incluiremos dos nuevas filas: una que ser la que liderar la tabla donde aparecern las constantes de los coeficientes de la funcin objetivo, y otra que ser la ltima fila, donde tomar valor la funcin objetivo. Nuestra tabla final tendr tantas filas como restricciones.

Tabla C1 Base Pi1 Pi2 ... Pim Z Cb Ci1 Ci2 ... Cim P0 bi1 bi2 ... bim Z0 P1 a11 a21 ... am1 Z1-C1 C2 P2 a12 a22 ... am2 Z2-C2 ... ... ... ... ... ... ... Cn Pn a1n a2n ... amn Zn-Cn

Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0 ser el de sustituir Cim en la funcin objetivo (y cero si no aparece en la base). El resto de columnas se obtiene restando a este valor el del coeficiente que aparece en la primera fila de la tabla. Se observar al realizar el mtodo Simplex, que en esta primera tabla, en la base estarn las variables de holgura. - Condicin de parada: Comprobaremos si debemos de dar una nueva iteracin o no, que lo sabremos si en la fila Z aparece algn valor negativo. Si no aparece ninguno, es que hemos llegado a la solucin ptima del problema. - Eleccin de la variable que entra: Si no se ha dado la condicin de parada, debemos seleccionar una variable para que entre en la base en la siguiente tabla. Para ello nos fijamos en los valores estrictamente negativos de la fila Z, y el menor de ellos ser el que nos de la variable entrante. - Eleccin de la variable que sale: Una vez obtenida la variable entrante, obtendremos la variable que sale, sin ms que seleccionar aquella fila cuyo cociente P0/Pj sea el menor de los estrictamente positivos (teniendo en cuenta que slo se har cuando Pj sea mayor de 0). La interseccin entre la columna entrante y la fila saliente nos determinar el elemento pivote. - Actualizacin de la tabla: Las filas correspondientes a la funcin objetivo y a los ttulos permanecern inalterados en la nueva tabla. El resto deber calcularse de dos formas diferentes:
Si

es la fila pivote cada nuevo elemento se calcular:

Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.

Para

el

resto

de

elementos

de

filas

se

calcular:

Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna Pivote en la fila actual * Nuevo Elemento Fila).

Mtodo de las Dos Fases

ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que trata de minimizar la suma de las variables artificiales. Una vez resuelto este primer problema y reorganizar la tabla

final, pasamos a la segunda fase, que consiste en realizar el mtodo Simplex normal.
FASE 1

En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal, excepto la construccin de la primera tabla, la condicin de parada y la preparacin de la tabla que pasar a la fase 2. - Construccin de la primera tabla: Se hace de la misma forma que la tabla inicial del mtodo Simplex, pero con algunas diferencias. La fila de la funcin objetivo cambia para la primera fase, ya que cambia la funcin objetivo, por lo tanto aparecern todos los trminos a cero excepto aquellos que sean variables artificiales, que tendrn valor "-1" debido a que se est minimizando la suma de dichas variables (recuerde que minimizar F es igual que maximizar F(-1)). La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora tendremos que hacer el clculo de la siguiente forma: Se sumarn los productos CbPj para todas las filas y al resultado se le restar el valor que aparezca (segn la columna que se ste haciendo) en la fila de la funcin objetivo.

Tabla C0 Base Pi1 Pi2 ... Pim Z Cb Ci1 Ci2 ... Cim P0 bi1 bi2 ... bim Z0 C1 P1 a11 a21 ... am1 Z1 C2 P2 a12 a22 ... am2 Z2 ... ... ... ... ... ... ... Cn-k Pn-k a1n-k a2n-k ... amn-k Zn-k ... ... ... ... ... ... ... Cn Pn a1n a2n ... amn Zn

Siendo Zj = (CbPj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de decisin, holgura y exceso), y Cj = -1 para todo j comprendido entre n-k y n (variables artificiales).

- Condicin de parada: La condicin de parada es la misma que en el mtodo Simplex normal. La diferencia estriba en que pueden ocurrir dos casos cuando se produce la parada: la funcin toma un valor 0, que significa que el problema original tiene solucin, o que tome un valor distinto, indicando que nuestro modelo no tiene solucin. - Eliminar Columna de variables artificiales: Si hemos llegado a la conclusin de que el problema original tiene solucin, debemos preparar nuestra tabla para la segunda fase. Deberemos eliminar las columnas de las variables artificiales, modificar la fila de la funcin objetivo por la original, y calcular la fila Z de la misma forma que en la primera tabla de la fase 1.

IDENTIFICANDO CASOS ANMALOS Y SOLUCIONES

Obtencin de la solucin: Cuando se ha dado la condicin de parada, obtenemos el valor de las variables bsicas que estn en la base y el valor ptimo que toma la funcin que estn en la base mirando la columna P0. En el caso de que estemos minimizando, se multiplicar por "-1" el valor ptimo. Infinitas soluciones: Cumplida la condicin de parada, si se observa que alguna variable que no est en la base, tiene un 0 en la fila Z, quiere decir que existe otra solucin que da el mismo valor ptimo para la funcin objetivo. Si estamos ante este caso, estamos ante un problema que admite infinitas soluciones, todas ellas comprendidas dentro del segmento (o porcin del plano, o regin del espacio, dependiendo del nmero de variables del problema) que define Ax+By=Z0. Si se desea se puede hacer otra iteracin haciendo entrar en la base a la variable que tiene el 0 en la fila Z, y se obtendr otra solucin. Solucin ilimitada: Si al intentar buscar la variable que debe abandonar la base, nos encontramos que toda la columna de la variable entrante tiene todos sus elementos negativos o nulos, estamos ante un problema que tiene solucin ilimitada. No hay valor ptimo concreto, ya

que al aumentar el valor de las variables se aumenta el valor de la funcin objetivo, y no viola ninguna restriccin. No existe solucin: En el caso de que no exista solucin, seguro que tendremos que realizar las dos fases, por lo que al trmino de la primera sabremos si estamos en tal situacin. Empate de variable entrante: Se puede optar por cualquiera de ellas, sin que afecte a la solucin final, el inconveniente que presenta es que segn por cual se opte se harn ms o menos iteraciones. Se aconseja que se opte a favor de las variables bsicas, ya que son aquellas las que quedarn en la base cuando se alcance la solucin con estos mtodos. Empate de variable saliente: Se puede nuevamente optar por cualquiera de ellas, aunque se puede dar el caso degenerado y entrar en ciclos perpetuos. Para evitarlos en la medida de lo posible, discriminaremos a favor de las variables bsicas haciendo que se queden en la base. Ante el caso de estar en la primera fase (del mtodo de las Dos Fases), se optar por sacar en caso de empate las variables artificiales. Curiosidad Fase 1: Al finalizar la fase 1, si el problema original tiene solucin, todas las variables artificiales, en la fila Z deben tener el valor "1". Pivote puede ser 0?: No, ya que siempre se realizan los cocientes entre valores no negativos y mayores que cero.

Teora sobre el modelado de problemas

Para poder solucionar un problema mediante un algoritmo primero se debe extraer toda la informacin que nos aporta el enunciado y preparar el problema para dicho algoritmo. Los pasos para modelar un problema son los siguientes:

Paso 1: Se determinan las variables de decisin y se expresan algebraicamente.

o

X1,..., Xn

Paso 2: Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin:
o o o o

A11X1 + A12X2 + ... + A1nXn , , = b1 A21X1 + A22X2 + ... + A 2nXn , , = b2 ... Am1X1 + Am2X2 + ... + AmnXn , , = bm

Paso 3: Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar determinados valores, ...
o o

X1,..., Xn 0 X1,..., Xn son nmeros enteros, o son booleanos,...

Paso 4: Se determina la funcin objetivo.

o

Maximizar o minimizar Z = C1X1 + C2X2 + ... + CnXn

A modo de ejemplo vamos a ver como se modelan algunos problemas tpicos:

Problema de la dieta
El problema de la dieta fue uno de los primeros sobre optimizacin. Se trataba hallar la manera ms econmica de alimentar al ejercito pero asegurando al mismo tiempo unos determinados niveles nutricionales. Este tipo de problema se puede plantear en distintas formas tales como minimizar los gastos de la compra, dieta para el ganado, una dieta adelgazante que cumpla unos determinados niveles de caloras, protenas, hidratos de carbono, .... Ejemplo Nos proponemos alimentar el ganado de una granja con una dieta que sea la ms econmica posible. Dicha dieta debe contener cuatro tipos de nutrientes que llamamos A, B, C, y D. Estos componentes se encuentran en dos tipos de piensos M y N. La cantidad, en gramos, de cada componente por kilo de estos piensos viene dada en la tabla siguiente: A M 100 N B C D

100 200

100 200 100

La dieta diaria de un animal debe estar compuesta por al menos 0.4Kg del componente A, 0.6Kg del componente B, 2Kg del componente C, y 1.7Kg del componente D. El compuesto M cuesta 0.2/Kg y el compuesto N 0.08/Kg. Qu cantidades de piensos M y N deben adquirirse para que el gasto de comida sea el menor posible?

Se determinan las variables de decisin y se representan algebraicamente. En este caso:

X1: cantidad de pienso M en Kg X2: cantidad de pienso N en Kg

Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin. Dichas restricciones se deducen de la composicin requerida para la dieta diaria (en Kg):

En el componente A: 0.1X1 + 0X2 0.4 En el componente B: 0X1 + 0.1X2 0.6 En el componente C: 0.1X1 + 0.2X2 2 En el componente D: 0.2X1 + 0.1X2 1.7

Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar determinados valores, ... En este caso, la nica restriccin es que las cantidades de pienso que forman la dieta no pueden ser negativas:

X1 0 X2 0

Se determina la funcin objetivo:

Minimizar Z = 0.2X1 + 0.08X2

Transporte de tropas
Un destacamento militar formado por 50 soldados ingenieros, 36 zapadores, 22 de las fuerzas especiales, y 120 soldados de infantera como tropa de apoyo, ha de transportarse hasta una posicin estratgica importante. En el parque de la base se dispone de 4 tipos de vehculos A, B, C, y D, acondicionados para transporte de tropas. El nmero de personas que cada vehculo puede transportar es 10, 7, 6, y 9, de la forma en que se detalla en la siguiente tabla: Ingenieros Zapadores A B C D 3 1 2 3 2 1 1 2 Fuerzas Infantera especiales 1 2 2 3 4 3 1 1

El combustible necesario para que cada vehculo llegue hasta el punto de destino se estima en 160, 80, 40, y 120 litros respectivamente. Si queremos ahorrar combustible, cuntos vehculos de cada tipo habr que utilizar para que el consumo sea el mnimo posible?

Se determinan las variables de decisin y se representan algebraicamente. En este caso:

Xi: nmero de vehculos de cada tipo que se usen X1: nmero de vehculos de tipo A X2: nmero de vehculos de tipo B X3: nmero de vehculos de tipo C X4: nmero de vehculos de tipo D

Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin. Dichas restricciones se deducen de los soldados que deben ser transportados:

Ingenieros: 3X1 + X2 + 2X3 + 3X4 50

Zapadores: 2X1 + X2 + X3 + 2X4 36 Fuerzas especiales: X1 + 2X2 + 2X3 + 3X4 22 Infantera: 4X1 + 3X2 + X3 + X4 120

Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar determinados valores, ... En este caso las restricciones son que la cantidad de vehculos no puede ser negativa y debe ser adems un nmero entero:

Xi 0 Xi son enteros

Se determina la funcin objetivo:

Minimizar Z = 160X1 + 80X2 + 40X3 + 120X4

Transporte de mercancas
Para este tipo de problemas, aunque pueden ser resueltos por el mtodo del Simplex, existe un mtodo especfico de ms fcil resolucin: el mtodo del transporte o mtodo simplificado del Simplex para problemas de transporte. Este mtodo ahorra bastante tiempo y clculos frente al mtodo del Simplex tradicional. Sin embargo el problema se modela de la misma forma. Ejemplo Un fabricante desea despachar varias unidades de un artculo a tres tiendas T1, T2, y T3. Dispone de dos almacenes desde donde realizar el envo, A y B. En el primero dispone de 5 unidades de este artculo y en el segundo 10. La demanda de cada tienda es de 8, 5, y 2 unidades respectivamente. Los gastos de transporte de un artculo desde cada almacn a cada tienda estn expresados en la tabla: T1 A B 1 3 T2 2 2 T3 4 1

Cmo ha de realizar el transporte para que sea lo ms econmico posible?

Se determinan las variables de decisin, en este caso:

Xi: nmero de unidades transportadas desde cada almacn a cada tienda X1: T1 X2: T2 X3: T3 X4: T1 nmero de unidades transportadas desde el almacn A hasta la tienda nmero de unidades transportadas desde el almacn A hasta la tienda nmero de unidades transportadas desde el almacn A hasta la tienda nmero de unidades transportadas desde el almacn B hasta la tienda

X5: nmero de unidades transportadas desde el almacn B hasta la tienda T2 X6: nmero de unidades transportadas desde el almacn B hasta la tienda T3

Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin. Dichas restricciones se deducen de la disponibilidad de unidades que hay en cada almacn as como de la demanda de cada tienda:

Disponibilidad en el almacn A: X1 + X2 + X3 = 5 Disponibilidad en el almacn B: X4 + X5 + X6 = 10 Demanda de la tienda T1: X1 + X4 = 8 Demanda de la tienda T2: X2 + X5 = 5 Demanda de la tienda T3: X3 + X6 = 2

Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar determinados valores, ... En este caso las restricciones son que la cantidad de unidades no puede ser negativa y debe ser adems un nmero entero:

Xi 0 Xi son enteros

Se determina la funcin objetivo:

Minimizar Z = X1 + 2X2 + 4X3 + 3X4 + 2X5 + X6

rboles frutales
Un agricultor tiene una parcela de 640m para dedicarla al cultivo de rboles frutales: naranjos, perales, manzanos y limoneros. Se pregunta de qu forma debera repartir la superficie de la parcela entre las variedades para conseguir el mximo beneficio sabiendo que:

cada naranjo necesita un mnimo de 16m, cada peral 4m, cada manzano 8m y cada limonero 12m. dispone de 900 horas de trabajo al ao, necesitando cada naranjo 30 horas al ao, cada peral 5 horas, cada manzano 10 horas, y cada limonero 20 horas. a causa de la sequa, el agricultor tiene restricciones para el riego: le han asignado 200m de agua anuales. Las necesidades anuales son de 2m por cada naranjo, 1m por cada peral, 1m por cada manzano, y 2m por cada limonero. los beneficios unitarios son de 50, 25, 20, y 30 por cada naranjo, peral, manzano y limonero respectivamente.

Se determinan las variables de decisin y se representan algebraicamente. En este caso:

X1: nmero de naranjos X2: nmero de perales X3: nmero de manzanos X4: nmero de limoneros

Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin. Dichas restricciones se deducen de las necesidades de cada rbol de terreno, horas de trabajo anuales, y necesidades de riego:

Necesidades de terreno: 16X1 + 4X2 + 8X3 + 12X4 640 Necesidades de horas anuales: 30X1 + 5X2 + 10X3 + 20X4 900 Necesidades de riego: 2X1 + X2 + X3 + 2X4 200

Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que

solo puedan tomar determinados valores, ... En este caso las restricciones son que el nmero de rboles no puede ser negativo y adems debe ser un nmero entero:

Xi 0 Xi son enteros

Se determina la funcin objetivo:

Maximizar Z = 50X1 + 25X2 + 20X3 + 30X4

Asignacin de personal
Una empresa ha preseleccionado 5 candidatos para ocupar 4 puestos de trabajo en dicha empresa. Los puestos de trabajo consisten en manejar 4 mquinas diferentes (un trabajador para cada mquina). La empresa puso a prueba a los 5 trabajadores en las 4 mquinas, realizando el mismo trabajo todos ellos en cada una de las mquinas, obteniendo los siguientes tiempos: Mquina1 Mquina2 Mquina3 Mquina4 Candidato1 Candidato2 Candidato3 Candidato4 Candidato5 10 8 8 9 8 6 7 6 7 7 6 6 5 7 6 5 6 6 6 5

Determinar qu candidatos debe seleccionar la empresa y a qu mquinas debe asignarlos.

Se determinan las variables de decisin, en este caso:

Xij: accin de que el trabajador i es asignado a la mquina j (0 indica que el trabajador no ha sido asignado y 1 que s ha sido asignado)

Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin. Dichas restricciones son que cada trabajador debe ser asignado a una sola mquina y no debe quedar ninguna mquina sin un trabajador asignado a ella:

Cada trabajador debe estar asignado a una sola mquina o a ninguna si no se selecciona:
o o o o o

X11 + X12 + X13 + X14 1 X21 + X22 + X23 + X24 1 X31 + X32 + X33 + X34 1 X41 + X42 + X43 + X44 1 X51 + X52 + X53 + X54 1

En cada mquina debe haber un trabajador:

o o o o

X11 + X21 + X31 + X41 + X51 = 1 X12 + X22 + X32 + X42 + X52 = 1 X13 + X23 + X33 + X43 + X53 = 1 X14 + X24 + X34 + X44 + X54 = 1

Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar determinados valores, ... En este caso las restricciones son que las asignaciones de trabajadores a mquinas no puede ser negativa y debe ser adems una variable booleana (0 no se asigna, 1 se asigna):

Xij 0 Xij es booleano

Se determina la funcin objetivo:

Minimizar Z = 10X11 + 8X21 + 8X31 + 9X41 + 8X51 + 6X12 + 7X22 + 6X32 + 7X42 + 7X52 + 6X13 + 6X23 + 5X33 + 7X43 + 6X53 + 5X14 + 6X24 + 6X34 + 6X44 + 5X54

Camino mnimo
Los problemas conocidos como problemas del camino mnimo o camino ms corto, tratan como su nombre indica de hallar la ruta mnima o ms corta entre dos puntos. Este mnimo puede ser la distancia entre los puntos origen y destino o bien el tiempo transcurrido para trasladarse desde un punto a otro. Se aplica mucho para problemas de redes de comunicaciones. Este tipo de problemas pueden ser resueltos por el mtodo del Simplex, sin embargo existen otros mtodos ms eficientes como por ejemplo el algoritmo de Dijkstra o el de Bellman-Ford. Ejemplo Una persona tiene que desplazarse a diario de un pueblo 1 a otro 7. Est estudiando cual es el trayecto ms corto usando un mapa de carreteras. Las carreteras y sus distancias estn representadas en la figura siguiente:

Se determinan las variables de decisin, en este caso:

Xij: accin de desplazarse del pueblo i al j (0 indica que no hay desplazamiento y 1 que s hay desplazamiento)

Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin. Dichas restricciones se deducen del balance entre los posibles caminos que parten desde cada pueblo y los que llegan hasta l (obviando los caminos que nos devuelvan al punto de partida y los que provengan del punto de destino):

Balance de caminos del pueblo 1: X12 + X13 = 1 Balance de caminos del pueblo 2: X24 + X25 - X12 - X42 - X52 = 0 Balance de caminos del pueblo 3: X34 + X36 - X13 - X43 - X63 = 0 Balance de caminos del pueblo 4: X42 + X43 + X45 - X24 - X34 - X54 = 0 Balance de caminos del pueblo 5: X52 + X54 + X57 - X25 - X45 = 0 Balance de caminos del pueblo 6: X63 + X67 - X36 = 0 Balance de caminos del pueblo 7: - X57 - X67 = -1

Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar determinados valores, ... En este caso las restricciones son que las variables deben ser booleanas (0 no se toma el camino, 1 se toma), y por lo tanto no pueden ser negativas:

Xij 0 Xij es booleano

Se determina la funcin objetivo:

Minimizar Z = 12X12 + 4X13 + 5X24 + 3X25 + 2X34 + 10X36 + 5X42 + 2X43 + 10X45 + 3X52 + 10X54 + 2X57 + 10X63 + 4X67

Localizacin
Una empresa tiene la exclusiva para la distribucin de un producto en 4 poblaciones. En un estudio de mercado se ha determinado la demanda potencial, segn se muestra en la siguiente tabla: Poblacin Poblacin Poblacin Poblacin 1 2 3 4 3000 unidades 2000 unidades 2500 unidades 2700 unidades

Se sabe que los costes de transporte son de 0.02 por Km y unidad transportada. La distancia en Km existente entre los pueblos es la que figura en la tabla siguiente: Poblacin Poblacin Poblacin Poblacin 1 2 3 4 Poblacin 1 Poblacin 2 Poblacin 3 Poblacin 4 25 35 40 25 20 40 35 20 30 40 40 30 -

Para abaratar los costes de transporte se decide instalar un almacn con capacidad para 6000 unidades en dos de estas cuatro poblaciones. Determinar en qu poblaciones se deben instalar los almacenes.

Se determinan las variables de decisin, en este caso:

Xij: cantidad enviada del almacn i a la poblacin j Yi: almacn situado en la poblacin i (0 indica que no hay ningn almacn y 1 que s lo hay)

Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin. Dichas restricciones se deducen de la siguiente manera:

Las unidades que se envan a cada poblacin desde los almacenes deben cumplir con la demanda de dicha poblacin:
o o o o

X11 + X21 + X31 + X41 3000 X12 + X22 + X32 + X42 2000 X13 + X23 + X33 + X43 2500 X14 + X24 + X34 + X44 2700

Solo se crearn dos almacenes:

o

Y1 + Y2 + Y3 + Y4 = 2

La cantidad de unidades que puede enviar cada almacn debe ser menor o igual que la capacidad de ste:
o o o o

X11 + X12 + X13 + X14 6000Y1 X21 + X22 + X23 + X24 6000Y2 X31 + X32 + X33 + X34 6000Y3 X41 + X42 + X43 + X44 6000Y4

Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar determinados valores, ... En este caso las restricciones son que las unidades enviadas desde cada almacn no pueden ser negativas y adems la variable que determina si se crear o no un almacn debe ser booleana (0 no se crea, 1 se crea):

Xij 0 Yi es booleano

Se determina la funcin objetivo:

Minimizar Z = 0.5X12 + 0.7X13 + 0.8X14 + 0.5X21 + 0.4X23 + 0.8X24 + 0.7X31 + 0.4X32 + 0.6X34 + 0.8X41+ 0.8X42 + 0.6X43

Inversin en bolsa
Una inversora dispone de 50.000 para invertir entre las cuatro siguientes posibilidades: bolsa X, bolsa Y, bonos X, y bonos Y, por el periodo de un ao. Un mximo de 10.500 puede ser invertido en bonos X, y un mximo de 10.000 en bonos Y. La inversin en la bolsa X conlleva un riesgo considerable por lo que se determina no invertir ms de un cuarto de la inversin total. La cantidad invertida en la bolsa Y debe ser al menos tres veces la cantidad invertida en la bolsa X. Adems, la inversora requiere que la inversin en bonos sea al menos tan grande como la mitad de la inversin en las bolsas. Los retornos netos anuales se estiman segn se muestra en la siguiente tabla: Bolsa X 20% Bolsa Y 10% Bonos X 9% Bonos Y 11%

Cul es la forma ptima de realizar la inversin para conseguir las mximas ganancias?

Se determinan las variables de decisin, en este caso:

X1: inversin en bolsa X X2: inversin en bolsa Y X3: inversin en bonos X X4: inversin en bonos Y

Se determinan las restricciones y se expresan como ecuaciones o inecuaciones de las variables de decisin. Dichas restricciones se deducen de las decisiones tomadas por la inversora sobre la forma de invertir y de la inversin mxima que se puede realizar:

X1 + X2 + X3 + X4 50000 X1 12500 X3 10500 X4 10000 3X1 - X2 0 0.5X1 + 0.5X2 - X3 - X4 0

Se expresan todas las condiciones implcitamente establecidas por la naturaleza de las variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar determinados valores, ... En este caso la nica restriccin es que las inversiones no pueden ser negativas:

Xi 0

Se determina la funcin objetivo:

Maximizar Z = 0.2X1 + 0.1X2 + 0.09X3 + 0.11X4

EJEMPLO (Parte 1): Mtodo Simplex

Resolver mediante el mtodo simplex el siguiente problema: Maximizar Z = f(x,y) = 3x + 2y sujeto a: 2x + y 18 2x + 3y 42 3x + y 24 x0,y0 Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones del tipo , para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + r = 18 2x + 3y + s = 42 3x +y + t = 24 2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables bsicas del problema y las variables de holgura/exceso. En las filas se observan, para cada restriccin las variables de holgura con sus coeficientes de las igualdades obtenidas, y la ltima fila con los valores resultantes de sustituir el valor de cada variable en la funcin objetivo, y de operar tal como se explic en la teora para obtener el resto de valores de la fila: Tabla I . Iteracin n 1 3 2 0

Base P3 P4 P5 Z

Cb 0 0 0

P0 18 42 24 0

P1 2 2 3 -3

P2 1 3 1 -2

P3 1 0 0 0

P4 0 1 0 0

P5 0 0 1 0

4. Condicin de parada Cuando en la fila Z no existe ningn valor negativo, se ha alcanzado la solucin ptima del problema. En tal caso, se ha llegado al final del algoritmo. De no ser as, se ejecutan los siguientes pasos. 5. Condicin de entrada y salida de la base A. Primero debemos saber la variable que entra en la base. Para ello escogemos la columna de aquel valor que en la fila Z sea el menor de los negativos. En este caso sera la variable x (P1) de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior (caso de empate), entonces se optar por aquella variable que sea bsica. La columna de la variable que entra en la base se llama columna pivote (En color verde). B. Una vez obtenida la variable que entra en la base, estamos en condiciones de deducir cual ser la variable que sale. Para ello se divide cada trmino independiente (P0) entre el elemento correspondiente de la columna pivote, siempre que el resultado sea mayor que cero, y se escoge el mnimo de ellos. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

Si hubiera algn elemento menor o igual a cero no se realiza dicho cociente, y caso de que todos los elementos de la columna pivote fueran de sta condicin tendramos una solucin no acotada y terminaramos el problema (Ver teora del mtodo Simplex). El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya que 8 es el menor cociente, indica la fila

de la variable de holgura que sale de la base, t (P5). Esta fila se llama fila pivote (En color verde). Si al calcular los cocientes, dos o ms son iguales (caso de empate), se escoge aquella que no sea variable bsica (si es posible). C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote, 3. 6. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de la fila pivote, t (P5), se obtienen dividiendo todos los coeficientes de dicha fila entre el elemento pivote, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer de la siguiente manera: Fila del pivote: Nueva fila del pivote = (Vieja fila del pivote) / (Pivote) Resto de las filas: Nueva fila = (Vieja fila) -(Coeficiente de la vieja fila en la columna de la variable entrante) x (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x (P1) en la Tabla II):
Vieja fila de P4 Coeficiente Nueva fila pivote Nueva fila de P4 42 2 x 8 = 26 2 2 x 1 = 0 3 2 x 1/3 = 7/3 0 1 2 2 x x 0 0 = = 0 1 0 2 x 1/3 = -2/3

Tabla II . Iteracin n 2 3 2 0 Base P3 P4 P1 Z Cb 0 0 3 P0 2 26 8 24 P1 0 0 1 0 P2 1/3 7/3 1/3 -1 P3 1 0 0 0

0 P4 0 1 0 0

0 P5 -2/3 -2/3 1/3 1

Se puede observar que no hemos alcanzado la condicin de parada ya que en los elementos de la ltima fila, Z, hay uno negativo, -1. Hay que repetir el proceso: A. La variable que entra en la base es y (P2), por ser la variable que corresponde a la columna donde se encuentra el coeficiente -1. B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7] y 8 / 1/3 [=24] y como el menor cociente positivo es 6, tenemos que la variable que sale es r (P3). C. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 3 2 0 Base P2 P4 P1 Z Cb 2 0 3 P0 6 12 6 30 P1 0 0 1 0 P2 1 0 0 0 P3 3 -7 -1 3

0 P4 0 1 0 0

0 P5 -2 4 1 -1

Como en los elementos de la fila Z hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:

A. La variable que entra en la base es t (P5), por ser la variable que corresponde al coeficiente -1. B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6] y como el menor cociente positivo es 3, tenemos que la variable que sale es s (P4). C. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Iteracin n 4 3 2 0 Base P2 P5 P1 Z Cb 2 0 3 P0 12 3 3 33 P1 0 0 1 0 P2 1 0 0 0 P3 -1/2 -7/4 3/4 5/4

0 P4 1/2 1/4 -1/4 1/4

0 P5 0 1 0 0

Se observa que en la ltima fila todos los coeficientes son positivos, por lo tanto se cumple la condicin de parada, obteniendo la solucin ptima. La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el punto donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: (x,y) = (3,12)

EJEMPLO (Parte 2): Mtodo Grfico

Resolver mediante el mtodo Grfico el siguiente problema: Maximizar Z = f(x,y) = 3x + 2y sujeto a: 2x + y 18 2x + 3y 42 3x + y 24 x0,y0

1. Inicialmente se dibuja el sistema de coordenadas asociando a un eje la variable 'x' y al otro la 'y' (generalmente se asocia 'x' al eje horizontal e 'y' al vertical), como se puede ver en la figura. 2. Se marca en dichos ejes una escala numrica apropiada a los valores que pueden tomar las variables de acuerdo a las restricciones del problema. Para ello en cada restriccin se hacen nulas todas las variables excepto la correspondiente a un eje concreto, determinndose as el valor adecuado para dicho eje. Este proceso se repite para cada uno de los ejes. 3. A continuacin se representan las restricciones. Comenzando con la primera, se dibuja la recta que se obtiene al considerar la restriccin como igualdad. Aparece representada como el segmento que une A con B y la regin que delimita sta restriccin viene indicada por el color AMARILLO. Se repite el proceso con las dems restricciones, quedando delimitadas la regin de color AZUL y ROJO para la segunda y tercera restriccin respectivamente. 4. La regin factible es la interseccin de las regiones delimitadas tanto por el conjunto de restricciones, como por las condiciones de no negatividad de las variables, es decir, por ambos ejes de coordenadas. Dicha regin factible est representada por el polgono O-F-H-G-C, de color VIOLETA.

5. Como existe una regin factible, se procede a determinar sus puntos extremos, o vrtices del polgono que representa. Estos vrtices son los puntos candidatos a soluciones ptimas. En este ejemplo son los puntos OF-H-G-C de la figura. 6. Finalmente, se evala la funcin objetivo (3x + 2y) en cada uno de esos puntos (resultado que se recoge en la tabla siguiente). Como el punto G proporciona el mayor valor a la funcin Z y el objetivo es maximizar, tal punto constituye la solucin ptima: Z = 33 con x = 3 e y = 12.

Punto extremo O C G H F

Coordenadas (x,y) (0,0) (0,14) (3,12) (6,6) (8,0)

Valor objetivo (Z) 0 28 33 30 24

COMPARACION DEL MTODO GRFICO CON EL MTODO SIMPLEX Las sucesivas tablas construidas durante el mtodo Simplex van proporcionando el valor de la funcin objetivo en los distintos vrtices de la regin factible, ajustndose, a la vez, los coeficientes de las variables iniciales y de holgura. En la tabla inicial se ha calculado el valor de la funcin objetivo en el vrtice O, cuyas coordenadas (0,0) se corresponden con el valor que tienen las variables bsicas, siendo el resultado 0. Tabla I . Iteracin n 1 3 2 0 Base P3 P4 P5 Z Cb 0 0 0 P0 18 42 24 0 P1 2 2 3 -3 P2 1 3 1 -2 P3 1 0 0 0

0 P4 0 1 0 0

0 P5 0 0 1 0

La variable que entra a la base en el mtodo Simplex determina hacia qu nuevo vrtice se realiza el desplazamiento. En este ejemplo, como entra P1 (correspondiente a 'x'), el desplazamiento se lleva a cabo por la arista OF hasta llegar al vrtice F, donde se calcula el valor que toma la funcin Z. ste paso se produce en la segunda iteracin del mtodo Simplex, mostrado en la Tabla II. En ella se ha calculado el valor que corresponde al vrtice F obtenindose un valor Z = 24 para la funcin. Tabla II . Iteracin n 2 3 2 0 Base P3 P4 P1 Z Cb 0 0 3 P0 2 26 8 24 P1 0 0 1 0 P2 1/3 7/3 1/3 -1 P3 1 0 0 0

0 P4 0 1 0 0

0 P5 -2/3 -2/3 1/3 1

Se realiza un nuevo desplazamiento por la arista FH, hasta llegar a H (datos en la Tabla III). En sta tercera iteracin se calcula el valor de la funcin en el vrtice H, obtenindose Z = 30. Tabla III . Iteracin n 3 3 2 0 Base P2 P4 P1 Z Cb 2 0 3 P0 6 12 6 30 P1 0 0 1 0 P2 1 0 0 0 P3 3 -7 -1 3

0 P4 0 1 0 0

0 P5 -2 4 1 -1

Se contina el proceso a travs de la arista HG, hasta llegar al vrtice G. Los datos obtenidos se reflejan en la Tabla IV. En este punto acaba el proceso, pudindose comprobar que la solucin no mejora al desplazarse por la arista GC hasta el vrtice G (no supera el valor actual de la funcin). Tabla IV . Iteracin n 4 3 2 0 Base P2 P5 P1 Z Cb 2 0 3 P0 12 3 3 33 P1 0 0 1 0 P2 1 0 0 0 P3 -1/2 -7/4 -3/4 5/4

0 P4 0 0 0 0

0 P5 0 1 0 0

El valor mximo de la funcin objetivo es 33, y corresponde a los valores x = 3 e y = 12 (coordenadas del vrtice G). Con el mtodo Grfico es necesario calcular el valor de la funcin objetivo en todos los vrtices de le regin factible, mientras que el mtodo Simplex acaba en cuanto halla el valor ptimo.