Este documento presenta una introducción a los principales métodos de Investigación de Operaciones como el método gráfico, el método simplex, y el método de doble fase. Incluye un índice, secciones sobre cada método con ejemplos, y mapas conceptual y mental sobre Investigación de Operaciones. Finaliza con referencias bibliográficas.
0 calificaciones0% encontró este documento útil (0 votos)
54 vistas10 páginas
Este documento presenta una introducción a los principales métodos de Investigación de Operaciones como el método gráfico, el método simplex, y el método de doble fase. Incluye un índice, secciones sobre cada método con ejemplos, y mapas conceptual y mental sobre Investigación de Operaciones. Finaliza con referencias bibliográficas.
Este documento presenta una introducción a los principales métodos de Investigación de Operaciones como el método gráfico, el método simplex, y el método de doble fase. Incluye un índice, secciones sobre cada método con ejemplos, y mapas conceptual y mental sobre Investigación de Operaciones. Finaliza con referencias bibliográficas.
Este documento presenta una introducción a los principales métodos de Investigación de Operaciones como el método gráfico, el método simplex, y el método de doble fase. Incluye un índice, secciones sobre cada método con ejemplos, y mapas conceptual y mental sobre Investigación de Operaciones. Finaliza con referencias bibliográficas.
La investigación de las operaciones es una rama de las matemáticas que se vale de modelos, análisis, estadísticos y algoritmos para tomar decisiones operativas , es también conocida como la ciencia que ayuda a la empresa a tomar decisiones importantes .Se exigen prerequisitos básicos como saber cosas simples de álgebra lineal , se aprenderá de manera secuencial , utilizando los conocimientos que adquirimos con anterioridad y aprendiendo cosas nuevas 4
Método Grafico El método gráfico se emplea para resolver problemas que presentan sólo 2 variables de decisión. El procedimiento consiste en trazar las ecuaciones de las restricciones en un eje de coordenadas X1, X2 para tratar de identificar el área de soluciones factibles (soluciones que cumplen con todas las restricciones). La solución óptima del problema se encuentra en uno de los vértices de esta área de soluciones creada, por lo que se buscará en estos datos el valor mínimo o máximo del problema. Ejemplo: Una compañía de auditores se especializa en preparar liquidaciones y auditorías de empresas pequeñas. Tienen interés en saber cuantas auditorías y liquidaciones pueden realizar mensualmente para maximizar sus ingresos. Se dispone de 800 horas de trabajo directo y 320 horas para revisión. Una auditoría en promedio requiere de 40 horas de trabajo directo y 10 horas de revisión, además aporta un ingreso de 300 dls. Una liquidación de impuesto requiere de 8 horas de trabajo directo y de 5 horas de revisión, produce un ingreso de 100 dls. El máximo de liquidaciones mensuales disponibles es de 60 OBJETIVO : Maximizar el ingreso total. VARIABLE DE DECISION: Cantidad de auditorías (X1). Cantidad de liquidaciones (X2). RESTRICCIONES : Tiempo disponible de trabajo directo Tiempo disponible de revisión Número máximo de liquidaciones. Maximizar Z=300x1 + 100x2 Sujeto a:
La solución óptima siempre se encuentra en uno de los vértices del conjunto de
soluciones factibles. Se analizan estos valores en la función objetivo. El vértice que representa el mejor valor de la función objetivo será la solución óptima. 5
Metodo Simplex El método simplex es un procedimiento iterativo para resolver problemas de programación lineal, donde se busca obtener la solución óptima de la función objetivo que logre cumplir el conjunto de restricciones. Este algoritmo fue desarrollado en el año 1947 por el matemático norteamericano George Dantzig.
Para comprender de mejor manera el método simplex vamos a revisar algunas
definiciones. El método parte de dos afirmaciones importantes: El conjunto de posibles soluciones o conjunto factible de cualquier problema de programación lineal puede representarse mediante un poliedro convexo. Si un problema de programación lineal tiene una solución óptima y finita, ésta estará en un vértice del poliedro convexo que representa al problema. El algoritmo simplex parte de uno de los vértices del poliedro, y verifica si es el óptimo; si no lo es, busca un nuevo vértice adyacentes que va mejorando el valor de la función objetivo. Se continúa iterando hasta llegar al vértice que representa la solución óptima.
Los pasos a seguir en el método simplex son:
Definir el problema en la forma estándar y generar nuestra matriz.
Determinar la solución básica inicial. Seleccionar la variable de entrada utilizando la condición de optimalidad. Si no se puede seleccionar una variable de entrada, quiere decir que estamos en la condición óptima y finalizan las iteraciones. De otro modo se continúa con el siguiente paso. Seleccionar la variable de salida utilizando la condición de factibilidad. Actualizar nuestra matriz realizando las operaciones de Gauss-Jordan. Volver al paso número 3. 6
Método de doble fase
El método simple de 2 fases es una estrategia algorítmica que se aplica cuando luego de llevar un modelo de programación lineal a su forma estándar no se dispone de una solución básica factible inicial. como su nombre lo indica, trabaja por medio de 2 fases o procedimientos, con el objetivo de encontrar primeramente una solución factible inicial y después pasar a resolver el modelo a través del método simplex. Para utilizar este método se deber tener el modelo en su forma ampliada, las variables de decisión deben de ser reales y mayores a cero.
Las fases del método se describen a continuación:
Fase 1 (Se busca la primera Solución básica factible):
Consideramos un modelo de programación lineal que se encuentra en su forma
canónica, este modelo debe de ser transformado en su forma ampliada agregando variables artificiales en las restricciones donde el origen no es una solución. Ahora se cambia la función objetivo por una función de minimización donde las variables de decisión son las variables artificiales, pero tomamos el conjunto de restricciones de la función original. Procedemos a resolver el modelo que tenemos planteado hasta que se de uno de los siguientes casos: las variables artificiales salen de la base o la función objetivo obtiene el valor de cero. Si no ocurre ninguno, entonces el modelo no tiene solución
Fase 2 (Resolvemos el modelo con la nueva solución encontrada):
Eliminamos las variables artificiales de las restricciones, pero conservamos los
cambios que se dieron durante la fase 1. Regresamos a la función objetivo original y resolvemos el modelo con los cambios que se dieron en las restricciones durante la fase 1. 7
