Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • PL Casos Especiales

    Cargado por

    juan ovallos
    18 vistas7 páginas
    Este documento describe cuatro casos especiales que pueden presentarse al resolver problemas de programación lineal usando el método simplex: 1) degeneración, cuando hay un empate al calcular la relación mínima; 2) óptimos alternativos, cuando la función objetivo es paralela a una restricción; 3) solución no acotada, cuando la región factible no está limitada; y 4) solución no factible, cuando el modelo matemático ha sido formulado de manera incorrecta y no existe una solución óptima.

    Descripción original:

    Título original

    PL Casos especiales

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Este documento describe cuatro casos especiales que pueden presentarse al resolver problemas de programación lineal usando el método simplex: 1) degeneración, cuando hay un empate al calcular la relación mínima; 2) óptimos alternativos, cuando la función objetivo es paralela a una restricción; 3) solución no acotada, cuando la región factible no está limitada; y 4) solución no factible, cuando el modelo matemático ha sido formulado de manera incorrecta y no existe una solución óptima.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    Descargar como docx, pdf o txt
    18 vistas7 páginas

    PL Casos Especiales

    Cargado por

    juan ovallos
    Este documento describe cuatro casos especiales que pueden presentarse al resolver problemas de programación lineal usando el método simplex: 1) degeneración, cuando hay un empate al calcular la relación mínima; 2) óptimos alternativos, cuando la función objetivo es paralela a una restricción; 3) solución no acotada, cuando la región factible no está limitada; y 4) solución no factible, cuando el modelo matemático ha sido formulado de manera incorrecta y no existe una solución óptima.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    Descargar como docx, pdf o txt
    de 7

    PROGRAMACIÓN LINEAL

    CASOS ESPECIALES

    1. Degeneración

    Se presenta cuando al aplicar la condición de factibilidad en el algoritmo simplex, existe un


    empate en la relación mínima. De esta forma, al menos una de las variables básicas será cero
    en la siguiente iteración y se dice que la solución está degenerada. Esta situación generalmente
    es un indicativo de que el modelo tiene una restricción redundante

    Ejemplo

    Maximizar u=3 x 1 +9 x 2
    Sujeta a las restricciones

    x 1+ 4 x 2 ≤ 8 (1)

    x 1+ 2 x 2 ≤ 4 (2)

    x 1 , x 2 ≥ 0 (Condición de no negatividad)
    Solución gráfica

    Solución con R
    > coef<-c(3,9)
    > A<-matrix(c(1,1,4,2),ncol=2)
    > b<-c(8,4)
    > dir<-rep("<=",2)
    > solucion <- solveLP(coef, b, A, maximum=TRUE, dir)
    > summary(solucion)

    Results of Linear Programming / Linear Optimization

    Objective function (Maximum): 18

    Solution
    opt
    1 0
    2 2
    > solucion <- solveLP(coef, b, A, maximum=TRUE, dir,verbose=4)
    [1] "initial Tableau"
    1 2 S 1 S 2 P0
    1 1 4 1 0 8
    2 1 2 0 1 4
    Z-C -3 -9 0 0 0

    BÁSICA U x1 x2 S1 S2 SOLUCIÓN
    U 1 -3 -9 0 0 0
    S1 0 1 4 1 0 8
    S2 0 1 2 0 1 4

    BÁSICA x2 SOLUCIÓN COCIENTE


    S1 4 8 8/4 =2
    S2 2 4 4/2= 2

    Pivot Column: 2 ( 2 )
    Pivot Row: 1 ( 1 )

    1 2 S 1 S 2 P0
    2 0.25 1 0.25 0 2
    2 0.50 0 -0.50 1 0
    Z-C -0.75 0 2.25 0 18

    Pivot Column: 1 ( 1 )
    Pivot Row: 2 ( 2 )

    1 2 S 1 S 2 P0
    2 0 1 0.5 -0.5 2
    1 1 0 -1.0 2.0 0
    Z-C 0 0 1.5 1.5 18

    En la primera tabla del algoritmo Simplex, observamos que en la primera iteración debe
    ingresar la variable x 2 porque tiene el coeficiente más negativo. Sin embargo, al calcular la
    relación mínima se presenta un empate. En la siguiente iteración una de las variables básicas
    es cero. De esta forma, se obtiene una solución degenerada.

    2. Óptimos alternativos

    Esta situación se presenta cuando la función objetivo es paralela a una de las restricciones

    Ejemplo

    Maximizar u=2 x 1 +4 x 2
    Sujeta a las restricciones

    x 1+ 2 x 2 ≤ 5 (1)

    x 1+ x2 ≤ 4 (2)

    x 1 , x 2 ≥ 0 (Condición de no negatividad)
    Solución gráfica

    Solución con R

    > coef<-c(2,4)
    > A<-matrix(c(1,1,2,1),ncol=2)
    > b<-c(5,4)
    > dir<-rep("<=",2)
    > solucion <- solveLP(coef, b, A, maximum=TRUE, dir)
    > summary(solucion)

    Results of Linear Programming / Linear Optimization

    Objective function (Maximum): 10

    Solution
    opt
    1 0.0
    2 2.5

    > solucion <- solveLP(coef, b, A, maximum=TRUE, dir,verbose=4)


    [1] "initial Tableau"
    1 2 S 1 S 2 P0
    1 1 2 1 0 5
    2 1 1 0 1 4
    Z-C -2 -4 0 0 0

    Pivot Column: 2 ( 2 )
    Pivot Row: 1 ( 1 )

    1 2 S 1 S 2 P0
    2 0.5 1 0.5 0 2.5
    2 0.5 0 -0.5 1 1.5
    Z-C 0.0 0 2.0 0 10.0

    La existencia del óptimo alternativo se descubre en la tabla óptima por el coeficiente cero de la
    variable no básica x 1
    ¿Cómo encontrar otras soluciones óptimas alternativas?

    Se modifica el valor de las variables de decisión en la función objetivo sin modificar el valor
    óptimo encontrado

    Maximizar u=2 x 1 +4 x 2

    2 x1 + 4 x 2=10(÷ 2)

    x 1+ 2 x 2=5

    Se puede elegir una variable libre porque existen dos variables y una sola ecuación (recordar
    del Álgebra Lineal)
    5−x 1
    x 2=
    2

    Se asume x 1=t como variable libre

    t x1 x2
    0 0 2.5
    1 1 2
    2 2 1.5
    3 3 1
    4 4 0.5
    5 5 0
    6 6 -0.5???

    Los valores se asumen de acuerdo al contexto del problema

    3. Solución no acotada

    Se presenta cuando la región factible no está limitada y por lo tanto, la función objetivo puede
    tomar valores sin límite. Una solución no acotada es un indicativo de que el modelo ha sido mal
    formulado y se han dejado de tener en cuenta restricciones de importancia.

    Ejemplo

    Maximizar u=2 x 1 + x 2 (en miles)


    Sujeta a las restricciones

    x 1−x 2 ≤ 10 (1)

    2 x1 ≤ 40 (2)

    x 1 , x 2 ≥ 0 (Condición de no negatividad)
    Solución gráfica
    Solución con R

    > coef<-c(2,1)
    > A<-matrix(c(1,2,-1,0),ncol=2)
    > b<-c(10,40)
    > dir<-rep("<=",2)
    > solucion <- solveLP(coef, b, A, maximum=TRUE, dir)
    Error in while (min(Tab[nCon + 1, 1:(nVar + nCon)]) < -zero & iter2 < :
    valor ausente donde TRUE/FALSE es necesario
    Además: Warning message:
    In min(decval, na.rm = TRUE) :
    ningún argumento finito para min; retornando Inf

    > solucion <- solveLP(coef, b, A, maximum=TRUE, dir,verbose=4)


    [1] "initial Tableau"
    1 2 S 1 S 2 P0
    1 1 -1 1 0 10
    2 2 0 0 1 40
    Z-C -2 -1 0 0 0

    Pivot Column: 1 ( 1 )
    Pivot Row: 1 ( 1 )

    1 2 S 1 S 2 P0
    1 1 -1 1 0 10
    2 0 2 -2 1 20
    Z-C 0 -3 2 0 20

    Pivot Column: 2 ( 2 )
    Pivot Row: 2 ( 2 )

    1 2 S 1 S 2 P0
    1 1 0 0 0.5 20
    2 0 1 -1 0.5 10
    Z-C 0 0 -1 1.5 50

    Pivot Column: 3 ( S 1 )
    Pivot Row: 1 ( 1 )

    1 2 S 1 S 2 P0
    S 1 Inf NaN NaN Inf Inf
    2 Inf NaN NaN Inf Inf
    Z-C Inf NaN NaN Inf Inf
    Error in while (min(Tab[nCon + 1, 1:(nVar + nCon)]) < -zero & iter2 < :
    valor ausente donde TRUE/FALSE es necesario
    Además: Warning message:
    In min(decval, na.rm = TRUE) :
    ningún argumento finito para min; retornando Inf

    En el caso de existir una región no acotada, el programa R envía un mensaje de error

    4. Solución no factible

    Se presenta cuando el modelo matemático ha sido formulado de manera incorrecta y por lo


    tanto es imposible encontrar una solución óptima del problema.

    Ejemplo

    Maximizar u=3 x 1 +2 x2 (en miles)


    Sujeta a las restricciones

    2 x1 + x 2 ≤ 2 (1)

    3 x 1+ 4 x 2 ≥ 12 (2)

    x 1 , x 2 ≥ 0 (Condición de no negatividad)
    Solución gráfica

    Solución con R

    > coef<-c(3,2)
    > A<-matrix(c(2,3,1,4),ncol=2)
    > b<-c(2,12)
    > dir<-c("<=",">=")
    > solucion <- solveLP(coef, b, A, maximum=TRUE, dir)
    > summary(solucion)

    Results of Linear Programming / Linear Optimization

    Objective function (Maximum): 4


    Solution
    opt
    1 0
    2 2

    > solucion <- solveLP(coef, b, A, maximum=TRUE, dir,verbose=4)


    [1] "initial Tableau"
    1 2 S 1 S 2 P0
    1 2 1 1 0 2
    2 -3 -4 0 1 -12
    Z-C -3 -2 0 0 0
    [1] "initial Tableau for Phase 1"
    1 2 S 1 S 2 M 2 P0
    1 2 1 1 0 0 2
    M 2 3 4 0 -1 1 12
    Z-C -3 -2 0 0 0 0
    M Z-C -3 -4 0 1 0 -12

    Pivot Column: 2 ( 2 )
    Pivot Row: 1 ( 1 )

    1 2 S 1 S 2 M 2 P0
    2 2 1 1 0 0 2
    M 2 -5 0 -4 -1 1 4
    Z-C 1 0 2 0 0 4
    M Z-C 5 0 4 1 0 -4
    [1] "New starting Tableau for Phase II"
    1 2 S 1 S 2
    2 2 1 1 0 2
    M 2 -5 0 -4 -1 4
    Z-C 1 0 2 0 4

    Aunque R entrega una solución óptima, en el desarrollo del algoritmo crea una variable
    artificial (M2). Si en la tabla óptima aparece la variable artificial con signo positivo, es un
    indicativo de que no existe solución factible. La solución encontrada se conoce como pseudo
    óptima

    También podría gustarte