UNIVERSIDAD NACIONAL SAN AGUSTIN

ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS

GUIA DE PRCTICAS PROGRAMACION MATEMTICA

DOCENTE: DRA. NORKA BEDREGAL ALPACA

AREQUIPA -2011

INTRODUCCION

Esta gua ha sido elaborada teniendo como gua la Sumilla de la asignatura Programacin Matemtica de la Escuela de Ingeniera de Sistemas de la Universidad Nacional de San Agustn. Existen muchas teoras y tratados que proponen que el aprendizaje no es casual sino el resultado de varias componentes: currculos acadmicos, profesores, materiales de enseanza y soporte acadmico. Algunos autores han sugerido que el aprendizaje ocurrir si el material de soporte est cuidadosamente y secuencialmente elaborado, aunado a un proceso de estmulo al estudiante. Otros ven el aprendizaje como una actividad manejable no por el estmulo, sino por el propio estudiante, quien debe querer aprender y participar en el proceso de aprendizaje, si es que quiere lograr un progreso real. Otros han estado de acuerdo en aplicar la ciencia en la prctica educacional, diciendo que se deben incluir procedimientos y tcnicas. En la elaboracin de esta gua se han tomado en consideracin, entre otras, estas teoras. Para facilitar el proceso de aprendizaje de la Programacin Matemtica se ha preparado este material de apoyo, de fcil lectura, y donde se han considerado puntos esenciales. En su elaboracin, cada punto particular tiene un orden de prioridad de ideas, hasta culminar la presentacin total del material contenido en el captulo. En cada captulo se numeran los contenidos, para expresar en forma corta cada concepto o punto particular y para poder tener puntos referenciales al realizar ejercicios prcticos de los contenidos. Cumpliendo con el objetivo que se expone, cada captulo tiene una parte de teora y otra de prctica en cada seccin que as lo amerite. Esta forma de presentacin pretende facilitar la lectura de contenidos y hacer notar la secuencia entre la teora y la prctica. El desarrollo del material de la asignatura, se hace considerando la Investigacin de Operaciones como una ciencia basada en el enfoque cientfico, para resolver problemas y proporcionar ayuda para la toma de decisiones.

PRIMER CAPITULO: INVESTIGACIN DE OPERACIONES PROGRAMACION LINEAL

Objetivos Especficos:
1. Presentar conceptos y aspectos relevantes del enfoque cuantitativo en la toma de decisiones 2. Proveer al estudiante con un entendimiento bsico de las habilidades iniciales necesarias para realizar anlisis cuantitativo, con Investigacin de Operaciones, mediante la teora 3. Presentar casos prcticos.

PRACTICA I: FORMULACION MODELOS EN I.O.

I.

Marco Terico (Conceptos y aspectos relevantes de la teora)

La Investigacin de Operaciones es una ciencia gerencial, enfocada hacia la toma de decisiones gerenciales, basada en el mtodo cientfico para resolver problemas. La Investigacin de Operaciones no es slo un conjunto de herramientas matemticas. De hecho, es un enfoque sistemtico que usa herramientas analticas para resolver problemas. En la toma de decisiones el anlisis puede tomar dos formas: cualitativo y cuantitativo. El anlisis cualitativo se basa principalmente en el juicio y experiencia de la gerencia, incluye sentimientos intuitivos sobre el problema tratado y es ms un arte que una ciencia. El anlisis cuantitativo se concentra en hechos cuantitativos o datos asociados con los problemas y desarrolla expresiones matemticas que describen las relaciones existentes en ellos. Seguidamente, utilizando mtodos cuantitativos, obtiene resultados con los que se hacen recomendaciones basadas en los aspectos cuantitativos del problema. El papel del anlisis cuantitativo en la toma de decisiones puede variar dependiendo de la importancia de los factores cualitativos. En algunas situaciones, cuando el problema, el modelo y los insumos permanecen iguales, el anlisis cuantitativo puede hacer automtica la decisin con los resultados obtenidos al usar mtodos cuantitativos. En otros casos, el anlisis cuantitativo es slo una ayuda para tomar la decisin y sus resultados deben ser combinados con informacin cualitativa. Los modelos matemticos son la base del anlisis cuantitativo. La esencia de la Investigacin de Operaciones es el uso de modelos. 3

Un modelo es una representacin simplificada de un sistema de la vida real, de una situacin o de una realidad integral del enfoque cientfico para tomar decisiones gerenciales. Este anlisis es racional y lgico. Consiste en: a) Definir claramente un problema, que previamente se ha determinado que existe, b) Desarrollar un modelo, c) Recolectar los datos de insumo, d) Solucionar el Modelo, e) Validar resultados, Interpretarlos y f) Implementarlos en la ejecucin de una decisin. Al definir el problema se deben identificar alternativas, criterios para evaluar esas alternativas, y seleccionarlas La optimizacin es un criterio utilizado y es sinnimo de maximizacin o minimizacin. La evaluacin de las alternativas se hace con modelos La definicin de un problema determinar el tipo de modelo a usar. Los modelos pueden ser objeto de diversa clasificacin. Tres formas de modelo son: Icnico, Analgico y Matemtico. Los icnicos son representaciones a escala (rplicas fsicas) de objetos reales. Los analgicos o esquemticos son modelos fsicos en cuanto a la forma pero no son semejantes fsicamente al objeto que est siendo modelado ( mapas de carreteras). Los modelos matemticos (llamados tambin simblicos) representan sistemas del mundo real; cuantifican sus variables y las combinan en expresiones y frmulas matemticas. Son idealizaciones de problemas de la vida real basados en supuestos claves, estimados y/ estimaciones estadsticas. Los modelos matemticos son los que, tradicionalmente, han sido ms comnmente identificados con la Investigacin de Operaciones. Los modelos matemticos, base para el anlisis cuantitativo, contienen variables y parmetros. Relacionan variables de decisin (Insumos Controlables) con parmetros o coeficientes fijos (Insumos Incontrolables) y frecuentemente buscan maximizar o minimizar una funcin objetivo sujeta a restricciones. Formular y construir el modelo son procesos integrados. La formulacin es el aspecto lgico conceptual y la construccin es la expresin de las relaciones lgicas en el lenguaje simblico de la Matemtica. Las principales razones para usar modelos, en lugar de trabajar directamente sobre la realidad, son las siguientes: a) Ahorro de dinero, tiempo u otro bien de valor; b) Evitar riesgos de daos al sistema cuando se est solucionando el problema; c) Para entender mejor el ambiente real cuando ste es muy complicado. La solucin de modelos matemticos, bien documentada en la bibliografa de Investigacin de Operaciones, incluye un algoritmo o serie de clculos especficos que deben realizarse. Cada modelo usa un particular algoritmo. Muchos de ellos contienen pasos repetitivos y por eso se les llama iterativos, esto permite su fcil implementacin en la computadora. Los modelos deben ser probados para su validez interna o externa. En sentido interno, las representaciones matemticas deben tener sentido unas con respecto a las otras. En sentido externo, los resultados obtenidos del modelo deben tener sentido cuando se comparan con la realidad de la situacin que es estudiada.

II.

Mapa Conceptual

III.

Problemas Resueltos

Problema 1: Un expendio de carnes de la ciudad acostumbra preparar la carne para albondign con una combinacin de carne molida de res y carne molida de cerdo. La carne de res contiene 80% de carne y 20% de grasa, y le cuesta a la tienda 8 soles por libra; la carne de cerdo contiene 68% de carne y 32% de grasa, y cuesta 6soles por libra. Formule un modelo que le permita determinar la cantidad de cada tipo de carne debe emplear la tienda en cada libra de albondign, si se desea minimizar el costo y mantener el contenido de grasa no mayor de 25%

Si se define Z: costo de una libra de albondign en soles entonces el objetivo es minimizar el costo, z, de una libra de albondign, donde: Z = 8 veces el nmero de libras de carne molida de res, ms 6 veces el nmero de libras de carne molida de cerdo empleadas.

Si se define: X1 = nmero de libras de carne molida de res empleadas en cada libra de albondign. X2 = nmero de libras de carne molida de cerdo empleadas en cada libra de albondign, el objetivo se expresa como: minimcese: z = 8X1 + 6X2

Cada libra de albondign tendr 0.20 x1, libras de grasa provenientes de la carne de res y 0.32 x2 libras de grasa de la carne de cerdo. El contenido total de grasa de una libra de albondign no debe ser mayor de 0.25 libras. Entonces: 0.20X1 +0.32X2 <= 0.25 El nmero de libras de carne de res y de cerdo empleadas en cada libra de albondign debe sumar 1; entonces: X1 + X2 = l Finalmente, la tienda no puede usar cantidades negativas de ninguna de las carnes, as que hay dos restricciones de no negatividad: X1>= 0 y X2 >= 0. Combinando estas condiciones se tiene: minimcese: z = 8X1 + 6X2 con las condiciones: 0.20X1 + 0.32X2 <= 0.25 X1 + X2 = 1 con todas las variables no negativas

Problema 2: Una excursionista planea salir de campamento. Hay cinco artculos que desea llevar consigo, pero entre todos sobrepasan las 60 k. que considera que puede cargar. Para auxiliarse en la seleccin, ha asignado un valor a cada artculo en orden ascendente de importancia:

Formule un modelo que le permita determinar Qu artculos deber llevar para maximizar el valor total, sin sobrepasar la restriccin de peso? Haciendo que Xi (i = 1, 2, 3, 4, 5) indique la cantidad a llevar del artculo I, se puede plantear el objetivo como: maximcese: z = 1OO X1 + 60 X2 + 70 X3 + 15 X4 + 15 X5 La restriccin de peso es: 52X1 + 23X2 + 35X3 + 15X4 + 7X5 <= 60 Ya que cada artculo se llevar o no se llevar, cada variable debe ser 1 o 0. Estas condiciones se cumplirn, si se pide que cada variable sea no negativa, no mayor que 1 y entera. Combinando estas restricciones, se tiene el programa matemtico: maximcese: z = 1OO X1 + 60 X2 + 70 X3 + 15 X4 + 15 X5 con las condiciones: 6

52X1 + 23X2 + 35X3 + 15X4 + 7X5 <= 60 X1 <= 1 X2 <= 1 X3 <= 1 X4 <= 1 X5 <= 1 con todas las variables enteras no negativas.

IV.

Problemas Propuestos

Formule en cada caso un modelo matemtico que permita resolver el problema Problema 1: Un fabricante produce dos modelos de de equipos de pruebas M1 M2, que requieren de 3 etapas principales para su manufactura. Estos requerimientos, el beneficio obtenido al vender cada producto y las capacidades manuales de la fbrica son los siguientes:

Se desea para planificar la produccin mensual ptima sin considerar los costos. Problema 2: Un fabricante de bombones entrega productos en cajas de 1 kg. en dos variedades: A y B. La caja tipo A contiene 300 grs. de bombones de licor, 500 grs. de nuez y 200 grs. de fruta. La caja tipo B contiene 400 grs., 200 grs. y 400 grs. de cada tipo de bombn respectivamente. La utilidad por cada caja es de S/.12 para las cajas del tipo A y de S/.9 para las cajas del tipo B. El fabricante dispone de 100 kg. de bombones de licor, 120 kg. de nuez y 100 kg. de fruta. Se pide determinar la cantidad de cajas de cada tipo que debe armar el fabricante para que la ganancia sea mxima. Problema 3: Bloomington Bresweries produce dos tipos de cerveza: rubia y negra. La cerveza rubia se vende a $5 el barril, y la cerveza negra se vende a $2 el barril. Para producir un barril de cerveza rubia hacen falta 5 gr. de maz y 2 gr. de lpulo. Para producir un barril de cerveza negra son necesarios 2 gr. de maz y 1 gr. de lpulo. Hay disponibles 60 gr. de maz y 25 gr. de lpulo. Se desea maximizar las ganancias. Problema 4: El granjero Jones prepara dos tipos de tortas (chocolate y vainilla) para obtener ingresos extra. Cada torta de chocolate se puede vender a $1, y cada torta de vainilla se puede vender a $0.50. Cada torta de chocolate requiere de 20 minutos de coccin y usa 4 huevos. En cambio cada torta de vainilla requiere 40 minutos de coccin y usa 1 huevo. Jones tiene disponibles 8 horas de coccin y 30 huevos. Jones quiere maximizar las ganancias.

PRACTICA II: FORMULACION DE MODELOS

I.

Marco Terico (Conceptos y aspectos relevantes de la teora)

La Funcin Objetivo del Modelo Lineal es la formulacin matemtica de una meta establecida y por lo tanto su valor final mide la efectividad lograda. Es una funcin lineal a ser maximizada o minimizada y tiene la siguiente forma general: Optimizar C1X1 + C2X2 + C3X3 + C4X4 +...................+ CnXn

Xj, simboliza matemticamente a las variables de decisin. Son los valores numricos que se determinan con la solucin del modelo y representan o estn relacionadas con una actividad o accin a tomar. Son los nicos valores desconocidos en el modelo y pueden existir en cualquier cantidad, desde 1 hasta n variables. Es decir, j vara desde 1 hasta n. Cj, matemticamente, simboliza el coeficiente de la variable j en la Funcin Objetivo. Son datos relevantes, insumos incontrolables ya conocidos. En la Funcin Objetivo representan la cantidad con la cual contribuye cada unidad de la variable j, al valor total deseado en el objetivo. Las restricciones, desde el punto de vista matemtico, son funciones lineales expresadas como igualdades o desigualdades, que limitan el valor de las variables de decisin a valores permisibles. Representan recursos, condiciones o requerimientos establecidos. Las restricciones del Modelo Lineal general tienen la forma siguiente: a11 X1 + a 12 X 2 + a 13 X 3 + a14 X 4 + .................. + a1n Xn > = < b1 a21 X1 + a 22 X 2 + a 23 X 3 + a24 X 4 + .................. + a2n Xn > = < b2 a31 X1 + a 32 X 2 + a 33 X 3 + a34 X 4 + .................. + a3n Xn > = < b3 ...... ...... am1 X1 + a m2 X 2 + am3 X 3 + am4 X 4 +...............+ amn Xn > = < bm

aij, matemticamente simboliza el coeficiente, en la restriccin i, de las variable j. El subndice i indica el recurso, requerimiento o condicin cuya limitacin se est expresando; j indica la variable correspondiente. Cuando la limitacin es de un recurso i, estos coeficientes representan la cantidad del recurso total limitado i, que es utilizada en cada unidad de la variable j. Cuando la limitacin es de un requerimiento o condicin i, representan la cantidad del requerimiento o condicin i limitada, que aporta cada unidad de la variable j, al requerimiento o condicin total establecida. Son, por ello, valores unitarios, al igual que los coeficientes de las variables en la Funcin Objetivo.

bi, matemticamente constituye el lado derecho de la restriccin i. Representa la cantidad total disponible del recurso limitado i, o la cantidad total de un requerimiento o condicin i establecida. Puede existir cualquier cantidad de restricciones por lo tanto i puede variar desde 1 hasta m. Xj >= 0 es una restriccin de no negatividad de las j variables, la cual se le considera siempre presente como una condicin natural en el Modelo Lineal General.

II.

Mapa Conceptual

Elabore un mapa conceptual empleando los conceptos y aspectos relevantes de la formulacin de Problemas.

III.

Problemas Propuestos:

Problema 1: El Banco Internacional abre de Lunes a Viernes de 8 a.m. a 4p.m. De experiencias pasadas sabe que va a necesitar la cantidad de cajeros sealados en la tabla dada. Hay dos tipos de cajeros: los que trabajan tiempo completo de 8 am a 4 pm, los cinco das, excepto la hora que utilizan para almorzar. El Banco determina cundo debe almorzar cada cajero, pero debe ser entre las 12m y la 1 p.m. o entre la 1 p.m. y las 2 p.m. A los empleados a tiempo completo se les paga Bs.1.800 la hora (incluida la hora de almorzar). Tambin hay trabajadores a tiempo parcial que deben trabajar exactamente 3 horas consecutivas cada da y se le paga 11 soles la hora, sin ningn otro pago. A fin de mantener la calidad del servicio el Banco desea tener un mximo de 5 cajeros contratados a tiempo parcial. Se desea minimizar los costos de empleados contratados.

Problema 2: Una planta recicladora de papel procesa papel de cajas, papel tissue, papel de impresin y papel para libros y produce pulpa para tres tipos de papel reciclado. Los precios por tonelada y los contenidos de pulpa de cada materia prima se muestran en la tabla. Para transformar la materia prima en pulpa, se pueden usar dos mtodos, de-inking y dispersin asfltica. Cuesta $20 el proceso de de-inking por tonelada de cualquier materia prima. El proceso de de-inking pierde el 10% de la pulpa de la materia prima, dejando el 90% de la pulpa original. Cuesta $15 aplicar el proceso de dispersin asfltica a una tonelada de materia prima. Este proceso pierde el 20% de la pulpa. A lo sumo 3000 toneladas de materia prima pueden procesarse mediante dispersin asfltica o el proceso de-inking. El papel reciclado de tipo 1, solo se puede producir a partir de la pulpa de papel de impresin o de papel para libros; el de tipo 2, solo a partir de papel para libros, papel tissue o papel de cajas; el de tipo 3, solo con papel de impresin, papel tissue o papel de cajas. Para satisfacer la demanda actual, la compaa necesita 500 toneladas de pulpa para el papel tipo 1, 500 toneladas de pulpa para el papel tipo 2 y 600 toneladas para el papel tipo 3. Formular un PL que minimice los costos de satisfacer la demanda de pulpa.

Problema 3: Turkeyco produce dos tipos de cortes de pavo para la venta a restaurants de comida rpida. Cada tipo de corte consiste en carne blanca y carne oscura. El corte 1 se vende a $4 por libra y debe consistir al menos de 70% de carne blanca. El corte 2 se vende a $3 por libra y debe contener al menos 60% de carne blanca. A lo sumo 50 libras del corte 1 y 30 libras del corte 2 pueden ser vendidos. Se usan dos tipos de pavos para producir los cortes. Cada pavo de tipo 1 cuesta $10 y produce 5 libras de carne blanca y 2 libras de carne oscura. Cada pavo de tipo 2 cuesta $8 y produce 3 libras de carne blanca y 3 libras de carne oscura. Formular un PL que maximice los beneficios de Turkeyco. Problema 4: Semicond es una pequea empresa electrnica que fabrica radios y reproductores de CD. En setiembre de 2001 la empresa tiene materia prima suficiente para fabricar 100 reproductoras de CD y 100 radios. Los costos por unidad, de materia prima, y precio de venta para cada producto figuran en la siguiente tabla;

El balance de la Compaa el 1 de setiembre es:

La empresa quiere determinar cuntas radios y reproductoras de CD debera fabricar en setiembre, suponiendo que la demanda es tal que todos lo que se produzca podra ser vendido. Todas las ventas son a crdito, y lo que se vende en setiembre ser cobrado el 1 de noviembre. Durante setiembre Semicond cobrar 2000$ correspondiente a productos vendidos con anterioridad y tendr que pagar 1000 del prstamo bancario que pidi y un alquiler de 1000$. En octubre recibir un pedido de materia prima por 2000$ que deber pagar el 1 de noviembre. La empresa quiere que el balance de caja el 1 de octubre sea al menos 4000$, y los requerimientos del crdito bancario son que el cociente entre activo y pasivo sea al menos 2. Cul debera ser la produccin de la empresa en setiembre para maximizar el beneficio de la empresa?. Resolver grficamente. Analizar la solucin.

10

SEGUNDO CAPITULO: SOLUCION DE PROBLEMAS LINEALES

Objetivos Especficos:
1. Practicar la formulacin de modelos matemticos de programacin lineal 2. Presentar la Teora de la Programacin Lineal y sus mtodos de solucin. 3. Dar una idea intuitiva de lo que es un modelo de programacin lineal y de las bases que cimentan su solucin mediante la presentacin del mtodo grfico. 4. Explicar el mtodo simplex

Contenidos:
1. 2. 3. 4. 5. Construccin de modelos de programacin lineal Mtodo grfico en la solucin de problemas lineales Conceptos bsicos del mtodo simplex El mtodo simplex y las variables artificiales Complicaciones en la programacin lineal

PRACTICA III: METODO GRAFICO

I.

Marco Terico (Conceptos y aspectos relevantes de la teora)

El mtodo grfico se usa para resolver modelos lineales con dos variables y muestra el conjunto convexo que constituye la denominada regin solucin y el(los) punto(s) s extremo(s) que proporciona(n) la solucin del modelo. El Mtodo Grfico permite conocer la base matemtica de la solucin de modelos lineales, los conjuntos convexos, y observar grficamente situaciones que se presentan en modelos de cualquier tamao. Esto ayuda a la comprensin de la Programacin Lineal. El proceso para trabajar con el Mtodo Grfico sigue los pasos siguientes: a) Graficar las restricciones como igualdades y luego determinar el rea correspondiente a la desigualdad, sombreando el espacio correspondiente. b) Determinar el rea comn a todas las restricciones. c) Evaluar la Funcin Objetivo en cada punto extremo del espacio de soluciones posibles. El punto o los puntos extremos en el que se obtenga el mejor valor, determinarn la solucin del modelo. Existe un procedimiento alterno al punto c), sealado en el Mtodo Grfico, para obtener la solucin del modelo. Este procedimiento alterno consiste en graficar la Funcin Objetivo con un valor arbitrario dentro de la regin solucin. Luego se desplaza paralelamente en la direccin que incremente su valor (si est maximizando) o decrezca su valor (si est minimizando). El punto o los puntos extremos que toque esa Funcin Objetivo antes de salir totalmente fuera de la regin de soluciones posibles determinarn el ptimo, o solucin del modelo.

11

Al conjunto convexo de solucin se le llama regin de soluciones posibles, porque todos los puntos de esa regin satisfacen TODAS las restricciones del modelo. Un modelo tiene solucin ptima UNICA cuando slo una combinacin de variables proporciona el mejor valor para el objetivo; se reconoce en el grfico porque un nico punto extremo provee el mejor valor del objetivo o un nico punto extremo limita el valor de la recta objetivo. Un modelo tiene soluciones ptimas ALTERNAS cuando ms de una combinacin de variables proporciona el ptimo valor del objetivo. Se reconoce en el grfico porque ms de un punto extremo proporciona el ptimo valor del objetivo o ms de un punto extremo limita el valor de la recta objetivo. La recta objetivo al desplazarse dentro de la regin solucin cae paralelamente sobre alguna restriccin antes de salir totalmente de la regin solucin. Un modelo NO TIENE SOLUCIN POSIBLE cuando no hay alguna combinacin de variables que satisfaga todas las restricciones. Se debe a la presencia de restricciones inconsistentes en el modelo. Se reconocen en el grfico porque no existe ninguna regin comn para todas las restricciones. Un modelo tiene SOLUCIN CON VALOR INFINITO cuando hay combinaciones de variables que proporcionan valor infinito para el objetivo y no hay alguna combinacin que limite el valor del objetivo a un valor finito. Esto se debe a la omisin de restricciones importantes, del sistema, en el modelo. Estas restricciones limitaran las variables de decisin a valores factibles. Se reconocen en el grfico porque el espacio de solucin es abierto, no acotado, no limitado y la Funcin Objetivo puede moverse dentro de esa regin hasta el infinito sin que un punto extremo, con valor finito, limite su valor. Un modelo tiene ESPACIO DE SOLUCION NO ACOTADO y SOLUCION DE VALOR FINITO cuando existen combinaciones de variables que dan un valor infinito al objetivo pero existe al menos una combinacin de variables que le proporciona un valor finito. Se reconocen en el grfico porque la regin de soluciones posibles es abierta, no limitada pero hay por lo menos un punto extremo que limita el valor del objetivo. Un modelo tiene SOLUCION DEGENERADA cuando existen combinaciones de variables que tienen ms de la cantidad normal (una por cada restriccin) de variables con valor cero. Esto se debe a la presencia de restricciones redundantes en el modelo. Ms de la cantidad normal de variables (una por cada restriccin del modelo) debe tomar valor cero para satisfacer a mayor cantidad de restricciones en el punto ptimo. Se reconocen en el grfico porque ms de dos restricciones cruzan sobre el punto extremo ptimo.

II.

Mapa Conceptual

Elabore un mapa conceptual empleando los siguientes conceptos y aspectos relevantes de la teora del Mtodo Grfico. Si considera necesario aadir otros aspectos hgalo. Modelos con solucin ptima nica Modelos con soluciones ptimas alternas mltiples Modelos sin solucin posible Modelos que presentan solucin con valor infinito Modelos con espacio de solucin no acotado y solucin de valor finito. Modelos con solucin degenerada 12

III.

Problemas Resueltos

Problema Gua: Resolver mediante el mtodo grfico el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y sujeto a: 2x + y 18 2x + 3y 42 3x + y 24 x0,y0

1. Inicialmente se dibuja el sistema de coordenadas asociando a un eje la variable x, y al otro la y, como se puede ver en la figura.

2. Se marca en ellos una escala numrica apropiada de acuerdo con los recorridos de las variables en relacin con las restricciones del problema. A continuacin se dibujan las restricciones. Comenzando con la primera, dibujamos la recta que se obtiene al considerar la restriccin como igualdad. Aparece representada como el segmento que une A con B y la regin que delimita sta restriccin viene indicada por el color AMARILLO. Se repite el proceso de la misma forma con la segunda y tercera restriccin, y delimitan la regin de color AZUL y ROJO respectivamente.

La regin factible es la interseccin de las regiones delimitadas por la terna de restricciones y por las condiciones de no negatividad de las variables, es decir, por la regin de valores admisibles limitada por ambos ejes coordenados. La regin factible est representada por el polgono convexo O-F-H-G-C, que aparece de color VIOLETA.

13

Ya que la regin factible es no vaca (problema factible), se procede a determinar sus puntos extremos, candidatos a soluciones ptimas, que son los puntos O-F-H-G-C de la figura. Finalmente, se evala la funcin objetivo (3x + 2y) en esos puntos, resultado que se recoge en la tabla siguiente.

Como el punto G proporciona el mayor valor al objetivo Z, tal punto constituye la solucin ptima, que se indica x = 3 y = 12, con valor ptimo Z = 33.

Problemas Propuestos:
Resuelva los siguientes problemas por medio del mtodo Grfico y el Mtodo Simplex. Compare las soluciones encontradas. Adems, comente la solucin con respecto a: existencia y unicidad. En el Mtodo Grfico, determine si las reas son o no acotadas y de qu manera influye esto sobre el resultado. Problema 1: MAX Z = 6X1 - 2X2 S.A. 2X1 - X2 <= 2 X1 <= 4 Xi >= 0

14

Problema 2: MAX Z = -4X1 - 5X2 S.A. -X1 - 4X2 <= -5 -3X1 - 2X2 <= -7 Xi >= 0 Problema 3: MAX Z = -X1 + 3X2 S.A. 4X1 + 9X2 >= 36 4X1 + 3X2 <= 6 Xi >= 0 Problema 4: MAX Z = 6X1 - 3X2 S.A. -X1 + 6X2 >= 3 3X1 - 4X2 <= 12 X1 + X2 >= 4 Xi >= 0 Problema 5: Un estudiante reparte propaganda publicitaria en su tiempo libre. La empresa A le paga 0,05 por impreso repartido y la empresa B, con folletos ms grandes, le paga 0,07 por impreso. El estudiante lleva dos bolsas: una para los impresos de tipo A, en la que le caben 120, y otra para los de tipo B, en la que caben 100. Ha calculado que cada da puede repartir 150 impresos como mximo. Cuntos impresos habr de repartir de cada clase para que su beneficio diario sea mximo? Problema 6: Un autobs Madrid-Pars ofrece plazas para fumadores al precio de 100 y a no fumadores al precio de 60 . Al no fumador se le deja llevar 50 kg de peso y al fumador 20 kg. Si el autobs tiene 90 plazas y admite un equipaje de hasta 3 000 kg, cul debera ser la oferta de la compaa si se quiere obtener el mximo beneficio?

15

PRACTICA IV: METODO SIMPLEX

I.

Marco Terico (Conceptos y aspectos relevantes de la teora)

El Mtodo Simplex es un procedimiento de clculo algebraico, iterativo, para resolver Modelos Lineales de cualquier tamao. El algoritmo Simplex requiere que el Modelo Lineal, para ser solucionado, cumpla las condiciones de Forma Estndar y Sistema Cannico. La Forma Estndar incluye: a) una Funcin Objetivo a optimizar, b) lado derecho de las restricciones con valor positivo, c) variables de decisin no negativas y d) las restricciones deben ser expresadas como desigualdades de la forma menor igual. Para transformar las restricciones en igualdades se deben incorporar las llamadas variables de holgura. Una variable de holgura tiene coeficiente cero en la Funcin Objetivo. Se suman en restricciones del Tipo <= y se restan en restricciones del Tipo >=. En trminos matemticos, expresan la diferencia entre el lado izquierdo y el lado derecho de las restricciones. Al igual que las variables de decisin deben ser mayores o iguales a cero. En trminos del modelo representan la cantidad de recurso no utilizado con relacin a un mximo disponible, o utilizado por encima de un mnimo disponible. Esto es as cuando la restriccin es de un recurso disponible. Cuando la restriccin es de una condicin o requerimiento, representan la cantidad de esa condicin o requerimiento que se obtiene por encima de un mnimo o que se deja de tener con relacin a un mximo. El Sistema Cannico en un Modelo Lineal significa que debe existir una variable bsica en cada restriccin. Esto permite obtener una primera solucin posible que satisface todas las restricciones. Una variable bsica tiene coeficiente 1 positivo en una restriccin y no existe en las dems. Las variables de decisin (estructurales) del modelo y las variables de holgura pueden ser variables bsicas. Cuando ninguna de ellas cumple con la condicin de ser bsica, se incorpora una variable como artificio matemtico, para cumplir con el sistema cannico y a esa variable se le llama variable artificial. Una variable artificial debe tener incorporado un coeficiente muy alto en la Funcin Objetivo, con signo negativo en maximizacin y con signo positivo en minimizacin. Con esto se logra que el procedimiento Simplex las elimine de la solucin en las primeras iteraciones. Estas variables deben valer cero en la solucin ptima del modelo. Una Tabla Simplex es un resumen detallado de toda la informacin del modelo para trabajar ms fcilmente con l. En las Tablas Simplex, el espacio Cx se utiliza para copiar los coeficientes de todas las variables en la Funcin Objetivo. En fila porque ellos conforman un vector fila. Debajo de cada coeficiente se escribe el smbolo correspondiente a la variable de ese coeficiente. En el espacio CB, se copian los coeficientes de las variables correspondientes a las variables que son bsicas en cada restriccin. En el espacio BASE se copian las variables que 16

son bsicas en cada restriccin. Tanto los coeficientes como las variables estn colocadas en el correspondiente nivel de la restriccin en la que se usan como bsicas. Debajo del smbolo de cada variable se escriben los vectores de esas variables en el modelo. Ellos conforman la matriz de coeficientes. En el espacio bi se copian los lados derechos de las restricciones conformando un vector columna, cada solucin posible del modelo se leer en este espacio. El Modelo Lineal en su forma estndar general puede ser escrito en notacin matriz- vectores, como: Max Z = cx Sujeto a : Ax = b x>= 0 b>0 Donde A es una matriz (mxn); x es un vector columna (nx1); b es vector columna (mx1) y c es un vector fila (1x n). El nmero de variables es n y el nmero de restricciones es m. El Mtodo Simplex funciona, en forma general, de la siguiente forma: Calcula una solucin posible inicial y determina s esa solucin es ptima. Si no lo es, se mueve a un punto extremo adyacente, en el conjunto convexo de soluciones posibles, y calcula la nueva solucin en ese punto. De nuevo determina si esa solucin es o no ptima; si no lo es, repite el proceso anterior. As contina sucesivamente hasta encontrar un punto extremo cuyo valor objetivo no pueda ser mejorado y all concluye, determinando as que ha encontrado la solucin ptima. Para calcular la solucin posible inicial le otorga valor cero a las variables que no son bsicas y resuelve para las otras variables bsicas. Cada solucin posible satisface todas las restricciones. Para determinar si la solucin inicial es ptima, calcula los llamados coeficientes relativos de las variables. Estos valores informan en cuanto variara el objetivo por cada unidad en que se incremente el valor de la variable a la que se refiere ese coeficiente relativo. Si la solucin no es ptima, al moverse a otro punto extremo adyacente en el conjunto convexo, el Mtodo Simplex efecta un intercambio de una variable bsica por una no-bsica. Para determinar cual variable no-bsica debe entrar a formar parte de una nueva solucin, como variable bsica, se utiliza como criterio el seleccionar la variable que mejore en mayor cantidad el objetivo. La medida utilizada para aplicar este criterio son los llamados Coeficientes Relativos de las variables. Para determinar cul variable bsica debe salir de una solucin, para pasar a ser variable nobsica, se utiliza como criterio el seleccionar a la variable bsica que se hace cero al introducir la nueva variable bsica. La medida utilizada para aplicar este criterio es el llamado Ratio Mnimo de la variable. Adems de indicar la variable que se hace cero, el Ratio Mnimo informa cul ser el valor de la variable entrante en la nueva solucin. Para calcular una nueva solucin posible efecta operaciones matemticas que transforman el sistema actual de ecuaciones, en un sistema de ecuaciones equivalente. Este es un proceso iterativo. En cada iteracin intercambia una variable bsica por una no-bsica. Los Coeficientes Relativos y los Ratios Mnimos tiene frmulas matemticas para calcularlos.

17

En cada iteracin intercambia una variable bsica por una no-bsica. En cada solucin los Coeficientes Relativos informan si se ha llegado o no al ptimo. Coeficientes Relativos y los Ratios Mnimos tiene frmulas matemticas para calcularlos. En las Tablas Simplex se reconoce que hay una solucin ptima NICA cuando los coeficientes relativos de variables no-bsica tienen valor > que cero en minimizacin y < que cero en maximizacin. Esto indicara que ninguna de esas variables IGUALARA el valor ptimo encontrado y por lo tanto, es nica. Se reconoce que hay una solucin ptima ALTERNA cuando por lo menos uno de los coeficientes relativos de variables no-bsica tiene valor igual a cero Esto indicara que esa variables IGUALARIA el valor ptimo encontrado y por lo tanto, es alterna. Se reconoce que hay una solucin ptima con valor INFINITO cuando por lo menos uno de los coeficientes relativos de variables no-bsica tiene un valor que indique que la solucin actual puede ser mejorada. Pero al calcular el Ratio Mnimo, ste indica que esa variable puede crecer indefinidamente y por lo tanto tambin el valor del objetivo. Se reconoce que hay una solucin ptima IMPOSIBLE cuando todos los coeficientes relativos indican que la solucin es ptima pero, por lo menos, una variable artificial permanece en la solucin con valor mayor que cero. Se reconoce que hay una solucin ptima DEGENERADA cuando por el nmero de variable bsicas con valor mayor que cero es menor que el nmero de restricciones en el modelo.

II.

Mapa Conceptual

Elabore un mapa conceptual empleando los conceptos y aspectos relevantes de la teora del Mtodo Simplex.

III.

Problemas Resueltos:

Problema Gua: Resolver por el mtodo simplex Maximizar Z = 40 x1+ 60 x2 sujeto a 2x1 + x2 < = 70 x1 + x2 < = 40 x1 + 3x2 < = 90 x1>= 0, x2 >= 0

Para poder aplicar el Mtodo Simplex, es necesario llevar el modelo a su formato estndar, para lo cual definimos X3, X4, X5 >= 0 como las respectivas variables de holgura para la restriccin 1, 2 y 3.

18

Transformar un sistema de desigualdades en otro de ecuaciones con variables de holgura: 2x1 + x2 + x3 + 0x4 + 0x5 = 70 x1 + x2 + 0x3 + x4 + 0x5 = 40 x1 + 3x2 + 0x3 + 0x4 + x5 = 90

Igual a cero la funcin objetivo a maximizar: Z = 40 x1+ 60 x2 entonces z - 40x1 - 60x2 + 0x3 + 0x4 + 0x5

De esta forma queda definida la tabla inicial del mtodo de la siguiente forma: X1 -40 2 1 1 X2 -60 1 1 3 X3 0 1 0 0 X4 0 0 1 0 X5 0 0 0 1 Valor 0 70 40 90

X3 X4 X5

Inicialmente, las variables x3 70, x4 = 40 , x5 = 90, x1 y x2, que no estn en la base, valen 0. En esta situacin, las variables de holgura definen una solucin bsica factible inicial, condicin necesaria para la aplicacin del mtodo. Luego, se verifican los costos reducidos de las variables no bsicas (X1 y X2 en la tabla inicial) y se escoge como variable que entra a la base aquella con el costo reducido "ms negativo". En este caso, X2. Luego, para escoger que variable bsica deja la base debemos buscar el mnimo cociente entre el lado derecho y los coeficientes asociados a la variable entrante en cada fila (para aquellos coeficientes > 0 marcados en rojo en la tabla anterior). El mnimo se alcanza en Min {70/1, 40/1, 90/3} = 30 asociado a la tercera fila, el cual corresponde a la variable bsica actual X5, en consecuencia, X5 deja la base. A la posicin que se alcanza el mnimo cociente se le llama "Pivote" (marcado con rojo) el cual sirve para realizar las respectivas operaciones filas, logrando la siguiente tabla al cabo de una iteracin: X1 -20 5/3 2/3 1/3 X2 0 0 1 0 X3 0 1 0 0 X4 0 0 1 0 X5 20 -1/3 -1/3 1/3 Valor 1800 40 10 30

X3 X4 X2

La actual tabla no corresponde a la solucin ptima del problema P) debido a que existe una variable no bsica con costo reducido negativo, por tanto X1 entra a la base. Posteriormente, mediante el criterio del mnimo cociente calculamos la variable que debe dejar la base: Min {40/(5/3), 10/(2/3), 30/(1/3)} = 15, asociado a la fila 2 (variable bsica actual X4), por tanto X4 deja la base. Obtenido lo anterior se aplica una iteracin del mtodo:

19

X3 X1 X2

X1 0 0 1 0

X2 0 0 0 1

X3 0 1 0 0

X4 30 -5/2 3/2 -1/2

X5 10 1/2 -1/2 1/2

Valor 2100 15 15 25

Finalmente se alcanza la solucin ptima del problema P) y se verifica que los costos reducidos asociados a las variables no bsicas (X4 y X5 son mayores o iguales que cero). Ntese que la existencia de un costo reducido igual a cero para una variable no bsica en esta etapa define un problema con "infinitas soluciones".

La solucin alcanzada es X1* = 15, X2* = 25 con V(Z*) = 2.100. Adicionalmente, los costos reducidos asociados a las variables no bsicas definen el precio sombra asociado a las restricciones 1, 2 y 3, respectivamente, lo cual es equivalente a la obtencin del precio sombra mediante el mtodo grfico.

IV.

Problemas Propuestos:

Problema 1: Se va a mezclar mineral proveniente de 4 minas diferentes para fabricar bandas para un nuevo producto de la GMC. Los anlisis han demostrado que para producir una banda con las cualidades adecuadas de tensin y los requerimientos mnimos se debe contar con 3 elementos bsicos: A, B, C. En particular, cada tonelada de mineral debe contener, por lo menos, 5 libras de elemento bsico A, por lo menos 100 libras del elemento B, y al menos 30 libras del elemento C. El mineral de cada una de las 4 minas contiene los 3 elementos bsicos, pero en distintas proporciones. Sus composiciones en libras/toneladas, y los costos de extraccin de los minerales de cada mina son:

Elemento Bsico A B C

1 10 90 45

MINA 2 3 3 8 150 75 25 20

4 2 175 37

MINA 1 2 3 4

Costos en U$/Ton de mineral 800 400 600 500

La GMC desea hallar la combinacin (mezcla) de costo mnimo para fabricar la banda. Plantee el problema como un PPL.

20

Problema 2: Un proveedor debe preparar con 5 bebidas de fruta en existencias, al menos 500 galones de un ponche que contenga por lo menos 20% de jugo de naranja, 10% de jugo de toronja y 5% de jugo de arndano. Si los datos del inventario son los que se muestran en la tabla siguiente Qu cantidad de cada bebida deber emplear el proveedor a fin de obtener la composicin requerida a un costo total mnimo?

Jugo de Naranja Bebida A Bebida B Bebida C Bebida D Bebida E 40 5 100 0 0

Jugo de Toronja 40 10 0 100 0

Jugo de Arndano 0 20 0 0 0

Existencia [gal] 200 400 100 50 800

Costo [$/gal] 1,50 0,75 2,00 1,75 0,25

Nota: Las tres primeras columnas indican el porcentaje de un tipo de jugo dentro de una determinada bebida Problema 3: Un producto se puede formar de 4 unidades del componente A1 junto con 3 unidades del componente B1, o se pueden utilizar 3 unidades del componente A2 junto con 4 unidades del componente B2. En cualquiera de las dos opciones, usted puede suponer que la calidad del producto es la misma. Las componentes A1 y B1 se fabrican en la Fbrica UNO y las componentes A2 y B2 se fabrican en la Fbrica DOS. Cada componente necesita 3 materiales P, Q y R. Sin embargo, se utilizan en diferentes proporciones. Las cantidades usadas dependen del lugar y del tipo de componente a elaborar. Actualmente se dispone de 400 unidades de P, 300 de Q y 500 de R. Plantear el problema de programacin lineal asociado que permita determinar el nmero de corridas de produccin en cada fbrica, tal que maximice la produccin total del producto terminado, si se conoce la siguiente tabla:
Fbrica Material UNO DOS Unidades requeridas por corrida P 7 5 Q 3 6 R 10 5 Unidades producidas por corrida A1 5 0 B1 6 0 A2 0 7 B2 0 8

Problema 4: Una familia campesina es propietaria de 125 acres y tiene fondos por $40000 para invertir. Sus miembros pueden producir un total de 3500 horas-hombre de mano de obra durante los meses de invierno (mediados de junio a mediados de septiembre) y 4000 horas-hombre durante el verano. En caso de que se necesite una parte de estas horas hombre, los jvenes de la familia las emplearn para trabajar en un campo vecino por $5.00 la hora durante los meses de invierno y por $6.00 la hora en el verano. Pueden obtener el ingreso en efectivo a partir de tres tipos de cosecha y dos tipos de animales de granja: vacas lecheras y gallinas ponedoras. Para las cosechas no se necesita inversin, pero cada vaca requerir un desembolso de $1200 y cada gallina costar $9. 21

Cada vaca necesita 1.5 acres, 100 horas-hombre durante el invierno y otras 50 horas-hombre en el verano; cada una producir un ingreso anual neto de $1000 para la familia. Las cifras correspondientes para cada gallina son nada de terreno, 0.6 horas-hombre en el invierno, 0.3 horas-hombre en el verano y un ingreso anual neto de $5. Caben 3000 gallinas en el gallinero y el corral limita el ganado a un mximo de 32 vacas. Las estimaciones de las horas-hombre y el ingreso por acre plantado con cada tipo de cosecha son:
Horas-hombre en invierno Horas-hombre en verano Ingreso neto anual [$] Soya 20 50 600 Maz 35 75 900 Avena 10 40 450

La familia quiere determinar cuntos acres debe sembrar con cada tipo de cosecha y cuntas vacas y gallinas debe mantener para maximizar su ingreso neto. Formule el modelo de programacin lineal para este problema.

22

TERCER CAPITULO: DUALIDAD Y ANALISIS DE SENSIBILIDAD

Objetivos Especficos:
1. Formular e interpretar modelos de programacin dual 2. Explicar la importancia de encontrar soluciones de programacin lineal usando el dual 3. Explicar cmo cambia la solucin ptima al realizar cambios en la estructura del modelo

Contenidos:
1. 2. 3. 4. 5. Programacin dual Construccin de un modelo dual Condiciones ptimas para los modelos primal y dual Ventajas computacionales de la programacin dual Anlisis de sensibilidad

PRACTICA V: DUALIDAD, METODO DUAL SIMPLEX

I.

Marco Terico (Conceptos y aspectos relevantes de la teora)

Dualidad: Todo problema de optimizacin (primal), tiene un problema asociado (dual) con numerosas propiedades que los relacionan y nos permiten hacer un mejor anlisis de los problemas. La Dualidad en Programacin Lineal tiene su esencia en el hecho de existir dos modelos lineales cuando se ha planteado slo uno para resolver un problema especfico. El modelo Lineal asociado al Modelo Lineal Original o Principal se denomina Modelo Dual. Cuando se obtiene la solucin de uno, se est obteniendo tambin la solucin del otro. El Modelo Dual contiene: a) Una cantidad de variables igual a la cantidad de restricciones que existan en el modelo original, b) Una cantidad de restricciones igual a la cantidad de variables que existan en el modelo original. Construccin del problema dual: Para encontrar el dual de un problema lineal: Si es problema de minimizacin el dual ser de maximizacin y viceversa. En el dual habr tantas variables como restricciones 2 en el primal. En el dual habr tantas restricciones como variables en el primal. Los coeficientes de la funcin objetivo del dual vendrn dados por los coeficientes del lado derecho de las restricciones del primal. 5. Los coeficientes del lado derecho del dual vendrn dados por los coeficientes de la funcin objetivo del primal. 1. 2. 3. 4.

23

6. Los coeficientes que acompaarn a las variable en una restriccin del dual correspondern a aquellos coeficientes que acompaan a la variable primal correspondiente a la restriccin dual. 7. Para saber si las restricciones duales son de <, = >, se recurre a la tabla de relaciones primal-dual. 8. Para saber si las variables duales son < 0, = 0 > 0, se recurre a tabla de relaciones primal dual. Precio Sombra: Se define como la proporcin con que mejora el valor de la funcin objetivo a partir de la i - sima restriccin, dependiendo si se trata de maximizacin tiende a aumentar y a disminuir cuando es de minimizacin Interpretacin de los precios sombra: Los valores de las variables duales en el ptimo tienen una interpretacin econmica interesante en problemas de programacin lineal: Corresponden a las tasas marginales de variacin del valor de la funcin objetivo ante variaciones unitarias del lado derecho de una restriccin. Por este motivo se le llama precio sombra al vector de variables duales en el ptimo. Relacin de la solucin ptima del problema dual con la solucin ptima del problema primal: La relacin principal entre ellos es que tanto el problema primal como el dual buscan el valor ptimo del sistema. Interpretacin del problema dual. Para ver cmo la interpretacin del problema primal conduce a una interpretacin econmica del problema dual. Ntese el valor de Z como: Z = W1b1 + W2b2 + W3b3 + ... + Wmbm donde cada bi Wi puede interpretarse como la contribucin a la ganancia por disponer de bi unidades del recurso i. Wi se interpreta como la contribucin a la ganancia por unidad del recurso i ( i = 1 , 2, . . . , m), cuando se usa el conjunto actual de variables bsicas para obtener la solucin primal. ujeto a: unidades del m recurso i-simo Valor unitario Ganancia asignada j = 1,..., n Suma utilizado por * del recurso = a cada unidad de i =1 unidad de la i-simo la actividad j-sima actividad j-sima

Valor unitario i - 1, ..., m * del recurso >= 0 i-simo La restriccin j-sima del dual indica que el valor total de los recursos consumidos para elaborar una unidad de la j-sima actividad, debe ser al menos tan grande como la ganancia asignada a cada unidad de la actividad j-sima. A partir de lo visto anteriormente se puede interpretar el problema dual en los siguientes trminos: Dados unos recursos bi y un lmite inferior para la ganancia Cj, asignada a cada unidad de la actividad j-sima Qu valor, Wi, se debe asignar a cada unidad del recurso i-simo de forma que se minimice el valor total de los recursos?. La solucin del Modelo Dual provee informacin adicional para la decisin que se tomar con la solucin del modelo original.

24

Cada variable Dual informa en cunto variar la Funcin Objetivo del modelo original por cada unidad en que se incremente el lado derecho de la restriccin, del modelo original, a la que se refiere esa variable dual. Siempre y cuando esa unidad de incremento sea realmente utilizada. Esto permite determinar la conveniencia o no de incrementar un determinado lado derecho de una restriccin. Los incrementos permitidos, en el lado derecho de las restricciones, los informar el rango dado por el anlisis de sensibilidad de la solucin cuando estos elementos cambian. Ms all de esos montos, la solucin bsica cambiar. Las variables duales son vlidas slo para la respectiva solucin bsica ptima. Si la solucin bsica ptima cambia, las variables duales cambian. Slo en un mnimo nmero de casos permanecen con sus valores.

II.

Interpretacin de Teoremas:

Interprete y ejemplifique cada uno de los siguientes teoremas: Teorema Dbil de Dualidad Teorema Fundamental de Dualidad Teorema de Holgura Complementaria

III.

Mapa Conceptual

Elabore un mapa conceptual empleando los siguientes conceptos y aspectos relevantes de la teora de dualidad y del mtodo dual simplex.

IV.

Problemas Resueltos:

Problema 1: Considere el siguiente problema primal: Maximizar : Z = 60 X1 + 30 X2 + 20 X3 sujeto a: 8X1 + 6X2 + X3 <= 48 4X1 + 2X2 + 1.5X3 <= 20 2X1 + 1.5X2 + 0.5X3 <= 8 X1, X2, X3 >=0 El problema Dual es: Minimizar Z = 48 W1 + 20 W2 + 8W3 sujeto a: 8W1 + 4W2 + 2W3 >= 60 6W1 + 2W2 + 1.5W3 >= 30 W1 + 1.5W2 + 0.5W3 >= 20 W1, W2, W3>= 0

25

Problema 2: Considerar el problema siguiente.

Comenzando con la solucin bsica en que las variables bsicas son las variables de holgura.

Las soluciones ptimas de los problemas duales son x* = (11/5; 2/5; 0) e y* = (8/5; 1/5) con valor ptimo 28/5.

V.

Problemas Propuestos:

Problema 1: Construir el dual de los siguientes problemas de programacin lineal:

26

Problema 2: Una compaa metalrgica elabora cuatro productos, A;B;C y D, usando dos productos cobre y zinc como materias primas. Las cantidades de materia prima que precisa cada unidad de cada producto, los beneficios unitarios y la cantidad mxima de cobre y zinc se dan en la siguiente tabla:

a) Comprobar que fabricar 500 unidades del B y 150 del D es la solucin ptima. b) Escribir el dual e identificar su solucin ptima con los datos de la tabla simplex ptima del primal. c) Cul es el mximo beneficio? Cunto aumentara este beneficio si se dispusiera de una unidad adicional de cobre?

Problema 3: Dado el problema

27

comprobar, aplicando las condiciones de la holgura complementaria, si x1 = 4, x2 = 4, x3 = 4 es una solucin ptima

Problema 4: Resolver por el mtodo dual simplex los siguientes problemas

28

PRACTICA VI: ANALISIS DE SENSIBILIDAD I. Marco Terico (Conceptos y aspectos relevantes de la teora)

Anlisis de Sensibilidad, llamado tambin Anlisis de Post-optimizacin, es una estrategia utilizada para tomar en consideracin los cambios que pueden ocurrir en los elementos componentes del modelo. Permite conocer cun sensible es la solucin ptima a cambios que ocurran en coeficientes, variables, restricciones y Funcin Objetivo. En resumen, el Anlisis de Sensibilidad se interesa en ver como se ve afectada la solucin de un problema de optimizacin si cambia alguno de los parmetros del problema. En este mbito, se puede distinguir 2 tipos de anlisis: Anlisis de sensibilidad: Consiste en determinar cul es el rango de variacin de los parmetros del problema de modo que la base ptima encontrada siga siendo ptima. Anlisis post optimal: Consiste en determinar cmo vara la base ptima si cambia alguno de los parmetros del problema.

En el anlisis de sensibilidad, interesa: Variacin en la disponibilidad de recursos. Variaciones en los costos unitarios Adicin de nuevas restricciones Variaciones en un coeficiente tecnolgico Cada caso conlleva un tratamiento diferente

II.

Mapa Conceptual

29

III.

Problemas Resueltos:

Problema 1: Una florista sabe hacer solo 2 tipos distintos de arreglos florales (x1 y x2) para los cuales dispone de 3 tipos distintos de flores: rozas, tulipanes e ibizcos. Los requerimientos de flores para cada arreglo, la disponibilidad de flores y los precios de cada arreglo vienen dados por:

1. Formule un PPL que resuelva el problema de maximizacin de ingresos por ventas sujeto a la disponibilidad de recursos. 2. Cul es el problema dual asociado? Qu situacin podra estar optimizando? 3. Usando el teorema de holgura complementaria, encuentre el optimo del problema dual sabiendo que el optimo primal viene dado por (x1 = 80, x2 = 60). 4. Suponga que retorna frustrado despus que una bella dama le cerrara la puerta cuando usted le llevaba amablemente una rosa, un tulipn y un ibizco. Si se encuentra con la florista, Cuanto cree que estara dispuesta a pagar ella por sus flores?

La formulacin del PPL es:

Para encontrar el dual, se procede a aplicar las relaciones de dualidad:

Esta formulacin resuelve el problema de un agente externo que quiere saber qu precio unitario ofrecer por cada una de las flores si quiere comprarle todas las flores a la florista. As, y1, y2 e y3 son los precios asociados a las rozas, tulipanes e ibizcos. La florista ha encontrado su combinacin ptima (x1 = 80, x2 = 60). Se sabe que en el ptimo se cumple el teorema de holgura complementaria. Entonces, se le puede aplicar:

30

Como x1 = 80 y x2 = 60, se tiene que:

Resolviendo el sistema:

Notar que z( x) = w( y) = 220000

Cmo se interpreta esto?. La florista vender rosas y tulipanes a un precio de $500 cada una y entregar como oferta los ibizcos gratis, pero esto solo si se vende todo como un paquete. Esto toma sentido pues si vende todas las rosas y tulipanes (dado que solo sabe hacer los arreglos florales descritos) no podr sacarle provecho alguno a los ibizcos. Asumiendo los paradigmas de competencia perfecta, la florista ofrecer por las flores una cantidad idntica a lo que ella ganar por ellas. Este valor viene dado nuevamente por los ptimos duales o precios sombras: y1 = 500 y2 = 500 y3 = 0

Problema 2: Considerar el problema siguiente:

Donde la tabla simplex ptima es:

Para estudiar mediante anlisis de sensibilidad el cambio de c1 = 3/2, se actualiza la tabla simplex ptima del problema de partida en dos pasos:

31

Se aplica el mtodo simplex a la tabla actualizada:

Con lo que se obtiene la solucin ptima Si se desea calcular el intervalo de variacin de c1 sin que se modifique la solucin ptima, se estudia el cambio

Es necesario actualizar la tabla simplex ptima del problema de partida en dos pasos:

Luego c1 pertenece al intervalo [3/4; 3].

IV.

Problemas propuestos:

Problema 1: Dado el programa lineal

a) Resolverlo por el mtodo simplex. b) Aadir la restriccin 6x1 + 5x3 <= 60 y dar la solucin ptima. c) Cambiar la primera desigualdad por igualdad y conservar la restriccin del apartado anterior. d) Sustituir la condicin de no negatividad para x1 y x2 por x1>= -1 y x2>= -2. e) Suponer que x3 no est restringida en signo.

32

Problema 2: Una compaa se dedica a la fabricacin de tres tipos de artculos A; B y C a fin de maximizar el beneficio total a travs del siguiente PL

donde xi representa el nmero de unidades del artculo i. La tabla ptima es:

a) Encuentre el intervalo para el beneficio unitario de A, c1, que no vare la solucin ptima. Determinar la solucin ptima si c1 = 2. b) Se pueden obtener 15 unidades de material con un coste adicional de 10 unidades resulta beneficioso llevar a cabo esa opcin? c) Hallar la solucin ptima si la disponibilidad de material es de 60 unidades. d) Si las unidades de material necesarias para fabricar una unidad de B se reducen a 2 afecta este hecho a la solucin ptima? e) Si se aade una restriccin de control 2x1+x2+3x3 <= 20 quedan afectadas las soluciones ptimas primal y dual originales?

Problema 3: Considerar el siguiente problema de programacin lineal:

Para qu valores de lambda es ptima la base (x2; x3)? Determinar las soluciones ptimas para lambda mayor o igual a 1

33

CUARTO CAPITULO: PROBLEMA DE TRANSPORTEPROBLEMA DE ASIGNACION

Objetivos Especficos:
1. Presentar la estructura de un problema de transporte 2. Explicar los mtodos propios asociados a los problemas de transporte y asignacin

Contenidos:
1. 2. 3. 4. 5. La estructura de transporte El algoritmo de transporte Problemas de transporte degenerados Problema de trasbordo Problema de asignacin

PRACTICA VII: TRANSPORTE

I.

Marco Terico (Conceptos y aspectos relevantes de la teora)

Las caractersticas que hacen del Modelo Lineal de Transporte un modelo de programacin lineal especial son: a) Los coeficientes de las variables, en las restricciones, son uno o cero. b) Las cantidades demandadas deben ser iguales a las cantidades ofrecidas para poder solucionar el modelo. El producto a transportar debe ser nico y homogneo. Si se ofrece cemento, por ejemplo, la demanda debe ser de cemento, es decir, un producto nico. Si se ofrecen sacos de cemento la demanda debe ser de sacos de cemento y no a granel, es decir, es homogneo. En caso de multiproductos, se puede hacer una multi-formulacin. En la Formulacin y Construccin del Modelo Lineal de Transporte deben considerarse aspectos ya estudiados en la formulacin de modelos lineales generales tales como a) Definir claramente las variables de decisin y expresarlas simblicamente b) Definir claramente la Funcin Objetivo y las restricciones y expresarlas matemticamente como funciones lineales. Debe cuidarse que los elementos componentes del modelo sean expresados para el mismo perodo de tiempo. Se debe estipular que las variables de decisin sean mayores o iguales a cero. Esto acerca el modelo a la realidad. La Funcin Objetivo del Modelo Lineal de Transporte es la formulacin matemtica de una meta establecida. Es una funcin Lineal a ser maximizada o minimizada. En el modelo original de transporte representa los costos totales de transporte a ser minimizados. Los orgenes o sitios, desde donde se transporta el bien, estn simbolizados en el subndice i y los destinos, hasta los que se transporta el bien, con el subndice j. Tiene la siguiente forma general:

Xij, matemticamente, simboliza a las variables de decisin. Son los valores numricos que se determinan con la solucin del modelo y estn relacionadas con la actividad de transporte. En el 34

Modelo de Transporte representan la cantidad del bien a transportar desde el origen i hasta el destino j. Los orgenes i pueden existir en cualquier cantidad, desde 1 hasta m orgenes; igualmente puede existir cualquier cantidad de destinos j, desde 1 hasta n. Cij, matemticamente, simboliza el coeficiente de la variable Xij. Son datos de insumo del modelo. En la funcin objetivo representan la cantidad con la cual contribuye cada unidad de la variable Xij, al valor total deseado en el objetivo. Especficamente en transporte representa el costo de transporte de cada unidad, del bien a transportar, desde el origen i hasta el destino j. Las restricciones, desde el punto de vista matemtico, son funciones lineales expresadas como igualdades o desigualdades que limitan el valor de las variables de decisin a valores permisibles. Representan, en el Modelo de Transporte, la cantidad del bien disponible en cada origen para ser transportada (restricciones de oferta) y las cantidades demandadas que deben ser transportadas a los destinos (restricciones de demanda). Las restricciones del Modelo Lineal de Transporte, incluida la de no- negatividad de las variables, tienen la forma general siguiente:

Cada modelo tiene tantas restricciones de oferta como el nmero de orgenes (m) que existan y tantas restricciones de demanda como el nmero de destinos (n) que existan. Las restricciones de oferta garantizan que no se transportar ms de la cantidad disponible en los orgenes. Las restricciones de demanda garantizan que las cantidades demandas sern satisfechas.

II.

Mapa Conceptual

Elabora un mapa conceptual para el problema de transporte y otro para el algoritmo de transporte

III.

Problemas Resueltos:

Problema Gua: Tres (3) fbricas envan su producto a cinco (5) distribuidores. Las disponibilidades, los requerimientos y costos unitarios de transporte, se dan en la siguiente tabla. Qu cantidad del producto se debe enviar desde cada fbrica a cada distribuidor para minimizar los costos del transporte? NOTA: La X significa que desde la fbrica 3 es imposible enviar unidades al distribuidor 5

35

Observe que el modelo no es equilibrado: La oferta es diferente a la demanda. Luego, se adiciona una fbrica de relleno con costos de transporte igual a cero (0) y que ofrezca justo lo que le hace falta a la oferta para ser igual a la demanda. Formulacin del modelo: Xij = Unidades a enviar desde la fbrica i-sima (i=1,2,3,4) al distribuidor j-simo (j=1,2,3,4,5) Minimizar Z = 20X11 + 19X12 + 14X13 + 21X14 + 16X15 + 15X21 + 20X22 + 13X23 + 19X24 + 16X25 + 18X31 + 15X32 + 18X33 + 20X34 + MX35 Con Las siguientes restricciones: Todo lo disponible es enviado X11 + X12 + X13 + X14 + X15 = 40 X21 + X22 + X23 + X24 + X25 = 60 X31 + X32 + X33 + X34 + X35 = 70 X41 + X42 + X43 + X44 + X45 = 40 Todo lo requerido fue enviado X11 + X21 + X31 + X41 = 30 X12 + X22 + X32 + X42 = 40 X13 + X23 + X33 + X43 = 50 X14 + X24 + X34 + X44 = 40 X15 + X25 + X35 + X45 = 60 No negatividad Xij > 0 ; i = 1,2,3,4 ; j = 1,2,3,4,5

Clculo de la Solucin Inicial por el mtodo de Esquina Nor-occidental: Tomando la tabla de costos correspondiente al problema: Se asigna en la fila 1, columna 1 lo mximo posible entre 40 y 30 o sea 30 unidades; X11=30 variable bsica. Se actualiza la oferta y la demanda, quedando stas en: 10 y 0 y si se desea se rellena con cero el resto de la columna 1, ya que la demanda de 30 unidades qued satisfecha

36

Terminando el mtodo, el tablero aparecer as:

Se obtiene una solucin bsica factible no degenerada, porque se satisface todas las demandas y ofertas, todas las Xij > 0 y el nmero de variables bsicas es m+n-1 = 4+5-1 = 8 X11 = 30 X12 = 10 X22 = 30 X23 = 30 X33 = 20 X34 = 40 X35 = 10 X45 = 50

Clculo de una Solucin Inicial por el mtodo de Vogel: Algoritmo 1. Construir una tabla de disponibilidades (ofertas), requerimientos (demanda) y costos. 2. Calcular la diferencia entre el costo mas pequeo y el segundo costo ms pequeo, para cada fila y para cada columna. 3. Escoger entre las filas y columnas, la que tenga la mayor diferencia (en caso de empate, decida arbitrariamente). 4. Asigne lo mximo posible en la casilla con menor costo en la fila o columna escogida en el punto 3. 5. asigne cero (0) a las otras casillas de la fila o columna donde la disponibilidad el requerimiento quede satisfecho. 6. Repita los pasos del 2 al 5, sin tener en cuenta la(s) fila(s) y/o columna(s) satisfechas, hasta que todas las casillas queden asignadas.

37

La mayor diferencia la tiene la columna 4 con un valor de 19, escogido entre 2, 2, 3, 0, 15, 13, 19 y 16. El menor costo de la columna 4 es cero (0), se asigna lo mximo posible entre 50 y 40, que es 40, se satisface la columna y se actualiza la oferta y la demanda.

Ahora se re-calcula las diferencias, sin tener en cuenta la columna 4, que est satisfecha. Una vez ejecutado todo el algoritmo hasta asignar todas las casillas, se obtiene la siguiente asignacin bsica y factible inicial.

38

Notar que el nmero de variables bsicas es: m+n-1=8, entonces la solucin es bsica factible no degenerada: X15=40; X21=30 ; X23=20 ; X25=10 ; X32=40 ; X33=30 ; X44=40 ; X45=10 Z = 16(40) + 15(30) + 13(20) + 16(10) + 15(40) + 18(30) + 0(40) + 0(10) = 2.650

Clculo de la Solucin Optima por el Algoritmo de Transporte Se construye una tabla de costos para las variables bsicas y en ella se calcula los ui y los vj que cumplan Cij ui vj = 0 Tabla de costos para las variables bsicas

Se calcula los ui y vj de tal forma que Cij ui vj = 0. Se asigna el primer valor de ui de vj arbitrariamente, Preferentemente 0 (Puede ser cualquier valor) en la fila columna, que tenga la mayor cantidad de asignaciones (Variables Bsicas), para este caso, fila 3 columna 5. Con base en ste primer valor, se calcula todos los ui y vj , aplicando Cij ui vj = 0, para ui = Cij vj vj = Cij ui luego: V1 = C21 u2 = 15 - 0 = 15 V3 = C23 u2 = 13 - 0 = 13 V5 = C25 u2 = 16 - 0 = 16 u1 = C15 v5 = 16 - 16 = 0 u3 = C33 v3 = 18 -13 = 5 u5 = C45 v5 = 0 16 = -16 V2 = C32 u3 = 15 - 5 = 10 V5 = C45 u5 = 0 (-16) = 16

Se calculan los costos para las variables no bsicas Cij-ui-vj, as: C11 u1 v1 = 20 0 15 = 5 C12 u1 v2 = 19 0 10 = 9 C13 u1 v3 = 14 0 13 = 1 C14 u1 v4 = 21 0 16 = 5 C22 u2 v2 = 20 0 10 = 10 C24 u2 v4 = 19 0 16 = 3 C31 u3 v1 = 18 5 15 = -2 C34 u3 v4 = 20 5 16 = -1 39

C35 u3 v5 = M 5 16 = M-21 C41 u4 v1 = 0 (-16) 15 = 1 C42 u4 v2 = 0 (-16) 10 = 6 C43 u4 v3 = 0 (-16) 13 = 3 Se construye una tabla de costos coeficientes en la funcin objetiva para las variables no bsicas cuyo valor es Cij ui vj:

La variable que al crecer hace que Z disminuya ms es X31, luego se escoge sta variable para entrar a la base.

Z=2.650 ; Variable que entra X31. Fjese que a medida que X31 crece, X21 y X33 decrecen en la misma cantidad. Aqu X21 y X33 llegan a cero al mismo tiempo. Se escoge arbitrariamente a X33 como variable que sale y a X21 al restarle 30 quedar con un valor de 0

Z=(40)(15)+(0)(15)+(50)(13)+(10)(16)+(30)(18)+(40)(15)+(40)(0)+(10)(0) = 2.590 Fjese que m+n-1=8 X21 es variable bsica = 0 La oferta es igual a la demanda. 40

Z disminuye en 60 unidades; 2(30)=60 2.650 60 = 2.590

sta es la solucin ptima?, la respuesta se conoce cuando se calcula la nueva tabla de costos para las variables no bsicas. Tabla de costos para las variables bsicas: Cij ui vj = 0

Tabla de costos para las variables no bsicas: Cij ui vj

Fjese que todos son > 0 Es la solucin ptima. Solucin ptima: X15* = 40 X54* = 40 X21* = = 0 X55* = 10 X23* = 50 X25* = 10 X31* = 30 X32* = 40

Z* = 40(16)+0(15)+50(13)+10(16)+30(18)+40(15)+ 40(0) +10(0) = 2.590 Interpretacin de la solucin: La forma ptima de hacer los envos desde las fbricas (1, 2, 3) a los distribuidores (1, 2, 3, 4, 5) para que los costos totales del transporte sean mnimos es: Desde la fbrica 1 al distribuidor 5 enviar 40 unidades, a un costo de: $ 640 Desde la fbrica 2 al distribuidor 3 enviar 50 unidades, a un costo de: $ 650 Desde la fbrica 2 al distribuidor 5 enviar 100 unidades, a un costo de: $ 160 Desde la fbrica 3 al distribuidor 1 enviar 30 unidades, a un costo de: $ 540 Desde la fbrica 3 al distribuidor 2 enviar 40 unidades, a un costo de: $ 600 Total de unidades enviadas 170, a un costo total de $2.590 Observe que el distribuidor 4 se quedar sin sus 40 unidades y que el distribuidor 5 sin sus 10 unidades, en total quedar una demanda insatisfecha de 50 unidades (Informacin que se conoce desde el principio), lo relevante aqu, es que ahora se sabe a quin no enviarle las 50 unidades que no tienen los distribuidores y que se puede tomar decisiones administrativas referentes a la demanda no cubierta, tales como:

41

1. Conseguir las 50 unidades a travs de la competencia agremiada, como consecuencia de acuerdos previamente establecidos. 2. Acordar con el distribuidor 4 y 5 cubrir dicha demanda en el periodo de produccin siguiente. 3. Otras decisiones podrn ser tomadas en concordancia con la situacin real.

IV.

Problemas propuestos:

Problema 1: Una empresa de desarrollo de software cuenta con personal distribuido entre 3 centros de trabajos: Santiago, Valparaso y Concepcin. Actualmente, se encuentran planificando hacia qu zonas enfocar su trabajo, pues el tener gente trabajando en otros lugares distintos a los anteriormente mencionados implica costos de traslado, comida y de permanencia, que al final se traducen en un costo mayor de desarrollo del software. Para esto, ha decidido realizar un clculo para determinar cmo debe hacer la asignacin de su gente entre las distintas ciudades de modo de hacerlo al costo mnimo. Las zonas de trabajo de inters son Arica, Copiap, Rancagua y Talca en las cuales requieren 20, 65, 55 y 25 personas respectivamente. A su vez, se cuenta con 75 personas disponibles en Santiago, 60 en Valparaso y 30 en Concepcin. Los costos asociados son:

Arica Santiago Valparaso Concepcin 11 16 10

Copiap 22 30 22

Rancagua 5 13 4

Talca 5 15 9

A partir de estos datos se pide: a) b) c) d) Realice un modelo de programacin lineal que permita resolver el problema. Encuentre una solucin inicial mediante el Mtodo de la esquina Noroeste. Determine si la solucin anterior es ptima o no. Existe solucin alternativa a la anterior? De ser as, determine cul es.

Problema 2: Considere el problema de transporte que se originan debido a un accidente. Existen tres ambulancias con distintas capacidades para trasladar heridos hacia cuatro Servicios de Urgencia. La siguiente tabla presenta la capacidad de las Ambulancias y los Servicios de Urgencia.

42

Ambulancia Capacidad 1 2 3 3 7 5

Servicio de Urgencia Demanda 1 2 3 4 4 3 4 4

Los costos generados por el transporte se muestran en la siguiente tabla.

SU 1 Ambulancia 1 Ambulancia 2 Ambulancia 3 2 10 7

SU 2 2 8 6

SU 3 2 5 6

SU 4 1 4 8

Utilizando el Mtodo de Voguel, encuentre la solucin inicial. Es ptima? Si no es as encuentre la solucin ptima Problema 3: Una firma que produce un nico producto tiene 3 plantas y 4 clientes. Las 3 plantas producirn 3000, 5000 y 5000 unidades respectivamente durante el siguiente perodo de tiempo. La firma ha realizado un contrato para vender 4000 unidades al cliente 1, 3000 unidades al cliente 2 y al menos 3000 unidades al cliente 3. El cliente 4 est dispuesto a comprar las unidades que sobren. En la siguiente tabla se encuentran los costos asociados a las distintas rutas.

CLIENTE 1 PLANTA 1 PLANTA 2 PLANTA 3 65 68 63

CLIENTE 2 63 67 60

CLIENTE 3 62 65 59

CLIENTE 4 64 62 60

A partir de los datos entregados se pide determinar lo siguiente: a) Formular un modelo de programacin lineal que permita satisfacer la demanda a un costo mnimo. b) Encontrar una primera solucin factible y determinar si la solucin es ptima, en caso contrario determinar la solucin ptima. Indique el costo total involucrado.

43

Problema 4: Estudie la forma en que se realiza el anlisis de sensibilidad en problemas transporte y responda a las siguientes interrogantes: Respecto al problema 2: Realice un anlisis de sensibilidad y determine los costos que permitan a las ambulancias estar indiferentes con respecto a los Servicios de Urgencia. Respecto al problema 1: En qu rango debera encontrarse el costo de la ruta entre Valparaso y Talca para que convenga utilizarla? Respecto al problema 3: a) Determine el valor mnimo en que debiera disminuir la ruta entre la planta 3 y el cliente 4, de tal forma que sea conveniente utilizarla. b) Interprete el valor de e11 y e14. Explique. c) Si la planta 3 decide aumentar su oferta y el cliente 1 decide aumentar su demanda. Determine el valor del aumento de cada uno, tal que la asignacin ptima se mantenga.

44

PRACTICA VIII: ASIGNACION

I.

Marco Terico (Conceptos y aspectos relevantes de la teora)

Asignar n orgenes (individuos, tareas etc.) a n destinos (tareas, mquinas etc.) con el objetivo de minimizar el costo de asignacin. La Asignacin se realiza uno a uno. Variables de decisin.

cij: costo de asignar el origen i al destino j. Modelo lineal.

Algoritmo: Mtodo Hungaro

Paso 1. Equilibrar el problema. Hacer cij >= 0; para todo i; j. Paso 2. Restar en cada fila el mnimo. Paso 3. Restar en cada columna el mnimo. Paso 4. Asignacin de ceros. Elegir la o columna con menor nmero de ceros. Asignar uno y eliminar los ceros de la misma fila y columna. Repetir hasta que no haya ceros para asignar. Si todas las filas tienen cero asignado Si no, ir al paso 5. Paso 5. Marcar lneas. (a) Marcar las filas que no tienen ceros asignados. (b) Marcar las columnas que tienen ceros eliminados en las filas las marcadas en el paso anterior. (c) Marcar las filas que tienen ceros asignados en las columnas marcadas en el paso anterior. Repetir (b) y (c) hasta que ya no se puedan marcar ms filas o columnas. Cubrir las no marcadas y columnas marcadas. Ir a 6. 45 solucin ptima. Parar.

Paso 6. Crear nuevos ceros. Elegir el elemento mnimo que no est cubierto. Restarlo a todos los elementos de las filas no cubiertas y sumarlo a los elementos de las columnas cubiertas. Ir al paso 4.

II.

Mapa Conceptual

Elabora un mapa conceptual para el problema de asignacin y otro para el algoritmo de que soluciona el problema

III.

Problemas Resueltos:

Problema 1:

Formule y equilibre, si es necesario, el siguiente problema Existen cuatro operarios que se pueden asignar al trabajo con tres mquinas. Un estudio de tiempos y movimientos ha arrojado los siguientes tiempos por operario para las tres mquinas. Indicar que operario debe trabajar en que mquina y cul de ellos no ser asignado a ninguna. Mquina 1 Mquina 2 Mquina 3 Operario 1 Operario 2 Operario 3 Operario 4 10 7 9 8 7 5 8 9 9 8 10 7

Como la matriz no est balanceada, es necesario incluir una mquina ficticia: (esto es fundamental para asegurar que haya una respuesta. Si la matriz no est balanceada, el problema no ser factible de resolver) Mquina 1 Mquina 2 Mquina 3 Mquina Ficticia Operario 1 10 Operario 2 7 Operario 3 9 Operario 4 8 7 5 8 9 9 8 10 7 0 0 0 0

Xij = Se debe asignar el operario i a la mquina j? S o no?

46

La formulacin del problema: Min Z = 10X11 + 7X12 + 9X13 + 7X21 + 5X22 + 8X23 + + 8X41 + 9X42 + 7X43 9X31 + 8X32 + 10X33

Como cada operario slo puede estar asignado a una mquina.... X11 + X12 + X13 + X14 = 1 X21 + X22 + X23 + X24 = 1 X31 + X32 + X33 + X34 = 1 X41 + X42 + X43 + X44 = 1 Y como cada mquina solo puede tener un operario asignado... X11 + X21 + X31 + X41 = 1 X12 + X22 + X32 + X42 = 1 X13 + X23 + X33 + X43 = 1 X14 + X24 + X34 + X44 = 1 Las restricciones de signo Xij = 1 o 0 para toda i,j.

Problema 2: Una fbrica dispone de cuatro obreros para completar cuatro trabajos. Cada obrero solo puede hacer uno de los trabajos. El tiempo que requiere cada obrero para completar cada trabajo se entrega en el Cuadro

La fbrica desea minimizar el tiempo total dedicado a los cuatro trabajos. Encuentre la mejor asignacin de los obreros. En primer lugar se debe definir las variables de decisin necesarias para representar las posibles alternativas de asignacin. Evidentemente, de acuerdo a la naturaleza del problema conviene emplear variables binarias. Sea: xij = asignacin de obrero i a trabajo j La variable binaria xij valdra 1 si se asigna al obrero i al trabajo j y 0 en caso contrario. En primer lugar se busca el mnimo por filas en la matriz de costos.

47

Luego se resta el valor determinado en cada fila y se busca el mnimo por columna:

Se resta el menor costo por columna y se trazan el menor nmero de lneas que cubran todos los ceros de la matriz de costos reducida:

Luego, de los coeficientes no tarjados el menor es 1. Se resta a todos los no tarjados 1 y se suma 1 a los tarjados dos veces. Volvemos a trazar el nmero mnimo de lneas que cubran todos los ceros.

Como el nmero de lneas trazadas es igual a la dimensin de la matriz se ha encontrado el ptimo. Se determina la asignacin correspondiente:

Lo que implica obrero1 trabajo 2, obrero 2 trabajo 4, obrero 3 trabajo 3 y finalmente obrero 4 trabajo 1

48

IV.

Problemas propuestos:

Problema 1: Para participar en el prximo campeonato de bridge, el Club universitario debe enviar un equipo de cuatro personas. Hay seis jugadores disponibles, cuyos rendimientos relativos en cada una de las posiciones se ha evaluado, arrojando los resultados siguientes:

N Juan Pedro Ral Sergio Arturo Carlos 8 7 5 3 4 8

E 5 4 4 2 5 3

S 8 2 7 4 4 7

O 5 6 5 4 4 4

Determine el mejor y peor equipo que se podra enviar al campeonato.

Problema 2: Un bufete de abogados ha aceptado 5 nuevos casos, cada uno de los cuales puede ser llevado adecuadamente por cualquiera de los 5 asociados ms recientes. Debido a la diferencia de experiencia y prctica, y debido a la corrupcin que experimentan algunos de los que practican la teora de leyes, los abogados emplearn distintos tiempos en los casos. Uno de los asociados ms experimentados ha estimado las necesidades de tiempo (en horas) como sigue:

Caso 1 Abogado 1 Abogado 2 Abogado 3 Abogado 4 Abogado 5 145 80 121 118 97

Caso 2 120 63 107 83 75

Caso 3 130 85 93 116 120

Caso 4 95 48 69 80 80

Caso 5 115 78 95 105 111

49

a) Cul es la mejor asignacin posible? b) Qu pasa si el abogado 2 no puede tomar el caso 4, con respecto a la solucin anterior? c) Si el abogado 1 debe tomar el caso 1 qu ocurre con respecto a la solucin encontrada en a)? d) Cul es la peor asignacin posible? e) Cul es la mejor asignacin sin considerar al abogado 2? f) Qu pasa si el abogado 4 no puede tomar el caso 2 y el caso 5 debe ser tomado por el abogado 3?
Problema 3:

Una compaa llam a licitacin para realizar cuatro trabajos de construccin. Tres personas se han presentado. Las propuestas en miles de dlares estn dadas en la tabla siguiente, donde * indica que la persona no ofrece nada para ese trabajo. Cul es la mejor asignacin, desde el punto de vista de la compaa, si todas las personas deben realizar al menos un trabajo? Trabajo 1 Persona 1 Persona 2 Persona 3 55 51 * Trabajo 2 49 48 47 Trabajo 3 46 44 45 Trabajo 4 46 * 45

50

QUINTO CAPITULO: REDES DE OPTIMIZACION

Objetivos Especficos:
1. Presentar los mtodos y modelos asociados a las redes de optimizacin 2. Explicar las caractersticas de un modelo de flujo mximo, de costo mnimo y problemas de flujos mltiples

Contenidos:
1. 2. 3. 4. 5. Conceptos elementales Problema de flujo mximo Problemas de flujo a costo mnimo Problemas de flujo mximo a costo mnimo rbol mnimo de comunicacin en una red

Descripcin:
En este captulo se trata de resolver problemas de redes. Debido a la complejidad de los algoritmos ya la gran cantidad de clculos, se utilizar mayormente apoyo informtico para la solucin de los problemas propuestos. Sin embargo, se desarrolla manualmente uno de los temas: el problema de flujo mximo.

PRACTICA IX: OPTIMIZACION DE REDES I. Marco Terico (Conceptos y aspectos relevantes de la teora)

Una red es un grafo orientado a cuyos arcos se les ha asociado una capacidad. Para un arco genrico (i,j) dicha capacidad ser denotada por qij. Las capacidades representarn la mxima cantidad de flujo que puede pasar por los diferentes arcos de la red. Si no existe limite de capacidad entre nodo i y j se asignar una capacidad qij muy grande M. dos

Si los nodo si y j se encuentran conectados por un arco no orientado de capacidad qij, arcos orientados qij=qji

El flujo de una red es una asignacin a cada par de nodos (i,j) de una cantidad no negativa xij. Si el nodo i no est conectado al j xij=0

Por definicin, el flujo no exceder a la capacidad. En toda red existirn por lo menos un nodo de salida s denominado fuente en el que E(s)=0 y por lo tanto no le llega ningn flujo. Similarmente, existirn un nodo de entrada e denominado sumidero en el que S(e)=0 no saliendo de el ningn flujo.

51

El resto de los nodos debe cumplir con la ley de Kirchhoff, o sea el flujo no puede crearse ni destruirse. Definiciones matemticas: A(j) y D(j) son los conjuntos de nodos que son orgenes y destinos de arcos de entrada y salida:

D( j ) ={k | k N ;( j , k ) L}
La ley de Kirchhoff, para un nodo genrico j, puede definirse por:

A( j ) ={i | i N ;(i, j ) L}

kD ( j )

x jk

i A ( j )

xij = 0

En el nodo fuente, la ley de conservacin ser

F=
Y en el nodo sumidero:

kD (1)

x1k =

kD ( s )

xsk = 0

j A ( k )

x jk = F =

j A ( e )

x je

En este problema se desea encontrar la cantidad mxima de flujo que puede circular en la red desde el nodo de salida s al de entrada e.

Maximizar F s.a. F si j = s, x jk iA(j) x ij = 0 si j s, e, kD(j) F si j = e, 0 xij qij i, j = 1, 2,..., n

Si existe ms de un nodo fuente produciendo flujos se puede transformar la red a otra de nica fuente aadiendo un nodo ficticio con nuevos arcos que lo conecten a los originales con capacidades qs1, qs2, , qsr. Anlogamente, en el caso en el que se tenga varios nodos sumideros, se puede aadir otro nodo ficticio unido a ellos por medio de arcos adicionales. La capacidad de estos arcos se considerar sin limite. (M muy grande) El problema es un problema de optimizacin lineal que se puede resolver con Simplex, sin embargo existen otros mtodos ms eficaces para su resolucin. Flujo de un corte Si se define por ( X , X ) cualquier cortadura en una red G, tal que el nodo de salida pertenezca a

X , s X y el nodo de entrada pertenezca a X , e X

vendrn definidos por:

los flujos que atraviesan el corte

f (X, X ) =

( i , j )( X , X )

xij ,
52

f ( X, X ) =

( j ,i )( X , X )

x ji

Si el conjunto X solo contiene al nodo de salida se puede verificar que:

f ( s, D ( s ) ) =

jD ( s )

xsj = F ,

y si el conjunto X solo contiene al nodo de entrada:

f ( A(e), e ) =

j A ( e )

x je = F

El flujo neto de cualquier cortadura separando el origen y el destino es igual al flujo factible de la red.

F = f (X, X ) f ( X, X )
Capacidad de un corte: Definida una cortadura definida por:

( X , X ) tal que

s X

ye X

, la capacidad de un corte viene

q(X, X ) =

( i , j )( X , X )

qij ,

q( X, X ) =

( j ,i )( X , X )

q ji

y como 0 xij qij, se tendr:

q(X, X ) = q( X, X ) = 0 x ji q ji

( i , j )( X , X )

qij q ji

( i , j )( X , X )

xij = f ( X , X ) x ji = f

( j ,i )( X , X )

( j ,i )( X , X )

( X , X )

( X, X ) 0

Segn el teorema del flujo de un corte se tiene :

F = f ( X, X ) f ( X , X ) q( X , X ) 0
El valor de cualquier flujo factible F es menor o igual a la capacidad de cualquier cortadura. Determinacin del flujo mximo Uno de los resultados centrales de la teora de redes es el teorema del flujo mximo corte mnimo que se deriva del siguiente expresin

F = f ( X, X ) f ( X , X ) q( X , X ) 0
Este teorema establece que el flujo mximo es igual a la capacidad del corte mnimo:

F = mnimo q ( X , X )
X

53

De aqu que interese conocer la cortadura cuya capacidad sea mnima, ya que sta definir flujo mximo en la red. Mtodo de Ford-Fulkerson - algoritmo Resumen de resultados previos previos: El flujo neto de cualquier cortadura que separe el origen y el destino es igual al flujo factible de la red. la cortadura cuya capacidad sea mnima, define el flujo mximo en la red. La obtencin directa de la cortadura de capacidad mnima es inviable para redes de tamao realista. El algoritmo de Ford-Fulkerson resuelve eficientemente el problema

La solucin debe satisfacer:

s X y s X y adems: si si
ya que en este caso:

( i, j ) ( X , X ) xij = qij , ( i, j ) ( X , X ) xij = 0,

F = q ( X , X ) q( X , X ) = q ( X , X )

Para obtener la cortadura se parte de una SBF, que podra ser xij=0 para todo los arcos; prosiguindose la construccin del conjunto X:

i. ii.

Si el nodo i X X. Si el nodo i X X.

y el arco ( i,j ) existe un flujo

0 xij qij , el nodo j pertenecer a pertenecer

y el arco ( j,i ) existe un flujo 0 < x ji q ji , el nodo j pertenecer a

Si se obtiene una cortadura en la que e X , el corte no es mnimo y el flujo puede incrementarse. o Se habr obtenido una cadena con extremo final el modo e marcado con incremento ( ,e)..

Se puede construir otra cortadura en la que e X , o sea el corte es mnimo, y el flujo no se puede incrementar ms. Se ha alcanzado el mximo. 54

El algoritmo:

i. ii.

Marcar el nodo s con la etiqueta

( , ) .

+ Comenzando por el nodo s, marcar todos los nodos j conectados con l con la etiqueta s , j , donde

j = mnimo ( s , qsj xsj )

iii.

Nodo genrico i marcando con ( . ,

) y no explorado:
i

1. Marcar todos los nodos j no marcados anteriormente, conectados a l + , j mediante el arco (i,j) en los que xij<qij, con laietiqueta

j = mnimo ( i , qij xij )

2. Marcar tambin todos los nodos j no marcados anteriormente conectados a

l mediante el arco (j,i) en los que xji>0, con la etiqueta (i ,,
-

), donde
i

j = mnimo ( i , x ji )
3. Definir dicho nodo i como explorado. iv. v.

Si uno de los nodos j marcados es el nodo de entrada e, ir a v. En caso contrario volver a iii. En el caso en el que no existan nodos explorados ir a vii. Si el nodo e se encuentra marcado, pertenece al conjunto X y el flujo puede incrementarse. 1. Si el nodo e se encuentra etiquetado como ( j , ), De indica el incremento
e +

de flujo permitido y el arco (j,e) soportar un flujo

x je = x je + e
2. Ir al nodo j: a. Si el nodo j se encuentra etiquetado como (i+,.), el flujo en el arco (i,j) ser ahora xij = xij + e b. Si el nodo j se encuentra etiquetado como (i-,.), el flujo en el arco ( j,i ) ser ahora x ji = x ji e c. ir al nodo i y repetir ii hasta alcanzar el nodo de salida s. vi. Si todos los nodos han sido marcados y explorados, y no se ha alcanzado el nodo de entrada e, se ha obtenido el ptimo.

Variables bsicas Una vez obtenido el flujo mximo en una red, las variables bsicas sern aquellas que tengan asignados valores ni nulos ( xij > 0 ), y los arcos saturados aquellos que se encuentren a la capacidad mxima ( xij=qij ). El corte mnimo vendr definido por la cortadura X , X de la ultima iteracin. En X se encontrarn los nodos marcados y en los X no marcados.

II.

Mapa Conceptual

55

Elabora un mapa conceptual para el problema de flujo mximo y otro para el algoritmo de FordFulkerson
III.

Problemas Resueltos:

Problema 1:

Modelar matemticamente la siguiente red:

Maximizar x13 + x12 s.a. x24 + x23 x32 x12 = 0, x34 + x32 x23 x13 = 0, 0 x12 4, 0 x13 3, 0 x 23 3, 0 x 32 1, 0 x 34 5, 0 x 24 1.

Problema 2:

En la red representada en la figura, en la que sobre cada arco se indica su capacidad mxima, obtener la capacidad de la cortadura mostrada:

X = (1, 2 ) , X = ( 3, 4,5, 6 )

56

La cortadura viene definida por: Las capacidades del corte por:

q ( X , X ) = 16, q ( X , X ) = 2

Problema 3:

Aplicar el Algoritmo de Ford-Fulkerson a la siguiente red:

Aplicando el algoritmo:

57

Continuar con el algoritmo

IV.

Problemas Propuestos:

Encontrar el flujo mximo en las siguientes redes: 1. Desde una central de despacho (1) se desea enviar a seis mensajeros a seis puntos de una ciudad. Las rutas posibles y las respectivas distancias se ilustran en la figura. Determinar la ruta que debe seguir cada mensajero de modo de minimizar la distancia a recorrer.

17 2 15 1 10 3 4 3 6 5 4 4 5 6 2 7 6

58

2. Suponga que las distancias entre cuatro ciudades vecinas son las que se presentan en el esquema.

A 6 3 7 C

B 5 D 6

Suponga que hay inters de pavimentar y conectar estas ciudades a un costo mnimo. Indique cules seran las rutas a pavimentar desde un punto de vista gubernamental o del estado y desde un punto de vista de los usuarios

BIBLIOGRAFIA
1. EPPEN, G.D., F. J. Gould, C.P. Schmidt, Jeffrey Moore y Larry Weatherford. Investigacin de Operaciones en la Ciencia Administrativa. Editorial Prentice Hall. Quinta. Edicin 2. HAEUSSLER, Ernest. Matemticas para Administracin y Economa. Editorial Pearson, dcima edicin. 3. POLYA, G Cmo plantear y resolver un problema. Edit. Trillas. 4. TAHA, Hamdy. Investigacin de Operaciones. Edit. Alfaomega, Quinta edicin.

59