El documento describe los pasos para modelar un problema de optimización como un problema de programación lineal y resolverlo usando el método simplex. Incluye definir la función objetivo y restricciones, adaptarlo a forma estándar agregando variables artificiales, y los pasos iterativos del algoritmo simplex para encontrar la solución óptima.
0 calificaciones0% encontró este documento útil (0 votos)
26 vistas5 páginas
El documento describe los pasos para modelar un problema de optimización como un problema de programación lineal y resolverlo usando el método simplex. Incluye definir la función objetivo y restricciones, adaptarlo a forma estándar agregando variables artificiales, y los pasos iterativos del algoritmo simplex para encontrar la solución óptima.
El documento describe los pasos para modelar un problema de optimización como un problema de programación lineal y resolverlo usando el método simplex. Incluye definir la función objetivo y restricciones, adaptarlo a forma estándar agregando variables artificiales, y los pasos iterativos del algoritmo simplex para encontrar la solución óptima.
El documento describe los pasos para modelar un problema de optimización como un problema de programación lineal y resolverlo usando el método simplex. Incluye definir la función objetivo y restricciones, adaptarlo a forma estándar agregando variables artificiales, y los pasos iterativos del algoritmo simplex para encontrar la solución óptima.
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 5
El modelo debe cumplir las siguientes condiciones:
1.
El objetivo consistir en maximizar o minimizar el valor de la funcin
objetivo (por ejemplo, incrementar ganancias o reducir prdidas, respectivamente). Max Z = 5X1 + 6X2 Min Z = 5X1 + 6X2
2.
Todas las restricciones deben ser ecuaciones de igualdad (identidades
matemticas). s.a.
3.
3X1 + X2 = 3 4X1 + 3X2 6 X1 + 2X2 3
Todas las variables (xi) deben tener valor positivo o nulo (condicin de no negatividad). X1, X2 0
4.
Los trminos independientes de cada ecuacin deben ser no negativos.
Tambin se ha dicho que los trminos independientes (bi) de cada ecuacin deben ser no negativos para poder emplear el mtodo Simplex. A tal fin, si alguna de las restricciones presenta un trmino independiente menor que 0 habr que multiplicar por "-1" ambos lados de la inecuacin (teniendo en cuenta que esta operacin tambin afecta al tipo de restriccin).
5. Hay que adaptar el problema modelado a la forma estndar para poder
aplicar el algoritmo del Simplex. Las variables artificiales se emplean cuando no se pueden utilizar las variables de holgura como la solucin bsica inicial. Esto se presenta cuando la restriccin original es una igualdad o es del tipo .
La variable artificial (Ai) es una variable no negativa que se suma al lado izquierdo de cada ecuacin que no tenga variables iniciales factibles (Que puede ser hecho o que es fcil de hacer). Si la restriccin original es una igualdad, se sumar la variable artificial Ai. 3X1 + X2 + Ai = 3 Si la restriccin original es del tipo , se restar una variable de holgura hi y se sumar la variable artificial Ai. 4X1 + 3X2 hi +Ai 6 Si la restriccin original es del tipo , se sumara una variable de holgura hi
La variable artificial agregada desempear la misma funcin que una variable de
holgura, al proporcionar una solucin bsica inicial. La utilizamos slo para iniciar la solucin y despus debemos hacer que sea igual a cero en la solucin final o de lo contrario la solucin resultante ser no factible. Una manera lgica de lograr que las variables artificiales sean igual a cero en la solucin final consiste en penalizarlas en la funcin objetivo.
Para ello se utilizar el Mtodo de la M.
En el caso de maximizacin, la variable artificial se multiplica por M y el producto se resta en el lado derecho de la funcin objetivo. En el caso de minimizacin, la variable artificial se multiplica por M y el producto se suma en el lado derecho de la funcin objetivo. La constante M representa un valor positivo muy grande. 6. Elaborar la tabla inicial del simplex: En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin. La funcin objetivo de preferencia siempre se debe colocar como la primera fila. Cuando minimizamos se toma el valor (+) positivo de Fo para convertirlo en negativo y cuando maximizamos tomamos el valor (-) negativo de Fo para convertirlo en positivo. 7. Encontrar la variable de decisin que entra en la base y la variable que sale de la base. a) Test de optimidad. En problemas de maximizacin, el P.L. es ptimo si todos los costes reducidos son menores o iguales que cero. En problemas de minimizacin cada coste reducido debe ser mayor o igual que cero. b) Regla de entrada en la base. La variable que entra en la base es una de nuestras variables no bsicas, debe ser aquella que tenga el mayor coste reducido positivo en el caso de maximizacin (o mayor coste reducido negativo, en el caso de minimizacin), ya que sta es la que aumenta (disminuye) ms rpidamente el valor de la funcin objetivo. Supongamos que la variable entrante es la k-sima.
c) Regla de salida de la base. Despus de decidir qu variable entra en la
base, es preciso determinar qu variable sale de la base. El criterio consiste en seleccionar aqulla que tiene un menor cociente entre su valor y el coeficiente de k y correspondiente a la columna k-sima, siempre y cuando este coeficiente sea estrictamente positivo. La interpretacin de este cociente es clara: representa el mximo valor que puede tomar la variable entrante antes de que la variable que se est considerando viole su restriccin de no negatividad. Si todos los coeficientes de la columna ksima son nulos o negativos, estaramos en el caso de solucin no acotada o ilimitada, ya que la variable entrante puede crecer indefinidamente sin prdida de factibilidad.
El mtodo simplex se resume en el siguiente algoritmo:
