TCNICAS DE LAS VARIABLES ARTIFICIALES

Exsiten problemas de programacin lineal que no proporcionan una solucin

bsica inicial. Esta situacin se presenta cuando al menos una de las restricciones
es del tipo (<=) o (=). Para este propsito se desarrollan 2 mtodos basados en el
uso de variables artificiales: El mtodo M o de penalizacin y la tcnica de 2 fases.

METODO M O DE PENALIZACIN.

Los pasos bsicos del mtodo M son los siguientes:

1. Exprese el problema en forma estndar transformando las inecuaciones en

ecuaciones introduciendo variables de holgura.

2. Agregue variables no negativas al lado izquierdo de cada una de las ecuaciones

correspondientes a las restricciones de tipo (>=) o (=). Estas variables se
denominan variables artificiales y su adicin hace que las restricciones
correspondientes.
Esta dificultad se elimina asegurando que las variables sean 0 en la solucin final.
Esto se logra asignando una penalizacin muy grande por unidad a estas
variables en la funcin objetivo. Tal penalizacin se designar como M para
problemas de maximizacin y +M para problemas de minimizacin.

3. Utiliza las variables artificiales en la solucin bsica inicial; sin embargo la

funcin objetivo de la tabla inicial se prepara adecuadamente para expresarse en
trminos de las variables no bsicas nicamente. Esto significa que los
coeficientes de las variables artificiales en la funcin objetivo deben ser 0 un
resultado que puede lograrse sumando mltiplos adecuados de las ecuaciones de
restriccin al rengln objetivo.

4. Proceda con los pasos regulares del mtodo simplex.

MTODO DE LAS 2 FASES

MTODO DE LAS 2 FASES
La desventaja de la tcnica de la gran M es el posible error de computo que podra
resultar de asignar un valor muy grande a la constante M. Esta situacin podra
presentar errores de redondeo en las operaciones de la computadora digital. Para
evitar esta dificultad el problema se puede resolver en 2 fases
FASE 1 Formula un nuevo problema reemplazando la funcin objetivo por la suma de las variables
artificiales

La nueva funcin objetivo se minimiza sujeta a las restricciones del problema original. Si el problema tiene
un espacio factible el valor MINIMO de la F:O optima ser cero , lo cual indica que todas las variables
artificiales son cero. En este momento se hace la fase 2
Si el valor mnimo de la fo optima es mayor que cero el problema no tiene solucin y
termina anotndose que no existe funcin factible.
FASE
Utilice la solucin optima de la fase1como solucin de inicio para el problema original. En este caso la fo
original se expresa en trminos de las variables no bsicas utilizando las eliminaciones de gauss-jordn
Problema
Maximizar Z= 6x1 +6x2+4x3
Sujeto a : 3x1+6x2+x3<20
2x1+x2+2x3=15
x1,x2,x3>0
fase 1 siempre es un problema de minimizacin

min Z=r1
sujeto a
3x1+6x2+x3<20
2x1+x2+2x3=15
x1,x2,x3>0

EL MTODO DE LA GRAN M (PENALIZACIN)

EL MTODO DE LA GRAN M (PENALIZACIN)
El mtodo de la gran M consiste en modificar el problema original para dar lugar a un nuevo problema
agregando una variable Wllamada artificial y que se penalizara mediante un costo M de valores grandes y
positivos, y esto permite que la funcin objetivo tome valores muy grandes.
Cuando W salga de la base en ese momento W=0 y esto indica haber regresado al problema original, pero si
se llega a W>0, entonces el problema no tendr solucin.
MinZ= Cx + Mw
Sujeta a las restricciones y penalizando a Zw1 - Cw

Condicin de introduccin de las variables

Restriccin > resta

Restriccin < suma
Debido a que M es un valor positivo suficientemente grande, la variable R1 se penaliza
en la funcin objetivo utilizando MR, en el caso de la maximizacin, y +RM, en la
minimizacin. Debido a esta penalidad El proceso de optimizacin lgicamente tratara
de impulsar R1, al nivel cero

Minimice Z= 4X1 + X2

CASO DE SOLUCIONES MLTIPLES

Cuando la funcin objetivo es paralela a una restriccin que se satisface en el sentido de laigualdad a travs de
la solucin ptima, la funcin objetivo tomar el mismo valor ptimo enms de un punto de la solucin. Por
esta razn reciben el nombre de Mltiples alternativasptimas.
CASO DE SOLUCIN DEGENERADALa degeneracin ocurre cuando en alguna iteracin del mtodo
simplex existe un empate en laseleccin de la variable que sale. Este empate se rompe arbitrariamente. En este
caso decimosque la nueva solucin es degenerada. Sin embargo, cuando suceda esto una o ms veces delas
variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En el mtodosimplex, la
presencia de una variable bsica igual a cero, no requiere ninguna accin especial;en todo caso, es necesario
no descuidar las condiciones de degeneracin. En trminosgeomtricos, la degeneracin ocurre cuando un
vrtice est definido por demasiadasrestricciones.
CASO DE SOLUCIN INFACTIBLEEn un modelo de Programacin Lineal, cuando las restricciones no se
pueden satisfacer enforma simultnea, se dice que este no tiene solucin factible. Esta situacin nunca
puedeocurrir si todas las restricciones son del tipo MENOR O IGUAL ( ), esto, suponiendo valorespositivos
en el segundo miembro, ya que las variables de holgura producen siempre unasolucin factible. Sin embargo,
cuando empleamos los otros tipos de restricciones, recurrimosal uso de variables artificiales, que por su
mismo diseo no ofrecen una solucin factible almodelo original. Aunque se hacen provisiones (a travs del
uso de penalizaciones) para hacer que estas variables artificiales sean cero en el nivel ptimo, esto slo puede
ocurrir si el modelotiene una espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva
en laiteracin ptima. Desde el punto de vista prctico, un espacio infactible, apunta a la posibilidadde que el
modelo no se haya formulado correctamente, en virtud de que las restricciones estnen conflicto. Tambin es
posible que las restricciones no estn destinadas a cumplirse en formasimultnea. En este caso, quizs se
necesite una estructura del modelo totalmente diferenteque no admita todas las restricciones al mismo tiempo.
CASO DE NO SOLUCINEn algunos modelos de Programacin Lineal, los valores de las variables, se
pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es
sinsolucin cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puedecrecer
(Maximizacin) o decrecer (Minimizacin) en forma indefinida. En este caso, decimosque el espacio en el
cual se espera sea resuelto el modelo, y el valor ptimo de la funcinobjetivo no tiene solucin. La falta de
explicacin de un modelo puede sealar solo una cosa,que este se encuentra mal construido. Evidentemente
resulta irracional hacer que un modeloproduzca una ganancia infinita. Las irregularidades ms probables en
este modelo son: 1. Nose toman en cuenta una o ms restricciones redundantes2. No se determinan
adecuadamente los parmetros (constantes) de alguna restriccin.

V.B.

X1

X2

X3

S1

S2

R1

Solucin

-3

-2

-4

-M

R1

-1

15

S2

12

V.B.

X1

X2

X3

S1

S2

R1

Solucin

-3+2M

-2+2M

-4+3M

-M

15M

R1

-1

15

S2

12

Criterio para seleccionar la variable entrante:

Maximizacin : El valor mayor negativo del rengln Z.

Minimizacin : El valor mayor positivo del rengln Z.

V.B.

X1

X2

X3

S1

S2

R1

Solucin

-1/3

2/3

-4/3

4/3-M

20

X3

2/3

2/3

-1/3

1/3

S2

4/3

7/3

1/3

-1/3

V.B.

X1

X2

X3

S1

S2

R1

Solucin

-5/7

-10/7

-2/7

10/7-M

18

X3

2/7

-3/7

-2/7

3/7

X2

4/7

1/7

3/7

-1/7

V.B.

X1

X2

S1

S2

R1

R2

Solucin

-4

-1

R1

R2

-1

S2

V.B.

X1

X2

S1

S2

R1

R2

Solucin

-4-7M

-1-4M

-9M

R1

R2

-1

S2

V.B.

X1

X2

S1

S2

R1

R2

Solucin

1/35/3M

4/3+7/3M

4-2M

X1

1/3

1/3

R2

5/3

-1

-4/3

S2

5/3

-1/3

V.B.

X1

X2

S1

S2

R1

R2

1/5

X1

1/5

3/5

R2

-3/5

-4/5

3/5

6/5

S2

-1

8/5+M -1/5+M

Solucin

18/5

3/5

4.2 Casos especiales en la aplicacin del mtodo simplex

Consideraremos casos especiales que pueden presentarse en la
aplicacin del mtodo simplex, entre los que se encuentran:
1. Degeneracin.
2. Opciones ptimas.
3. Soluciones no acotadas.
4. Soluciones inexistentes (o infactibles).

DEGENERACION
En la aplicacin de la condicin de factibilidad, una coincidencia de la
razn mnima se debe descomponer en forma arbitraria para los fines de
determinar la variable que sale. Cuando suceda esto una o ms veces de
las variables bsicas, ser necesariamente igual a cero en la siguiente
iteracin. En este caso, decimos que la nueva solucin esdegenerada.
Ejemplo (Solucin ptima degenerada)
Maximizar z = 3x1 +9x2

Sujeto a
x1 + 4x2 8
x1 + 2x2 4
x1,x2 0
Tabla 3-2

Tres rectas cruzan el optimo. Como ste es un problema bidimensional,

se dice que el punto esta ms que determinado (osobredeterminado), ya
que solo necesitamos dos rectas para identificarlo. Por este motivo,
concluimos que una de las restricciones es redundante.
Desafortunadamente no existen tcnicas confiables para identificar
restricciones redundantes directamente a partir de la tabla.

Figura 3-4
Desde el punto de vista terico, la degeneracin tiene dos implicaciones.
La primera tiene que ver con el fenmeno del ciclaje oreciclaje. Si se
observan las iteraciones 1 y 2 de la tabla 3-2, se ver que el valor de la
funcin objetivo no ha mejorado (z=18). Por lo tanto, es posible, en
trminos generales, que el procedimiento simplex repetira la misma
sucesin de iteraciones, sin mejorar nunca el valor de la funcin objetivo
ni poner fin a los clculos.
El segundo punto terico se presenta en el examen de las iteraciones 1 y
2. Ambas iteraciones, pese a diferir en la clasificacin de las variables
como bsicas y no bsicas, producen valores idnticos de todas las
variables y el valor de la funcin objetivo, es decir,
x1 = 0, x2 = 2, x3 = 0, x4 = 0, z = 18

Por lo tanto, se genera un argumento relacionado con la posibilidad de

suspender los clculos en la iteracin 1 (cuando aparece la
degeneracin), aunque no es ptima. Este argumento no es vlido
porque, en general, una solucin puede ser temporalmentedegenerada.
OPCIONES OPTIMAS:
Cuando la funcin objetivo es paralela a una restriccin de enlace (o sea,
una restriccin que se satisface en el sentido de la igualdad a travs de
la solucin ptima), la funcin objetivo tomara el mismo valor optimo en
ms de un punto de solucin. Por esta razn reciben el nombre
de opciones optimas.
Ejemplo (Infinidad de soluciones)
Maximizar z = 2x1 + 4x2
Sujeto a
x1 + x 2 5
x1 + x2 4
x1, x2 0

En trminos algebraicos sabemos que el mtodo simplex es capaz de

encontrar soluciones en puntos extremos exclusivamente.

Figura 3-5
Como es de esperarse, el mtodo simplex slo determina los puntos
extremos B y C. Matemticamente podemos determinar todos los puntos
(x1, x2), del segmento de recta BC, como un promedio ponderado no
negativo de los puntos B y C. Esto es, dada la relacin 0 1 y
B: x1 =0, x2=5/2
C: X1=3, x2=1

Tabla 3-3

SOLUCION NO ACOTADA
En algunos modelos de programacin lineal los valores de las variables se pueden
aumentar en forma indefinida sin violar ninguna de las restricciones, lo que
significa que el espacio de soluciones es no acotado cuando menos en una
direccin. Como resultado, el valor de la funcin objetivo puede crecer (caso de
maximizacin) o de crecer (caso de minimizacin) en forma indefinida. En este
caso decimos que el espacio de soluciones y el valor "ptimo" de la funcin
objetivo son no acotados.
La falta de explicacin en un modelo puede sealar solo una cosa: el modelo est
mal construido. Evidentemente resulta irracional hacer que un modelo produzca
una ganancia " infinita". Las irregularidades mas probables en estos modelos son:
1) N ose toman en cuenta una mas restricciones redundantes, y 2) No se
determinan correctamente los parmetros ( constantes ) de algunas restricciones.
La regla general para reconocer la falta de acotacin es la siguiente. Sien
cualquier iteracin los coeficientes de las restricciones de una variable no bsica
son no positivos, entonces el espacio de soluciones no esta acotado en esa
direccin. Adems, si el coeficiente de la funcin objetivo de esa variable en el
caso de la maximizacin o positivo en el caso de la minimizacin, entonces el
valor de la funcin objetivo tampoco esta acotado.
Ejemplo (Funcin objetivo no acotada)
Maximizar z = 2x1 + x2
Sujeto a
x1 - x2 10
2x1 40
x1, x2 0

Iteracin inicial

En la tabla inicial x1 y x2 son los candidatos para entrar en la solucin. Como x1

tiene el coeficiente ms negativo. Normalmente se selecciona como la variable
que entra. Sin embargo, ntese que todoslos coeficientes de las restricciones por
debajo de x2 son negativos ocero, esto significa que x2 se puede hacer crecer en
forma indefinida sin que se infrinja ninguna de las restricciones. Como cada
incremento de una unidad en x2, aumentar z en 1, un incremento infinito en
x2tambin dar lugar a un incremento infinito en z. Por lo tanto, concluimos que el
problema no tiene solucin acotada. Este resultado se puede apreciar en la figura
3-6. El espacio de soluciones no est acotado en la direccin de x 2 y el valor de z
puede crecer en forma indefinida.

Figura 3-6
La regla general para reconocer la falta de acotacin es la siguiente. Si en
cualquier iteracin los coeficientes de las restricciones de una variable no
bsica son no positivos, entonces el espacio de solucionesno est acotado en esa
direccin. Adems, si el coeficiente de la funcin objetivo de esa variable es
negativo en el caso de la maximizacin o positivo en el caso de la minimizacin,
entonces elvalor de la funcin objetivo est acotado.
SOLUCION INFACTIBLE
Si las restricciones no se pueden satisfacer en forma simultanea, se dice que el
modelo no tiene solucin factible. Esta situacin nunca puede ocurrir si todas las
restricciones son del tipo (suponiendo constantes no negativas en el segundo
miembro) ya que la variable de holgura produce siempre alguna solucin factible.
Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos al
uso de variables artificiales que, por su mismo diseo, no ofrecen una solucin
factible al modelo original. Aunque se toman medidas (a travs del uso de la
penalizacin) para hacer que las variables artificiales sean cero en el nivel ptimo,
esto slo puede ocurrir si el modelo tiene un espacio factible. Si no lo tiene,
cuando menos una variable artificial ser positiva en la iteracin ptima. Esta es
nuestra indicacin que el problema no tiene solucin factible.
Desde el punto de vista practico un espacio infactible apunta a la posibilidad de
que el modelo no se haya formulado correctamente en virtud de que las
restricciones estn en conflicto. Tambin es posible que las restricciones no estn
destinadas a cumplirse en forma simultanea, en este caso, quina se necesite una
estructura del modelo totalmente deferente que no admita todas las restricciones
al mismo tiempo.

Tabla 3-4

Ejemplo de espacio de solucin infactible

Maximizar z = 3x1 + 2x2
Sujeto a
2x1 + x2 2
3x1 + 4x2 12
x1, x2 0
Las iteraciones simplex de la tabla 3-4 muestran que la variable artificial R es
positiva (= 4) en la solucin ptima. Esta es una indicacin de que el espacio de
soluciones es infactible. La figura 3-7 muestra el espacio de soluciones infactible.
El mtodo simplex, haciendo posible que la variable artificial sea positiva, ha
invertido en esencia la direccin de la desigualdad de 3x 1+ 4x2 12 a 3x1 +
4x2 12. El resultado lo podemos llamar la solucin pseudoptima, como se
muestra en la figura 3-7.

Figura 3-7