Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 46 vistas

    3-Solart - Caspar15-22-03

    Cargado por

    pablou88
    Este documento explica diferentes conceptos relacionados con la programación lineal, incluyendo la conversión de variables no restringidas a variables no negativas, variables de holgura, superávit y no restringidas, y métodos para encontrar soluciones iniciales y resolver problemas PL, como el método de la M y el método de dos fases. También discute casos especiales como degeneración, soluciones múltiples, no acotadas e inexistentes.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PPT, PDF, TXT o lea en línea desde Scribd

    3-Solart - Caspar15-22-03

    Cargado por

    pablou88
    46 vistas11 páginas
    Este documento explica diferentes conceptos relacionados con la programación lineal, incluyendo la conversión de variables no restringidas a variables no negativas, variables de holgura, superávit y no restringidas, y métodos para encontrar soluciones iniciales y resolver problemas PL, como el método de la M y el método de dos fases. También discute casos especiales como degeneración, soluciones múltiples, no acotadas e inexistentes.

    Título original

    3-SOLART- CASPAR15-22-03

    Derechos de autor

    © Attribution Non-Commercial (BY-NC)

    Formatos disponibles

    PPT, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento explica diferentes conceptos relacionados con la programación lineal, incluyendo la conversión de variables no restringidas a variables no negativas, variables de holgura, superávit y no restringidas, y métodos para encontrar soluciones iniciales y resolver problemas PL, como el método de la M y el método de dos fases. También discute casos especiales como degeneración, soluciones múltiples, no acotadas e inexistentes.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PPT, PDF, TXT o lea en línea desde Scribd
    Descargar como ppt, pdf o txt
    46 vistas11 páginas

    3-Solart - Caspar15-22-03

    Cargado por

    pablou88
    Este documento explica diferentes conceptos relacionados con la programación lineal, incluyendo la conversión de variables no restringidas a variables no negativas, variables de holgura, superávit y no restringidas, y métodos para encontrar soluciones iniciales y resolver problemas PL, como el método de la M y el método de dos fases. También discute casos especiales como degeneración, soluciones múltiples, no acotadas e inexistentes.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PPT, PDF, TXT o lea en línea desde Scribd
    Descargar como ppt, pdf o txt
    de 11

    Forma estndar de PL Conversin de una variable no restringida a variables no negativas

    Una variable xj no restringida se puede expresar en trminos de dos variables no negativas, utilizando la sustitucin: x j = x j+ - x j- , x j+ , x j- 0 Ejemplo: Min z = 2x1 + 3 x2 sujeto a: 1. 2. 3. x1 + x2 = 10 -2 x1 + 3 x2 - 5 7 x1 - 4 x 2 6

    x1 irrestricta , x2 0

    Variables de holgura, de supervit y no restringidas


    Variable de holgura: Para las restricciones del tipo ( ). El lado derecho representa el lmite de la disponibilidad de un recurso y el lado izquierdo: el empleo que hacen de ese recurso limitado las diferentes actividades. Entonces, la holgura representa la cantidad en la cual la cantidad disponible del recurso excede al empleo que le dan las actividades. Variable de supervit: Las restricciones del tipo () en general determinan requerimientos mnimos de especificaciones. Un supervit representa el exceso del lado izquierdo, sobre ese requerimiento. Un valor positivo de esta variable significa que se producir una cantidad excedente. Variable no restringida: Situaciones en las cuales una variable puede asumir cualquier valor

    Solucin Inicial Artificial


    Cmo encontrar una solucin bsica inicial para los modelos que incluyen restricciones de (=) y ()? El procedimiento es utilizar variables artificiales.

    El Mtodo de la M
    Comienza con la PL en forma estndar. En toda ecuacin i que no tenga variables de holgura, se agrega una variable artificial Ri. Al ser ajenas al modelo les asignamos una penalidad en la funcin objetivo, para obligarlas a un nivel cero en una iteracin posterior del algoritmo simplex. Debido a que M es un valor positivo suficientemente grande, la variable Ri es penalizada en la funcin objetivo utilizando -MRi en el caso de una maximizacin y +MRi en el caso de una minimizacin.

    El Mtodo de la M

    Observaciones:
    1.-El empleo de la penalidad M puede no forzar a la variable artificial al nivel cero en la iteracin simplex final. Esto es una indicacin de que el problema no tiene una solucin factible.
    2.- La aplicacin de esta tcnica requiere M . Sin embargo, desde el punto de vista de utilizar la computadora M debe ser finita y suficientemente grande para actuar como una penalidad, pero que no desequilibre la exactitud de los clculos del simplex.

    Problema de Minimizacin Min z = 4x1 + x2

    sujeto a:
    1. 2. 3 x1 + x2 = 3 4 x 1 + 3 x2 6

    3.

    x 1 + 2 x2 4
    x1 0 , x2 0

    Forma estndar Min Z= 4x1 + x2 + 0x3 + 0 x4 s. a 3 x1 + x2 4 x 1 + 3 x2 - x 3 x1 + 2 x 2


    +

    = 3 = 6 x4 = 4

    x 1 , x2 , x3 , x 4 0

    La primera y segunda ecuaciones no tienen variables de holgura, por consiguiente se utilizarn las variables artificiales R1 y R2, resultando: Min Z= 4x1 + x2 + 0x3 + 0 x4 + MR1 + MR2 sujeto a 3 x1 + x2 4 x 1 + 3 x2 - x 3 x1 + 2 x 2 + R1 + R2
    +

    = 3 = 6 x4 = 4

    x1 , x2 , x3 , x4, R1, R2 0

    SBF z
    R1 R2 x4

    x1 x2 x3 R1 R2 x4 -4 -1 0 -M -M 0
    3 4 1 1 0 1 0 1 0 0 1 0

    Solucin

    0 3 6 4

    3 -1 0 2 0 0

    El Mtodo de dos fases Fase I. Expresar el problema en la forma estndar y aadir las variables artificiales necesarias (como en el mtodo M) para obtener una solucin bsica inicial. Encontrar una solucin bsica de las ecuaciones resultantes que minimice la suma de las variables artificiales. Si el valor mnimo de la suma es positivo, el problema de PL no tiene una solucin factible, lo que termina el proceso de solucin. De lo contrario se avanza a la Fase II Fase II. Utilizar la solucin factible obtenida en la Fase I como solucin factible inicial para el problema original.

    Ej. Min r = R1 + R2
    sujeto a 3 x1 + x 2 4 x1 + 3 x2 - x 3 x1 + 2 x 2 + R1 + R2 = 3 = 6 + x4 = 4

    x1 , x2 , x3 , x4 , R1 , R2 0

    Interpretacin de la solucin ptima


    1. 2.

    3.

    Vector B. Da el nivel de actividad ptimo de las variables que estn en la base. Vector Aj asociado a una variable de holgura que no est en la base: los aij indican la variacin (en el sentido del signo del coeficiente) que se producira en las variables xi bsicas por cada unidad que se relaja la restriccin. Los zj-cj muestran la variacin que se verificara en el funcional en el sentido de su signo por cada unidad que se relaja la restriccin. Estos valores zj-cj relacionados con las restricciones se llaman valores marginales o precios sombra. Ver ejemplo pintura Vector Aj asociado a una variable real que no est en la base: los aij indican la variacin (en el sentido contrario al signo del coeficiente) que se producira en las variables xi bsicas por cada unidad que se activara la variable. Estos valores zj-cj relacionados con actividades se llaman costos de oportunidad o costos reducidos. En el ejemplo de la pintura modificar Ce a 5

    Otros mtodos de resolucin de programas de PL

    El MS constituye el algoritmo de resolucin de PL ms difundido. Tiene modificaciones que lo hacen ms eficiente. Explora el recinto de soluciones factibles por los extremos del poliedro. Es un algoritmo de naturaleza exponencial en lo que se refiere el n de iteraciones necesario para arribar a la solucin ptima.

    Existen otros mtodos que son de naturaleza polinomial y que se llaman de punto interior. Estos atraviesan el recinto internamente. El primero fue el denominado elipsoidal (Khachiyan 1979); en 1984 N. Karmarkar desarroll un mtodo aplicable a problemas de gran envergadura

    Casos especiales en la aplicacin del Mtodo Simplex


    Inters: 1) Explicar tericamente la razn de estas situaciones 2) Dar una interpretacin prctica del significado de estos resultados 3)Uso en anlisis de sensibilidad. 1. Degeneracin Las soluciones bsicas son aquellas que tienen por lo menos n-m variables iguales a cero. Las soluciones bsicas convencionales tienen exactamente n-m variables nulas. Puede ocurrir que las bases tengan una cantidad mayor de variables nulas. En ese caso se que las soluciones son degeneradas o degradadas. Por lo menos una restriccin redundante. Se detecta en la base anterior al observar un empate en la razn mnima.

    2. Soluciones mltiples (alternativas) Cuando la funcin objetivo es paralela a una restriccin que se satisface como ecuacin, la funcin objetivo asumir el mismo valor ptimo en ms de un punto. Se detecta que se ha llegado a una solucin alternativa cuando habiendo llegado al ptimo, hay algn zj-cj correspondiente a variable no bsica igual a cero. Se llama cero alternativo y se indica 0*. Se procede a ingresar a la base la variable que tiene el 0* y se saca la que corresponda. Las soluciones ptimas son infinitas y se expresarn como combinacin lineal de los vrtices del segmento solucin X = X(A). + X(B). (1- ); siendo 01

    Casos especiales en la aplicacin del Mtodo Simplex


    3.

    4.

    Soluciones no acotadas (poliedro abierto) Los valores de las variables se pueden incrementar indefinidamente sin violar ninguna restriccin, lo que significa que el espacio es no acotado por lo menos en una direccin. Podra indicar una incorrecta formulacin debido a la no inclusin de alguna restriccin o valores incorrectos de los parmetros. Se identifica cuando no habiendo llegado al ptimo, no existe ningn cociente bi/aij no negativo Soluciones inexistentes Cuando las restricciones no se satisfacen simultneamente (nunca puede ocurrir si todas las restricciones son del tipo ) por lo menos una variable artificial ser positiva en la ltima iteracin. Indica una mala formulacin. En el MS se identifica porque hay variables artificiales en una base que ya no se puede mejorar.

    También podría gustarte