Investigación de

operaciones 1

Algoritmo Simplex
Un poco de teoría…
 Combinación lineal

Definición:

<latexit sha1_base64="TNYibt9GcyW+1jfNO1G2lI5R8e0=">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</latexit>
 Combinación afín

Definición:

<latexit sha1_base64="RFU0stl3qvZzQF++ggqkwLQOdvg=">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</latexit>
 Combinación cónica

Definición:

<latexit sha1_base64="kMVV0DvLU7zdePymsqxDgrJNfbw=">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</latexit>
 Combinación convexa

Definición:

<latexit sha1_base64="kKHWiUQ/lvaduzgN1GeuDBF/HYA=">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</latexit>
 Conjunto (espacio) convexo

Definición:
Un espacio S es convexo si para cualquier conjunto de puntos en S,
todas las combinaciones convexas de esos puntos están incluidas en S.
¿Convexo?
¿Convexo?
¿Convexo?
¿Convexo?
¿Convexo?
¿Convexo?
¿Convexo?
¿Convexo?
 Conjunto (espacio) convexo
Definición:
Un espacio S es convexo si para cualquier conjunto de puntos en S,
todas las combinaciones convexas de esos puntos están incluidas en S.

Otra manera de decir lo mismo:

Un espacio S es convexo si para cualquier par de puntos (A, B) de S, el
segmento [AB] está incluido en S.
¿Convexo?
 Hiperplanos

Un hiperplano es un análogo de muchas

dimensiones al plano (de dos dimensiones)
en el espacio tridimensional.

(Wikipedia)
 x2
2.2 Solución gráfica
5 de la PL 17
l Hiperplanos en 2D
a Restricciones:
6
6x1 ! 4x2 # 24 1
x1 ! 2x2 # 6 2
5
= 5x1 + 4x2 Restricciones: $x1 ! x2 # 1 3
6x1 + 4x6x 2 1 ! 2424
4x2 # 1 1 x2 # 2 4
4
x1 + 2x2x1 !2x2 # 66 2 x1 % 0 5
(1) 3
x1 + 2 1 !x2 # 11
x$x 3 x2 % 0 6
1 3 2
x2 x2 # 22 4
x1 , x2x1 % 00 5
3
x2 % 0{ 6
2
E D
4

C
1 Espacio
4 F de soluciones
D A B
x1
C 0 1 2 3 4 5 6 6
Espacio
Hiperplano en 3D

l an o
er p
H ip
Hiperplano en general

Un hiperplano es un análogo de muchas

dimensiones al plano (de dos dimensiones)
se puede definir
en el espacio tridimensional.
de manera
formal con una
ecuación lineal

a 1 x 1 + a 2 x2 + · · · + a n xn = b
 Semiespacios

Cada una de las dos partes en que

un espacio queda dividido por un
(hiper)plano contenido en él

(de nuevo Wikipedia)

 Semiespacio hiperplano

a 1 x 1 + a 2 x2 + · · · + a n xn = b

si un hiperplano se puede
definir con una ecuación lineal,
cómo se puede definir un
semiespacio?
B. Meuhr Hell
 La intersección de semiespacios es un poliedro convexo
De manera general, la intersección de espacios convexos es convexa

¿Qué relación con la

programación lineal?
 Entonces:

La región factible de un programa lineal es convexa

 ¿Porqué es importante que la
región factible sea convexa?

Es muy complicado encontrar una solución óptima en

un espacio no convexo.
 3D Hyperplanes

La intersección de n
hiperplanos linearmente
independientes de
dimensión n–1 es un punto

25
Tuesday, 11 June 13
 Hyperplane, Facets, and Vertices

El espacio definido por las

restricciones (lineales) de
un programa lineal es un
poliedro convexo (es un
politopo convexo si es
acotado)

26
Tuesday, 11 June 13
 Hyperplane, Facets, and Vertices
faceta

26
Tuesday, 11 June 13
 Hyperplane, Facets, and Vertices
punto extremo

Un punto extremo (o punto

esquina) es un punto del
poliedro que no se puede
definir como combinación
lineal de dos otros puntos del
mismo poliedro

26
Tuesday, 11 June 13
Cada punto de un
politopo es una
combinación
convexa de sus
puntos extremos
Cada punto de un
politopo es una
combinación
convexa de sus
puntos extremos
Programación lineal y puntos extremos
Si cada variable es
no-negativa y si la
región factible es
no-vacía, entonces
existe un punto
extremo
Programación lineal y puntos extremos
Max y
Si una región
factible de un
programa lineal
tiene un punto
extremo y si tiene
una solución óptima,
entonces existe una
solución óptima que
es un punto extremo
Programación lineal y puntos extremos

Si una región
factible de un

M
in
programa lineal

x+
tiene un punto

y
extremo y si tiene
una solución óptima,
entonces existe una
solución óptima que
es un punto extremo
Programación lineal y puntos extremos

Si una región
factible de un Max y
programa lineal
tiene un punto
extremo y si tiene
una solución óptima,
entonces existe una
solución óptima que
es un punto extremo
 a de s
o pied
Pr
Si un P.L. tiene una única solución óptima, esa solución
es un punto extremo

Si un P.L. tiene una infinidad de soluciones óptimas,

esas soluciones son combinaciones convexas de
puntos extremos óptimos
 Última propiedad…

Problema de En un poliedro, si un punto

máximización extremo no tiene mejor punto
extremo adyacente, no existe
mejor punto extremo
9 10
11 -> solución óptima
Condición necesaria y
suficiente que garantiza que un
8
punto es óptimo?

Propiedad muy especial:

válida sólo en P.L.
7
Programación lineal y puntos extremos
Si existe una solución óptima, al menos un punto
extremo corresponde a una solución óptima.

Podríamos buscar todos los puntos extremos

resolviendo una serie sistemas de N ecuaciones
(hiperplanos de restricciones) con N variables.

Si la solución de un sistema de ecuaciones es un punto

factible, es un punto extremo.
= bPero…
1. En un P.L. con n variables y m
b restricciones, hay m restricciones y n
¿Cuántos puntos restricciones de no-negatividad, es decir
+ s =extremos
b, s 0
n+m restricciones.
potenciales? 2. Tenemos n+m hiperplanos

(m + n)! 3. En dimensión n un punto es la intersección

de n hiperplanos
(26)
m! n!
? Cuántas maneras tenemos de
seleccionar n hiperplanos entre n+m ?
Método Simplex
Método simplex
• Inventado por George Dantzig en 1947

• Todavía el método más utilizado en programación

lineal

• Permite saber si un programa lineal es factible o no

• Permite encontrar una solución óptima si existe

• Demuestra que un programa lineal no es acotado

cuando no lo es

• MUY RAPIDO!
 Método simplex: idea intuitiva
• Se inicia el algoritmo en cualquier punto extremo.

• A cada paso, consideramos los bordes incidentes al punto corriente

y seleccionamos uno que tiene como otra extremidad un punto
extremo (un punto adyacente al punto actual) que mejora la
solución actual.

• Repetir hasta que ningún punto adyacente mejore la solución

actual.
 3
x2 % 0 6
3 2 stop!

4
2
E D
C
1 Espacio
Max
F de soluciones
A B
0 1 2 3 4 5 6

FIGURA 2.1
start!
Espacio factible del modelo de Reddy Mikks
 stop!

start!