Los algoritmos de pivote (o algoritmos de cambio de base) son algoritmos de la optimización matemática, y en especial de la Programación Lineal. Dado un sistema de ecuaciones lineales cuyas variables deben adoptar valores no negativos (esencialmente lo mismo que un sistema de inecuaciones lineales), se busca la mejor de entre muchas soluciones alternativas, es decir, una solución óptima del sistema. En cada paso de tal búsqueda, el algoritmo transforma el sistema sin alterar su conjunto de soluciones. Algoritmos de pivote importantes son los diversos algoritmos simplex y los algoritmos criss-cross.
Los algoritmos de pivote son de gran importancia para el tratamiento de inecuaciones lineales, donde juegan un papel análogo al de la eliminación de Gauss para ecuaciones lineales. Se encuentran numerosas aplicaciones de sistemas de inecuaciones en áreas tan diversas como la investigación de operaciones industriales, el transporte y distribución de bienes, en carteras de valores, la ingeniería estructural, la estadística, y la teoría de juegos. Frecuentemente se abordan sistemas con decenas de miles de variables.
Procedimiento general
El problema normalizado
Todo algoritmo de pivote parte de un sistema especialmente arreglado de ecuaciones lineales, cuyas variables todas, excepto tal vez una, deben tomar valores no negativos. De hecho, cualquier sistema de inecuaciones o ecuaciones lineales, así como todo problema de Programación Lineal, puede siempre reducirse a la siguiente forma diccionario:
donde los son números reales (en la práctica casi siempre números racionales). Este formato especifica que se busca valores para las incógnitas , que satisfagan las ecuaciones e inecuaciones del sistema anterior de modo tal que la variable objetivo tome el mayor valor posible.
( Al convertir un problema a la forma anterior no disminuye el número de desigualdades; estas permanecen en su totalidad y sólo se convierten en condiciones de no-negatividad de algunas variables. De este modo, una inecuación como por ejemplo
es sustituida por )
Definiendo los conjuntos de índices
se escribirá esto en lo que sigue de la forma más compacta
En cada iteración de un algoritmo de pivote se destaca un conjunto de variables independientes, mientras que las restantes son variables dependientes y se expresan como funciones lineales de las primeras. Al pasar de una iteración a la siguiente se intercambia una variable independiente por una dependiente; tales pares de variables se denominan pivotes.
Condiciones de optimalidad
En caso de que se cumplan las siguientes dos condiciones de optimalidad, para todo (sistema factible) y para todo (sistema acotado), podemos obtener una solución al problema anterior, asignando a las variables independientes del sistema los valores . Por un lado, esto logra que las variables dependientes adopten valores nonegativos, tal como se pedía. Por otro lado, toda solución alternativa al problema debe satisfacer la relación , ya que en ella las variables independientes también deben tomar valores nonegativos.
( Por ejemplo, en el siguiente sistema,
las condiciones de optimalidad son violadas en dos lugares, ya que y . Por un lado, los valores obtenidos al anular las variables independientes, , no constituyen una solución admisible porque contienen un valor negativo, . Por otro lado, no podemos descartar la posibilidad de aumentar el valor que adopta la variable objetivo eligiendo conjuntos de variables independientes con . )
Transformación de las ecuaciones
En el caso habitual de que las condiciones de optimalidad no se cumplan, puede reformularse el sistema de ecuaciones, eligiendo adecuadamente un nuevo subconjunto de entre las incógnitas, y expresando las incógnitas elegidas en función de las incógnitas restantes. Sea un reordenamiento de las variables, es decir una función de los índices que cumpla
A partir de la partición , con
que divide las variables del sistema en variables independientes con y las llamadas variables básicas con , se construye entonces el sistema:
Nótese que los coeficientes existen solo para pares de subíndices con y con . En cada iteración, los coeficientes del sistema así modificado vuelven a examinarse para ver si satisfacen las condiciones de optimalidad para todo (sistema factible) y para todo (sistema acotado), y de este modo generan una posible solución al problema. Un resultado estándar de la Programación Lineal establece que todo problema que tiene soluciones también posee un conjunto de variables básicas que conduce a una de ellas. Si los coeficientes del sistema satisfacen las condiciones de optimalidad, se dice que las variables básicas forman una base optimal del problema.
Pivotes admisibles
Un coeficiente no nulo del sistema de ecuaciones se llama elemento pivote, porque permite despejar la variable independiente en lugar de la variable básica para así seguir buscando una solución al problema. Sin embargo, los algoritmos de pivote no eligen un elemento pivote cualquiera, sino solamente los llamados pivotes admisibles , que deben satisfacer:
O se cumple simultáneamente y (pivote de restricción), o se cumple simultáneamente y (pivote de objetivo).
( En el ejemplo anterior,
el coeficiente no optimal permite seleccionar el elemento pivote correspondiente a un pivote admisible con intercambio de ó también el elemento pivote correspondiente al pivote admisible Alternativamente, el coeficiente no optimal permite también seleccionar el elemento pivote correspondiente al pivote admisible ó el elemento pivote con el pivote admisible . )
La restricción a pivotes admisibles impide que en dos iteraciones sucesivas se elija el mismo pivote. Las reglas según las cuales el pivote es elegido dependen del algoritmo de pivote particular. No obstante, debe imponerse que el algoritmo termine en un número finito de pasos, lo que no sucede con una elección de pivotes inadecuada. Fukuda & Terlaky demostraron en 1999 que para todo problema con solución y para toda base inicial existe una secuencia de a lo más pivotes admisibles que conduce a una base optimal. Lamentablemente, esa demostración no es constructiva en el sentido de que indique cuál pivote deba elegirse en cada paso.
Como se puede observar de las definiciones anteriores, una base optimal no tiene pivotes admisibles, por lo que el algoritmo no puede ser continuado a partir de una base optimal. Por otro lado, es fácil demostrar con argumentos similares a los expuestos que una base no optimal sin pivotes admisibles siempre pertenece a un problema sin solución; sea esto, porque el sistema de ecuaciones e inecuaciones no tiene solución alguna (problema infactible), o porque existen soluciones con un valor objetivo arbitrariamente grande (problema no acotado).
Implementación sin errores de redondeo
Para evitar errores de redondeo se trabaja en lo que sigue con números racionales, eligiendo un único denominador común para todo el sistema de ecuaciones. Para encontrar un denominador así en cada paso del algoritmo no hace falta analizar los coeficientes del sistema; en caso de un sistema inicial con coeficientes enteros, en cada iteración se cumplirá que El numerador del elemento pivote es un denominador común para el sistema de ecuaciones siguiente. Al evaluar los coeficientes de un nuevo sistema el denominador común del sistema anterior quedará obsoleto, por lo que se procede a dividir los coeficientes del sistema nuevo por el denominador antiguo, con resultados que siempre serán enteros.
Un arreglo matricial que contiene los coeficientes de un sistema de pivote suele llamarse tabla de pivoteo o cuadro de pivoteo. El siguiente esquema muestra cómo cambian los coeficientes del sistema de pivoteo al pasar de una iteración a la que sigue:
En ese esquema, el símbolo designa al denominador común del sistema de ecuaciones, el símbolo designa al numerador del elemento pivote, designa cualquier coeficiente restante en la misma fila del elemento pivote, designa cualquier coeficiente restante en la misma columna del elemento pivote, y cualquier coeficiente ajeno a la fila y a la columna del pivote. Los coeficientes de la variable a maximizar () y los coeficientes de la columna de valores () se transforman de acuerdo a las mismas reglas.
Ejemplo ilustrado Representación gráfica
Las ilustraciones en cada paso del ejemplo siguiente muestran todas el mismo sistema de ecuaciones graficado en distintos sistemas de coordenadas. En estos gráficos, el área bordeada de verde es el conjunto de soluciones factibles, para el cual todas las variables toman valores no negativos, los ejes de coordenadas corresponden a ecuaciones de variables independientes, las demás rectas a ecuaciones de variables básicas, la recta en rojo recorre los puntos donde la variable objetivo adopta su valor máximo, las intersecciones de rectas correspondientes a pivotes admisibles llevan puntos rojos, el pivote seleccionado va bordeado de negro, y el área anaranjada corresponde al ortante no negativo de la iteración siguiente.
Ejemplo de elección de pivotes
La siguiente estrategia de elección de pivote corresponde al algoritmo criss-cross con pivoteo en los índices mínimos (minimal index criss-cross-algorithm). En cada paso, el pivote admisible se elegirá de acuerdo a la siguiente regla (el mínimo de un conjunto vacío se considera igual a infinito):
Determinar los índices y . Si se tiene , elegir el pivote donde . Si se tiene , elegir el pivote donde .
Se puede demostrar que este criterio simple (aunque no siempre eficiente) conduce siempre a una base optimal en un sistema que tenga solución.
En el siguiente ejemplo se busca valores no negativos para las variables que maximicen la variable adicional satisfaciendo el siguiente conjunto de ecuaciones lineales:
En el sistema inicial del ejemplo, los coeficientes no optimales son , , y todos los pivotes son admisibles. El criterio de selección, sin embargo, prescribe que despejemos en lugar de :
left|thumb|x360px| Cambio de la base 0 a la base 1| alt=(Ilustración animada de un paso del algoritmo de pivote)
(para animar con Firefox, pulsar aquí y luego en la imagen, manteniendo presionado)
Con ello obtenemos:
Ahora los coeficientes no optimales son con los pivotes admisibles , , y el coeficiente con los pivotes admisibles , . En consecuencia, despejamos en lugar de :
left|thumb|x360px| Cambio de la base 1 a la base 2| alt=(Ilustración animada de un paso del algoritmo de pivote)
(animado)
Se obtiene el sistema
El único coeficiente no optimal en este sistema es con los pivotes admisibles , ; despejamos en lugar de :
left|thumb|x360px| Cambio de la base 2 a la base 3| alt=(Ilustración animada de un paso del algoritmo de pivote)
(animado)
El sistema final es
Como este sistema satisface las condiciones de optimalidad, hemos obtenido la solución
Dualidad
Problemas duales
A todo problema de programación lineal llevado a la forma básica arriba descrita se le puede asociar un problema dual de programación lineal. Con respecto a esa forma básica, la matriz de coeficientes del problema dual es la matriz negativa traspuesta de la matriz de coeficientes del problema original, lo que muestra de paso que el dual del problema dual es el problema original, llamado problema primal en ese contexto.
ó, en notación compacta,
Como se muestra a continuación, el máximo obtenido en el problema dual (si es que existe) es igual al negativo del máximo obtenido en el problema primal.
( Precaución: Al usar la forma diccionario para escribir el problema dual, no es lícito sustituir por . A menudo el problema dual se define con una función objetivo en lugar de , lo que es lícito pero un tanto engorroso. )
Transformaciones sucesivas