en investigación de operaciones y simulación

El método símplex cuya gran virtud es su sencillez, es un método muy práctico, ya que solo trabaja con los coeficientes de la función objetivo y de las restricciones.

Ilustraremos su funcionamiento mediante un ejemplo, pero previamente mostraremos las reglas de decisión para determinar la variable que entra, la que sale, la gran M, y cómo determinar que estamos en el óptimo; Todas éstas reglas de decisión fueron deducidas del método algebraico, solamente que aquí se han acomodado para ser usadas en el tipo de tablero símplex que se usará.

​​

.

.

.

.

.

Criterio de decisión	Maximizar	Minimizar
Gran M en la función objetivo	- MXj	+MXj
Variable que entra	La más negativa de los Zj - Cj	La más positiva de los Zj - Cj
Variable que sale	La menos positiva de los b/a ,Siendo a > 0 , de lo contrariono restringe	La menos positiva de los b/a ,Siendo a > 0 , de lo contrariono restringe a la variable queentra
Solución óptima	Cuando todos los Zj – Cj > 0	Cuando todos los Zj – Cj < 0

TIPOS DE RESTRICCIONES

• Restricciones £

Se añade una variable de holgura, con costo (o ganancia) en la función objetivo igual a 0.

Ejm:

2X1 - 4X2   <= 1, queda:
2X1 - 4X2   + X3 = 1           Cj de X3 en la función objetivo será 0.

• Restricciones ³

Se resta una variable de exceso, con costo (o ganancia) en la función objetivo igual a 0, y se suma una variable artificial con costo +M ó –M según sea maximización o minimización.

Ejm:

2X1 + 3X2  >= 1, queda:
2X1 + 3X2  - X3  + X4= 1    Cj de X3 en la función objetivo será 0. y Cj de X4 (artificial) es ±M

• Restricciones =

Se le añade una variable artificial con costo +M ó –M según sea maximización o minimización.

Ejm:

2X1 + 3X2  = 8, queda:
2X1 + 3X2  + X3= 8           Cj de X3 en la función objetivo será ±M

Adicionalmente se presentan las siguientes notas a tener en cuenta:

• Si en el tablero simplex de la solución óptima queda al menos una variable de superávit ó artificial dentro de las variables básicas, con un valor > 0 , el problema no tiene solución, esto quiere decir que al menos existen dos restricciones excluyentes, por lo tanto no existe área de soluciones factible y menos una solución , en éste caso se debe revisar la formulación del problema.

• Si al escoger la variable que sale, ninguna de las variables básicas restringe el crecimiento de la variable no básica escogida para entrar, el problema tiene solución indeterminada y se debe revisar la formulación en busca de una nueva restricción que no se tuvo en cuenta en la formulación inicial.

• Si en el tablero simplex del óptimo, al menos una de las variables no básicas tiene coeficiente cero (0) en la función objetivo, esto es su Zj – Cj = 0, el problema tiene múltiples soluciones y se nos está ofreciendo una de ellas.

Ejemplo 1

Siendo Xi la cantidad a producir del producto i.

Maximizar Z = X1 + X2  {Ganancia total en soles}

S.A.

5X1 + 3X2 <= 15          {Horas disponibles dep. A}
3X1 + 5X2 <= 15          {Horas disponibles dep. B}

Xj >= 0 ; j = 1, 2

Los problemas de Maximización, con todas sus restricciones <= y con la condición de no negatividad, se le llama Forma Estándar ó Forma Normal

Aquí debemos conseguir una solución básica factible, empleando las variables de holgura y/o artificiales, quedando el sistema de ecuaciones así:

Maximizar Z = X1 + X2

S.A.

5X1 + 3X2 + X3            = 15
3X1 + 5X2 +      X4       = 15

Xj >= 0 ; j = 1,2,3,4

Las variables básicas son aquellas cuyos coeficientes forman la matriz unitaria.
En este caos accidentalmente son las variables de holgura X3 y X4.

A continuación construimos la siguiente tabla:

Cj			1	1	0	0	b/aa>0
	V.B.	b	X1	X2	X3	X4
0	X3	15	5	3	1	0	15/5=3
0	X4	15	3	5	0	1	15/3=5
Zj - Cj		0	-1	-1	0	0

El valor de la función objetivo Z, se encuentra frente a la casilla de Zj – Cj , en éste caso vale cero (0) y se calcula multiplicando el vector fila (en la tabla es la columna inmediatamente anterior a la de las variables básica V.B.) que contiene los coeficientes de las variables básicas en la función objetiva original por el vector columna de los términos independientes b

CXB = Vector fila de los coeficientes en la función objetivo original de las variables básicas actuales, sus valores se encuentran en la primera columna del tablero.

b = Vector columna de los términos independientes de las restricciones, que al mismo tiempo son los valores de las variables básicas actuales, sus valores se encuentran bajo la columna denominada b

CXB = (0,0) ; b = (15,15)’           Z = CXB * b = (0)(15) + (0)(15) = 0

El valor de los Zj – Cj se calcula multiplicado el vector fila CXB por el vector apuntador aj dela columna de la variable j-ésima, menos el Cj, esto es:

Zj – Cj = CXB. aj – Cj ;

Los cálculos se efectúan así:

Z1 – C1 = CXB a1 – C1 = (0,0).(5,3)’ - 1 = (0)(5)+(0)(3) – 1 = -1

Z2 – C2 = CXB a2 – C2 = (0,0).(3,5)’ - 1 = (0)(3)+(0)(5) – 1 = -1

Z3 – C3 = CXB a3 – C3 = (0,0).(1,0)’ - 0 = (0)(1)+(0)(0) – 0 = 0

Z4 – C4 = CXB a4 – C4 = (0,0).(0,1)’ - 0 = (0)(0)+(0)(1) – 0 = 0

A continuación se indican la variable que sale y la variable que entra:

Cj			1	1	0	0	b/a a>0
	V.B.	b	X1	X2	X3	X4
0	X3	15	5	3	1	0	15/5=3
0	X4	15	3	5	0	1	15/3=5
Zj – Cj		0	-1	-1	0	0

Variable que entra X1

Variable que sale X3

La variable que tiene Zj-Cj más negativo es ó X1 ó X2. Se escoge al azar X1.

En esta iteración b/a da: 15/5 = 3 y 15/3 = 5;
Lo que significa que la variable básica X3 restringe el crecimiento de la variable que entra, X1, hasta 3 (no la deja tomar valores superiores a 3) y la variable básica X4 restringe el crecimiento de la variable que entra X1 hasta 5 (no la deja tomar valores superiores a 5).

Por supuesto la variable básica que restringe más el crecimiento de la variable que entra X1,  es X3 , por lo tanto, es la variable básica escogida para salir.

La fila de la variable básica escogida para salir se divide por el elemento que se encuentra en la intersección de dicha fila con la columna de la variable que entra, la fila resultante es la fila pivote y se coloca en un nuevo tablero, desde el que se suman múltiplos de la fila pivote a las demás filas del tablero anterior de tal forma que se eliminen de cada una de ellas la variable escogida para entrar, en nuestro caso X1 , este procedimiento se denomina, hacer un uno (1) en la intersección y el resto de la columna ceros (0), por lo tanto en dicha columna aparecerá un vector unitario, el procedimiento se repite en cada iteración, hasta que todos los Zj – Cj sean mayores ó iguales a cero en el caso de maximizar ó menores ó iguales a cero en el caso de minimizar.

A continuación se muestran todas las iteraciones y en cada fila los valores por los cuales fueron multiplicadas para ser sumadas a otras filas, ello se expresa como sumar múltiplos de una fila a otra.
Fíjese que se suman múltiplos de las restricciones a la función objetivo para eliminar las variables básicas de ella.

Cj			1	1	0	0	b/a a>0
	V.B.	b	X1	X2	X3	X4
1	X1	3	1	3/5	1/5	0	5
0	X4	6	0	16/5	-3/5	1	15/8
Zj - Cj		3	0	-2/5	1/5	0

Variable que entra X2
Variable que sale X4

Cj			1	1	0	0	b/a a>0
	V.B.	b	X1	X2	X3	X4
1	X1	15/8	1	0	5/16	0
1	X2	15/8	0	1	-3/16	5/16
Zj – Cj		15/4	0	0	1/8	1/8

Solución óptima:
X1* = 15/8
X2* = 15/8
Z * = 15/4

La solución es única: X1 * = 15/8 ; X2 * = 15/8 ; Z* = 14/4

Ejemplo 2

Minimizar Z = 6X1 + 4X2 + 2X3

S.A.

6X1 + 2X2 + 6X3          >= 6
6X1 + 4X2                =  12
2X1 - 2X2                <= 2

Xj >= 0 ; j = 1, 2, 3

Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 + MX6

S.A.

6X1 + 2X2 + 6X3 – X4 + X5                              = 6
6X1 + 4X2                                +X6                  = 12
2X1 - 2X2                                            +X7      = 2

Xj >= 0 ; j = 1, 2, 3, 4, 5, 6, 7

Las variables básicas son X5 = 6 , X6 = 12, X7 = 2

Solución Óptima:

Variables de decisión:

X1 = 0 , X2 = 3 , X3 = 0 , Z = 12
Variables de holgura : X4 = 0 , X7 = 8
Variables artificiales: X5  = 0 , X6 = 0

 

UN ADELANTO DEL ANÁLISIS POST-ÓPTIMO

Maximizar Z = X1 + X2  {Ganancia total en soles}

S.A.

5X1 + 3X2 <= 15          {Horas disponibles dep. A}
3X1 + 5X2 <= 15          {Horas disponibles dep. B}

Xj >= 0 ; j = 1, 2

Tablero inicial:

Cj			1	1	0	0	b/a a>0
	V.B.	b	X1	X2	X3	X4
0	X3	15	5	3	1	0	15/5=3
0	X4	15	3	5	0	1	15/3=5
Zj – Cj		0	-1	-1	0	0

 

Tablero óptimo:

Cj			1	1	0	0	b/a a>0
	V.B.	b	X1	X2	X3	X4
1	X1	15/8	1	0	5/16	0
1	X2	15/8	0	1	-3/16	5/16
Zj - Cj		15/4	0	0	1/8	1/8

Solución óptima:
X1* = 15/8
X2* = 15/8
Z * = 15/4

Costo reducido:

Unidades = (unidad monetaria)/(unidad de producto) = (u.m.)/(u.p.) = las mismas unidades que  Cj

Precio dual:

Unidades = (unidad monetaria)/(unidad de recurso) = (u.m.)/(u.r.)

Interpretación del Costo reducido:     

En cuantas unidades monetarias empeora la función objetivo al producir una unidad de un producto que no se está produciendo.

En minimización: (Dz / Dx)         En maximización:   (Ñz / Dx)

• Si la variable es básica ,el costo reducido es 0.

• Si la variable es no básica, es >= 0. Cuando es 0 significa soluciones alternativas.

Interpretación del Precio dual:
           
En cuantas unidades monetarias va a variar la función objetivo al variar en una unidad de recurso limitante.

Cuando es >0:              (Dz / Db)           ó          (Ñz / Ñb)
Cuando es <0:              (Dz / Ñb)           ó          (Ñz / Db)

Una restricción es limitante cuando limita a la función objetivo. Esto sucede cuando se cumple la igualdad de la restricción.

Si la restricción es no limitante, el precio dual es 0.
Si la restricción es limitante, puede tomar cualquier valor positivo, negativo o 0.

ANIMALES DISECADOS

Una Empresa de Animales Disecados está produciendo palomas y gavilanes disecados. En las condiciones en que se encuentra el mercado actualmente puede vender los gavilanes y las palomas con utilidades de  $20.00 y  $12.00 respectivamente.

Las pieles de los gavilanes son más duras y toman más tiempo de trabajo que las pieles de las palomas. La máquina de pieles puede trabajar 4 pieles de gavilán por minuto ó 8 pieles para palomas, usando la misma capacidad. La línea de relleno, puede rellenar 5 gavilanes ó 4 palomas por minuto. Los gavilanes van a una operación final en una máquina de afilado del pico que tiene una capacidad de 3.5 gavilanes por minuto, La jornada de trabajo en la división es de 8 horas.

• Formule el modelo de programación lineal, que resuelva el caso.

• Formule el problema dual del modelo formulado en (a).

• Resolver el modelo, y hacer una interpretación  administrativa de la solución.

• Determinar la solución óptima del problema dual leyéndola directamente de la tabla óptima encontrada en la pregunta c.

A no ser que se especifique de otra manera, las siguientes preguntas son independientes unas de otras y están basadas en el enunciado inicial del problema.

• Existe la posibilidad de trabajar sobretiempos en la máquina de pieles, en la línea de relleno, y en la máquina de afilado. ¿Cuál es la mayor utilidad que se genera por cada sobretiempo en cada una de las secciones?.

• El Gerente de la Empresa visita la línea de gavilanes y palomas, y observa que hay capacidad ociosa en algunos de los procesos. El resuelve ordenar que se usen todos los centros del proceso, en toda su capacidad instalada. ¿Qué le diría usted?.

• Qué sucedería con la solución óptima si las utilidades por cada paloma bajan a s/. 9.00 ?.

• Para darle un mejor acabado a los juguetes, se ha instalado una línea de laqueado; la línea de laqueado puede rellenar 5 gavilanes por minuto o 4 palomas en el mismo tiempo, igualmente la jornada es de 8 horas. ¿Afectaría la solución óptima?; de ser así encuentre la nueva solución.    

NOTA TEORICA:

En esta pregunta, observar si la nueva restricción es cumplida por la solución actual, si es así sería una restricción redundante y no afecta a la solución actual, pero si la solución actual no la cumple, entonces será necesario volver a resolver el problema considerando esta nueva restricción.

modelo:

X1= numero de palomas a producir en el día
X2= numero de gavilanes a producir en el dia

MAX 12X1+20X2

SUBJECT TO
0.125X1+0.25X2<=480              maquina de pieles
0.25X1+0.2X2<=480                 linea de relleno
0.2857143X2<=480                   afilado de pico
END

LP OPTIMUM FOUND AT STEP      2
OBJECTIVE FUNCTION VALUE

        1)      39680.00

  VARIABLE        VALUE          REDUCED COST
        X1        640.000000     0.000000
        X2        1600.000000    0.000000

       ROW   SLACK OR SURPLUS     DUAL PRICES
        2)             0.000000   69.333336
        3)             0.000000   13.333333
        4)            22.857122   0.000000

 NO. ITERATIONS=       2

 RANGES IN WHICH THE BASIS IS UNCHANGED:

                           OBJ COEFFICIENT RANGES
 VARIABLE    CURRENT       ALLOWABLE   ALLOWABLE
                        COEF           INCREASE        DECREASE
       X1             12.000000        13.000000           2.000000
       X2             20.000000         4.000000          10.400001

                           RIGHTHAND SIDE RANGES
      ROW          CURRENT        ALLOWABLE      ALLOWABLE
                        RHS                 INCREASE        DECREASE
        2              480.000000         11.999989        240.000000
        3              480.000000       480.000000          23.999977
        4              480.000000         INFINITY          22.857122

AUTOR:

Ing.Mohammed Portilla Camara
Gerente de Operaciones
Grupo Groming Ingeniería SAC. y
CEENQUA: Certifications for Engineering of Quality
La Molina, Lima - Perú
[email protected]
[email protected]
Estudios realizados en: Ingeniería Industrial, Ingeniería de Minas e Ingeniería Informática
Universidad de Lima
Pontificia Universidad Católica del Perú
Universidad Nacional de Ingeniería
Escuela de Negocios para Graduados - ESAN