Método de variable artificial

Método de variable m
Método de las dos fases
El método de la M grande es una forma derivada del método simplex, usado para
resolver problemas donde el origen no forma parte de la región factible de un
problema de programación lineal.

Para realizar este algoritmo, se siguen los mismos pasos que en el método simplex,
pero antes tenemos que cambiar la función objetivo para que incluya a las variables
artificiales. Estas variables tendrán que estar multiplicadas por un numero
suficientemente grande para que no se elimine a través de la operaciones, llamado
M y que además deberá irse solamente cuando se sume o reste con otra M.

Para el caso de maximizacion, tenemos que restar las variables artificiales junto
con sus coeficientes para que estas variables no entren a la base, pero si
minimizamos entonces tendremos que sumar las variables artificiales

Método Simplex no siempre es inmediata la obtención de una solución básica

factible inicial, en las variables originales del modelo. Para conseguir esto existen
varios procedimientos como son el Método Simplex de 2 Fases y el Método de la M
Grande (o Gran M) el cual abordaremos en este artículo. Para ello consideremos el
siguiente modelo de Programación Lineal en 2 variables:

A continuación agregamos las variables no negativas (holgura restricción

1), (auxiliar restricción 2), (exceso restricción 3) y (auxiliar restricción 3). El
modelo ahora es:

Donde el parámetro M es una constante positiva suficientemente grande para

representar una penalización adecuada en la función objetivo. La tabla inicial del
método esta dada por:
Antes de continuar con las iteraciones se debe procurar que el costo reducido de
las variables y sean ceros. Para ello multiplicamos por -M la fila 2 y la fila 3 y
luego sumamos a la fila 4, obteniendo lo siguiente:

Ahora debemos seleccionar que variable no básica ingresa a la base. El menor

costo reducido corresponde a la variable en consecuencia dicha variable ingresa
a la base. Luego calculamos el mínimo cuociente en dicha

columna: , el cual se alcanza en la fila 1, por tanto la

variable deja la base. Se actualiza la tabla:

Siguiendo con las iteraciones ahora la variable entra a la base. El criterio de

factibilidad indica que: la variable abandona la base (el

pivote se encuentra en la fila 3). Actualizamos la tabla:

Una nueva iteración indica que ingresa a la base. El mínimo cuociente en la

respectiva columna es: (recordar que se omiten

denominadores menores a cero). Ahora el pivote se encuentra en la fila 2 y en
consecuencia deja la base. Se actualiza la tabla:
Se ha alcanzado la solución óptima con y . Notar que las
variables auxiliares (r1 y r2) son no básicas en el óptimo. El valor óptimo
es 21/4(notar que el signo esta cambiado).
Para una mejor comprensión de los resultados alcanzados a continuación se
presenta la resolución gráfica del problema haciendo uso del software Geogebra. El
dominio de soluciones factibles corresponde a la recta que une los vértices A y B.
Adicionalmente se muestra la curva de nivel que pasa por la solución óptima (vértice
B).
Teóricamente se espera que en la aplicación del Método de la M Grande las
variables auxiliares sean no básicas en el óptimo. Si el modelo de Programación
Lineal es infactible (es decir, si las restricciones no son consistentes), la iteración
del Método Simplex final incluirá al menos una variable artificial como básica.
Adicionalmente la aplicación de la técnica de la M Grande implica teóricamente que
M tiende a infinito. Sin embargo al usar la computadora M debe ser finito,
pero suficientemente grande. En específico M debe ser lo bastante grande como
para funcionar como penalización, al mismo tiempo no debe ser tan grande como
para perjudicar la exactitud de los cálculos del Método Simplex, al manipular una
mezcla de números muy grandes y muy pequeños.

Método de las dos fases

Este método es sumamente sencillo, Se usa ante la presencia de variables
artificiales en el modelo a solucionar y su objetivo es eludir el uso de la constante M,
aquella que definimos como un número muy grande aunque finito, supuestamente
por problemas de redondeo o de escala. Y se puede dejar una constancia entre ella
y el modelo es súper más sencillo del modelo de la gran m de penalización. A
continuación se te presenta como va desarrollada las dos fases
Fase Uno:
Minimizar la suma de las variables artificiales del modelo. Si el valor de la Z óptima es cero, se
puede proseguir a la Fase Dos, de lo contrario el problema no tiene solución.
Fase Dos:
Con base en la tabla reclinable de la fase uno, se elimina de las restricciones las variables
artificiales, y se reemplaza la función objetivo, por la función objetivo original y se resuelve a
partir de la resultante, con el método Simplex tradicional.
Ejerecicio:

FASE 1. Formule un nuevo problema reemplazando la función objetivo por la

suma de las variables artificiales.

La nueva función objetivo se minimiza sujeta a las restricciones del problema

original. Si el problema tiene un espacio factible el valor mínimo de la función
objetivo óptima será cero, lo cual indica que todas las variables artificiales son
cero. En este momento pasamos a la fase 2.

* Si el valor mínimo de la función objetivo óptima es mayor que cero, el problema

no tiene solución y termina anotándose que no existen soluciones factibles
FASE 2. Utilice la solución óptima de la fase 1 como solución de inicio para el
problema original. En este caso, la función objetivo original se expresa en términos
de las variables no básicas utilizando las eliminaciones usuales Gauss-Jordan.

PROBLEMA # 1

Minimizar

Sujeto a:

Minimizar

Sujeto a:

FASE I

Minimizar
Sujeto a:

Minimizar

Sujeto a:

V.B. Z X1 X2 S1 S2 R1 R2 Solución
Z 1 0 0 0 0 -1 -1 0
R1 0 2 3 -1 0 1 0 36
R2 0 3 6 0 -1 0 1 60

V.B. Z X1 X2 S1 S2 R1 R2 Solución
Z 1 5 9 -1 -1 0 0 96
R1 0 2 3 -1 0 1 0 36
R2 0 3 6 0 -1 0 1 60

V.B. Z X1 X2 S1 S2 R1 R2 Solución
 Z 1 1/2 0 -1 1 /2 0 3/2 6
R1 0 1/2 0 -1 1 /2 1 -1/2 6
X2 0 1/2 1 0 -1/6 0 1/6 10

V.B. Z X1 X2 S1 S2 R1 R2 Solución
Z 1 0 0 0 0 -1 -1 0
X1 0 1 0 -2 1 2 -1 12
X2 0 0 1 1 -2/3 -1 2/3 4

FASE II.

Minimizar

V. Básica Z X1 X2 S1 S2 Solución
Z 1 -2000 -500 0 0 0
X1 0 1 0 -2 1 12
X2 0 0 1 1 -2/3 4

V. Básica Z X1 X2 S1 S2 Solución
Z 1 0 0 -3500 5000/3 26000
X1 0 1 0 -2 1 12
X2 0 0 1 1 -2/3 4

V. Básica Z X1 X2 S1 S2 Solución
 Z 1 -5000/3 0 -500/3 0 6000
S2 0 1 0 -2 1 12
X2 0 2/3 1 -1/3 0 12

PROBLEMA 2.

Maximizar

Sujeto a:

FASE I.

En la FASE I siempre es un problema de minimización.

Minimizar

Sujeto a:
 V. Básica Z X1 X2 X3 S1 R1 Solución
Z 1 0 0 0 0 -1 0
S1 0 3 6 1 1 0 20
R1 0 3 1 2 0 1 15

V. Básica Z X1 X2 X3 S1 R1 Solución
Z 1 3 1 2 0 -1 15
S1 0 3 6 1 1 0 20
R1 0 3 1 2 0 1 15

V. Básica Z X1 X2 X3 S1 R1 Solución
Z 1 0 0 0 0 -1 0
S1 0 0 5 -1 1 -1 5
X1 0 1 1/3 2/3 0 1/3 5

Aquí termina la fase I.

FASE II.

Maximizar

V. Básica Z X1 X2 X3 S1 Solución
Z 1 -6 -4 -4 0 0
S1 0 0 5 -1 1 5
X1 0 1 1/3 2/3 0 5

V. Básica Z X1 X2 X3 S1 Solución
Z 1 0 -2 0 0 30
 S1 0 0 5 -1 1 5
X1 0 1 1/3 2/3 0 5

V. Básica Z X1 X2 X3 S1 Solución
Z 1 0 0 -2/5 2/5 32
X2 0 0 1 -1/5 1/5 1
X1 0 1 0 11/15 -1/15 14/3

V. Básica Z X1 X2 X3 S1 Solución
Z 1 6/11 0 0 4/11 380/11
X2 0 3/11 1 0 2/11 25/11
X1 0 15/11 0 1 -5/11 70/11