Documente Academic
Documente Profesional
Documente Cultură
Captulo
MODELOS DE
PROGRAMACIN MATEMTICA
Ensear a construir modelos implica ensear una forma de abordar los problemas. Si bien,
como se plantea en Morris 1967, ensear modelos es diferente de ensear a modelar, en este
captulo se intenta ensear a modelar, enseando modelos. En primer lugar se discuten aspectos
generales del modelamiento y, posteriormente, se analizan problemas de gestin que pueden ser
abordados por medio de modelos de programacin matemtica. Los casos presentados corresponden
a modelos clsicos que han sido desarrollados en diversas organizaciones y discutidos ampliamente
en la literatura.
En la seccin 2.1. se discuten algunos elementos bsicos del modelamiento. La seccin 2.2.
aborda la planificacin de la produccin en diferentes contextos y con distintas caractersticas. La
2.3. se refiere a uno de los problemas que enfrentan muchas empresas productivas: mezcla de
productos. En la 2.4. se estudia el problema de transporte con diferentes grados de complejidad. La
seccin 2.5. incluye un pequeo conjunto de problemas de variada naturaleza que pueden ser
modelados con programacin lineal, como una forma de ilustrar la amplia gama de situaciones
donde pueden ser tiles estos modelos. La 2.6. contiene algunos de los problemas ms conocidos
que pueden ser modelados con programacin lineal entera. En la seccin 2.7. se analizan problemas
que pueden ser modelados utilizando programacin lineal entera mixta. La seccin 2.8. est
dedicada a modelos no lineales. La 2.9. se refiere a formulaciones equivalentes del mismo problema.
Finalmente, en la seccin 2.10. se presentan algunos casos.
36
2.1. INTRODUCCIN
2.1.1. Modelamiento
El modelamiento es un proceso propio de los seres humanos. Mediante este proceso el
individuo, de acuerdo a su experiencia y conocimientos, define una representacin de un fenmeno
o situacin. Nosotros entendemos y explicamos nuestras acciones por medio de la construccin de
modelos. Nuestra interpretacin y entendimiento de un fenmeno son realizados a travs de nuestra
experiencia y conocimientos, generando interpretaciones individuales acerca de ellos.
Un modelo es, entonces, una herramienta que permite estudiar fenmenos o situaciones que
son observables, capturando los aspectos ms importantes y presentndolos de manera de facilitar su
interpretacin y compresin. En el campo de la fsica, por ejemplo, la segunda Ley de Newton
(F=ma) es un modelo que muestra la relacin entre la fuerza ejercida sobre un cuerpo, su masa y la
aceleracin que adquiere. De ella se deduce que si la masa permanece constante, al aumentar la
fuerza tambin aumenta la aceleracin. En la gestin, la conocida frmula del tamao del Lote
Econmico Mnimo, desarrollada en Harris 1915 y popularizada por Wilson (ver Wilson [1934]),
describe la relacin entre el costo de mantencin del inventario de un producto, el costo de
ordenamiento, la tasa de demanda y el tamao ptimo del lote.
Obviamente, los modelos no contienen todos los detalles de la situacin real. Aun cuando
fuera posible percibir e incorporar estos detalles, en general, la complejidad del mundo real es tal
que el tamao de los modelos resultantes superara largamente la cantidad de datos que un
computador puede manejar. Adems, esto no contribuira necesariamente a comprender mejor la
situacin. Esta idea de modelamiento conlleva tres conceptos importantes de ser destacados:
interpretacin individual, definicin del mbito de interpretacin, y representacin del fenmeno.
Respecto a la interpretacin individual, debe observarse que el modelo es fruto de la
experiencia del individuo y de su conocimiento. Esto es importante, ya que, en opinin de algunos
autores, el conocimiento posee caractersticas ms objetivas y est sujeto a ser estructurado; sin
embargo, la experiencia depende de cada individuo y es poco susceptible de ser estructurada.
Uno de los aspectos relevantes en la concepcin de un modelo corresponde a la definicin
del mbito de interpretacin. Por ello se entender la definicin de lo que es relevante y lo que no lo
es. Este proceso es conocido con el nombre de "abstraccin", y depende de los objetivos perseguidos
con el modelo. Simon 1990 plantea que los modelos pueden ser utilizados para predecir o para
prescribir. Los modelos predictivos representan eventos o situaciones que no son posibles de
controlar, con el objetivo de adaptarse mejor a ellos, por ejemplo, los modelos que predicen el clima,
los terremotos, los eclipses, etc. No se puede impedir que estos fenmenos ocurran, pero se pueden
tomar acciones para evitar o disminuir sus efectos. Estos modelos, por otro lado, tienen como
objetivo estudiar las consecuencias de efectuar ciertas decisiones, es decir, responder a preguntas
como qu se puede hacer hoy, para conseguir un determinado comportamiento o caracterstica en el
futuro?, qu ocurre si?, qu se necesita para?, etc. Estos ltimos son los modelos que se
utilizan en investigacin de operaciones.
Como resultado del proceso de abstraccin, algunos aspectos o elementos del fenmeno o
situacin observados no son incorporados en el modelo. Esto implica, en definitiva, generar algn
Captulo 2
37
38
Establecer en forma verbal y clara cules son las decisiones que se desea apoyar con los
resultados del modelo.
Asociar a cada decisin una variable, indicando las unidades en que se expresar el valor de ella.
Establecer en forma verbal el o los criterios que sern representados por la funcin objetivo.
Establecer en forma verbal la limitacin o caracterstica del sistema que ser representada por
cada restriccin.
Expresar en trminos matemticos las cantidades involucradas en la funcin objetivo y en cada
una de las restricciones, utilizando las variables de decisin y los datos. Es importante verificar
la consistencia de unidades entre las distintas cantidades de cada relacin.
Captulo 2
-
39
Recolectar los datos necesarios para establecer las relaciones anteriores numricamente. Esto
requiere, generalmente, tiempo y recursos. Si stos se consideran excesivos o no se dispone de
ellos, puede ser necesario modificar el alcance o mbito del modelo a fin de incluir slo los datos
que estn disponibles.
Estas recomendaciones son adoptadas como metodologa en este captulo, donde las
habilidades en modelamiento deben ser desarrolladas. Inicialmente se analiza un conjunto de
modelos simples, para luego seguir con modelos ms sofisticados. Finalmente, el concepto de
modelo desarrollado en esta seccin debe insertarse en la metodologa de la investigacin operativa,
discutida en la seccin 1.2. del captulo 1.
Madera
(m2)
Corte
(horas-mquina)
Barnizado
(horas-hombre)
Puertas dobles
4,0
1,5
2,0
Puertas simples
2,5
1,0
1,2
Ventanas dobles
3,0
2,0
1,5
Ventanas simples
1,8
0,8
0,8
Los proveedores de madera pueden entregar hasta 800 m2 en un mes. Adems se pueden
utilizar hasta 400 horas de sierra para el proceso de corte y 300 horas-hombre para el barnizado. La
empresa est comprometida con una constructora para entregar 200 puertas simples y 120 ventanas
dobles en el mes. Los precios de venta unitarios y costos unitarios de produccin, en miles de pesos
(M$), se muestran en la tabla 2.2.
40
Se desea determinar un plan de produccin para el mes que maximice el beneficio total y
cumpla con los compromisos de entrega, suponiendo que todo lo que se produce se vende.
Tabla 2.2. Precios y costos.
Producto
Precio
(M$)
Costo unitario
(M$)
Puertas dobles
120
80
Puertas simples
80
50
Ventanas dobles
100
75
Ventanas simples
60
30
Variables de decisin
Las decisiones que la empresa desea tomar se refieren a la cantidad de puertas y ventanas de cada
tipo por producir en el perodo considerado.
x1 = cantidad de puertas dobles que se deben fabricar en el mes,
x2 = cantidad de puertas simples que se deben fabricar en el mes,
x3 = cantidad de ventanas dobles que se deben fabricar en el mes,
x4 = cantidad de ventanas simples que se deben fabricar en el mes.
Restricciones
Las restricciones deben establecer las limitaciones existentes en cuanto a la disponibilidad de
los recursos y la necesidad de cumplir con los compromisos contrados para el perodo.
a) Disponibilidad de recursos
La cantidad de madera utilizada en la produccin total no puede exceder la cantidad mxima que
la empresa puede adquirir:
4,0 x1 + 2,5 x2 + 3,0 x3 + 1,8 x4 800.
La cantidad de horas-mquina de sierra utilizada en el corte no puede exceder la cantidad mxima
disponible:
1,5 x1 + 1,0 x2 + 2,0 x3 + 0,8 x4 400.
La cantidad de horas-hombre para barnizado utilizada no puede exceder la cantidad mxima
disponible:
2,0 x1 +1,2 x2 + 1,5 x3 + 0,8 x4 300.
Captulo 2
41
42
El plan debe ser tal que no se exceda la cantidad disponible de recursos y que se satisfaga la
demanda.
FORMULACIN DEL MODELO
Variables de decisin
El modelo debe ayudar a responder las siguientes preguntas: qu cantidad producir de cada
producto en cada perodo? qu cantidad de producto dejar en inventario al final de cada perodo?
Para responder estas preguntas se definen las siguientes variables:
xjt = cantidad que se ha de producir del producto j en el perodo t, j=1,, n; t=1,, T,
Ijt = cantidad en inventario del producto j al final del perodo t, j=1,, n; t=1,, T.
Restricciones
Las restricciones deben establecer, por una parte, las limitaciones existentes en relacin con
la cantidad de recursos disponible, y por otra, la poltica de la empresa en cuanto a disponer en cada
perodo de una cantidad de producto tal que permita satisfacer la demanda estimada para el perodo.
a) Disponibilidad de recursos: en cada perodo, la cantidad utilizada de recursos no debe exceder
la cantidad disponible:
n
a
j 1
ij
x jt bit
i 1,...., m; t 1,...., T .
j 1,..., n; t 1,..., T .
j 1,..., n; t 1,..., T .
Se observa que imponer la condicin Ijt 0 es equivalente a imponer que se debe satisfacer la
demanda.
Funcin objetivo
El costo total es z = costo total de produccin + costo total de mantencin de inventario
T
Min z =
t=1
j=1
c jt x jt
j=1
k jt I jt
.
Captulo 2
43
15%,
mnimo 25%,
mnimo 20% y mximo 40%,
mnimo 800/kg y mximo 1.800/kg,
mximo 10%.
protenas
fibra
(%)
(%)
hidratos de
carbono
caloras
(caloras/kg)
costo
($/kg)
(%)
Harina de soya
12
50
1.000
45
55
1.950
100
Trigo
66
1.750
70
Alfalfa
12
25
35
450
45
Avena
8,5
11
58
1.700
80
Harina de pescado
44
Variables de decisin
El administrador del plantel debe decidir qu cantidad de cada uno de los ingredientes debe
contener la composicin del alimento de los conejos.
x1 = cantidad de harina de soya que se debe utilizar en la composicin del alimento (kg),
x2 = cantidad de harina de pescado que se debe utilizar en la composicin del alimento (kg),
x3 = cantidad de trigo que se debe utilizar en la composicin del alimento (kg),
x4 = cantidad de alfalfa que se debe utilizar en la composicin del alimento (kg),
x5 = cantidad de avena que se debe utilizar en la composicin del alimento (kg).
Restricciones
Las restricciones se refieren a las caractersticas tcnicas (nutritivas) que debe tener el
alimento.
a) Cantidad total: se necesita una cantidad de 1.000 kg:
x1 + x2 + x3 + x4 + x5 = 1.000.
b) Protena: el alimento debe contener 15% de protena:
9x1 + 55x2 + 7x3 + 12x4 + 8,5x5 = 15 ( x1 + x2 + x3 + x4 + x5 ), o bien
9x1 + 55x2 + 7x3 + 12x4 + 8,5x5 = 15.000.
c) Fibra: el alimento debe contener al menos 25% de fibra:
12 x1 + 6 x3 + 25 x4 + 11 x5 25 ( x1 + x2 + x3 + x4 + x5 ).
d) Hidratos de carbono: la cantidad de hidratos de carbono que contiene el alimento debe ser al
menos 20% y no ms de 40%:
50 x1 + 4 x2 + 66 x3 + 35 x4 + 58 x5 20 (x1 + x2 + x3 + x4 + x5 ),
50 x1 + 4 x2 + 66 x3 + 35 x4 + 58 x5 40 (x1 + x2 + x3 + x4 + x5 ).
e) Caloras: el alimento debe contener al menos 800 caloras por kg y no ms de 1.800:
1.000 x1 + 1.950 x2 + 1.750 x3 + 450 x4 + 1.700 x5 800 (x1 + x2 + x3 + x4 + x5 ),
1.000 x1 + 1.950 x2 + 1.750 x3 + 450 x4 + 1.700 x5 1.800 (x1 + x2 + x3 + x4 + x5 ).
Captulo 2
45
Petrleo pesado
Densidad
0,65
0,85
Octanaje
70
102
800
600
15
20
Disponibilidad (barriles)
Costo (US$/barril)
Las especificaciones exigidas para los productos finales: gasolina corriente y especial, y los
precios de venta se muestran en la tabla 2.5.
Densidad
(kg/ lt)
Octanaje
Precio
(US$/barril)
Gasolina
corriente
min=0,70
max=0,75
85
25
Gasolina
especial
min=0,70
max=0,75
94
30
46
Variables de decisin
La decisin de cunto producir de cada gasolina y qu tipo de mezcla utilizar en cada una de
ellas se puede introducir en el modelo por medio de las siguientes variables:
x11 =cantidad de petrleo liviano que se debe utilizar en la produccin de gasolina corriente (kg),
x12 =cantidad de petrleo liviano que se debe utilizar en la produccin de gasolina especial (kg),
x21 =cantidad de petrleo pesado que se debe utilizar en la produccin de gasolina corriente (kg),
x22 = cantidad de petrleo pesado que se debe utilizar en la produccin de gasolina especial (kg).
Restricciones
Las restricciones deben establecer las caractersticas tcnicas que requiere cada gasolina y
las limitaciones en cuanto a disponibilidad de petrleo.
a) Caractersticas tcnicas
Densidad: recordemos que sta es igual a la masa dividida por el volumen.
La densidad de la gasolina corriente debe ser al menos 0,7 y no ms de 0,75:
x
x
0,7 11 21 x11 x21
0,65 0,85
.
x
x
0,75 11 21 x11 x21
0,65 0,85
Las variables xij representan masa de petrleo y estn medidas en kg. Al ser divididas por la
densidad del petrleo se obtiene el volumen. En el lado derecho de la restriccin se tiene la masa
total de petrleo utilizado. Clculos de este tipo son tambin realizados en las otras restricciones.
La densidad de la gasolina especial debe ser al menos 0,7 y no ms de 0,75:
x
x
0,7 12 22 x12 x22
0,65 0,85
.
x22
x12
0,75
x12 x22
0,65 0,85
Captulo 2
47
Octanaje:
El octanaje mnimo de la gasolina corriente es 85 octanos:
x
x
x
x
85 11 21 70 11 102 21
0,65
0,85
0,65 0,85
El octanaje mnimo de la gasolina especial es de 94 octanos:
x
x .
x
x
94 12 22 70 12 102 22
0,65
0,85
0,65 0,85
b) Disponibilidad de petrleo:
Petrleo liviano: se pueden utilizar hasta 800 barriles de petrleo liviano:
x11 + x21 800 40
Petrleo pesado: se pueden utilizar hasta 600 barriles de petrleo pesado:
x12 + x21 600 50
d) No negatividad de las variables:
x11, x21, x12, x22 0
Funcin objetivo
Se desea maximizar el beneficio total. Por lo tanto, la funcin objetivo es:
Max z
25 x11
x 30 x
x
x x
x x
21 12 22 15 11 12 20 21 22
48
Variables de decisin
Sea xij la cantidad de fruta que se transportar desde la planta i al centro de distribucin j,
donde los valores de i corresponden a 1=Rancagua, 2=San Pablo, 3=Bogot y los de j a 1=Santiago,
2=Rio de Janeiro, 3 = Quito, 4=Caracas.
Caracas
Bogot
Quito
San Pablo
Santiago
Rancagua
Rio de Janeiro
Captulo 2
49
Produccin
(ton)
(M$/ton)
Destinos
Orgenes
Santiago
Ro de Janeiro
Quito
Caracas
Rancagua
20
30
35
300
San Pablo
15
35
40
250
Bogot
45
25
10
12
200
120
300
80
200
Requerimientos (ton)
Restricciones
a) Disponibilidad en las plantas: la cantidad total de fruta enviada por una planta no puede exceder
la cantidad producida en esa planta:
x11 + x12 + x13 + x14 300,
x21 + x22 + x23 + x24 250,
x31 + x32 + x33 + x34 200.
b) Satisfaccin de la demanda (requerimientos): cada centro de distribucin debe recibir la cantidad
requerida:
x11 + x21 + x31 = 120,
x12 + x22 + x32 = 300,
x13 + x23 + x33 = 80,
x14 + x24 + x34 = 200.
c) No negatividad de las variables:
xij 0 i=1, 2, 3; j=1, 2, 3, 4.
Funcin objetivo
El plan de distribucin debe ser de mnimo costo de transporte.
Min z =3x11 + 20x12 + 30x13 + 35x14 + 15x21 + 5x22 + 35x23 + 40x24 + 45x31 + 25x32 + 10x33 +12x34.
50
Modelo general
La estructura general del problema de transporte consiste en un conjunto de m orgenes y n
destinos. La cantidad de producto disponible en cada origen i es ai y el requerimiento en cada
destino j es bj. El costo unitario de transporte entre cada par origen-destino, i-j, es cij. De esta forma
el modelo lineal es:
m
Min z
i 1
s.a
x
i 1
j 1
ij
x ij
j 1
ij
bj
j 1,...,n,
ij
ai
i 1,...,m,
xij 0
i 1,..., m; j 1,..., n.
Ntese que este modelo admite solucin slo si la oferta agregada de productos es igual a la
demanda agregada, es decir, si
m
a b .
i
i1
j 1
Captulo 2
51
1
1
ai
xik
ykj
j
bj
q
n
Se asumir que los centros de transbordo slo almacenan producto durante el perodo
considerado, esto es, los productos que recibe un determinado centro deben ser distribuidos durante
ese mismo perodo. Para este caso, el modelo se puede formalizar de la siguiente forma. Sean las
variables de decisin:
xik = cantidad de producto enviada desde el origen i al centro de transbordo k,
i = 1,, m; k = 1,, q,
ykj = cantidad de producto enviada desde el centro de transbordo k al destino j,
k=1,, q; j = 1,, n.
Se consideran los siguientes parmetros que caracterizan los orgenes, destinos, centros de
transbordos y los costos de transporte:
ai
bj
wk
eik
dkj
Restricciones:
a) Disponibilidad de producto en los orgenes: la cantidad total de producto enviada por un origen
no debe exceder la disponibilidad en ese origen
q
x
k 1
ik
ai
i 1,..., m.
b) Capacidad en los centros de transbordo: la cantidad total de producto que llega a un centro de
transbordo no debe exceder la capacidad de ese centro
52
x
i 1
ik
wk
k 1,..., q.
c) Balance en los centros de transbordo: todo producto que llega a un centro de transbordo debe
ser enviado a algn destino
m
i 1
j 1
xik y kj
k 1,..., q.
d) Satisfaccin de los requerimientos: la cantidad total de producto enviada a un destino debe ser
igual a la cantidad requerida por ese destino
q
y
k 1
kj
bj
j 1,..., n.
i, j , k .
Funcin objetivo
m
Min z =
i=1
e ik x ik
k=1
k=1
j=1
d kj y kj .
En la prctica, la distribucin de productos puede ser ms compleja: existen orgenes que son
puntos intermedios o de transbordo de productos y/o destinos que tambin pueden almacenar
producto. Ver ejercicio 3 de este captulo.
Captulo 2
53
=
=
=
=
=
=
=
I it xikt I i ,t 1 ait
i 1,..., m; t 1,..., T .
k 1
1
1
Perodo 1
i
j
q
Perodo t
xikt
ait
ykjt
bjt
Iit
m
1
Perodo t+1
j
q
m
1
Perodo T
j
q
54
x
i 1
ikt
wk
k 1,..., q; t 1,..., T .
c) Balance de producto en los centros de transbordo: todo el producto que llega a un centro de
transbordo debe ser distribuido a los destinos
m
i 1
j 1
xikt y kjt
k 1,..., q; t 1,..., T .
d) Satisfaccin de demanda : la cantidad total de producto enviada a un destino debe ser igual a la
cantidad requerida en ese destino
q
y
k 1
kjt
b jt
j 1,..., n; t 1,..., T .
Min z =
t=1
m
h it I it +
i=1
k=1
m
e ikt x ikt +
i=1
j=1
d kjt y kjt
Finalmente, se observa que este problema que se ha analizado para un producto puede
extenderse al caso en que existen varios productos que deben ser distribuidos a travs de la misma
red de distribucin.
Captulo 2
55
Se ha estimado la cantidad de pasajeros que llega a cada estacin, segn su destino. La tabla
2.7. contiene la matriz de origen-destino estimada, esto es, el nmero estimado de pasajeros que
desean viajar entre cada par de estaciones.
El costo del viaje en tren es de $ a por cada tramo (segmento entre dos estaciones
consecutivas de la red), por persona. Los pasajeros que no consigan comprar pasaje deben utilizar un
bus que tiene un costo de $ b por cada tramo, por persona, con a<b. Cul es la distribucin de
pasajeros que minimiza el costo total de todas las personas que desean viajar?
Estaciones de
llegada
A
B
C
D
F
200
300
500
400
100
150
100
150
400
200
400
200
350
250
300
100
200
Variables de decisin
Para determinar la cantidad de pasajeros en cada tramo de viaje se definen las siguientes
variables:
56
xij =
Restricciones
a) Capacidad de los trenes que efectan los distintos tramos.
En el tramo A-B la cantidad total de pasajeros que ingresa al ferrocarril en la estacin A no debe
superar la capacidad del tren que sale de esta estacin:
xAB + xAC + xAD + xAE + xAF + xAG 1.200.
En el tramo B-C la cantidad total de pasajeros que efectuar este tramo no debe exceder la
capacidad del tren. La cantidad de pasajeros corresponde a los que subieron al tren en A con
destino C, D, E, F G, ms los que subirn en B con los mismos destinos:
xAC + xAD + xAE + xAF + xAG + xBC + xBD + xBE + xBF + xBG 1.200.
En el tramo C-D la cantidad total de pasajeros corresponde, en este caso, a las personas que suben
en la estacin A, B C con destino D E:
xAD + xAE + xBD + xBE + xCD + xCE 1.200.
En el tramo D-E la cantidad total de pasajeros corresponde, en este caso, a las personas que suben
en la estacin A, B, C D con destino E:
xAE + xBE + xCE + xDE 1.200.
En el tramo C-F la cantidad total de pasajeros corresponde, en este caso, a los que suben en la
estacin A, B C con destino F G. La capacidad del tren que efecta este tramo es de 800
pasajeros:
xAF + xAG + xBF + xBG + xCF + xCG 800.
En el tramo F-G la cantidad total de pasajeros corresponde, en este caso, a los que suben en A, B, C
F con destino G:
xAG + xBG + xCG + xFG 800.
b) Llegadas mximas: a partir de la matriz origen-destino se conoce el nmero de llegadas. Por lo
tanto:
xAB 200,
xAC 300,
xAD 500,
xAE 400,
xAF 100,
xBC 100,
xBD 150,
xBE 400,
xBF 200,
xBG 400,
xCF 250,
xCG 300,
xDE 100,
xFG 200.
xAG 150,
Captulo 2
57
para i, j relevante.
Funcin objetivo
Minimizar el costo total de todas las personas que desean viajar, es equivalente a maximizar
el ahorro total.
Max z = (b - a) xAB + 2(b - a) xAC + 3(b - a) xAD + 4(b - a) xAE + 3(b - a) xAF +
4(b - a) xAG + (b - a) xBC + ................ + 2(b - a) xCG + (b - a) xFG.
Esquema 1
30
30
Esquema 2
30
45
Esquema 3
45
45
10
Esquema 4
45
50
Esquema 5
50
Esquema 6
30
30
10
25
50
50
20
58
Variables de decisin: las decisiones que se desean tomar se refieren a qu esquemas de corte
utilizar. Se define la siguiente variable de decisin:
xi = cantidad de rollos de 100 cm de ancho que se cortarn segn el esquema de corte i, i=1,,6.
Restricciones
a) Satisfaccin de la demanda: la cantidad total de rollos de 30 cm, 45 cm y 50 cm, resultantes del
proceso de corte debe ser igual a la solicitada.
Rollos de 30 cm: los esquemas de corte que contienen rollos de 30 cm son 1, 2 y 6. Cada rollo
cortado segn el esquema 1 aporta 3 rollos de 30 cm de ancho. Anlogamente, el esquema 2 aporta 1
rollo de 30 cm y el esquema 6 tambin aporta 1 rollo de 30 cm. Por lo tanto, se tiene que:
3x1 + x2 + x6 = 800.
Rollos de 45 cm: los esquemas de corte que contienen rollos de 45 cm son 2, 3 y 4, que aportan 1, 2
y 1 rollo de 45 cm de ancho, respectivamente, por cada rollo de 100 cm. Luego:
x2 + 2x3 + x4 = 500.
Rollos de 50 cm: los esquemas de corte que contienen rollos de 50 cm son 4, 5 y 6, que aportan 1, 2
y 1 rollo de 50 cm de ancho por cada rollo de 100 cm, respectivamente. Por lo tanto:
x3 + 2x5 + x6 = 1.000.
b) No negatividad de las variables
xi 0
i = 1,, 6.
Funcin objetivo
La prdida total de material es z = 10x1 + 25x2 + 10x3 + 5x4 + 20x6. Luego, la funcin
objetivo es
Min z = 10x1 + 25x2 + 10x3 + 5x4 + 20x6.
Si bien resultara natural imponer que las variables deben tener slo valores enteros, dado
que se trabaja con cantidades grandes, en la prctica, se relaja esta condicin a fin de facilitar la
resolucin del problema, y el error que eventualmente podra cometerse al redondear los valores
fraccionarios, se considera que est entre los lmites aceptables.
Aplicaciones de este problema surgen cuando las dimensiones del producto que se fabrica
son diferentes de las dimensiones que se requieren. Situaciones similares a la aqu presentada se
pueden encontrar en la industria textil y de confeccin; en la industria de vidrios, de madera; en la
siderrgica, y en particular en empresas de laminado y perfiles metlicos; etc.
Captulo 2
59
Restricciones
a) Satisfaccin de requerimientos: al comienzo del da debe tenerse la cantidad necesaria para ese
da.
Dado que inicialmente no se tienen vestimentas usadas, los requerimientos del primer da deben ser
satisfechos con vestimentas nuevas:
x1 = a1.
En el da 2 los requerimientos pueden ser satisfechos con vestimentas nuevas y/o con vestimentas
que se enviaron el da anterior a lavado rpido:
x2 + w1 = a2.
Los requerimientos del da i, i = 3,, T pueden ser satisfechos utilizando vestimentas nuevas o
enviadas a lavado rpido el da i1 o enviadas a lavado normal el da i2:
xi + wi-1 + yi-2 = a1
i = 1,, T.
60
b) Proceso de lavado: al final del da las vestimentas usadas pueden enviarse a lavado o dejarse sin
lavar hasta el da siguiente.
Las nicas vestimentas usadas el final del primer da corresponden a las utilizadas ese da:
y1 + w1 + r1 = a1.
Las vestimentas usadas el da i, i= 2,...,T-2 corresponden a las que fueron utilizadas ese da ms las
que el da anterior no se enviaron a la lavandera:
yi + wi + ri = ai + ri-1
i = 1,, T2.
Si se supone que no interesa dejar vestimentas limpias despus del da T, entonces no se mandarn
vestimentas a lavado normal en el da T-1:
wT-1 + rT-1 = aT-1 + rT-2.
El ltimo da no se manda a lavar, por lo tanto slo se contabiliza la cantidad de vestimentas usadas
que quedan:
r = a + r1.
c) No negatividad de las variables:
xi, yi, wi, ri 0
i = 1,, T.
Funcin objetivo
Se desea minimizar el costo total de administracin de las vestimentas. Los costos que
inciden en el total son el de compra y el de lavado-esterilizacin. Por la tanto la funcin objetivo es:
T 2
T 1
i 1
i 1
i 1
Min z a i y i bi wi g i x i .
Captulo 2
c1 1 1
1 1 1
c3
c4
61
A
c5
1 c2
c6
B
C
Figura 2.6. Diseo de una estructura.
Recordemos que para resolver este tipo de problema es necesario plantear las ecuaciones de
equilibrio de fuerzas y equilibrio de torques entre los cables. Considrese una estructura como la
siguiente:
FC1
a
FC2
b
donde FC1 y FC2 representan la resistencia o fuerza realizada por los cables C1 y C2 respectivamente
y F el peso del objeto que se desea colocar en la posicin indicada.
Las relaciones de fuerzas y torques son:
Equilibrio de fuerzas: F = FC1 + FC2
Equilibrio de torques: FC1 a = FC2 b
De donde, FC1 = b/(a+b)F y FC2 = a/(a+b)F.
Para modelar la estructura dada se puede proceder en forma anloga.
FORMULACIN DEL MODELO
Variables de decisin
Se definen las siguientes variables de decisin, una para cada uno de los lugares donde se
deben colocar los pesos:
62
Cable C1:
Cable C2:
Cable C3:
x2 200.
Cable C4:
x2 200.
Cable C5:
x3 120.
Cable C6:
x3 120.
/3 x1 + x2 + 5/6 x3 200.
Captulo 2
63
64
contenido de la mochila, sin exceder la capacidad de sta. Los objetos son indivisibles, por lo que
slo se pueden colocar en la mochila cantidades enteras de un tipo de objeto.
Se denota por xj las unidades del objeto tipo j que se colocarn en la mochila, j = 1,, n.
Entonces el modelo lineal que permite decidir las cantidades de cada uno de los objetos que sern
colocadas en la mochila es el siguiente:
n
Max z v j x j
j 1
s.a.
n
w x
j 1
x j 0, entero
j 1,...,n.
Este problema se conoce como el problema de la mochila (knapsack) entero. Si slo existe
un objeto de cada tipo entonces xj = 1 0, y en este caso el problema se denomina "knapsack"
binario o 0-1. Otras aplicaciones de este problema se obtienen al considerar mercaderas que deben
ser almacenadas o transportadas considerando una disponibilidad de espacio o de peso limitada. El
problema de seleccin de proyectos de la subseccin siguiente es tambin una aplicacin de este
problema.
Este problema se puede resolver en tiempo O(nW) con un enfoque de programacin
dinmica. Sin embargo, a menos que W sea un polinomio en n, el algoritmo resultante no ser
polinomial en el tamao del problema. Esto de acuerdo al enfoque de complejidad computacional
discutido en la seccin 1.5. del captulo 1.
Captulo 2
Optimizacin:
Economa:
Investigacin Operativa:
Gestin de Operaciones:
Evaluacin de Proyectos:
65
profesor A,
profesor B,
profesor C,
profesor D,
profesor F,
Optimizacin
10
Economa
10
Investigacin Operativa
10
10
Gestin de Operaciones
10
Evaluacin de Proyectos
Claramente, existen otras asignaciones que tienen un nivel de satisfaccin total mayor que
ste. En este caso, se tienen 5432 = 120 formas distintas de efectuar la asignacin de profesores
a cursos. La evaluacin exhaustiva de todas ellas resulta bastante tediosa, sin embargo, es todava
posible de realizar. En general, si se deben realizar n asignaciones, existen n posibilidades por lo
que cuando n es grande la enumeracin explcita de todas ellas resulta impracticable.
Podra ser til modelar la situacin utilizando programacin matemtica.
FORMULACIN DEL MODELO
Se desea determinar cul es la asignacin de profesores a cursos, de tal manera que cada
profesor dicte un curso y cada curso tenga un profesor, y que el nivel total de satisfaccin de las
preferencias sea mximo. Consideremos el caso general en que se tienen n profesores y n cursos.
Variables de decisin:
Dado un par profesor-curso se debe decidir si esa asignacin se efecta o no. Por lo tanto, se
pueden definir las variables de decisin de la siguiente manera:
66
Restricciones
a) Cada profesor debe ser asignado a un curso:
n
x
j 1
ij
i 1,..., n.
x
i 1
ij
j 1,..., n.
i, j =1,, n.
Funcin objetivo
Se desea determinar la asignacin que maximice el nivel total de satisfaccin de
preferencias. Sea cij la preferencia del profesor i por dictar el curso j, para i, j = 1,, n. Entonces la
funcin objetivo es:
n
Max z
i 1
c
j 1
ij
xij
x
j 1
ij
i 1,..., n.
ij
j 1,..., n.
x
i 1
En otros problemas de este tipo se tiene slo un conjunto de objetos, por lo tanto cada par
est formado por objetos del mismo conjunto. Por ejemplo, si se considera la siguiente situacin: en
el departamento de estudios de una empresa trabajan n ingenieros que deben evaluar n proyectos,
donde n es par. Se ha decidido formar equipos de dos ingenieros para llevar a cabo esta tarea. Cada
Captulo 2
67
ingeniero ha manifestado, en alguna escala, su preferencia para trabajar con los otros. Sea cij la
preferencia del ingeniero i para trabajar en equipo con el ingeniero j. Se define la variable:
donde ij, i =1,, n. De esta forma, el modelo que determina la asignacin que maximiza la
satisfaccin de las preferencias es:
n 1
Max z
i 1
j i 1
ij
xij
s.a.
n
x
j 2
1j
i 1
xki
k 1
n 1
x
k 1
kn
j i 1
ij
1 i 2,...,n 1
xij 0,1
i 1,...,n 1; j i 1,...,n.
Max z = r j x j
j 1
s.a.
n
a
j 1
xj K
x j 0,1
j 1,...,n.
68
xi x j .
j Q
Captulo 2
69
Restricciones
a) El vendedor debe entrar exactamente una vez a cada ciudad:
n
x
i 1
ij
j 1,..., n.
x
j 1
ij
1 i 1,..., n.
c) Estas restricciones no son suficientes para describir un circuito, dado que son satisfechas por
subcircuitos. Por ejemplo, si el vendedor debe recorrer 5 ciudades, la solucin x14 = x45 = x51 = x23 =
x32 =1 y el resto de las variables iguales a 0, verifica las restricciones anteriores, pero no corresponde
a un circuito, sino a dos subcircuitos, como se muestra en la figura 2.7.
1
2
5
4
Figura 2.7. Subcircuitos.
(i, j): i U, j V \U
xij 1
U V tal que 2 U n 2.
son verificadas por todo circuito, pero cada subcircuito viola al menos una de ellas. Otra opcin es
considerar el siguiente conjunto de restricciones:
(i, j): i U, j U
x ij | U |- 1
2 | U | n - 2.
Lo anterior es una formulacin adecuada del problema; sin embargo, el nmero de estas
restricciones es enorme: O(2n), lo que dificulta la resolucin.
70
Funcin objetivo
Para obtener el viaje o circuito de menor costo total la funcin objetivo es:
n
Variables de decisin
Se desea decidir dnde instalar las plantas y cmo efectuar la distribucin del producto a los
clientes. Se definen las siguientes variables:
Captulo 2
71
xi
0 en caso contrario.
Restricciones
a) Satisfaccin de demanda: a cada cliente debe enviarse la cantidad de producto demandada:
n
y
i 1
ij
bj
j 1,..., m.
b) Capacidad de planta: la cantidad total de producto enviada por una planta no puede exceder la
capacidad de esa planta:
m
y
j 1
ij
u i xi
i 1,..., n.
Se observa que si en esta restriccin xi=0, entonces todas las variables yi1, yi2,..., yim tambin
son iguales a cero. Esto debe ser as puesto que xi=0 significa que no se construye una planta en i,
luego no se puede enviar productos desde esta localidad.
c) Nmero de plantas: se pueden instalar hasta P plantas:
n
P.
i1
i = 1,, n; j = 1,, m,
i = 1,, n.
Funcin objetivo
Se desea minimizar el costo total, es decir, el costo de instalacin de las plantas ms el costo
de transporte del producto.
n
i 1
i 1
j 1
72
xj
Figura 2.8. Costo fijo.
El problema de encontrar una solucin que minimice el costo total, esto es, los costos fijos
ms los costos variables, si las restricciones son tambin lineales, se denomina el problema lineal de
costo fijo,. La funcin objetivo en este caso es:
Min z =
j J
d j cj xj.
j=1
yj
0 si x = 0
j
Captulo 2
73
j = 1,, n,
xj 0
j = 1,, n,
yj {0,1}
j = 1,, n.
j 1
j 1
Min z c j x j d j y j
Costos con esta estructura surgen en situaciones que incluyen construccin de caminos,
sistemas de distribucin de agua, petrleo o gas a travs de una red de caeras, oleoductos o
gasoductos que se deben construir, localizacin de instalaciones, etc.
Variables de decisin
Para establecer el orden en las distintas mquinas para cada uno de los trabajos se define la
siguiente variable de decisin:
tij = instante en que se inicia el procesamiento en la mquina i del trabajo j, i = 1,, m y j = 1,, n.
74
Restricciones
a) El procesamiento en la mquina (k+1) del trabajo j no puede comenzar antes que se complete el
proceso en la mquina k:
tk+1,j tkj + skj
x kpq
0 en caso contrario.
k = 1,, m; p, q = 1,, n.
k = 1,, m; p, q = 1,, n.
c) No negatividad:
tkp 0
k = 1,, m; p = 1,, n.
xkpq {0,1}
Captulo 2
75
Funcin objetivo
Se desea minimizar la suma de los tiempos totales de procesamiento de todos los trabajos:
n
Min z t mj .
j 1
76
Max z = xyw
s.a.
xy 60
w 12
x, y, w 0.
Otra versin muy conocida de este problema consiste en determinar las dimensiones de
varias cajas. Supongamos que, adems del fondo, la cara frontal y la cara posterior son del mismo
material, del cual se dispone de hasta 60 m2. Sin embargo, el material de las otras dos caras y la tapa
debe comprarse a un costo de M$ 5 el metro cuadrado. Por otro lado, existe un costo de transporte
de M$ 3 por caja. El modelo que determina las dimensiones de cada caja y la cantidad Q de cajas
que se requieren para transportar un volumen V de producto, es el siguiente:
Min z = 3Q + 10 wyQ + 5 xyQ
s.a.
Qwxy = V
2wy + xy 60
w, x, y, Q 0.
Captulo 2
77
y
(xi,yi)
(xn,yn)
(x,y)
(x1,y1)
Para decidir la localizacin de la planta, sean (x,y) las coordenadas de la planta. Entonces el
modelo consiste en:
n
i 1
De esta forma, el problema se puede modelar como uno de programacin no lineal sin
restricciones.
78
Se desea determinar para cada perodo el nivel de produccin, el inventario que se dejar
para el perodo siguiente y el nivel de la mano de obra, de manera de satisfacer la demanda sin
exceder la disponibilidad de insumos y, de tal modo, que la cantidad de trabajadores sea lo ms
estable posible y el costo de inventario sea mnimo.
Variables de decisin
Se definen las siguientes variables:
xt =
It =
Lt =
Restricciones
a) Disponibilidad de insumos: la cantidad de insumos utilizada durante un perodo no puede
exceder de la cantidad disponible:
ai xt bit
i = 1,, m; t = 1,, T.
b) Satisfaccin de demanda: la demanda de un perodo puede ser satisfecha con produccin del
perodo y/ o con inventario del periodo anterior, donde I0 es el inventario inicial:
xt + It-1 It = dt
t = 1,, T.
c) Nivel de la mano de obra: el nivel de mano de obra necesaria en un perodo depende del nivel de
produccin en ese perodo:
xt k Lt 0
t = 1,, T.
d) Variacin en el nivel de mano de obra: la variacin del nivel de mano de obra entre dos perodos
consecutivos se medir con dos variables auxiliares, una asociada al aumento y otra a la
disminucin, que denotaremos wt e yt, respectivamente:
Lt Lt-1 yt + wt = 0 t = 1,, T.
Captulo 2
79
t = 1,, T.
Funcin objetivo
Supongamos inicialmente que el costo de la variacin de la mano de obra es lineal. Sea el
costo de contratar un nuevo trabajador y el costo de despido. En este caso la funcin objetivo es
T
t=1
t=1
t=1
Min z = h It + yt + wt.
En muchas situaciones prcticas, estos costos no son lineales. Si los costos de contratacin y
despido son proporcionales al cuadrado del aumento o disminucin en el nivel de mano de obra, la
funcin objetivo es:
T
t=1
t=1
t=1
t=1
t=1
t=1
Min z = h It2 + yt + wt .
80
x
k 1
ik
i 1,...,m.
ik
k 1,...,n.
x
i 1
La funcin objetivo debe contabilizar la distancia total recorrida por unidad de tiempo y eso
se logra con:
m
Min z
i1
j 1
k 1
l 1
T d
ij
kl
x ik x jl .
El problema resultante tiene funcin objetivo no lineal y adems es entero. Se conoce como
problema de localizacin cuadrtica y pertenece a la clase de problemas NP-completo, por lo tanto,
difcil resolucin.
La necesidad de mantener ciertas unidades alejadas puede manejarse introduciendo pesos
wij que sern relativamente pequeos si la mquina i debe estar lejos de la mquina j. La funcin
objetivo cambia a
m
Min z
i 1
j 1
k 1
l 1
ij
Captulo 2
81
R(x) = j xj
j 1
y la varianza es
i 1
j 1
V(x) =
aij xi xj
Min z
i 1
a
j 1
ij
xi x j
s.a.
n
xj
j 1
n
j 1
xj 0
j 1,...,n.
82
RELACIN 1
Sean (P) y (P ) los siguientes problemas de optimizacin:
(P ) Min f(x)
s.a.
xS.
Un punto x* es solucin ptima del problema (P) si y slo si x* es solucin ptima del
problema (P).
Ejemplo 1: Consideremos el siguiente problema
(P) Max f(x) = 2x (x2)2
s.a.
x 0.
y el problema
5
f(x)
f(x)
-5
Captulo 2
83
RELACIN 2
Sean (P) y (P) los siguientes problemas de optimizacin:
f(x)
(P) Min e
s.a.
xS.
Requerimientos unitarios
Mano de obra
(miles de horas-hombre)
Cohetes
Aviones
Caones
Cantidad disponible
3
2
2
50
Insumos
( cientos de unidades)
1
2
3
20
84
La experiencia permite suponer que la probabilidad de xito de cada una de estas armas es de
0,40, 0,30 y 0,40 respectivamente. Se desea determinar la cantidad de armas de cada tipo que
conviene producir a fin de maximizar la probabilidad de xito.
Sean las siguientes variables de decisin:
x1 = cantidad de cohetes que se han de fabricar,
x2 = cantidad de aviones que se han de fabricar,
x3 = cantidad de caones que se han de fabricar.
Las restricciones se refieren a la disponibilidad de mano de obra y de insumos:
3x1 + 2x2 + 2x2 50
x1 + 2x2 + 3x3 20
x1, x2, x3 0.
Maximizar la probabilidad de xito es equivalente a minimizar la probabilidad de fracaso.
Sea z esta probabilidad. Entonces la funcin objetivo es:
Min z = (1 - 0,4 ) x 1 (1 - 0,3 ) x 2 (1 - 0,4 ) x 3
RELACIN 3
Todo problema de optimizacin con funcin objetivo no lineal puede ser reformulado como
un problema con funcin objetivo lineal. En efecto, el siguiente problema:
Captulo 2
85
es equivalente al problema:
(P ) Min y
s.a.
f(x) y
xS.
o bien al problema:
(P ) Min y
s.a.
f(x) = y
xS.
Este tipo de transformaciones es especialmente til cuando se tiene ms de un criterio que se
desea optimizar, pero por conveniencia o mayor facilidad de resolucin se ha decidido utilizar un
modelo unicriterio, es decir, uno con un solo criterio como funcin objetivo. En este caso se puede
seleccionar uno de los criterios como funcin objetivo y los otros incorporarlos como restricciones,
estableciendo cotas o valores apropiados.
RELACIN 4
En algunas situaciones es necesario resolver un problema de optimizacin que tiene la
siguiente forma:
n
j 1
s.a.
n
a
j 1
ij
( x j x j ) bi
i 1,...,m,
( x j x j ) 0.
con xj+, xj 0.
86
Si, adems xj+ xj =0, es decir, slo una de las variables auxiliares puede ser no nula,
entonces xj = xj+ + xj , y se puede resolver el problema (P) resolviendo el problema siguiente:
j 1
s.a.
n
a
j 1
ij
( x j x j ) bi
(x j x j ) 0
i 1,...,m,
j 1,...,n.
RELACIN 5
Dado un sistema de desigualdades lineales, se puede reformular el problema de determinar
una solucin del sistema como un problema de optimizacin. Sea el siguiente sistema de
desigualdades lineales:
(S)
a
j 1
ij
x j bi
i 1,..., m.
1m
f (x) min 0, ai j x j bi .
2 i 1
j 1
Captulo 2
87
estructuras, como por ejemplo grafos y redes. En el captulo 8 se modelan algunos de los problemas
discutidos en ste como problemas de flujo en una red y en el captulo 9 se modelan con el enfoque
de programacin dinmica.
2.10. CASOS
En esta seccin se presentan algunas aplicaciones de los modelos discutidos en las secciones
anteriores.
2.10.1. Estructura de las Colocaciones Financieras de una Empresa
En lo que sigue se presenta, en forma simplificada, una aplicacin que fue realizada por
Etcheberry et als. [1978] en COPEC (Compaa de Petrleos de Chile).
La compaa se dedica principalmente a distribuir y comercializar combustibles y
lubricantes a lo largo del pas. Adquiere el combustible de ENAP (Empresa Nacional de Petrleos),
lo transporta a sus plantas de almacenamiento y lo distribuye a sus revendedores y clientes. Los
lubricantes los adquiere de MOBIL y los distribuye por los mismos canales mencionados
anteriormente. La mayor parte de los ingresos proviene de la venta de combustibles, existiendo
diferentes modalidades de pago, variando en cada caso los das del crdito otorgado. Dado que el
mercado es estable, el ingreso monetario por concepto de ventas se puede determinar fcilmente. Por
otro lado, los pagos a ENAP se realizan con periodicidad, puesto que existe una entrega continua de
productos. Otro tem relevante en los egresos lo constituyen los impuestos, los que se pagan con un
crdito que depende del tipo de impuesto. Cuando las condiciones financieras lo permiten, se
realizan colocaciones a corto y mediano plazo en el mercado de capitales.
Dado que tanto el precio de compra como el de venta son fijos, una de las metas de la
compaa es minimizar los costos de transporte y distribucin. Adems de ello, existen otros
criterios que reflejan una adecuada eficiencia de la empresa, por ejemplo una buena utilizacin de
los excedentes transitorios de caja efectuando colocaciones ms ventajosas en el mercado de
capitales, invirtiendo en filiales, etc.
El trabajo en referencia trata de optimizar las colocaciones que se efectan en el mercado de
capitales.
Se ha denominado "caja" de la compaa, al total de dinero disponible en las cuentas
corrientes bancarias ms el dinero colocado en el mercado financiero. El monto de la caja en un da
cualquiera est determinado por los ingresos y egresos diarios, producidos tanto por la operacin
normal de la empresa como por sus actividades de carcter financiero. La poltica de COPEC para
realizar sus inversiones financieras consiste en mantener el nivel de la caja lo ms cercano posible de
un mnimo de seguridad, por lo que si despus de un da cualquiera de operacin se tienen
excedentes, stos se derivan hacia colocaciones en el mercado financiero. Si, por el contrario, el
monto disponible no es suficiente para cubrir los pagos del da, se recurre a crdito bancario. Los
flujos de dinero se muestran esquemticamente en la figura 2.12. Dadas las caractersticas de la
operacin de la empresa se pueden estimar los ingresos y egresos diarios, para as estimar los flujos
monetarios netos en cada da hbil.
88
F2
F1
Fi
Fj
wji
y0
y1
1
wik
yi-1
FN
Fk
yi
yk
i
x ji
yN
N
xik
ij =
Variables de decisin
Se definen las siguientes variables de decisin:
yi = saldo en caja al final del da i, descontado el monto de seguridad operacional S, i = 1,, N,
xij = dinero colocado el da i y que vence el da j, ij,
wij = dinero recibido en crdito el da i que debe devolverse el da j.
Captulo 2
89
Se definen slo las variables relevantes, es decir, aquellas que corresponden a la forma en
que opera el mercado financiero. No se define, por ejemplo, la variable x12 pues no pueden
efectuarse colocaciones para el da siguiente.
Restricciones
a) Equilibrio de los flujos monetarios: el saldo en caja al final del da i ser igual al saldo en caja el
da anterior (i1) ms el flujo neto del da i, las colocaciones anteriores que vencen el da i, los
prstamos pedidos el da i, menos las colocaciones efectuadas el da i y los prstamos que hay que
devolver el da i:
i 1
i 1
k 1
j 1
j i 1
k 1
i 1,..., N .
b) No sobregiro de la caja:
yi 0
i = 1,, N.
i, j = 1,, N.
Funcin objetivo
Si se desea maximizar el saldo en caja al final del horizonte de planificacin, es decir, en el
ltimo perodo, la funcin objetivo es:
Max z = yN
El modelo presentado permiti a COPEC analizar un gran nmero de alternativas de
colocaciones y prstamos, lo que redund en la seleccin de una mejor forma de operacin
financiera. Uno de los cambios ms importantes en la operacin fue el pedir prstamos de corto
plazo, que anteriormente no se aceptaban. El modelo permiti demostrar claramente su
conveniencia.
Otras organizaciones que presentan problemas similares son los grandes supermercados y las
tiendas de departamento.
90
Se puede suponer, por ejemplo, que existen, 42 mdulos horarios que se distribuyen en los
das de la semana segn se indica en la tabla 2.10.
8:30-10:00
15
22
29
36
10:15-11:45
16
23
30
37
12:00-13:30
10
14:30-16:00
............
.........................
16:15-17:45
............
.........................
18:00-19:30
............
................
41
19:30-21:00
...........
............
42
.........
.........................
Los horarios de los cursos deben ajustarse a estos mdulos y se puede dictar a lo ms una
ctedra del mismo curso en un da. El profesor y nmero de mdulos (nmero de clases semanales)
que se deben asignar a cada curso estn establecidos previamente. Por una parte, los cursos que dicta
un mismo profesor deben tener horarios diferentes, y por otra, los cursos que los alumnos desean
tomar simultneamente deben tener, tambin, horarios diferentes.
Suponiendo que se cuenta con la siguiente informacin para un conjunto de N cursos y P
profesores:
nj = nmero de clases por semana que deben asignarse al curso j, j = 1,, N,
Cp = conjunto de cursos que dictar el profesor p durante el semestre, p = 1,, P.
Adems, cada profesor informa cul es el horario en que puede dictar clases. Mientras mayor
cantidad de mdulos horarios disponibles ofrezca cada profesor, mayor es la probabilidad de
encontrar una solucin aceptable.
Para la construccin del modelo es necesario determinar qu cursos deben tener horario
diferente debido a que los alumnos tienen inters en cursarlos en forma conjunta. Una forma de
obtener esta informacin consiste en considerar los cursos que un alumno debe cursar en cada
semestre, segn la malla oficial de cursos por semestre. De esta forma, todos los cursos que deben
ser cursados, por ejemplo, en el 5 semestre, segn la malla, deben tener horarios compatibles.
Anlogamente, para los cursos de cada semestre de la carrera. En este caso, se puede definir un
conjunto de cursos por cada semestre. Si Js es el conjunto de cursos correspondientes al semestre s,
entonces los horarios asignados a los cursos contenidos en este conjunto deben ser tales que los
alumnos puedan cursarlos en forma simultnea.
Captulo 2
91
Otra forma, dado que en un rgimen curricular flexible los alumnos no toman
necesariamente los cursos de acuerdo al orden establecido por la malla oficial, consiste en definir
conjuntos de cursos que deben tener horario diferente porque los alumnos los toman histricamente
en forma conjunta. En este caso los conjuntos Js no estn necesariamente asociados a un semestre.
Si se desea considerar informacin actualizada, en lugar de informacin histrica, se puede
realizar una preinscripcin acadmica en la que cada alumno indica cules son los cursos que le
interesa tomar durante el semestre prximo. A partir de la preinscripcin de los alumnos se pueden
construir los conjuntos Js.
Supongamos que de alguna forma se obtienen los conjuntos de cursos que deben tener
horarios diferentes. Sea
Jt = conjunto de cursos que deben tener horario diferente, t = 1,, T.
Variables de decisin
Se definen las siguientes variables de decisin:
x jk
0 en caso contrario.
Slo se definen para el curso j las variables xjk que corresponden a mdulos que el profesor
del curso ha indicado como disponibles para dictar las clases.
Restricciones
a) Nmero de clases por semana: el nmero de mdulos asignados a cada curso debe ser igual al
nmero de clases por semana que el curso tiene establecidas:
42
x
k 1
jk
nj
j 1,..., N .
b) Una clase por da: se puede dictar a lo ms una ctedra de cada curso en un mismo da de la
semana:
kL ( i )
jk
j 1,...,N ; i relevante.
92
c) Conflicto entre cursos dictados por un mismo profesor: en un mdulo k se puede asignar a lo ms
uno de los cursos que dicta el profesor p:
jC p
jk
k , p relevantes.
d) Topes de horarios: los cursos pertenecientes a un conjunto Jt deben tener horarios diferentes:
x
jJ t
jk
t , k relevantes.
j = 1,, N; k relevante.
Funcin objetivo
Si se desea escoger entre los horarios posibles (factibles) aquel que sea de mejor "calidad"
desde el punto de vista de los alumnos se puede efectuar un anlisis de las preferencias de stos. Es
posible establecer una "preferencia" por mdulo horario, por medio de una encuesta o suponiendo,
por ejemplo, que las preferencias de la mayora de los alumnos es tener clases en la maana. As,
todos los mdulos de 8:30 a 10:00 tienen preferencia 7, los de 10:15 a 11:45 preferencia 6,..., y los
mdulos de 19:30 a 21:00 tienen preferencia 1.
Sea ck la preferencia del mdulo k. De acuerdo al criterio anterior, ck =7 para k=1, 8, 15, 22,
29, 36; ..., ck =1 para k=7, 14, 21, 28, 35,42. Luego, si se desea maximizar la satisfaccin de las
preferencias, la funcin objetivo es
42
Max z =
k=1
ck
x jk .
j=1
Captulo 2
93
0 en caso contrario.
1 si el horario del cursoi topa con el horario del curso j
z ij
0 en caso contrario.
Restricciones
a) Nmero de clases por semana: el nmero de mdulos asignados a cada curso debe ser igual al
nmero de clases por semana que el curso tiene establecidas:
42
x
k 1
jk
nj
j 1,..., N .
b) Una clase por da: se puede dictar a lo ms una ctedra de cada curso en un mismo da de la
semana:
jC p
jk
k , p relevantes.
c) Conflicto entre cursos dictados por un mismo profesor: en un mdulo k se puede asignar a lo ms
uno de los cursos que dicta el profesor p:
kL ( i )
jk
j 1,...,N ; i relevante.
d) Topes de horario: la variable zij indica el tope de horario de los cursos i y j. Se considera que el
curso i topa con el curso j si ambos tienen asignado al menos un mdulo comn. Luego, su valor
depende de la asignacin de mdulos que tenga este par de cursos, es decir, del valor de las variables
xjk:
zij xik + xjk 1
k, (i,j) relevantes.
94
Esta restriccin se establece slo para los pares de cursos (i, j) tales que los alumnos desean cursar
en forma conjunta, es decir, para aquellos pares de cursos que se desea que no topen.
Funcin objetivo
La calidad de un horario est dada por el grado de satisfaccin de las demandas por cursos
por parte de los alumnos y por el grado de satisfaccin de los deseos de los profesores en cuanto a
dictar clases en el horario que ellos tienen disponible. El segundo aspecto se internaliza en el modelo
por medio de las restricciones, y el primero se considera en la funcin objetivo.
Maximizar el grado de satisfaccin de los alumnos es equivalente a minimizar la
insatisfaccin. Esta insatisfaccin representa un costo para los alumnos: intereses insatisfechos,
atraso en la conclusin de la carrera, etc. Por lo tanto, el tope de horario entre dos cursos que tienen
demanda compartida tiene un costo asociado.
Sea cij = el costo que tiene para el alumnado el tope entre los cursos i y j. Entonces la funcin
objetivo es:
Min z =
c ij z ij .
(i, j)
Min z =
n ij z ij
(i, j)
Se pueden combinar ambas funciones objetivos asignando los pesos relativos adecuados a
cada criterio.
En la prctica existen otras restricciones que debe satisfacer un horario, adems de las
mencionadas, por lo que el problema es an ms complejo.
Captulo 2
95
contar con una descripcin muy detallada del bosque y sus caractersticas. Utilizando estos sistemas
es que se ha escogido discretizar el rea en estudio, dividindola en un nmero grande de celdas
(tpicamente de 1010 m). PLANEX permite conocer, para una posible localizacin de maquinaria,
cul ser el rea cubierta, es decir, cul es el conjunto de celdas que puede ser explotado desde ese
punto. PLANEX tambin permite anticipar un trazado preliminar de caminos y definir, de este
modo, una red de caminos potenciales junto a caminos ya existentes. La figura 2.13. muestra un
esquema de una zona de bosque en donde se muestra un posible punto de localizacin de torre, junto
con el rea posible de explotar. Se muestran, adems, algunos de los caminos. Todos estos
elementos son utilizados en el modelo y se describen a continuacin.
96
I(j) = conjunto de celdas de localizacin de equipo desde donde se puede explotar la madera de la
celda j, jM, I(j) T.
k
aij
j M.
en caso contrario,
xik
0 en caso contrario
z ij
0 en caso contrario.
wijk = volumen de madera de la celda j extrado a travs de la celda i, jM, iI(j), por mquina tipo
k,
yi = volumen de madera extrado a travs de la celda i, iT,
fij = flujo de madera en el camino (i,j).
Restricciones
Captulo 2
97
a) Disponibilidad de madera: la cantidad total de madera extrada de una celda no puede superar la
cantidad disponible en esa celda:
iT k
k
wkij a ij v j
j M.
wkij v j x i
j M, i I(j), k.
c) Consistencia:
Se puede extraer madera de la celda j por la celda i, slo si se ha instalado alguna maquinaria en la
celda i:
j M
i T.
wkij = y i
Puede existir flujo de madera, en ambos sentidos, por el camino (i,j) slo si el camino ha sido
construido:
fij K zij
fji K zij
(i, j)A
d) Conservacin de flujo:
Para celdas donde se puede instalar maquinaria: el volumen total de madera que sale de cada celda i
con destino a otras celdas, a travs de la red de caminos, debe ser igual al volumen total de madera
que llega desde otras celdas a la celda i ms el volumen de madera que es cosechado en i:
Para celdas que no tienen maquinaria, ni corresponden al punto de salida: el volumen total de
j:(i, j) A
f ij -
k:(k,i) A
f ki = yi
i T
madera que llega a cada celda i debe ser igual al volumen total de madera que sale de esa celda:
j:(i, j) A
f ij -
k:(k,i) A
i M - (T {s }).
f ki = 0
Para la celda que corresponde al punto de salida: el volumen total de madera que llega a la celda de
salida s debe ser igual al volumen total cosechado en el bosque, es decir, toda la madera cosechada
se recoge en la celda de salida:
k:(k,s) A
f ks =
y
j T
e) Exclusividad de los equipos: en una celda puede instalarse un equipo y slo de un tipo:
i T.
98
i T
ik1xik.
iT jM
ij2 wijk.
ij3 zij.
( i , j )A
( i , j )A
yi
donde 0.
i T
En la resolucin de este modelo de programacin lineal entera mixta, Vera et als. [1997]
utilizan tcnicas de relajacin lagrangeana. Tambin se han utilizado heursticas, como bsqueda
tab. Esto se describe en Vera y Manzo [1995].
Captulo 2
99
100
Gestin
Un camino se denota por ab, con a<b, donde a y b son puntos de la red. As,
ab = camino que une el punto a y el punto b.
K = nmero de estndares posibles para construccin de caminos.
(b)= para cada punto b, define el conjunto de puntos que estn unidos a b por un camino y que
pueden enviar madera hacia b.
(b) = para cada punto b, define el conjunto de puntos que estn unidos a b por un camino y que
pueden recibir madera desde b.
Vblit = cantidad de madera enviada al punto b, desde el rodal i, al ser explotado con la alternativa de
manejo l, durante el perodo t.
Cab,k,t = capacidad de transporte del camino ab durante el perodo t, si es construido en el estndar k,
es decir, el volumen mximo de madera que se puede transportar por el camino ab en el
perodo t.
Hab,k,t = costo de construccin del camino ab si se construye en el perodo t y en el estndar k.
Ct
Para identificar los rodales que son adyacentes se definen los siguientes conjuntos:
A(i) = conjunto de rodales adyacentes al rodal i.
Variables de decisin
Las decisiones en cada perodo del horizonte se refieren a la explotacin de los rodales, la
construccin de los caminos al interior del predio forestal y al transporte de madera. Por lo tanto, se
definen las siguientes variables:
Proyectos de recurso:
0 en caso contrario
Proyectos de caminos:
0 en caso contrario.
Trfico de madera:
Captulo 2
101
wab,k,t = cantidad de madera que circula por el camino ab, desde a hacia b, en el estndar k, durante
el perodo t.
Restricciones
a) Exclusividad para construccin de caminos: cada camino ab se construye a lo ms una vez
durante el horizonte de planificacin y slo en un estndar:
T
t 1
k 1
ab,k,t
camino ab.
b) Capacidad de los caminos: la cantidad de madera transportada sobre cada camino en un periodo
t, sin importar la direccin, no puede superar la capacidad del camino. Adems, slo puede circular
carga por un camino si ste ha sido construido:
wab,k,t wba,k,t C ab,k,t z ab,k,s
ab,k,t.
s t
c) Exclusividad de proyectos de recurso: Cada rodal i se puede explotar, a lo ms, una vez durante
el horizonte, cualquiera que sea la alternativa de manejo utilizada:
T
t 1
l 1
lit
i.
d) Conservacin de flujo en cada periodo: el flujo total de madera que llega a un punto b debe ser
igual al flujo que sale de l. Los flujos que llegan a b estn en el lado izquierdo de la ecuacin y
pueden ser flujos que provienen de otros puntos o bien que entran a la red por el punto b. Los flujos
que salen de b, estn en el lado derecho de la ecuacin y slo pueden dirigirse hacia otro punto de
la red:
M
i 1
l 1
blit
x lit
a (b) k 1
ab,k,t
c (b) k 1
bc,k,t
a, t.
e) Adyacencia: en cada uno de los conjuntos de adyacencia considerados, se puede cortar, a lo ms,
un rodal durante un mismo perodo:
L
j A(i) l 1
ljt
i,t.
H
ab
k 1
ab,k,t
z ab,k,t Ct
t.
102
Gestin
ab, k, t.
zab,k,t {0,1}
ab, k, t.
xlit {0,1}
i, l, t.
Se pueden incluir opcionalmente otras restricciones como exigir el corte de algn rodal, o
exigir que si se corta un rodal en particular se debe cortar otro, etc.
Funcin objetivo
Se pueden definir distintos tipos de funcin objetivo, tales como maximizar el valor presente
neto de la explotacin, minimizar el dao ecolgico o maximizar el volumen total de madera
obtenida durante el horizonte de planificacin. La ms utilizada corresponde a maximizar el valor
presente neto (VPN). Para ello se definen los siguientes parmetros:
Flit:
Gab,k,t: costo unitario de transporte de madera por el camino ab, construido en el estndar k,
orientado de a hacia b, durante el perodo t.
De esta forma la funcin objetivo es:
M
k 1 ab t 1
k 1 ab t 1
k 1
ba
Gba,k,t w ba,k,t .
t 1
Captulo 2
103
COMENTARIOS
Los modelos de programacin entera tienen tambin muchas aplicaciones. Sus orgenes se
encuentran en la modelacin de problemas combinatoriales en los cuales se debe evaluar una
gran cantidad de alternativas discretas para seleccionar la mejor.
104
Optimizacin y Modelos para la
Gestin
inicialmente como una aplicacin en el ambiente militar, donde se deba planificar la entrega de
motores de aviacin (servilletas), los cuales necesitaban ser sometidos a reparaciones peridicas.
El problema fue tambin formulado, entre otros, por Gaddum et als. [1954] y por Jacobs [1954].
El problema de prdida en cortes de material, de la seccin 2.5., fue introducido entre otros por
Paull y Walter [1955] como una aplicacin del corte de rollos de papel peridico. El problema
de costo fijo fue planteado por Hirch y Dantzig [1954] y es una de las formas ms utilizadas de
modelamiento, particularmente, para incorporar relaciones lgicas en los modelos de
programacin matemtica.
Kantorovich [1939] fue uno de los primeros en modelar la asignacin de trabajos a mquinas
utilizando programacin lineal. Este problema tiene muchas variantes, la gran mayora de difcil
resolucin. El lector interesado puede encontrar en Pinedo [1995] una discusin amplia acerca de
este problema.
Al modelar una gran cantidad de situaciones, en la prctica, resulta un modelo de caractersticas
no lineales. Generalmente la linearizacin de estos modelos permite resolverlos con mayor
facilidad, sin que esto signifique necesariamente que se pierda la capacidad de representar la
situacin adecuadamente. No obstante, existen problemas en los cuales la linearizacin no es
conveniente y se deben utilizar tcnicas de optimizacin no lineal, como las que se discuten en el
captulo siguiente.
Los modelos de programacin lineal entera permiten representar muy bien algunas situaciones
reales; no obstante, por lo general su resolucin presenta un mayor grado de dificultad que los
modelos lineales continuos. Por esta razn, muchas veces se modelan como variables continuas.
Si los valores de estas variables son grandes (en orden de magnitud) entonces la aproximacin
puede ser aceptable. En otros casos, sin embargo, no lo es y ser necesario considerar el mayor
esfuerzo computacional que requiere la resolucin del modelo. El juicio educado del tomador
de decisiones es importante para decidir en qu situaciones estas aproximaciones son o no
aceptables.
Captulo 2
105
EJERCICIOS
1) Un estudiante ha decidido participar en un concurso de cocina diettica y desea participar con un
postre del mejor sabor posible. Los postres deben tener un contenido mximo de 300 caloras y 20
mg de lpidos. El estudiante ha seleccionado como ingredientes: chocolate, galletas, crema y
almendras. Para establecer la bondad del sabor ha asignado coeficientes de agrado a cada uno de los
ingredientes en orden decreciente de agrado. En la tabla 2.11. se indican los contenidos de caloras y
lpidos por gramo de ingrediente, y tambin los coeficientes de agrado. Se supone que la mezcla de
ingredientes tiene un coeficiente de agrado igual a la suma, ponderada por la cantidad utilizada, de
los coeficientes individuales. Construya un modelo de optimizacin que ayude al estudiante a
decidir cunto usar de cada ingrediente para lograr el postre de mejor sabor.
Tabla 2.11. Caractersticas de los ingredientes.
Ingredientes
Chocolate
Galletas
Crema
Almendras
Caloras
por gramo
1
0,2
0,5
0,7
Lpidos
(mg /gr)
18
10
32
24
Coeficiente de agrado
por gramo
10
3
8
5
Automviles disponibles
1
2
3
6
1
10
AUTOMVILES
REQUERIDOS
A
7
1
9
2
Destino
B C
11
3
6
15
8
3
5
D
2
1
5
7
106
Optimizacin y Modelos para la
Gestin
3) Considere el problema de transporte de frutas de la seccin 2.4.1. y suponga que Bogot, Santiago
y San Pablo pueden ser puntos intermedios en la distribucin y que, adems, la empresa posee
frigorficos en las ciudades de Lima y Mendoza. En la tabla 2.13. se indican los costos unitarios de
transporte y la capacidad de almacenaje de cada punto intermedio. Construya el modelo de
programacin lineal que permita decidir cul es la distribucin de menor costo total.
Santiago Ro de
Janeiro
3
20
15
5
45
25
0
15
12
22
10
15
Quito
30
35
10
30
8
12
4) Un agricultor que dispone de una superficie de 80 hectreas desea programar sus actividades para
el prximo semestre. Los estudios realizados indican que los cultivos tcnica y econmicamente
posibles son trigo, maz, alfalfa y arroz.
Dependiendo del tipo de cultivo a que est dedicada, cada hectrea tiene un rendimiento y
requerimientos de capital, mano de obra y agua de riego. El capital considera las semillas,
fertilizantes, etc. La mano de obra est constituida por el agricultor y sus dos hijos que trabajan 25
das por mes, en promedio. Durante el primer trimestre, la jornada de trabajo es de hasta 8 horas por
da y el segundo trimestre hasta 12 horas diarias. Los rendimientos en quintales mtricos (qq) por
hectrea y requerimientos por cultivo, as como el precio de venta se indican en la tabla 2.14. La
mano de obra est en horas hombre (hh) por da y por hectrea.
Formule un modelo de programacin lineal que permita al agricultor decidir qu cantidad de
hectreas dedicar a cada cultivo de modo que el beneficio sea mximo, si dispone de un capital total
de $ 3.000.000, 90.000 m3 de agua de riego para el primer trimestre y 120.000 m3 para el segundo, y
la horahombre se valoriza a $ 200.
Tabla 2.14. Rendimientos y requerimientos por cultivo.
Cultivo
Rendimiento
(qq/ha)
Precio
de venta
($/qq)
Capital
($/ha)
Agua
1.er trim
(m3/ha)
Agua
2.o trim
(m3/ha)
Mano obra
1.er trim
(hh/ha)
Mano obra
2.o trim
(hh/ha)
Trigo
25
10.000
1.500
600
800
1,5
2,5
Maz
30
7.000
1.200
800
1.000
1,0
Alfalfa
20
8.000
1.000
700
800
1,5
Captulo 2
Arroz
12.000
1.500
900
107
1.300
2,0
3,0
Radios
Videos
160
45
120
110
35
95
120
80
Se estima que al inicio del ao en cuestin los inventarios de los productos sern de 400
televisores, 120 radios y 250 videos. Se desea disear un plan de produccin para cada planta para el
prximo ao que maximice el beneficio total asociado a este negocio. Formule un modelo lineal que
apoye el diseo del plan de produccin.
6) El gerente de ventas de una editorial tiene seis grandes agentes que puede asignar a tres regiones
distintas de Amrica Latina. Se ha decidido que cada regin debe tener, por lo menos, un agente y
que cada agente debe ser encargado de, a lo ms, una regin. Se desea determinar el nmero de
agentes que es conveniente asignar a cada regin de modo de lograr el mximo aumento de ventas.
La tabla 2.16. muestra el incremento estimado en ventas para cada regin segn el nmero de
agentes que se asignen a ellas.
Tabla 2.16. Incremento estimado en ventas.
108
Gestin
Regin
Brasil
21
42
56
70
Mxico
35
41
63
75
Captulo 2
109
10) Tres productos idnticos deben ser programados en tres mquinas: A, B y C. Cada producto
debe ser procesado primero en la mquina A, luego en la B y por ltimo en la C. Toma 20 minutos
procesar un producto en la mquina A, 12 minutos en la mquina B y 25 minutos en la C. Construya
un modelo de programacin lineal que permita decidir cmo deben procesarse los productos de
modo que el tiempo total de proceso sea mnimo. Asuma que cada mquina slo puede procesar un
producto a la vez.
11) Una empresa fabrica refrigeradores y lavadoras de platos. Se desea determinar cul es la
tecnologa ms apropiada para instalar en la planta de fabricacin para los prximos cinco aos. La
demanda anual estimada para ambos productos se muestra en la tabla 2.17. Los recursos de la planta
(maquinaria y mano de obra) necesarios para producir 1 refrigerador son equivalentes a los
necesarios para fabricar 2 lavadoras.
Tabla 2.17. Demanda estimada de refrigeradores y lavadoras de ropa.
Refrigeradores
1
2.000
2
2.300
AO
3
2.400
Lavadoras
1.800
2.000
2.500
4
2.600
5
2.800
2.900
3.200
3
3,2
4
2,8
5
2,4
13) Una empresa forestal posee P predios para explotacin. La cantidad de madera disponible, es
decir, la cantidad de madera que se extrae si se cortan todos los rboles, del predio i es mi metros
cbicos, i = 1,, P. La planificacin se realiza para T perodos. Para el perodo t la demanda por
110
Optimizacin y Modelos para la
Gestin
madera es dt y el beneficio neto por metro cbico de madera es ct , t = 1,, T. Por poltica de la
empresa, un predio se corta completo o no se corta. Adems, al final del horizonte de planificacin,
esto es, al final del perodo T deben quedar al menos M metros cbicos de madera en pie (sin cortar).
Debido al tiempo que requieren los rboles en crecer nuevamente, cada predio se puede
cortar a lo ms una vez en el horizonte de planificacin. Construya un modelo de programacin
lineal que ayude a decidir qu predios cortar y cundo, de manera que se maximice el beneficio neto
total.
14) Una empresa de seguridad tiene M propiedades que deben ser vigiladas en forma remota. Para
realizar la vigilancia se necesita construir cierto nmero de estaciones de monitoreo. La empresa ha
diseado el sistema de modo tal que cada propiedad quede conectada en forma permanente a alguna
estacin de monitoreo. Cada estacin tiene un radio de cobertura mximo R, igual para todas las
estaciones. Existen N lugares posibles en los cuales puede instalarse una estacin. Se conoce la
distancia dij entre un lugar posible i, i = 1,, N y cada una de las propiedades a vigilar, j = 1,, M.
Formule un modelo de programacin matemtica que permita decidir en qu lugares hay que instalar
las estaciones de monitoreo, de manera que en cada lugar se instale a lo ms una estacin y cada una
de las propiedades quede conectada a una de las estaciones. La solucin debe ser tal que el nmero
de estaciones instaladas sea el menor posible.
15) Considere la programacin de M mquinas y N trabajos. Los N trabajos estn divididos en
grupos de trabajos iguales. Sea aij el tiempo requerido para hacer el trabajo i en la mquina j y cij su
costo.
Todas las mquinas son aptas para cada uno de los trabajos, pero por razones operativas,
cada grupo debe realizarse en una sola mquina, es decir, una vez que un trabajo de un grupo se ha
realizado en una mquina, todos los dems trabajos del grupo deben realizarse en la misma
mquina. Construya un modelo de optimizacin que apoye la programacin de los trabajos en las
distintas mquinas, de modo que el tiempo total de ejecucin sea el menor posible.
16) SUPER Ltda., considera la fabricacin de tres tipos de computadores: MEGA1, MEGA2 y
MEGA3. En la tabla 2.19. se indican los recursos necesarios de memoria y mano de obra para
fabricar cada uno de ellos y el beneficio unitario. Se dispone de 400 unidades de memoria RAM y
50.000 horas-hombre. Construya un modelo de programacin lineal que maximice la utilidad total
de SUPER.
Tabla 2.19. Recursos y utilidad de los computadores.
Recurso
Memoria RAM
(Mgbytes)
Mano de obra
(horas-hombre)
Beneficio
(US $)
MEGA1
MEGA2
MEGA3
16
32
40
30
50
200
300
420
Captulo 2
111
17) Considere el problema del ejercicio 16 y suponga ahora que para que la produccin de un tipo de
computador sea econmicamente conveniente se deben fabricar por lo menos 500 computadores de
ese tipo. Haga las modificaciones necesarias al modelo anterior para incluir esta condicin.
18) Una empresa forestal posee un total de N rodales (regiones de bosque) que pueden ser
explotados el prximo ao. Para cada rodal j se ha estimado la cantidad aj, j = 1,, N de madera
que contiene. La empresa desea decidir qu rodales cortar con el objetivo de extraer la mayor
cantidad de madera posible. Sin embargo, la legislacin vigente establece que si se corta un rodal no
se puede cortar ninguno de los rodales adyacentes a l. Esto se debe hacer para preservar el hbitat
de la fauna silvestre. Suponga, entonces, que para cada rodal j se tiene una lista A(j) que especifica
los rodales adyacentes a l. Construya un modelo de programacin matemtica que permita decidir
qu rodales conviene cortar el prximo ao.
(Referencia: Barahona et als. 1992)
19) Un estudio de grabacin se dedica al doblaje de pelculas. Para ello cuenta con un estudio y un
equipo de N actores. Cada actor tiene asignados un nmero nj, j = 1,, N de personajes que debe
doblar. El horario total disponible para grabacin en el estudio se ha dividido en M mdulos de 20
minutos cada uno y se ha estimado que el actor j requiere un tiempo de tjk mdulos para doblar el
personaje k, k = 1,, nj. Adems, cada actor ha indicado el horario disponible para grabar sus
personajes. Construya un modelo de programacin matemtica que permita asignar los horarios de
grabacin a cada uno de los actores, considerando que slo puede grabar un actor a la vez en el
estudio y de modo que el tiempo total de grabacin del doblaje sea el menor posible.
20) Una compaa del rea de las comunicaciones debe ejecutar en el curso de un ao una serie de
obras de infraestructura como ser: cableado de redes, instalacin de centrales subterrneas, etc. Para
realizar estas obras se recurre a subcontratistas, los cuales, para adjudicarse una obra, deben ofertar
un precio. Dada la variedad de trabajos, la empresa ha definido una unidad estandarizada de obras
llamada punto. Existe un total de M contratistas y los trabajos deben efectuarse en N zonas en las que
se ha dividido el pas. Sea bi la cantidad de puntos que se han de ejecutar en la zona i, i = 1,, n. El
precio unitario ofertado por el contratista j para obras en zona i es pji.
a) Formule un modelo de optimizacin que ayude a decidir cuntos puntos de obra asignar a cada
contratista en cada zona.
b) Suponga ahora que existe una capacidad anual mxima Kj para cada contratista, Cmo cambia el
modelo?
c) Ahora, adems, se presenta la restriccin que a los contratistas se les debe asignar trabajo en zonas
ms o menos contiguas. Para ello, el total de zonas se ha particionado en p conjuntos F1, F2,, Fp,
es decir, FiFp = M y Fi Fj= para ij. La restriccin es que todo trabajo de un contratista
debe estar ubicado en slo uno de estos conjuntos.
21) Una fbrica de jugos de larga duracin dispone de 30 litros de pulpa de naranja con la cual
puede fabricar dos tipos de jugos: concentrado y normal. Cada litro de jugo concentrado requiere de
0,3 litros de pulpa y el normal de 0,2 litros. Se ha estimado que la demanda de estos productos
depende del precio de la siguiente manera: d1 = 250 40p1 y d2 = 200 20p2, donde di es la cantidad
demandada y pi el precio del jugo concentrado (i=1) y normal (i=2), respectivamente. Formule un
modelo de optimizacin que permita determinar cunto fabricar de cada producto y qu precios
asignar, de modo que se maximice el ingreso total si se asume que se vende toda la produccin.
112
Optimizacin y Modelos para la
Gestin
22) Un laboratorio cientfico es puesto en rbita elptica alrededor de la tierra. La rbita est descrita
por la ecuacin x2 + 5y2 +3y =10, donde x e y son las coordenadas con respecto a algn sistema de
referencia ubicado en el centro de la tierra. Todas las comunicaciones de radio con las estaciones
terrestres se hacen a travs de otro satlite que tiene una posicin fija con respecto al sistema de
referencia. La energa requerida para las comunicaciones entre el laboratorio y el satlite es
proporcional al cuadrado de la distancia entre ambos. Asumiendo que el satlite es posicionado en el
mismo plano de la elipse, construya un modelo matemtico que permita determinar cul debera ser
la posicin del satlite para minimizar el consumo de energa. Suponga que la tierra tiene un radio
R>0.
23) Considere una red de comunicaciones. Cada lnea de comunicacin directa entre dos puntos
geogrficos opera en un slo sentido. Una lnea que enva informacin desde el punto i al punto j
tiene una probabilidad de falla igual a pij. Por lo tanto, la probabilidad de que esa lnea est operativa
es (1 pij). Formule un modelo de programacin matemtica que permita determinar la ruta de
comunicaciones con mayor probabilidad de estar operativa, entre dos puntos s y t. Una ruta est
compuesta por varias lneas directas y es suficiente que falle una de estas lneas para que falle la ruta.
24) Una gran compaa multinacional maneja N productos, los cuales, segn las circunstancias,
pueden ser importados desde otras filiales de la compaa en el extranjero, producidos localmente en
la fbrica nacional, o bien exportados si hay excedentes. Sea dit la demanda nacional total del
producto i para el perodo t, git el costo unitario total de importacin del producto i en el perodo t y
hit el beneficio unitario de exportacin del producto i en el perodo t. Se ha estimado que hit=it+itxit
donde xit es la cantidad exportada de producto i en el perodo t y it>0 y it<0 son constantes
conocidas. Adems, sea ai la cantidad total de horas-hombre que se requiere en la fabrica nacional
para producir una unidad de producto i y pi el beneficio unitario en el mercado nacional. Se dispone
de un total de Lt horas-hombre en cada perodo t. Tambin se desea que el dficit comercial no
supere los $ Dt en el perodo t, siendo el dficit comercial igual al valor total de las importaciones
menos el valor total de las exportaciones.
Formule un modelo de optimizacin que permita determinar qu y cunto importar, exportar
y producir localmente en cada perodo, de modo que se satisfaga la demanda, no se exceda la
disponibilidad de mano de obra ni el lmite del dficit comercial y se maximice el beneficio total.
25) Un problema muy importante durante la ltima dcada ha sido el de estudiar la forma en que las
protenas se doblan espacialmente. El objetivo de este ejercicio es desarrollar un modelo para el
estudio de este proceso.
En primer lugar, se modela una protena en el plano R2, para simplificar, como una cadena
de aminocidos que estn unidos entre s por enlaces atmicos. Los aminocidos se atraen o repelen
entre s segn las fuerzas electromagnticas. El modelo asume una cadena de eslabones unidos entre
ellos y que pueden girar, uno en torno al otro, como se muestra en la figura 2.14. El aminocido k
est conectado por sus dos extremos al k1 y al k+1, y en ese punto pueden girar. Slo el primero y
el ltimo aminocido de la cadena tienen una sola conexin. Los puntos marcados con representan
los puntos de atraccin y repulsin. Dos de esos puntos, xk y xl pertenecientes al aminocido k y l,
respectivamente, se atraen o repelen con una energa Ekl = akl / dist (xk, xl) donde dist (xk, xl) es la
distancia euclideana entre xk y xl, y akl una constante. Se asume tambin que todos los aminocidos
tienen largo igual a d.
Captulo 2
113
k-1
26) Una empresa est efectuando el proceso de planificacin de su parque de equipos. Segn los
estudios realizados existen los siguientes costos.
- Costo de operacin anual de un equipo de edad j: Cj.
- Inversin de un equipo nuevo: I.
- Valor residual o de venta de un equipo de edad j: Vj.
Adems se han realizado estudios sobre productividad, determinando que la productividad
de un equipo de edad j es Pj toneladas/hora.
Asuma que el perodo de planificacin es N aos, y que al final de ste se venden todos los
equipos. Los requerimientos anuales son Rt toneladas en el ao t. El mximo de inversin por ao
que se permite corresponde a Kt.
Nota: Un ao productivo posee 250 das y cada da 16 horas.
Formule un modelo lineal que permita resolver el problema en el horizonte de planificacin
indicado.
27) Considere una matriz AMmn de coeficientes positivos o nulos y un vector bR de coeficientes
no negativos. Una hiper-caja interna de Axb es un conjunto de desigualdades xi ui, i = 1,, n tal
que x que satisface xi ui, i = 1,, n entonces tambin satisface Axb. Formule un modelo de
programacin lineal que maximice el permetro de una hiper-caja para Axb.
28) Considere el problema anterior para una matriz A cualquiera y un vector b con coeficientes sin
restriccin de signo. Formule un modelo para el mismo problema anterior en este caso.
29) Una empresa posee n factores productivos para fabricar cierto
producto, cada uno con un costo unitario ci, i = 1,, n. La
empresa posee una funcin de produccin f: RnR, que indica la
forma en que los factores productivos pueden ser combinados para
generar un determinado nivel de produccin. Formule un modelo de
programacin matemtica que permita determinar el costo de
producir q unidades de producto.
114
Optimizacin y Modelos para la
Gestin
Indicacin: lo que se desea determinar es la combinacin de factores productivos que minimiza el
costo de dichos factores.
30) Considere el problema 29), extienda el modelo para el caso en que existen m productos, cada
uno con una funcin de produccin fi y se desea fabricar qi unidades del producto i, i = 1,., m.
31) Una empresa que fabrica una lnea de productos qumicos, desea establecer un plan de
produccin y distribucin para las prximas T semanas.
La empresa posee K plantas productoras y cada una de ellas es capaz de fabricar los N
productos de la lnea. Una vez que los productos son fabricados, todos ellos se llevan a las bodegas
de la planta y all se mantienen hasta que son despachados a M laboratorios (centros de consumo).
Para el transporte desde las bodegas a los laboratorios se puede elegir entre dos medios de transporte
que se diferencian por la rapidez y el costo. El envo por medio de ferrocarril demora 1 semana y
por buque demora 2 semanas.
Se dispone de la siguiente informacin:
Kk = capacidad semanal de la planta k para producir cualquier producto (lt)
fn = espacio que ocupa un litro de producto n (m3)
Ik = costo de mantener una unidad (lt) de producto en inventario en la bodega de la planta k
($/lt-semana)
bn = costo unitario de fabricacin del producto n ($/lt)
dnj = requerimiento semanal de producto n en el laboratorio j (lt)
Hk = capacidad de la bodega k (m3)
Ckj1 = costo unitario de transporte desde la bodega k al laboratorio j si se utiliza ferrocarril ($/m3).
Ckj2 = costo unitario de transporte desde la bodega k al laboratorio j si se utiliza buque ($/m3).
Formule un modelo de programacin lineal que apoye la determinacin del plan de produccin y
distribucin de mnimo costo total que satisface los requerimientos del problema. Asuma que los
inventarios iniciales son conocidos y que los costos de transporte entre las plantas y sus respectivas
bodegas es despreciable.
32) Considere el siguiente problema de distribucin de petrleo mediante buques. Se tienen tres
puertos: San Antonio, Coquimbo e Iquique, que requieren 1,8, 2,2 y 2,0 mil barriles,
respectivamente. Se dispone de petrleo en Punta Arenas y en Puerto Natales. En Punta Arenas se
dispone de 4,8 mil barriles y en Puerto Natales de 1,5 mil barriles. El costo de transporte es de $ 200
por barril y por kilmetro.
a) Suponiendo conocidas las distancias (en kilmetros) entre cada par de puertos, formule un modelo
de programacin lineal que permita apoyar la decisin de distribucin de este producto, de modo
que se satisfaga la demanda y que el costo de transporte sea mnimo.
b) Suponga ahora que en Punta Arenas se dispone slo de 3 buques A, B y C, cada uno con
capacidad para transportar 2,5 mil barriles, pero ahora se debe considerar un costo fijo por cada uno
de estos buques y que cada uno de ellos slo puede ir a uno de los puntos de demanda. Los costos
fijos son: $ 10.000, 14.000 y 12.000 para el buque A, B y C, respectivamente y se incurre en este
costo sin importar la distancia recorrida por el buque. Formule un modelo de programacin lineal
que permita apoyar la decisin de distribucin a costo total mnimo, en este caso.