SlideShare una empresa de Scribd logo
PROBLEMAS DE PROGRAMACIÓN
LINEAL (LP)
Planteamiento del problema de
programación Lineal
Un problema de programación lineal es cuando la función objetivo
es una función lineal y las restricciones son ecuaciones lineales;
la forma estándar de un problema con m restricciones y n
variables se representa.
matricial
0,...,0,0
0,...,0,0
...
...
...
..
...min
21
21
2211
22222121
11212111
2211
≥≥≥
≥≥≥
=+++
−−−−−−−−−−−−−−−
=+++
=+++
+++=
m
n
mnmnmm
nn
nn
nn
bbb
xxx
bxaxaxa
bxaxaxa
bxaxaxa
as
xcxcxcz
0b,0x
bAx
cxz
≥≥
=
=
Ejemplo
0x
0x
9x3x
5xx2.a.s
x3xmax
2
1
21
21
21
≥
≥
≤+
≤+
+
En forma matricial sería:
( )
⎟
⎠
⎞
⎜
⎝
⎛
≥⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
⎟
⎠
⎞
⎜
⎝
⎛
≤⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
⎟
⎠
⎞
⎜
⎝
⎛
⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
0
0
x
x
9
5
x
x
31
12
.a.s
x
x
31max
2
1
2
1
2
1
Formulación de problemas 1
Una persona para su alimentación normal debe tomar diariamente 75 mg
de proteínas, 1.2 mg de calcio, 1.2 mg de hierro y 3600 calorías.
¿Qué cantidad mínima de leche, huevos y pan debe tomar diariamente
una persona para cubrir las necesidades de calcio y hierro si consume
al día por lo menos 2 rebanadas de pan?
Leche
(por taza)
Huevos
(por unidad)
Carne
(por onza)
Pan
(por rebanada)
Queso
(por onza)
Proteínas 8 gm 7 gm 20 gm 2 gm 7 gm
Calcio 0.3 gm 0.03 gm 0.01 gm 0.01 gm 0.25 gm
Hierro 0.1 mg 1.5 mg 3.0 mg 0.6 mg 0.1 mg
Calorías 175 75 150 75 100
Problema de la dieta
Formulación de Problemas 2
Un estudiante debe realizar un examen de problemas y se le da la
posibilidad de escogerlos entre los que figuran en tres listas. Los
problemas de la lista 1 se puntúan con 5 puntos cada uno, los de la 2
con 4 puntos y los de la tres con 6. El alumno sabe que necesita 3
minutos para resolver cada problema de la lista 1, 2 minutos para los
de la 2 y 4 minutos para los de la 3. Dispone de 3 horas y media para
realizar el examen. Los problemas de las listas 1 y 2 emplean bastante
cálculo y el alumno no desea dedicarles más de 2 horas y media.
¿Cómo puede alcanzar la puntuación máxima?
Formulación de Problemas 3
Se desea encontrar la mezcla más barata de las tres harinas tal que la
fracción de los nutrientes uno, dos y tres en la mezcla sea mayor o
igual a 0.04, 0.02 y 0.07, respectivamente.
Harina 1 2 3 Coste por Unidad
1 0.06 0.02 0.09 15
2 0.03 0.04 0.05 12
3 0.04 0.01 0.03 3
Una compañía tiene dos grados de inspectores 1 y 2, que son
asignados al control de calidad. Se requiere inspeccionar al
menos 1800 piezas por día (8 horas). El inspector de grado 1
chequea piezas a velocidad de 25 piezas por hora con una
exactitud del 98%. Los de grado 2 chequean a velocidad de 15
piezas por hora con una exactitud del 95%. El salario del
inspector de grado 1 es de 4 €/hora, y el de grado 2 de 3€/hora.
Cada vez que se produce un error, el coste a la compañía es de
2 €. La compañía tiene 8 inspectores de grado 1 y 10 de grado
2. Determinar la asignación óptima de inspectores que
minimicen el coste total de inspección.
Formulación de Problemas 4
Solución Gráfica de un problema de PL con dos
variables
0x0x
45x3x5
10x8x.a.s
x36x40zmin
21
21
21
21
≥≥
≥+
≤≤
+=
5
10
15
5 10
x1
x2
x2=10
A(8,5/3)
B(8,10)C
Solución Gráfica
00
4
1
102..
2max
21
2
21
21
21
≥≥
≤
≥+
≤+
+=
xx
x
xx
xxas
xxz
E
x1+x2=1
1
4
1 10
x1
x2
x2=4
B(10,0)
C(2,4)D
A
Algunas definiciones
Solución factible: La solución que satisface todas las restricciones
Región factible: Conjunto de todas las soluciones factibles
Solución óptima: Es una solución factible y su valor de la función objetivo
es mayor que el del resto de las soluciones factibles
Valor óptimo: El valor de la función que corresponde a la solución óptima
Solución alternativa: Cuando existe más de una solución óptima
Óptimo único: Cuando no existe otro óptimo
Óptimo sin límite: Cuando el problema no tiene un óptimo finito.
Principios del Método Simplex 1
0b,...,0b,0b
0x,...,0x,0x
bxa...xaxa
bxa...xaxa
bxa...xaxa
.a.s
xc...xcxczmax
m21
n21
mnmn22m11m
2nn2222121
1nn1212111
nn2211
≥≥≥
≥≥≥
=+++
−−−−−−−−−−−−−−−
=+++
=+++
+++= Si m<n, el problema
tiene infinitas
soluciones
El problema no tiene
solución trivial
Problema LP
x1
x2
x*
Optimo
Si la solución se encuentra en
un vértice, podría pensarse en
un método de solución que
evaluase J = c’x en cada
vértice y escogiera el mejor, si
existe.
El número máximo de vértices corresponde a los distintos grupos de
m columnas que podemos formar con las n existentes en A, o sea:
)!(!
!
mnm
n
m
n
−
=⎟
⎠
⎞
⎜
⎝
⎛ Para n grande puede ser un número excesivo.
p.e. n=100, m=50 resultan 1029 combinaciones
Algoritmo Simplex (Dantzig 1947)
El algoritmo Simplex es una forma inteligente de recorrer los vértices que
Encuentra un vértice
Determina si es óptimo
En caso contrario, encuentra otro vértice vecino con un valor mejor de J
También indica si no hay solución debido a no factibilidad o a soluciones
no acotadas
Por tanto, en un número finito de pasos puede encontrar el
óptimo
Suele dividirse en dos fases:
I encontrar el vértice inicial, o detectar que no existe solución
II encontrar el óptimo, o detectar que no hay máximo
Manipulación de desigualdades
Convertir las desigualdades en igualdades a través de las variables
de holgura
1. Desigualdad “menor o igual”
25x4x3x2x 4321 ≤+++ 25432 54321 =++++ xxxxx
2. Desigualdad “mayor o igual”
1232 6321 =−−+ xxxx12x3xx2 321 ≥−+
3. Variables sin restricciones
00 32
321
≥≥
−=
xx
xxx
Principios del Método Simplex 2
Se convierte en una forma canónica:
mnmn1m1m,mm
rnrn1m1m,rr
1nn11m1m,11
bxa...xax
bxa...xax
bxa...xax
=+++
=+++
=+++
++
++
++
Las variables con coeficiente 1 que aparecen en una sola ecuación y con
coeficiente cero en el resto de las ecuaciones (x1, x2,...,xm) se les llaman
variables básicas o dependientes
En la forma canónica hay una variable básica en cada ecuación
Una forma canónica permite obtener múltiples soluciones eligiendo valores
diferentes de las variables independientes y resolviendo el sistema para las
variables dependientes
(S1)
Principios del Método Simplex 3
Una forma de transformar un sistema a canónico, es:
1.- Multiplicar cualquier ecuación del sistema por un número
2.- Sumar a cualquier ecuación una constante multiplicada por cualquier otra ecuación
del sistema
Una solución básica factible es una solución básica en la cual los valores de
las variables dependientes son no negativas
¿Cómo resolver el programa lineal?
Generando todas las posibles soluciones básicas factibles a través
de la reducción canónica y determinar cuál da el mejor valor de la
función objetivo
Una solución que se obtiene a partir de un sistema canónico igualando las
variables independientes o no básicas a cero, es una solución básica
Principios del Método Simplex 4
Comenzar con una solución básica factible inicial en la forma canónica
Mejorar la solución inicial encontrando otras soluciones básicas
factibles con un mejor valor de la función objetivo.
Continuar buscando mejores soluciones básicas factibles que mejoren
el valor de la función objetivo. Cuando nos encontremos con una
solución que no puede mejorar dicho valor, entonces estamos en el
óptimo y el algoritmo termina
Los pasos generales del Simplex son los siguientes
Principios del Método Simplex 5
Tenemos una solución básica factible de la forma:
0bx ii ≥=básica para i = 1,2,...,m
0xj =no básica para j = m+1,...,n
Al conjunto de las variables básicas se le llama base y se denota: xB
Sea los coeficientes de la función objetivo de las variables básicas cB
Para las bases iniciales: xB = (x1,...,xm) y cB=(c1,c2,...,cm), entonces:
mm11BB bcbcxcZ ++== L
De aquí se deduce que el algoritmo, verifica si es posible encontrar
mejores soluciones básicas factibles que proporcionen un mayor valor de
Z y si la solución actual es óptima. En caso contrario, el método obtiene
una solución básica factible adyacente con un valor mayor de Z.
Principios del Método Simplex 6
¿Cómo se obtiene una solución básica factible adyacente?
Una de las variables básicas pasa a ser una variable no básica y
hace una variable no básica cómo básica en su lugar.
¿Cómo se seleccionan estas dos variables?
En una solución básica factible, las variables básicas tienen valores
positivos y las no básicas siempre son cero. Por tanto pasar de una
no básica a básica, basta con incrementar su valor de cero a una
cantidad positiva.
La elección se hace basándonos en cuál de las variables no básicas
puede mejorar el valor de la función objetivo. Por ejemplo
incrementando en 1 y examinar el cambio resultante en la función
objetivo.
Principios del Método Simplex 7
Consideremos a xs como una variable no básica e incrementamos su valor
de 0 a 1, y estudiamos su efecto en la función objetivo. El sistema S1
queda de la siguiente forma:
msmsm
rsrsr
1ss11
bxax
bxax
bxax
=+
=+
=+
M
M
(S2)
sj,n,,1mj0x
1x
m,,1iabx
j
s
isii
≠+==
=
=−=
K
K
Valor de la Función Objetivo: ( )∑
=
+−=
m
i
sisii cabcZ
1
La solución:
Principios del Método Simplex 8
El incremento en el valor de la función objetivo será
( ) ∑∑∑ ===
−=−+−=
m
1i
isis
m
1i
iis
m
1i
isiis accbccabcc
cs se llama ganancia relativa de la variable no básica xs.
0cs > La función objetivo puede ser incrementada haciendo xs
una variable básica
jBjj Pccc −= Es el cociente de ganancia relativa de una variable no básica xj
cB corresponde a los coeficientes de ganancia de las variables básicas
corresponde a la columna j del sistema canónicojP
Criterio de Optimalidad 1
En un problema de maximización, una solución básica
factible es óptima, si las ganancias relativas de sus
variables no básicas son todas negativas o cero
Si para las variables no básicas, entonces todas las soluciones básicas
factibles adyacentes tienen un valor de la función objetivo menor que la
solución presente, por lo tanto tenemos un máximo local en ese punto.
0cj ≤
Criterio de Optimalidad 2
Cuando xs se incrementa, los valores de las variables básicas cambian, ya que:
m,,1ixabx sisii K=−=
0ais < xi se incrementa si xs se incrementa
Si:
0ais = xi no varía
0ais > xi disminuye cuando xs incrementa. Y si xs crece
indefinidamente xi puede hacerse negativa haciendo la
solución no factible
Por tanto el incremento de xs tiene que ser: ⎥
⎦
⎤
⎢
⎣
⎡
=
>
is
i
0a
s
a
b
minxmax
is
Regla del
radio
mínimo
Soluciones degeneradas
Si al calcular una solución básica alguna de las variables básicas resulta
ser cero, se dice que el vértice es degenerado, o que se trata de una
solución básica factible degenerada.
Puede aparecer en el vértice inicial cuando una es cero, o al calcular
un nuevo vértice. En este caso, puede ocurrir que
ib
0min
0
==⎥
⎦
⎤
⎢
⎣
⎡
>
rs
r
is
i
a a
b
a
b
is
Con lo que el
incremento en J:
0=⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
rs
r
s
a
b
c
Con lo cual no habrá mejora en esta o en algunas otras iteraciones,
reduciendo la eficiencia del método. En teoría es posible que se vaya a
vértices sin mejora y se vuelva a uno de partida apareciendo ciclos que
impidan la convergencia del algoritmo simplex. No obstante en la
práctica no suelen aparecer si está adecuadamente programado.
Resumen
1 Poner el problema en forma
canónica, escribiendo en
problema en forma de tabla y
escoger la base
2 Para cada variable no básica
calcular las ganancias relativas,
escoger la mayor. Si es ≤ 0, es
el óptimo, sino, seleccionar esa
variable xs para entrar en la
base. Si todos los ais son <0, no
hay solución.
3 Calcular el menor de los
cocientes bi/ais (ais>0) que
determina la variable que sale
de la base.
c1 c2 c3 c4 c5
3 2 0 0 0
cB Base x1 x2 x3 x4 x5 b
(ais>0)
bi/ais
0 x3 -1 2 1 0 0 4
0 x4 3 2 0 1 0 14 4,3
0 x5 1 -1 0 0 1 3 3
cs-
sum(ci
ais)
ganancia
relativa 3 2 0 J
4 Pivotar sobre el elemento
de esa fila y columna para pasar
a forma canónica y repetir el
proceso
Variables artificiales 1
• El principal requerimiento del método del Simplex es la
disponibilidad de una solución básica factible inicial:
– Poner el problema de forma estándar
– Se examina cada restricción, para ver la existencia de una
variable básica, si no existe se añade una variable nueva
para actuar como básica => variable artificial.
– Cualquier solución básica factible con las variables
artificiales = 0 es una solución básica factible del sistema
original. Se resuelve el problema artificial:
∑
=
m
i
iy
1
min
s.a Ax+y = b; x ≥ 0; y ≥0;
Variables artificiales 2
• Si el valor mínimo del problema artificial es cero, todas las
variables artificiales se hacen cero, tenemos una solución
básica factible inicial del problema PL original
• Si el valor mínimo es positivo => el problema original no es
factible.
Problema de minimización:
• Convertir el problema en uno de maximización, multiplicando a
la función por (-1).
• Se utiliza el algoritmo del simplex con la siguiente modificación
• Calcular las ganancias relativas: cs. Si cs ≥ 0 para todas las
variables no básicas, x* es óptimo, sino seleccionar la
variable con menor cs para entrar en la base.
Teoría de la dualidad 1
• Asociado a cada problema de PL hay un problema de PL
correspondiente llamado dual
0,0 ≥≥
≥
=
bx
bAx
cxzmin
s.a.
Primario
0,0 ≥≥
≤
=
c
cA
bz
λ
λ
λmax
s.a.
Dual
0,0 ≥≥
=
=
bx
bAx
cxzmin
s.a.
Primario
cA
bz
≤
=
λ
λmax
s.a.
Dual
λ libres
Forma
simétrica
Forma
asimétrica
Ejemplo
0
0
423
6024
4842
:asujeto
46max
2
1
1
21
21
21
≥
≥
≤
≤+
≤+
+
x
x
x
xx
xx
xx
x
Primario
0,0,0
4024
6342
:asujeto
426048min
321
321
321
321
≥≥≥
≥++
≥++
++
zzz
zzz
zzz
zzz
z
Dual
z1
z3
Teoría de la Dualidad 2
λ
μ
( )λ,*
xL
1x 2x
( )xf
**
,μλ *
x
Teoremas de Dualidad
Teorema 1: El dual del dual es el primario
Teorema 2: Cualquier solución factible del primario da un valor de mayor
que o al menos igual al valor de obtenido para cualquier solución factible
del dual
ρ
υ
Teorema 3: Si los problemas del dual y primario tienen soluciones factibles,
entonces ambos tienen soluciones óptimas y υ=ρ maxmin
Teorema 4: Si el primario o el dual tienen una solución sin límites, entonces
el otro problema no es factible
bcx λυρ =≥=
Teorema 5: Si el PL tiene solución básica factible óptima correspondiente a
la base B, entonces el vector λ = CB B-1 es una solución óptima del dual
Análisis de la sensibilidad 1
1.- Cambio en los parámetros bj
Si los coeficientes del lado derecho de las restricciones
cambian de b => b+Δb la solución óptima es:
xB = B-1 b x’B = B-1 (b+ Δb) =xB+ ΔxB
El correspondiente incremento en la función de coste es:
Δz = CB ΔxB = CB B-1 Δb = λ Δb
λ => precio sombra
Siempre que x’B = B-1 (b+ Δb) ≥ 0
Análisis de la sensibilidad 2
2.- Cambio en los coeficientes de coste: cj => cj + Δcj
Hay que volver a calcular la ganancia relativa de las
variables no básicas:
Sustituyendo cj por su nuevo valor.
Si se cumple que las nuevas los cambios no afectan
a la solución óptima inicial, sino sólo al valor óptimo de la
función: z = (cj + Δcj)xj
Si no se cumple => habría que introducir esa variable como
una nueva variable básica y seguir con el algoritmo del
simplex
jBjj Pccc −=
0cj ≤
Análisis de la sensibilidad 3
3.- Añadir variables nuevas xn+j j=1,2,...
Las nuevas variables se toman como no básicas y se
calculan las ganancias relativas:
El óptimo original permanece óptimo si todos los
Si alguno de ellos , entonces hay que meter esa
variable en la base y sacar una variable de la base
aplicando las reglas del simplex
Para pasar de los coeficientes de An+j a la forma canónica
óptima:
jnBjnjBjnjn ABCcPccc +
−
+++ −=−= 1
0≤+ jnc
0>+ jnc
jnjn ABA +
−
+ = 1
Análisis de la sensibilidad 4
4.- Cambio en los coeficientes de la matriz A: aij => aij + Δaij
Si los coeficientes que cambian sólo son los de las variables
no-básicas, hay que calcular nuevamente las ganancias
relativas:
El óptimo original permanece óptimo si todos los
Si alguno de ellos , entonces hay que meter esa
variable en la base y sacar una variable de la base
aplicando las reglas del simplex
Si los coeficientes que cambian son debidos a variables
básicas, empezar de nuevo
jBjj ABCcc 1−
−=
0≤jc
0>jc

Más contenido relacionado

La actualidad más candente

programacion lineal
 programacion lineal programacion lineal
programacion lineal
angel cisneros
 
Modelos De Programacion Entera
Modelos De Programacion EnteraModelos De Programacion Entera
Modelos De Programacion Entera
Cris Tenorio
 
Solución de problemas en programación lineal
Solución de problemas en programación linealSolución de problemas en programación lineal
Solución de problemas en programación lineal
ARLO SOLIS
 
Flujo max 2
Flujo max 2Flujo max 2
Flujo max 2
Macogi
 
Expo 2 método dual simplex
Expo 2   método dual simplexExpo 2   método dual simplex
Expo 2 método dual simplex
Ayda Ramirez Montalvo
 
Programacion de metas y objetivos
Programacion de metas y objetivosProgramacion de metas y objetivos
Expo 3 analisis de sensibilidad (metodo simplex)
Expo 3 analisis de sensibilidad (metodo simplex)Expo 3 analisis de sensibilidad (metodo simplex)
Expo 3 analisis de sensibilidad (metodo simplex)
Ayda Ramirez Montalvo
 
2.3. procedimiento para resolver problemas
2.3. procedimiento para resolver problemas2.3. procedimiento para resolver problemas
2.3. procedimiento para resolver problemas
Rodia Bravo
 
El problema hungaro
El problema hungaroEl problema hungaro
Teoría de juegos: eliminación iterativa de estrategias estrictamente dominadas
Teoría de juegos: eliminación iterativa de estrategias estrictamente dominadasTeoría de juegos: eliminación iterativa de estrategias estrictamente dominadas
Teoría de juegos: eliminación iterativa de estrategias estrictamente dominadas
Juan Carlos Aguado Franco
 
Ejercicios metodo simplex practica
Ejercicios metodo simplex practicaEjercicios metodo simplex practica
Ejercicios metodo simplex practica
Southern Copper Corporation
 
07 método dos fases y penalidad
07 método dos fases y penalidad07 método dos fases y penalidad
07 método dos fases y penalidad
Julio Pari
 
Presentacion i dual sis-14
Presentacion i dual sis-14Presentacion i dual sis-14
Presentacion i dual sis-14
paolo elizandro crespo espinoza
 
Programación lineal. bicicletas
Programación lineal. bicicletasProgramación lineal. bicicletas
Programación lineal. bicicletas
Rotakit
 
Cien problemas de programacion lineal parte 2
Cien problemas de programacion lineal   parte 2Cien problemas de programacion lineal   parte 2
Cien problemas de programacion lineal parte 2
fzeus
 
Metodo simplex
Metodo simplexMetodo simplex
Metodo simplex
Ildemaro Vargas
 
Método gráfico
Método gráficoMétodo gráfico
Método gráfico
Jaime Medrano
 
Programación dinámica
Programación dinámicaProgramación dinámica
Programación dinámica
Daniel Gomez Jaramillo
 
Método grafico. Teoría y Práctica
Método grafico. Teoría y PrácticaMétodo grafico. Teoría y Práctica
Método grafico. Teoría y Práctica
Leux Javier Malavé Quijada
 
Problema hungaro
Problema hungaroProblema hungaro
Problema hungaro
Franco Snipes
 

La actualidad más candente (20)

programacion lineal
 programacion lineal programacion lineal
programacion lineal
 
Modelos De Programacion Entera
Modelos De Programacion EnteraModelos De Programacion Entera
Modelos De Programacion Entera
 
Solución de problemas en programación lineal
Solución de problemas en programación linealSolución de problemas en programación lineal
Solución de problemas en programación lineal
 
Flujo max 2
Flujo max 2Flujo max 2
Flujo max 2
 
Expo 2 método dual simplex
Expo 2   método dual simplexExpo 2   método dual simplex
Expo 2 método dual simplex
 
Programacion de metas y objetivos
Programacion de metas y objetivosProgramacion de metas y objetivos
Programacion de metas y objetivos
 
Expo 3 analisis de sensibilidad (metodo simplex)
Expo 3 analisis de sensibilidad (metodo simplex)Expo 3 analisis de sensibilidad (metodo simplex)
Expo 3 analisis de sensibilidad (metodo simplex)
 
2.3. procedimiento para resolver problemas
2.3. procedimiento para resolver problemas2.3. procedimiento para resolver problemas
2.3. procedimiento para resolver problemas
 
El problema hungaro
El problema hungaroEl problema hungaro
El problema hungaro
 
Teoría de juegos: eliminación iterativa de estrategias estrictamente dominadas
Teoría de juegos: eliminación iterativa de estrategias estrictamente dominadasTeoría de juegos: eliminación iterativa de estrategias estrictamente dominadas
Teoría de juegos: eliminación iterativa de estrategias estrictamente dominadas
 
Ejercicios metodo simplex practica
Ejercicios metodo simplex practicaEjercicios metodo simplex practica
Ejercicios metodo simplex practica
 
07 método dos fases y penalidad
07 método dos fases y penalidad07 método dos fases y penalidad
07 método dos fases y penalidad
 
Presentacion i dual sis-14
Presentacion i dual sis-14Presentacion i dual sis-14
Presentacion i dual sis-14
 
Programación lineal. bicicletas
Programación lineal. bicicletasProgramación lineal. bicicletas
Programación lineal. bicicletas
 
Cien problemas de programacion lineal parte 2
Cien problemas de programacion lineal   parte 2Cien problemas de programacion lineal   parte 2
Cien problemas de programacion lineal parte 2
 
Metodo simplex
Metodo simplexMetodo simplex
Metodo simplex
 
Método gráfico
Método gráficoMétodo gráfico
Método gráfico
 
Programación dinámica
Programación dinámicaProgramación dinámica
Programación dinámica
 
Método grafico. Teoría y Práctica
Método grafico. Teoría y PrácticaMétodo grafico. Teoría y Práctica
Método grafico. Teoría y Práctica
 
Problema hungaro
Problema hungaroProblema hungaro
Problema hungaro
 

Destacado

taller con identidades trigonometricas
taller con identidades trigonometricastaller con identidades trigonometricas
taller con identidades trigonometricas
diegores14
 
Objetos de aprendizaje de lalooo blog 3
Objetos de aprendizaje de lalooo blog 3Objetos de aprendizaje de lalooo blog 3
Objetos de aprendizaje de lalooo blog 3
Berhe Contre
 
Граѓаните за изборите во Тетово
 Граѓаните за изборите во Тетово Граѓаните за изборите во Тетово
Граѓаните за изборите во Тетово
МЦМС | MCIC
 
Bsnl
BsnlBsnl
NESS.Poster.ppt new2
NESS.Poster.ppt new2NESS.Poster.ppt new2
NESS.Poster.ppt new2
Christian Hissom
 
METRIFIT Functionality Overview
METRIFIT Functionality OverviewMETRIFIT Functionality Overview
METRIFIT Functionality Overview
Peter Larkin
 
05 1998
05 199805 1998
05 1998
7gsxr
 
Page0122
Page0122Page0122
Page0122
joelcimadevilla
 
prhqLinkedin
prhqLinkedinprhqLinkedin
prhqLinkedin
Muralidharan D
 
Cd cover project
Cd cover projectCd cover project
Cd cover project
Maddielr
 
MAKING CSR MORE MEANINGFUL IN A COMPETITIVE ENVIRONMENT final
MAKING  CSR  MORE  MEANINGFUL  IN  A  COMPETITIVE ENVIRONMENT finalMAKING  CSR  MORE  MEANINGFUL  IN  A  COMPETITIVE ENVIRONMENT final
MAKING CSR MORE MEANINGFUL IN A COMPETITIVE ENVIRONMENT final
Raina D
 
Vnx.su элемент
Vnx.su элементVnx.su элемент
Vnx.su элемент
7gsxr
 
Presentation1
Presentation1Presentation1
Presentation1
ebbin daniel
 
Double flux orientation control for a doubly fed induction generator based wi...
Double flux orientation control for a doubly fed induction generator based wi...Double flux orientation control for a doubly fed induction generator based wi...
Double flux orientation control for a doubly fed induction generator based wi...
eSAT Journals
 
32088 guiametodologicageneral
32088 guiametodologicageneral32088 guiametodologicageneral
32088 guiametodologicageneral
brccq
 
Magnitudes y medidas
Magnitudes y medidasMagnitudes y medidas
Magnitudes y medidas
Francisco Rodríguez Pulido
 
مـبادئ التأمـين د.ممدوح حمزة
مـبادئ التأمـين د.ممدوح حمزةمـبادئ التأمـين د.ممدوح حمزة
مـبادئ التأمـين د.ممدوح حمزة
Mamdouh Hamza
 
Mc Donalds
Mc DonaldsMc Donalds
Mc Donalds
jas.bhatia
 
التجارة الالكترونية وشبكات التواصل الاجتماعي
التجارة الالكترونية وشبكات التواصل الاجتماعيالتجارة الالكترونية وشبكات التواصل الاجتماعي
التجارة الالكترونية وشبكات التواصل الاجتماعي
Khalid AlThawadi خالد الذوادي
 

Destacado (19)

taller con identidades trigonometricas
taller con identidades trigonometricastaller con identidades trigonometricas
taller con identidades trigonometricas
 
Objetos de aprendizaje de lalooo blog 3
Objetos de aprendizaje de lalooo blog 3Objetos de aprendizaje de lalooo blog 3
Objetos de aprendizaje de lalooo blog 3
 
Граѓаните за изборите во Тетово
 Граѓаните за изборите во Тетово Граѓаните за изборите во Тетово
Граѓаните за изборите во Тетово
 
Bsnl
BsnlBsnl
Bsnl
 
NESS.Poster.ppt new2
NESS.Poster.ppt new2NESS.Poster.ppt new2
NESS.Poster.ppt new2
 
METRIFIT Functionality Overview
METRIFIT Functionality OverviewMETRIFIT Functionality Overview
METRIFIT Functionality Overview
 
05 1998
05 199805 1998
05 1998
 
Page0122
Page0122Page0122
Page0122
 
prhqLinkedin
prhqLinkedinprhqLinkedin
prhqLinkedin
 
Cd cover project
Cd cover projectCd cover project
Cd cover project
 
MAKING CSR MORE MEANINGFUL IN A COMPETITIVE ENVIRONMENT final
MAKING  CSR  MORE  MEANINGFUL  IN  A  COMPETITIVE ENVIRONMENT finalMAKING  CSR  MORE  MEANINGFUL  IN  A  COMPETITIVE ENVIRONMENT final
MAKING CSR MORE MEANINGFUL IN A COMPETITIVE ENVIRONMENT final
 
Vnx.su элемент
Vnx.su элементVnx.su элемент
Vnx.su элемент
 
Presentation1
Presentation1Presentation1
Presentation1
 
Double flux orientation control for a doubly fed induction generator based wi...
Double flux orientation control for a doubly fed induction generator based wi...Double flux orientation control for a doubly fed induction generator based wi...
Double flux orientation control for a doubly fed induction generator based wi...
 
32088 guiametodologicageneral
32088 guiametodologicageneral32088 guiametodologicageneral
32088 guiametodologicageneral
 
Magnitudes y medidas
Magnitudes y medidasMagnitudes y medidas
Magnitudes y medidas
 
مـبادئ التأمـين د.ممدوح حمزة
مـبادئ التأمـين د.ممدوح حمزةمـبادئ التأمـين د.ممدوح حمزة
مـبادئ التأمـين د.ممدوح حمزة
 
Mc Donalds
Mc DonaldsMc Donalds
Mc Donalds
 
التجارة الالكترونية وشبكات التواصل الاجتماعي
التجارة الالكترونية وشبكات التواصل الاجتماعيالتجارة الالكترونية وشبكات التواصل الاجتماعي
التجارة الالكترونية وشبكات التواصل الاجتماعي
 

Similar a Programacion lineal

Método simplex.
Método simplex. Método simplex.
Método simplex.
Jose Alberto Lorda Abadías
 
Clase 4 método simplex.pptx
Clase 4 método simplex.pptxClase 4 método simplex.pptx
Clase 4 método simplex.pptx
francisfuentes15
 
Metodo Simplex
Metodo SimplexMetodo Simplex
Metodo Simplex
subjikassabji
 
2._metodo_simplex.pdf
2._metodo_simplex.pdf2._metodo_simplex.pdf
2._metodo_simplex.pdf
roelaldoradin1
 
Investigacion Operativa Aspectos Generales
Investigacion Operativa Aspectos GeneralesInvestigacion Operativa Aspectos Generales
Investigacion Operativa Aspectos Generales
Instituto Tecnologico De Pachuca
 
Unidad3 (1)
Unidad3 (1)Unidad3 (1)
Unidad3
Unidad3Unidad3
Práctica de Investigación de Operaciones
Práctica de Investigación de OperacionesPráctica de Investigación de Operaciones
Práctica de Investigación de Operaciones
Isbelia Pelayo
 
PROGRAMACION LINEAL "METODO SIMPLEX"
PROGRAMACION LINEAL "METODO SIMPLEX"PROGRAMACION LINEAL "METODO SIMPLEX"
PROGRAMACION LINEAL "METODO SIMPLEX"
ALEGRE_ALI
 
PROGRAMACION LINEAL METODO SIMPLEX
PROGRAMACION LINEAL METODO SIMPLEXPROGRAMACION LINEAL METODO SIMPLEX
PROGRAMACION LINEAL METODO SIMPLEX
ALEGRE_ALI
 
Presentación de optimizacion
Presentación de optimizacionPresentación de optimizacion
Presentación de optimizacion
Fran Deivis Rojas Marcano
 
Presentación de optimizacion
Presentación de optimizacionPresentación de optimizacion
Presentación de optimizacion
Fran Deivis Rojas Marcano
 
Método simplex1
Método simplex1Método simplex1
Método simplex1
Jose Alberto Lorda Abadías
 
NÚMEROS REALES II
NÚMEROS REALES IINÚMEROS REALES II
NÚMEROS REALES II
CESAR V
 
Metodo Simplex
Metodo SimplexMetodo Simplex
Metodo Simplex
Isabel
 
Sesión 04 2015 II
Sesión 04 2015 IISesión 04 2015 II
Sesión 04 2015 II
Karina Cieza Sanchez
 
Act. 3.5 método simplex equipo 2
Act. 3.5 método simplex equipo 2Act. 3.5 método simplex equipo 2
Act. 3.5 método simplex equipo 2
lesote
 
Ecuaciones simultaneas 2x2 metodo de reduccion
Ecuaciones simultaneas 2x2   metodo de reduccionEcuaciones simultaneas 2x2   metodo de reduccion
Ecuaciones simultaneas 2x2 metodo de reduccion
Ivan Sanchez
 
Ecuaciones e inecuaciones
Ecuaciones e inecuacionesEcuaciones e inecuaciones
Ecuaciones e inecuaciones
DIEGOLENADROIZAGAVIL
 
Ecuaciones e inecuaciones
Ecuaciones e inecuacionesEcuaciones e inecuaciones
Ecuaciones e inecuaciones
DIEGOLENADROIZAGAVIL
 

Similar a Programacion lineal (20)

Método simplex.
Método simplex. Método simplex.
Método simplex.
 
Clase 4 método simplex.pptx
Clase 4 método simplex.pptxClase 4 método simplex.pptx
Clase 4 método simplex.pptx
 
Metodo Simplex
Metodo SimplexMetodo Simplex
Metodo Simplex
 
2._metodo_simplex.pdf
2._metodo_simplex.pdf2._metodo_simplex.pdf
2._metodo_simplex.pdf
 
Investigacion Operativa Aspectos Generales
Investigacion Operativa Aspectos GeneralesInvestigacion Operativa Aspectos Generales
Investigacion Operativa Aspectos Generales
 
Unidad3 (1)
Unidad3 (1)Unidad3 (1)
Unidad3 (1)
 
Unidad3
Unidad3Unidad3
Unidad3
 
Práctica de Investigación de Operaciones
Práctica de Investigación de OperacionesPráctica de Investigación de Operaciones
Práctica de Investigación de Operaciones
 
PROGRAMACION LINEAL "METODO SIMPLEX"
PROGRAMACION LINEAL "METODO SIMPLEX"PROGRAMACION LINEAL "METODO SIMPLEX"
PROGRAMACION LINEAL "METODO SIMPLEX"
 
PROGRAMACION LINEAL METODO SIMPLEX
PROGRAMACION LINEAL METODO SIMPLEXPROGRAMACION LINEAL METODO SIMPLEX
PROGRAMACION LINEAL METODO SIMPLEX
 
Presentación de optimizacion
Presentación de optimizacionPresentación de optimizacion
Presentación de optimizacion
 
Presentación de optimizacion
Presentación de optimizacionPresentación de optimizacion
Presentación de optimizacion
 
Método simplex1
Método simplex1Método simplex1
Método simplex1
 
NÚMEROS REALES II
NÚMEROS REALES IINÚMEROS REALES II
NÚMEROS REALES II
 
Metodo Simplex
Metodo SimplexMetodo Simplex
Metodo Simplex
 
Sesión 04 2015 II
Sesión 04 2015 IISesión 04 2015 II
Sesión 04 2015 II
 
Act. 3.5 método simplex equipo 2
Act. 3.5 método simplex equipo 2Act. 3.5 método simplex equipo 2
Act. 3.5 método simplex equipo 2
 
Ecuaciones simultaneas 2x2 metodo de reduccion
Ecuaciones simultaneas 2x2   metodo de reduccionEcuaciones simultaneas 2x2   metodo de reduccion
Ecuaciones simultaneas 2x2 metodo de reduccion
 
Ecuaciones e inecuaciones
Ecuaciones e inecuacionesEcuaciones e inecuaciones
Ecuaciones e inecuaciones
 
Ecuaciones e inecuaciones
Ecuaciones e inecuacionesEcuaciones e inecuaciones
Ecuaciones e inecuaciones
 

Más de brccq

Peti
PetiPeti
Peti
brccq
 
18 t00361 udctfiye
18 t00361 udctfiye18 t00361 udctfiye
18 t00361 udctfiye
brccq
 
7 soap y wsdl
7 soap y wsdl7 soap y wsdl
7 soap y wsdl
brccq
 
Mtrigas tfc0612memoria
Mtrigas tfc0612memoriaMtrigas tfc0612memoria
Mtrigas tfc0612memoria
brccq
 
Disposiciones transitorias-para-exponer
Disposiciones transitorias-para-exponerDisposiciones transitorias-para-exponer
Disposiciones transitorias-para-exponer
brccq
 
Ejemplo soa
Ejemplo soaEjemplo soa
Ejemplo soa
brccq
 
Monografia
MonografiaMonografia
Monografia
brccq
 
Documento vision
Documento visionDocumento vision
Documento vision
brccq
 
Dialnet metrica paraevaluarlaseguridaddelossgic-4687249
Dialnet metrica paraevaluarlaseguridaddelossgic-4687249Dialnet metrica paraevaluarlaseguridaddelossgic-4687249
Dialnet metrica paraevaluarlaseguridaddelossgic-4687249
brccq
 
Banco de temas de tesis para la carrera de ing. de sistemas
Banco de temas de tesis para la carrera de ing. de sistemasBanco de temas de tesis para la carrera de ing. de sistemas
Banco de temas de tesis para la carrera de ing. de sistemas
brccq
 
Arquitectura intel
Arquitectura intelArquitectura intel
Arquitectura intel
brccq
 
02 vectores
02 vectores02 vectores
02 vectores
brccq
 

Más de brccq (12)

Peti
PetiPeti
Peti
 
18 t00361 udctfiye
18 t00361 udctfiye18 t00361 udctfiye
18 t00361 udctfiye
 
7 soap y wsdl
7 soap y wsdl7 soap y wsdl
7 soap y wsdl
 
Mtrigas tfc0612memoria
Mtrigas tfc0612memoriaMtrigas tfc0612memoria
Mtrigas tfc0612memoria
 
Disposiciones transitorias-para-exponer
Disposiciones transitorias-para-exponerDisposiciones transitorias-para-exponer
Disposiciones transitorias-para-exponer
 
Ejemplo soa
Ejemplo soaEjemplo soa
Ejemplo soa
 
Monografia
MonografiaMonografia
Monografia
 
Documento vision
Documento visionDocumento vision
Documento vision
 
Dialnet metrica paraevaluarlaseguridaddelossgic-4687249
Dialnet metrica paraevaluarlaseguridaddelossgic-4687249Dialnet metrica paraevaluarlaseguridaddelossgic-4687249
Dialnet metrica paraevaluarlaseguridaddelossgic-4687249
 
Banco de temas de tesis para la carrera de ing. de sistemas
Banco de temas de tesis para la carrera de ing. de sistemasBanco de temas de tesis para la carrera de ing. de sistemas
Banco de temas de tesis para la carrera de ing. de sistemas
 
Arquitectura intel
Arquitectura intelArquitectura intel
Arquitectura intel
 
02 vectores
02 vectores02 vectores
02 vectores
 

Último

NORMA ISO 45001:2018 SEGURIDAD EN EL TRABAJO
NORMA ISO 45001:2018 SEGURIDAD EN EL TRABAJONORMA ISO 45001:2018 SEGURIDAD EN EL TRABAJO
NORMA ISO 45001:2018 SEGURIDAD EN EL TRABAJO
JosPealoza7
 
MECANICA DE LOS FLUIDOS 5 TRASLACION Y ROTACION DE MASAS LIQUIDAS. Ing. Aleja...
MECANICA DE LOS FLUIDOS 5 TRASLACION Y ROTACION DE MASAS LIQUIDAS. Ing. Aleja...MECANICA DE LOS FLUIDOS 5 TRASLACION Y ROTACION DE MASAS LIQUIDAS. Ing. Aleja...
MECANICA DE LOS FLUIDOS 5 TRASLACION Y ROTACION DE MASAS LIQUIDAS. Ing. Aleja...
JuanFranciscoConesa
 
S1 Diseño e Ingeniería Primaria de Subestaciones.pptx
S1 Diseño e Ingeniería Primaria de Subestaciones.pptxS1 Diseño e Ingeniería Primaria de Subestaciones.pptx
S1 Diseño e Ingeniería Primaria de Subestaciones.pptx
JoseAntonioSalazarHi1
 
CAPACITACION EQUIPO DE PROTECCION PERSONAL.pptx
CAPACITACION EQUIPO DE PROTECCION PERSONAL.pptxCAPACITACION EQUIPO DE PROTECCION PERSONAL.pptx
CAPACITACION EQUIPO DE PROTECCION PERSONAL.pptx
NestorHugo2
 
FORMATO IPERC CONTINUO, PARA REALIZACION DE PROYECTOS
FORMATO IPERC CONTINUO, PARA REALIZACION DE PROYECTOSFORMATO IPERC CONTINUO, PARA REALIZACION DE PROYECTOS
FORMATO IPERC CONTINUO, PARA REALIZACION DE PROYECTOS
JuanLuisMauricioTara
 
Las emociones en los centros de trabajo.pdf
Las emociones en los centros de trabajo.pdfLas emociones en los centros de trabajo.pdf
Las emociones en los centros de trabajo.pdf
Jose Manuel de la Cruz Castro
 
INTRODUCCIONES A LA ROTACION DE CULTIVOS
INTRODUCCIONES A LA ROTACION DE CULTIVOSINTRODUCCIONES A LA ROTACION DE CULTIVOS
INTRODUCCIONES A LA ROTACION DE CULTIVOS
WILLIAMchancapoma
 
Algebra booleana para reforzar temas de funciones booleanas.
Algebra booleana para reforzar temas de funciones booleanas.Algebra booleana para reforzar temas de funciones booleanas.
Algebra booleana para reforzar temas de funciones booleanas.
hortensiadepine1
 
Los cinco niveles de competencia dentro de un Estándar de Competencia Laboral...
Los cinco niveles de competencia dentro de un Estándar de Competencia Laboral...Los cinco niveles de competencia dentro de un Estándar de Competencia Laboral...
Los cinco niveles de competencia dentro de un Estándar de Competencia Laboral...
Jose Manuel de la Cruz Castro
 
Unidad 8 - Tornillos Shigley elementos-2.pdf
Unidad 8 - Tornillos Shigley elementos-2.pdfUnidad 8 - Tornillos Shigley elementos-2.pdf
Unidad 8 - Tornillos Shigley elementos-2.pdf
LisandroClaverol2
 
MATRIZ DE PARTES INTERESADAS-KMC CALIDAD.docx
MATRIZ DE PARTES INTERESADAS-KMC CALIDAD.docxMATRIZ DE PARTES INTERESADAS-KMC CALIDAD.docx
MATRIZ DE PARTES INTERESADAS-KMC CALIDAD.docx
alexander34816
 
nuevo - BALANCE DE ENERGIA PARA SISTEMAS REACCIONANTES.pptx
nuevo - BALANCE DE ENERGIA PARA SISTEMAS REACCIONANTES.pptxnuevo - BALANCE DE ENERGIA PARA SISTEMAS REACCIONANTES.pptx
nuevo - BALANCE DE ENERGIA PARA SISTEMAS REACCIONANTES.pptx
HernandoVillavicenci
 
plagas y enfermedades del cafe en la convencion.ppt
plagas y enfermedades del cafe en la convencion.pptplagas y enfermedades del cafe en la convencion.ppt
plagas y enfermedades del cafe en la convencion.ppt
adan yomar fenandez toro
 
Nomenclatura Organica Hibridacion del Carbono ALCANOS (1).pdf
Nomenclatura Organica Hibridacion del Carbono ALCANOS (1).pdfNomenclatura Organica Hibridacion del Carbono ALCANOS (1).pdf
Nomenclatura Organica Hibridacion del Carbono ALCANOS (1).pdf
elcuybueno
 
Técnicas de remediacion de metales pesados con potencial aplicación en el c...
Técnicas de remediacion de metales pesados con potencial aplicación en el c...Técnicas de remediacion de metales pesados con potencial aplicación en el c...
Técnicas de remediacion de metales pesados con potencial aplicación en el c...
ANDREA PORTOCARRERO CACERES
 
Selección de materiales para cohetes espaciales.pptx.pdf
Selección de materiales para cohetes espaciales.pptx.pdfSelección de materiales para cohetes espaciales.pptx.pdf
Selección de materiales para cohetes espaciales.pptx.pdf
VictorOlmos20
 
Nutrición vegetal con enfasis a ciclos de calvin
Nutrición vegetal con enfasis a ciclos de calvinNutrición vegetal con enfasis a ciclos de calvin
Nutrición vegetal con enfasis a ciclos de calvin
Marcos Chamorro Trujillo
 
GUÍA BÁSICA DE LA NORMATIVA ELÉCTRICA.pdf
GUÍA BÁSICA DE LA NORMATIVA ELÉCTRICA.pdfGUÍA BÁSICA DE LA NORMATIVA ELÉCTRICA.pdf
GUÍA BÁSICA DE LA NORMATIVA ELÉCTRICA.pdf
Hector Gallardo
 
Aplicacion-Del-Principio-de-Pascal-puente-Hidraulico.pptx
Aplicacion-Del-Principio-de-Pascal-puente-Hidraulico.pptxAplicacion-Del-Principio-de-Pascal-puente-Hidraulico.pptx
Aplicacion-Del-Principio-de-Pascal-puente-Hidraulico.pptx
dc77nwws7n
 
FINAL ARITMETICA_6T0.pdffffffffffffffffff
FINAL ARITMETICA_6T0.pdffffffffffffffffffFINAL ARITMETICA_6T0.pdffffffffffffffffff
FINAL ARITMETICA_6T0.pdffffffffffffffffff
ALEXRODOLFOPERALTASU
 

Último (20)

NORMA ISO 45001:2018 SEGURIDAD EN EL TRABAJO
NORMA ISO 45001:2018 SEGURIDAD EN EL TRABAJONORMA ISO 45001:2018 SEGURIDAD EN EL TRABAJO
NORMA ISO 45001:2018 SEGURIDAD EN EL TRABAJO
 
MECANICA DE LOS FLUIDOS 5 TRASLACION Y ROTACION DE MASAS LIQUIDAS. Ing. Aleja...
MECANICA DE LOS FLUIDOS 5 TRASLACION Y ROTACION DE MASAS LIQUIDAS. Ing. Aleja...MECANICA DE LOS FLUIDOS 5 TRASLACION Y ROTACION DE MASAS LIQUIDAS. Ing. Aleja...
MECANICA DE LOS FLUIDOS 5 TRASLACION Y ROTACION DE MASAS LIQUIDAS. Ing. Aleja...
 
S1 Diseño e Ingeniería Primaria de Subestaciones.pptx
S1 Diseño e Ingeniería Primaria de Subestaciones.pptxS1 Diseño e Ingeniería Primaria de Subestaciones.pptx
S1 Diseño e Ingeniería Primaria de Subestaciones.pptx
 
CAPACITACION EQUIPO DE PROTECCION PERSONAL.pptx
CAPACITACION EQUIPO DE PROTECCION PERSONAL.pptxCAPACITACION EQUIPO DE PROTECCION PERSONAL.pptx
CAPACITACION EQUIPO DE PROTECCION PERSONAL.pptx
 
FORMATO IPERC CONTINUO, PARA REALIZACION DE PROYECTOS
FORMATO IPERC CONTINUO, PARA REALIZACION DE PROYECTOSFORMATO IPERC CONTINUO, PARA REALIZACION DE PROYECTOS
FORMATO IPERC CONTINUO, PARA REALIZACION DE PROYECTOS
 
Las emociones en los centros de trabajo.pdf
Las emociones en los centros de trabajo.pdfLas emociones en los centros de trabajo.pdf
Las emociones en los centros de trabajo.pdf
 
INTRODUCCIONES A LA ROTACION DE CULTIVOS
INTRODUCCIONES A LA ROTACION DE CULTIVOSINTRODUCCIONES A LA ROTACION DE CULTIVOS
INTRODUCCIONES A LA ROTACION DE CULTIVOS
 
Algebra booleana para reforzar temas de funciones booleanas.
Algebra booleana para reforzar temas de funciones booleanas.Algebra booleana para reforzar temas de funciones booleanas.
Algebra booleana para reforzar temas de funciones booleanas.
 
Los cinco niveles de competencia dentro de un Estándar de Competencia Laboral...
Los cinco niveles de competencia dentro de un Estándar de Competencia Laboral...Los cinco niveles de competencia dentro de un Estándar de Competencia Laboral...
Los cinco niveles de competencia dentro de un Estándar de Competencia Laboral...
 
Unidad 8 - Tornillos Shigley elementos-2.pdf
Unidad 8 - Tornillos Shigley elementos-2.pdfUnidad 8 - Tornillos Shigley elementos-2.pdf
Unidad 8 - Tornillos Shigley elementos-2.pdf
 
MATRIZ DE PARTES INTERESADAS-KMC CALIDAD.docx
MATRIZ DE PARTES INTERESADAS-KMC CALIDAD.docxMATRIZ DE PARTES INTERESADAS-KMC CALIDAD.docx
MATRIZ DE PARTES INTERESADAS-KMC CALIDAD.docx
 
nuevo - BALANCE DE ENERGIA PARA SISTEMAS REACCIONANTES.pptx
nuevo - BALANCE DE ENERGIA PARA SISTEMAS REACCIONANTES.pptxnuevo - BALANCE DE ENERGIA PARA SISTEMAS REACCIONANTES.pptx
nuevo - BALANCE DE ENERGIA PARA SISTEMAS REACCIONANTES.pptx
 
plagas y enfermedades del cafe en la convencion.ppt
plagas y enfermedades del cafe en la convencion.pptplagas y enfermedades del cafe en la convencion.ppt
plagas y enfermedades del cafe en la convencion.ppt
 
Nomenclatura Organica Hibridacion del Carbono ALCANOS (1).pdf
Nomenclatura Organica Hibridacion del Carbono ALCANOS (1).pdfNomenclatura Organica Hibridacion del Carbono ALCANOS (1).pdf
Nomenclatura Organica Hibridacion del Carbono ALCANOS (1).pdf
 
Técnicas de remediacion de metales pesados con potencial aplicación en el c...
Técnicas de remediacion de metales pesados con potencial aplicación en el c...Técnicas de remediacion de metales pesados con potencial aplicación en el c...
Técnicas de remediacion de metales pesados con potencial aplicación en el c...
 
Selección de materiales para cohetes espaciales.pptx.pdf
Selección de materiales para cohetes espaciales.pptx.pdfSelección de materiales para cohetes espaciales.pptx.pdf
Selección de materiales para cohetes espaciales.pptx.pdf
 
Nutrición vegetal con enfasis a ciclos de calvin
Nutrición vegetal con enfasis a ciclos de calvinNutrición vegetal con enfasis a ciclos de calvin
Nutrición vegetal con enfasis a ciclos de calvin
 
GUÍA BÁSICA DE LA NORMATIVA ELÉCTRICA.pdf
GUÍA BÁSICA DE LA NORMATIVA ELÉCTRICA.pdfGUÍA BÁSICA DE LA NORMATIVA ELÉCTRICA.pdf
GUÍA BÁSICA DE LA NORMATIVA ELÉCTRICA.pdf
 
Aplicacion-Del-Principio-de-Pascal-puente-Hidraulico.pptx
Aplicacion-Del-Principio-de-Pascal-puente-Hidraulico.pptxAplicacion-Del-Principio-de-Pascal-puente-Hidraulico.pptx
Aplicacion-Del-Principio-de-Pascal-puente-Hidraulico.pptx
 
FINAL ARITMETICA_6T0.pdffffffffffffffffff
FINAL ARITMETICA_6T0.pdffffffffffffffffffFINAL ARITMETICA_6T0.pdffffffffffffffffff
FINAL ARITMETICA_6T0.pdffffffffffffffffff
 

Programacion lineal

  • 2. Planteamiento del problema de programación Lineal Un problema de programación lineal es cuando la función objetivo es una función lineal y las restricciones son ecuaciones lineales; la forma estándar de un problema con m restricciones y n variables se representa. matricial 0,...,0,0 0,...,0,0 ... ... ... .. ...min 21 21 2211 22222121 11212111 2211 ≥≥≥ ≥≥≥ =+++ −−−−−−−−−−−−−−− =+++ =+++ +++= m n mnmnmm nn nn nn bbb xxx bxaxaxa bxaxaxa bxaxaxa as xcxcxcz 0b,0x bAx cxz ≥≥ = =
  • 3. Ejemplo 0x 0x 9x3x 5xx2.a.s x3xmax 2 1 21 21 21 ≥ ≥ ≤+ ≤+ + En forma matricial sería: ( ) ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ≥⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ≤⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ 0 0 x x 9 5 x x 31 12 .a.s x x 31max 2 1 2 1 2 1
  • 4. Formulación de problemas 1 Una persona para su alimentación normal debe tomar diariamente 75 mg de proteínas, 1.2 mg de calcio, 1.2 mg de hierro y 3600 calorías. ¿Qué cantidad mínima de leche, huevos y pan debe tomar diariamente una persona para cubrir las necesidades de calcio y hierro si consume al día por lo menos 2 rebanadas de pan? Leche (por taza) Huevos (por unidad) Carne (por onza) Pan (por rebanada) Queso (por onza) Proteínas 8 gm 7 gm 20 gm 2 gm 7 gm Calcio 0.3 gm 0.03 gm 0.01 gm 0.01 gm 0.25 gm Hierro 0.1 mg 1.5 mg 3.0 mg 0.6 mg 0.1 mg Calorías 175 75 150 75 100 Problema de la dieta
  • 5. Formulación de Problemas 2 Un estudiante debe realizar un examen de problemas y se le da la posibilidad de escogerlos entre los que figuran en tres listas. Los problemas de la lista 1 se puntúan con 5 puntos cada uno, los de la 2 con 4 puntos y los de la tres con 6. El alumno sabe que necesita 3 minutos para resolver cada problema de la lista 1, 2 minutos para los de la 2 y 4 minutos para los de la 3. Dispone de 3 horas y media para realizar el examen. Los problemas de las listas 1 y 2 emplean bastante cálculo y el alumno no desea dedicarles más de 2 horas y media. ¿Cómo puede alcanzar la puntuación máxima?
  • 6. Formulación de Problemas 3 Se desea encontrar la mezcla más barata de las tres harinas tal que la fracción de los nutrientes uno, dos y tres en la mezcla sea mayor o igual a 0.04, 0.02 y 0.07, respectivamente. Harina 1 2 3 Coste por Unidad 1 0.06 0.02 0.09 15 2 0.03 0.04 0.05 12 3 0.04 0.01 0.03 3
  • 7. Una compañía tiene dos grados de inspectores 1 y 2, que son asignados al control de calidad. Se requiere inspeccionar al menos 1800 piezas por día (8 horas). El inspector de grado 1 chequea piezas a velocidad de 25 piezas por hora con una exactitud del 98%. Los de grado 2 chequean a velocidad de 15 piezas por hora con una exactitud del 95%. El salario del inspector de grado 1 es de 4 €/hora, y el de grado 2 de 3€/hora. Cada vez que se produce un error, el coste a la compañía es de 2 €. La compañía tiene 8 inspectores de grado 1 y 10 de grado 2. Determinar la asignación óptima de inspectores que minimicen el coste total de inspección. Formulación de Problemas 4
  • 8. Solución Gráfica de un problema de PL con dos variables 0x0x 45x3x5 10x8x.a.s x36x40zmin 21 21 21 21 ≥≥ ≥+ ≤≤ += 5 10 15 5 10 x1 x2 x2=10 A(8,5/3) B(8,10)C
  • 10. Algunas definiciones Solución factible: La solución que satisface todas las restricciones Región factible: Conjunto de todas las soluciones factibles Solución óptima: Es una solución factible y su valor de la función objetivo es mayor que el del resto de las soluciones factibles Valor óptimo: El valor de la función que corresponde a la solución óptima Solución alternativa: Cuando existe más de una solución óptima Óptimo único: Cuando no existe otro óptimo Óptimo sin límite: Cuando el problema no tiene un óptimo finito.
  • 11. Principios del Método Simplex 1 0b,...,0b,0b 0x,...,0x,0x bxa...xaxa bxa...xaxa bxa...xaxa .a.s xc...xcxczmax m21 n21 mnmn22m11m 2nn2222121 1nn1212111 nn2211 ≥≥≥ ≥≥≥ =+++ −−−−−−−−−−−−−−− =+++ =+++ +++= Si m<n, el problema tiene infinitas soluciones El problema no tiene solución trivial
  • 12. Problema LP x1 x2 x* Optimo Si la solución se encuentra en un vértice, podría pensarse en un método de solución que evaluase J = c’x en cada vértice y escogiera el mejor, si existe. El número máximo de vértices corresponde a los distintos grupos de m columnas que podemos formar con las n existentes en A, o sea: )!(! ! mnm n m n − =⎟ ⎠ ⎞ ⎜ ⎝ ⎛ Para n grande puede ser un número excesivo. p.e. n=100, m=50 resultan 1029 combinaciones
  • 13. Algoritmo Simplex (Dantzig 1947) El algoritmo Simplex es una forma inteligente de recorrer los vértices que Encuentra un vértice Determina si es óptimo En caso contrario, encuentra otro vértice vecino con un valor mejor de J También indica si no hay solución debido a no factibilidad o a soluciones no acotadas Por tanto, en un número finito de pasos puede encontrar el óptimo Suele dividirse en dos fases: I encontrar el vértice inicial, o detectar que no existe solución II encontrar el óptimo, o detectar que no hay máximo
  • 14. Manipulación de desigualdades Convertir las desigualdades en igualdades a través de las variables de holgura 1. Desigualdad “menor o igual” 25x4x3x2x 4321 ≤+++ 25432 54321 =++++ xxxxx 2. Desigualdad “mayor o igual” 1232 6321 =−−+ xxxx12x3xx2 321 ≥−+ 3. Variables sin restricciones 00 32 321 ≥≥ −= xx xxx
  • 15. Principios del Método Simplex 2 Se convierte en una forma canónica: mnmn1m1m,mm rnrn1m1m,rr 1nn11m1m,11 bxa...xax bxa...xax bxa...xax =+++ =+++ =+++ ++ ++ ++ Las variables con coeficiente 1 que aparecen en una sola ecuación y con coeficiente cero en el resto de las ecuaciones (x1, x2,...,xm) se les llaman variables básicas o dependientes En la forma canónica hay una variable básica en cada ecuación Una forma canónica permite obtener múltiples soluciones eligiendo valores diferentes de las variables independientes y resolviendo el sistema para las variables dependientes (S1)
  • 16. Principios del Método Simplex 3 Una forma de transformar un sistema a canónico, es: 1.- Multiplicar cualquier ecuación del sistema por un número 2.- Sumar a cualquier ecuación una constante multiplicada por cualquier otra ecuación del sistema Una solución básica factible es una solución básica en la cual los valores de las variables dependientes son no negativas ¿Cómo resolver el programa lineal? Generando todas las posibles soluciones básicas factibles a través de la reducción canónica y determinar cuál da el mejor valor de la función objetivo Una solución que se obtiene a partir de un sistema canónico igualando las variables independientes o no básicas a cero, es una solución básica
  • 17. Principios del Método Simplex 4 Comenzar con una solución básica factible inicial en la forma canónica Mejorar la solución inicial encontrando otras soluciones básicas factibles con un mejor valor de la función objetivo. Continuar buscando mejores soluciones básicas factibles que mejoren el valor de la función objetivo. Cuando nos encontremos con una solución que no puede mejorar dicho valor, entonces estamos en el óptimo y el algoritmo termina Los pasos generales del Simplex son los siguientes
  • 18. Principios del Método Simplex 5 Tenemos una solución básica factible de la forma: 0bx ii ≥=básica para i = 1,2,...,m 0xj =no básica para j = m+1,...,n Al conjunto de las variables básicas se le llama base y se denota: xB Sea los coeficientes de la función objetivo de las variables básicas cB Para las bases iniciales: xB = (x1,...,xm) y cB=(c1,c2,...,cm), entonces: mm11BB bcbcxcZ ++== L De aquí se deduce que el algoritmo, verifica si es posible encontrar mejores soluciones básicas factibles que proporcionen un mayor valor de Z y si la solución actual es óptima. En caso contrario, el método obtiene una solución básica factible adyacente con un valor mayor de Z.
  • 19. Principios del Método Simplex 6 ¿Cómo se obtiene una solución básica factible adyacente? Una de las variables básicas pasa a ser una variable no básica y hace una variable no básica cómo básica en su lugar. ¿Cómo se seleccionan estas dos variables? En una solución básica factible, las variables básicas tienen valores positivos y las no básicas siempre son cero. Por tanto pasar de una no básica a básica, basta con incrementar su valor de cero a una cantidad positiva. La elección se hace basándonos en cuál de las variables no básicas puede mejorar el valor de la función objetivo. Por ejemplo incrementando en 1 y examinar el cambio resultante en la función objetivo.
  • 20. Principios del Método Simplex 7 Consideremos a xs como una variable no básica e incrementamos su valor de 0 a 1, y estudiamos su efecto en la función objetivo. El sistema S1 queda de la siguiente forma: msmsm rsrsr 1ss11 bxax bxax bxax =+ =+ =+ M M (S2) sj,n,,1mj0x 1x m,,1iabx j s isii ≠+== = =−= K K Valor de la Función Objetivo: ( )∑ = +−= m i sisii cabcZ 1 La solución:
  • 21. Principios del Método Simplex 8 El incremento en el valor de la función objetivo será ( ) ∑∑∑ === −=−+−= m 1i isis m 1i iis m 1i isiis accbccabcc cs se llama ganancia relativa de la variable no básica xs. 0cs > La función objetivo puede ser incrementada haciendo xs una variable básica jBjj Pccc −= Es el cociente de ganancia relativa de una variable no básica xj cB corresponde a los coeficientes de ganancia de las variables básicas corresponde a la columna j del sistema canónicojP
  • 22. Criterio de Optimalidad 1 En un problema de maximización, una solución básica factible es óptima, si las ganancias relativas de sus variables no básicas son todas negativas o cero Si para las variables no básicas, entonces todas las soluciones básicas factibles adyacentes tienen un valor de la función objetivo menor que la solución presente, por lo tanto tenemos un máximo local en ese punto. 0cj ≤
  • 23. Criterio de Optimalidad 2 Cuando xs se incrementa, los valores de las variables básicas cambian, ya que: m,,1ixabx sisii K=−= 0ais < xi se incrementa si xs se incrementa Si: 0ais = xi no varía 0ais > xi disminuye cuando xs incrementa. Y si xs crece indefinidamente xi puede hacerse negativa haciendo la solución no factible Por tanto el incremento de xs tiene que ser: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = > is i 0a s a b minxmax is Regla del radio mínimo
  • 24. Soluciones degeneradas Si al calcular una solución básica alguna de las variables básicas resulta ser cero, se dice que el vértice es degenerado, o que se trata de una solución básica factible degenerada. Puede aparecer en el vértice inicial cuando una es cero, o al calcular un nuevo vértice. En este caso, puede ocurrir que ib 0min 0 ==⎥ ⎦ ⎤ ⎢ ⎣ ⎡ > rs r is i a a b a b is Con lo que el incremento en J: 0=⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ rs r s a b c Con lo cual no habrá mejora en esta o en algunas otras iteraciones, reduciendo la eficiencia del método. En teoría es posible que se vaya a vértices sin mejora y se vuelva a uno de partida apareciendo ciclos que impidan la convergencia del algoritmo simplex. No obstante en la práctica no suelen aparecer si está adecuadamente programado.
  • 25. Resumen 1 Poner el problema en forma canónica, escribiendo en problema en forma de tabla y escoger la base 2 Para cada variable no básica calcular las ganancias relativas, escoger la mayor. Si es ≤ 0, es el óptimo, sino, seleccionar esa variable xs para entrar en la base. Si todos los ais son <0, no hay solución. 3 Calcular el menor de los cocientes bi/ais (ais>0) que determina la variable que sale de la base. c1 c2 c3 c4 c5 3 2 0 0 0 cB Base x1 x2 x3 x4 x5 b (ais>0) bi/ais 0 x3 -1 2 1 0 0 4 0 x4 3 2 0 1 0 14 4,3 0 x5 1 -1 0 0 1 3 3 cs- sum(ci ais) ganancia relativa 3 2 0 J 4 Pivotar sobre el elemento de esa fila y columna para pasar a forma canónica y repetir el proceso
  • 26. Variables artificiales 1 • El principal requerimiento del método del Simplex es la disponibilidad de una solución básica factible inicial: – Poner el problema de forma estándar – Se examina cada restricción, para ver la existencia de una variable básica, si no existe se añade una variable nueva para actuar como básica => variable artificial. – Cualquier solución básica factible con las variables artificiales = 0 es una solución básica factible del sistema original. Se resuelve el problema artificial: ∑ = m i iy 1 min s.a Ax+y = b; x ≥ 0; y ≥0;
  • 27. Variables artificiales 2 • Si el valor mínimo del problema artificial es cero, todas las variables artificiales se hacen cero, tenemos una solución básica factible inicial del problema PL original • Si el valor mínimo es positivo => el problema original no es factible. Problema de minimización: • Convertir el problema en uno de maximización, multiplicando a la función por (-1). • Se utiliza el algoritmo del simplex con la siguiente modificación • Calcular las ganancias relativas: cs. Si cs ≥ 0 para todas las variables no básicas, x* es óptimo, sino seleccionar la variable con menor cs para entrar en la base.
  • 28. Teoría de la dualidad 1 • Asociado a cada problema de PL hay un problema de PL correspondiente llamado dual 0,0 ≥≥ ≥ = bx bAx cxzmin s.a. Primario 0,0 ≥≥ ≤ = c cA bz λ λ λmax s.a. Dual 0,0 ≥≥ = = bx bAx cxzmin s.a. Primario cA bz ≤ = λ λmax s.a. Dual λ libres Forma simétrica Forma asimétrica
  • 30. Teoría de la Dualidad 2 λ μ ( )λ,* xL 1x 2x ( )xf ** ,μλ * x
  • 31. Teoremas de Dualidad Teorema 1: El dual del dual es el primario Teorema 2: Cualquier solución factible del primario da un valor de mayor que o al menos igual al valor de obtenido para cualquier solución factible del dual ρ υ Teorema 3: Si los problemas del dual y primario tienen soluciones factibles, entonces ambos tienen soluciones óptimas y υ=ρ maxmin Teorema 4: Si el primario o el dual tienen una solución sin límites, entonces el otro problema no es factible bcx λυρ =≥= Teorema 5: Si el PL tiene solución básica factible óptima correspondiente a la base B, entonces el vector λ = CB B-1 es una solución óptima del dual
  • 32. Análisis de la sensibilidad 1 1.- Cambio en los parámetros bj Si los coeficientes del lado derecho de las restricciones cambian de b => b+Δb la solución óptima es: xB = B-1 b x’B = B-1 (b+ Δb) =xB+ ΔxB El correspondiente incremento en la función de coste es: Δz = CB ΔxB = CB B-1 Δb = λ Δb λ => precio sombra Siempre que x’B = B-1 (b+ Δb) ≥ 0
  • 33. Análisis de la sensibilidad 2 2.- Cambio en los coeficientes de coste: cj => cj + Δcj Hay que volver a calcular la ganancia relativa de las variables no básicas: Sustituyendo cj por su nuevo valor. Si se cumple que las nuevas los cambios no afectan a la solución óptima inicial, sino sólo al valor óptimo de la función: z = (cj + Δcj)xj Si no se cumple => habría que introducir esa variable como una nueva variable básica y seguir con el algoritmo del simplex jBjj Pccc −= 0cj ≤
  • 34. Análisis de la sensibilidad 3 3.- Añadir variables nuevas xn+j j=1,2,... Las nuevas variables se toman como no básicas y se calculan las ganancias relativas: El óptimo original permanece óptimo si todos los Si alguno de ellos , entonces hay que meter esa variable en la base y sacar una variable de la base aplicando las reglas del simplex Para pasar de los coeficientes de An+j a la forma canónica óptima: jnBjnjBjnjn ABCcPccc + − +++ −=−= 1 0≤+ jnc 0>+ jnc jnjn ABA + − + = 1
  • 35. Análisis de la sensibilidad 4 4.- Cambio en los coeficientes de la matriz A: aij => aij + Δaij Si los coeficientes que cambian sólo son los de las variables no-básicas, hay que calcular nuevamente las ganancias relativas: El óptimo original permanece óptimo si todos los Si alguno de ellos , entonces hay que meter esa variable en la base y sacar una variable de la base aplicando las reglas del simplex Si los coeficientes que cambian son debidos a variables básicas, empezar de nuevo jBjj ABCcc 1− −= 0≤jc 0>jc