Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 43 vistas

    Metodo Simplex

    Cargado por

    Ricardo Hadad
    El método simplex es un método algebraico para resolver problemas de programación lineal desarrollado por George Dantzig en 1947. Se basa en la definición geométrica de que la solución óptima se encuentra en un punto extremo, y pasa de un punto extremo a otro adyacente mediante iteraciones siempre que represente una mejora para la solución. El método simplex utiliza variables artificiales cuando hay restricciones con igualdades u operadores de mayor o igual para obtener una solución inicial factible.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Metodo Simplex

    Cargado por

    Ricardo Hadad
    43 vistas3 páginas
    El método simplex es un método algebraico para resolver problemas de programación lineal desarrollado por George Dantzig en 1947. Se basa en la definición geométrica de que la solución óptima se encuentra en un punto extremo, y pasa de un punto extremo a otro adyacente mediante iteraciones siempre que represente una mejora para la solución. El método simplex utiliza variables artificiales cuando hay restricciones con igualdades u operadores de mayor o igual para obtener una solución inicial factible.

    Descripción original:

    metodo tabular

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El método simplex es un método algebraico para resolver problemas de programación lineal desarrollado por George Dantzig en 1947. Se basa en la definición geométrica de que la solución óptima se encuentra en un punto extremo, y pasa de un punto extremo a otro adyacente mediante iteraciones siempre que represente una mejora para la solución. El método simplex utiliza variables artificiales cuando hay restricciones con igualdades u operadores de mayor o igual para obtener una solución inicial factible.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    43 vistas3 páginas

    Metodo Simplex

    Cargado por

    Ricardo Hadad
    El método simplex es un método algebraico para resolver problemas de programación lineal desarrollado por George Dantzig en 1947. Se basa en la definición geométrica de que la solución óptima se encuentra en un punto extremo, y pasa de un punto extremo a otro adyacente mediante iteraciones siempre que represente una mejora para la solución. El método simplex utiliza variables artificiales cuando hay restricciones con igualdades u operadores de mayor o igual para obtener una solución inicial factible.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 3

    MTODO SIMPLEX

    Mtodo algebraico para resolver problemas de programacin lineal, desarrollado por George Dantzig en 1947.
    Se basa en la definicin geomtrica de la solucin grfica que dice que la solucin ptima se encuentra en un
    punto extremo, el algoritmo es iterativo, y pasa de un punto extremo a otro adyacente siempre y cuando
    represente una mejora para la solucin y no sea el punto extremo anterior.
    Procedimiento:
    1. Convertir el modelo a la forma estndar. Agregar las variables de holgura, exceso y/o artificiales.
    2. Obtener la solucin bsica inicial factible. Sea n la cantidad de variables y m la cantidad de ecuaciones,
    hacer (n-m) variables cero que formarn el conjunto de variables no bsicas, las m variables restantes
    sern las variables bsicas. Por lo general, como variables no bsicas se seleccionan las variables del
    problema y las variables de exceso, de tal manera que el valor de las variables bsicas se obtiene
    fcilmente. Ejemplo.
    Max. Z=c1x1+c2x2+0x3+0x4+0x5
    s.a:
    a11 x1+a12x2+x3
    = b1
    a21 x1+a22x2
    +x4
    = b2
    a31 x1+a32x2
    +x5 = b3
    x1,x2,x3,x4,x50

    X1 y x2 son las variables del problema


    X3,x4 y x5 son variables de holgura.
    n = 5 y m =3. (n-m)=2
    x1=0 y x2=0 (variables no bsicas)
    sustituyendo en las restricciones,
    x3=b1; x4=b2; x5=b3 (variables bsicas)

    3. Construir la tabla inicial de la siguiente forma:


    Bsicas X1 X2 X3 X4 X5 Solucin
    Z
    -c1 -c2 0
    0
    0
    0
    X3
    a11 a12 1
    0
    0
    b1
    X4
    a21 a22 0
    1
    0
    b2
    X5
    a31 a32 0
    0
    1
    b3

    Solucin factible inicial: x1=0; x2=0


    X3=b1
    X4=b2
    X5=b3

    4. Estudiar la optimidad de la solucin actual aplicando la condicin de optimidad. Si la solucin no es ptima


    pasar al paso 5, de lo contrario, la solucin actual es la solucin ptima.
    Condicin de optimidad: Si el problema es de maximizar (minimizar) la solucin es ptima si todos los
    coeficientes de Z son no negativos (no positivos) de lo contrario, se debe encontrar la nueva solucin, para
    ello se seleccin la variable no bsicas con el coeficiente ms negativo (positivo) para que entre a formar
    parte de las variables bsicas.
    5. Determinar la variable que sale del grupo de las variables bsicas para formar parte del conjunto de
    variables no bsicas, aplicando la condicin de factibilidad.
    Condicin de factibilidad: Para el problema de maximizacin y minimizacin, la variable que sale del
    conjunto de las bsicas actuales es aquella que presente la razn mnima entre los elementos de la
    columna de soluciones y los elementos de la columna de la variable que entra, despreciando los elementos
    cero o negativos. Los empates se rompen arbitrariamente.

    Profa. Judith Devia


    UDO-MONAGAS

    6. Determinar los nuevos valores haciendo la variable que entra bsica y la que sale no bsica, aplicando el
    mtodo de Gauss-Jordan se realiza un cambio de base empleando las siguientes operaciones:
    1. Ecuacin Pivote: EPN = EP / P
    Donde:
    EPN: Ecuacin Pivote Nueva (ecuacin de la variable que entra, ocupa de la EP.
    EP : Ecuacin Pivote (ecuacin de la fila que sale)
    P: Pivote (elemento de la interseccin entre la columna entrante y la fila que sale)
    2. Para el resto de ecuaciones incluyendo Z. EN = EA CCE* EPN)
    Donde:
    EN: Ecuacin Nueva
    EA: Ecuacin Anterior
    CCE: Coeficiente de la columna entrante
    EPN: Ecuacin Pivote Nueva
    Ir al paso 4.
    USO DE VARIABLES ARTIFICIALES
    Cuando el modelo de programacin lineal presenta todas las restricciones con el operador las variables de
    holguras permiten obtener una solucin inicial factible a simple vista, esto no ocurre cuando se tienen en las
    restricciones el operador = y/o , en estos casos es necesario agregar variables artificiales que funcionen
    como variables de holguras ofreciendo la solucin inicial factible necesaria. Por ejemplo:

    Modelo de PL
    Max. Z=c1x1+c2x2
    s.a:
    a11 x1+a12x2 = b1
    a21 x1+a22x2 b2
    a31 x1+a32x2 b3
    x1,x2 0
    (a)

    Forma estndar (FE)


    Max. Z=c1x1+c2x2+0s2+0s3
    s.a:
    a11 x1+a12x2
    = b1
    a21 x1+a22x2 + s2 = b2
    a31 x1+a32x2 s3 = b3
    x1,x2,s2,s30
    (b)

    FE con variables artificiales


    Max. Z=c1x1+c2x2+0s2+0s3
    s.a:
    a11 x1+a12x2 + R1
    = b1
    a21 x1+a22x2
    + s2
    = b2
    a31 x1+a32x2 s3
    +R3 = b3
    x1,x2,s2,s3,R1,R20
    (c)

    El modelo se muestra en la figura (a) y tiene los tres tipos de operadores que se pueden presentar, en la figura
    (b) se agregan las variables de holgura y de exceso necesarias, en este caso se tienen 4 variables (n) y 3
    ecuaciones (m), se tienen que (n-m)=1 , slo una variable se debe hacer cero, lo que no conduce cmodamente
    a una solucin inicial, es ms puede llevar a una solucin infactible (que una o ms variables tomen valores
    negativos). En la figura (c) se agregan las variables artificiales donde no se tienen variables de holgura, en la
    primera y tercera restriccin, en este caso se tiene 6 variables y 3 ecuaciones lo que implica que se deben hacer
    cero tres variables, haciendo cero las variables del problema y las de exceso se tienen la solucin inicial factible
    donde las variables bsicas son R1,s2 y R3.
    Para resolver problemas que requieran variables artificiales existen dos tcnicas:
    1.- Penalizacin, comnmente conocido como tcnica M.
    2.- Dos fases
    Profa. Judith Devia
    UDO-MONAGAS

    Tcnica M: Consiste en penalizar las variables artificiales en la funcin objetivo, colocando un coeficiente M,
    cuyo valor es positivo y muy grande, asignndoles un signo que impida que sean candidatas para entrar una
    vez que sean variables no bsicas. Si el problema es de maximizar (minimizar) se les debe asignar en la funcin
    objetivo el signo menos (positivo). Como en la tabla inicial las variables artificiales son bsicas, ellas deben
    tener coeficientes cero en la funcin objetivo. Esto se logra al despejar de las restricciones las variables
    artificiales en funcin de las variables no bsicas y sustituirlas en la funcin objetivo. Siguiendo el ejemplo, Z
    cambia a:
    Despejando las variables artificiales
    R1 = b1 - a11 x1 - a12x2
    R3 = b3 - a31 x1- a32x2 + s3
    Sustituyendo en z
    Z=c1x1+c2x2+0s2+0s3 M(b1 - a11 x1 - a12x2)-M(b3 - a31 x1- a32x2 + s3)
    Z=(c1-a11M-a31M)x1+(c2-a12M-a32M)x2+0s2-Ms3 (b1+b3)M
    El modelo aplicando tcnica M, queda:
    FE con variables artificiales (Tcnica M)
    Max. Z=(c1-a11M-a31M)x1+(c2-a12M-a32M)x2+0s2-Ms3 (b1+b3)M
    s.a:
    a11 x1+a12x2 + R1
    = b1
    a21 x1+a22x2
    + s2
    = b2
    a31 x1+a32x2 s3
    +R3 = b3
    x1,x2,s2,s3,R1,R20
    Para resolver se aplica el algoritmo del mtodo simplex.
    Tcnica de dos fases: La tcnica M presenta el problema de posible error de redondeo en los clculos al asignar
    un valor muy grande a M, la tcnica de dos fases resuelve este problema. En este mtodo se agregan las
    variables artificiales pero se elimina el uso de la constante M, el problema se resuelve aplicando las siguientes
    fases:
    Fase I: Se forma una nueva funcin objetivo que busca minimizar la suma de las variables artificiales (en el
    ejemplo Min. r=R1+R3), sujeta a las restricciones del problema original con las variables artificiales agregadas.
    Aplique el algoritmo del mtodo simplex. Si la nueva funcin objetivo (r) alcanza el valor de cero, el problema
    tienen un espacio de solucin factible y se pasa a la fase II. De lo contrario, si el mnimo de la funcin tiene un
    valor positivo, el problema no tiene solucin factible.
    Fase II: Utilice la solucin bsica ptima obtenida en la fase I como solucin inicial para el problema original.
    Esto significa que se debe utilizar el rea de las restricciones de la solucin obtenida en la fase I, pero con la
    funcin objetivo original modificada, ya que las variables del problema original pueden ser bsicas en esa
    solucin y por definicin estas no pueden tener coeficiente diferente de cero en la funcin objetivo. Para esto
    se deben extraer las restricciones de la solucin de la fase I, luego se despejan las variables bsicas actuales
    que pertenezcan a z y por ltimo se sustituyen en la funcin objetivo, expresando z en funcin de las variables
    no bsicas. Para resolver se aplica el algoritmo del mtodo simplex.

    Profa. Judith Devia


    UDO-MONAGAS

    También podría gustarte