Scribd
Cargar
42 vistas8 páginas

Análisis del Método Simplex Dual

Este documento resume el proceso de optimización de un problema de programación lineal utilizando el método simplex dual. Describe la construcción de la tabla inicial, las iteraciones del método que involucran la selección de la variable entrante y saliente, y las condiciones de optimidad y factibilidad para determinar la solución óptima. El resumen contiene 3 oraciones.

Cargado por

Miguel Rodriguez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como XLSX, PDF, TXT o lee en línea desde Scribd
42 vistas8 páginas

Análisis del Método Simplex Dual

Este documento resume el proceso de optimización de un problema de programación lineal utilizando el método simplex dual. Describe la construcción de la tabla inicial, las iteraciones del método que involucran la selección de la variable entrante y saliente, y las condiciones de optimidad y factibilidad para determinar la solución óptima. El resumen contiene 3 oraciones.

Cargado por

Miguel Rodriguez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como XLSX, PDF, TXT o lee en línea desde Scribd

ANALISIS POST-OPTIMO - TAREA 4

PROBLEMA PRIMAL

Sea el problema primal como modelo de programación lineal:

Función objetivo:

Sujeto a:

Forma estándar del método simplex dual:

Función objetivo:

Sujeto a:

Tabla inicial:

Condición de optimidad: la variable entrante (VE) es la var

VARIABLES VARIABLES NO BASICAS


BASICAS Z X1 X2 X3
Z 1 -4800 -4400 -4700
S1 0 -0.9 -0.7 -0.8
S2 0 -14 -10 -15
S3 0 -13 -12 -12
VE

Razón 369.230769230769 366.666666666667 391.66666666667

Eliminación de Gauss Jordan: convertir la columna de la variable entrante en un vector identi

1. Ecuación pivote:
nueva ecuación pivote = ecuación pivote / elemento pivote
2. Las demás ecuaciones, incluyendo Z:
nueva ecuación = [nueva ecuación pivote * ( - coeficiente de la columna de la v

Iteración 1:
VARIABLES VARIABLES NO BASICAS
BASICAS Z X1 X2 X3
Z 1 -33.333333333334 0 -300
S1 0 -0.1416666666667 0 -0.1
S2 0 -3.1666666666667 0 -5
X2 0 1.08333333333333 1 1
VE

Razón -30.769230769231 -300

Iteración 2:

VARIABLES VARIABLES NO BASICAS


BASICAS Z X1 X2 X3
Z 1 156.666666666666 0 0
S1 0 -0.0783333333333 0 0
X3 0 0.63333333333333 0 1
X2 0 0.45 1 0
VE

Razón 348.148148148147

Iteración 3:

VARIABLES VARIABLES NO BASICAS


BASICAS Z X1 X2 X3
Z 1 0 0 0
X1 0 1 0 0
X3 0 0 0 1
X2 0 0 1 0
variable entrante (VE) es la variable no basica asociada con la razón mas pequeña

BASICAS Condición de factibilidad: la variable saliente (VS) e


SOLUCION
S1 S2 S3
0 0 0 0 Valor más negativo
1 0 0 -80 -80
0 1 0 -1200 -1200
0 0 1 -1300 VS -1300

ble entrante en un vector identidad

mento pivote

oeficiente de la columna de la variable entrante)] + ecuación anterior


BASICAS
SOLUCION
S1 S2 S3
0 0 -366.666667 476666.6667 Valor más negativo
1 0 -0.05833333 -4.16666667 -4.16666667
0 1 -0.83333333 -116.666667 VS -116.666667
0 0 -0.08333333 108.3333333

BASICAS
SOLUCION
S1 S2 S3
0 -60 -316.666667 483666.6667 Valor más negativo
1 -0.02 -0.04166667 -1.83333333 VS -1.83333333
0 -0.2 0.166666667 23.33333333
0 0.2 -0.25 85

BASICAS
SOLUCION
S1 S2 S3
2000 -100 -400 480000 Solución óptima
-12.7659574 0.255319149 0.531914894 23.40425532
8.085106383 -0.36170213 -0.17021277 8.510638298
5.744680851 0.085106383 -0.4893617 74.46808511
tibilidad: la variable saliente (VS) es la variable básica con la razon más negativa. Si todas las variables básicas son no negativas, el pro

lor más negativo


lor más negativo

lor más negativo

Condición de optimidad: la solución óptima se alcanza cuando todas las va


sicas son no negativas, el proceso termina
e alcanza cuando todas las variables no básicas son no negativas

También podría gustarte