Optimización

Leonid Kantorovic
Captulo
Desarroll muchos de los fundamentos

de la programacin matemtica.
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
Optimizacin y Modelos para la Gestin
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
Modelos de Programacin Matemtica
37
grado de incertidumbre respecto a su representabilidad y, por lo tanto, es necesario analizar si ese

grado es aceptable para los propsitos del modelo.
Finalmente, la representacin del fenmeno corresponde a la transformacin de los
elementos y relaciones seleccionados mediante el proceso de abstraccin en otros elementos y
procedimientos o reglas que permitan estructurar el modelo. Esta estructuracin depender de la
disciplina en la que el modelo es desarrollado y de la capacidad del modelador para transformar el
fenmeno a elementos de esa disciplina.
El amplio espectro que abarca el modelamiento, desde modelos sociales y filosficos hasta
matemticos, hace difcil el desarrollo de metodologas generales para la construccin de modelos.
En este captulo consideraremos solamente modelos matemticos que pueden ser utilizados como
apoyo a la toma de decisiones en la gestin de diversas organizaciones. La metodologa que se
propone aqu es vlida slo en este mbito.
2.1.2. Construccin de un Modelo de Apoyo a la Toma de Decisiones

A continuacin se proponen algunos criterios que pueden guiar el desarrollo de modelos
cuyo objetivo es apoyar la toma de decisiones.
El proceso de desarrollo de un modelo debe ser visto como un proceso de aprendizaje y
elaboracin. En este sentido, es recomendable partir de modelos simples y mediante sucesivas
modificaciones aproximarse a modelos ms complejos.
Un buen punto de partida en el desarrollo de un modelo lo constituyen las analogas y
asociaciones con fenmenos o situaciones conocidos. De este modo, un modelo puede ser
construido tomando como base otro ya existente. Para algunas situaciones que se presentan con
algn grado de frecuencia en la gestin de organizaciones, la investigacin operativa propone
modelos generales que pueden ser adaptados y/o modificados para casos particulares, como por
ejemplo, programacin matemtica, teora de colas, flujo en redes, etc. An ms, existen modelos
desarrollados para situaciones especficas, como por ejemplo, modelos de programacin lineal para
planificacin de la produccin, para programacin de mquinas, para localizacin de instalaciones,
etc.; modelos de flujo en redes para transporte y distribucin, para trfico de vehculos, etc.
Existen diversos criterios para evaluar la bondad de un modelo. En el mbito de la toma de
decisiones, a nuestro juicio, el mejor modelo es aquel que permite estudiar mejor el comportamiento
de un sistema y lo hace en la forma ms simple posible. Esto es, un buen modelo de apoyo a la toma
de decisiones facilita el anlisis del impacto que pueden tener diversas alternativas de decisin. Es
importante recalcar que para poder evaluar el comportamiento de un fenmeno o sistema, es
necesario conocer los objetivos establecidos al desarrollar el modelo. En caso contrario, ste puede
ser un mal predictor del comportamiento o adquirir demasiada complejidad.
2.1.3. Modelos Matemticos de Apoyo a Decisiones

Un modelo matemtico se diferencia de otros tipos de modelos por el hecho de que todos sus
elementos corresponden a funciones o relaciones matemticas.
38
Un modelo matemtico de apoyo a la toma de decisiones es un modelo matemtico que

adems posee uno o ms objetivos, y donde las variables o incgnitas deben representar las
decisiones que se desea apoyar. La forma general de este tipo de modelos es:
Max ( Min) f(x1,, xn)

s.a.
gi(x1,, xn) 0 i=1,, m.
Los elementos incluidos en este modelo son:

a) Condicin de optimizacin: corresponde a establecer si el modelo ser de maximizacin o
minimizacin. Esto depende de los objetivos perseguidos.
b) Funcin objetivo: es el criterio que orientar las decisiones y est representado por la funcin
escalar f(x1, ..., xn). Generalmente esta funcin representa beneficios, costos, ingresos, etc.
c) Variables de decisin: los elementos que representan matemticamente las decisiones que se
desea apoyar son las variables o incgnitas del modelo y se denotan por x1, x2,, xn. Ellas
corresponden, por ejemplo, a cantidad de producto por fabricar, nmero de equipos por reemplazar,
si una ciudad es visitada o no, flujo de vehculos en un camino, etc.
d) Restricciones: cada una de ellas corresponde a una limitacin del sistema que es incorporada al
modelo y se representan por medio de las funciones escalares gi (x1,, xn), i=1,, m. A modo de
ejemplo: espacio mximo disponible, cantidad mnima de producto requerido, presupuesto
disponible, etc.
e) Parmetros o datos: representan decisiones, que a diferencia de las variables de decisin, no son
controlables.
Tanto la funcin objetivo como las restricciones establecen relaciones entre las variables de
decisin y los datos o parmetros. La tarea del modelador consiste en dar forma a estas funciones, de
manera de caracterizar apropiadamente el sistema y de identificar las decisiones que se desea apoyar.
Para construir un modelo matemtico de apoyo a la gestin, es recomendable:
-
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.
2.2. PLANIFICACIN DE LA PRODUCCIN

El ejemplo siguiente intenta ilustrar una de las aplicaciones ms frecuentes de programacin
lineal en la gestin de empresas: la planificacin de la produccin. En este caso se desea determinar
la cantidad de los diferentes productos de la empresa que se han de producir considerando los
recursos disponibles, las caractersticas tecnolgicas existentes y la situacin del mercado. El criterio
que orienta la seleccin de alternativas est generalmente asociado a minimizar los costos de
produccin o a maximizar los ingresos o los beneficios obtenidos de la explotacin.
2.2.1. Planificacin de la Produccin de Puertas y Ventanas

La empresa ABRAX Ltda. fabrica puertas y ventanas de madera. Existen dos modelos de
puertas: puertas y ventanas: dobles y simples. El insumo ms importante es la madera. El proceso
de corte de las partes se realiza en dos sierras elctricas de precisin y el barnizado lo efecta
personal experimentado. Las cantidades de madera y los tiempos de corte y barnizado que requiere
cada producto se muestran en la tabla 2.1.
Tabla 2.1. Requerimientos de recursos.

Producto
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
FORMULACIN DEL MODELO
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
b) Cumplimiento de compromisos de entrega:

La cantidad producida de puertas simples debe ser al menos suficiente para cumplir los
compromisos contrados:
x2 200.
La cantidad producida de ventanas dobles debe ser al menos suficiente para cumplir los
compromisos contrados:
x3 120.
c) No negatividad de las variables:
x1, x2, x3, x4 0.
Funcin objetivo
Como beneficio total = ingreso total costo total de produccin, entonces
Beneficio total = z = 40 x1 + 30 x2 + 25 x3 + 30 x4.
En resumen, el modelo lineal que maximiza el beneficio total es:
Max z = 40 x1 + 30 x2 + 25 x3 + 30 x4
s.a.
4,0 x1 + 2,5 x2 + 3,0 x3 + 1,8 x4 800
1,5 x1 + 1,0 x2 + 2,0 x3 + 0,8 x4 400
2,0 x1 + 1,2 x2 + 1,5 x3 + 0,8 x4 300
x2 200
x3 120
x1, x2, x3, x4 0.
2.2.2. Problema General de Produccin

El problema anterior es un caso particular del caso general que se discute a continuacin.
Supongamos que se desea disear un plan de produccin y de manejo de inventario para los
prximos T perodos, esto es, determinar la cantidad que se ha de producir y la cantidad que se deja
en inventario de cada uno de los n posibles productos en cada perodo. Para ello se cuenta con m
recursos. La cantidad mxima disponible del recurso i en el perodo t es bit , i=1,, m; t=1,, T y la
cantidad de recurso i que requiere una unidad del producto j para ser fabricado (i.e. su coeficiente
tecnolgico) es aij. La demanda estimada del producto j en el perodo t es djt. El inventario del
producto j al inicio del primer perodo es Ijo. El plan debe minimizar los costos de produccin y de
mantencin de inventario. El costo unitario de produccin del producto j en el perodo t es cjt y el
costo unitario de mantencin de inventario del producto j en el perodo t es kjt.
42
El plan debe ser tal que no se exceda la cantidad disponible de recursos y que se satisfaga la
demanda.
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 .
b) Satisfaccin de demanda y balance de inventario: en cada perodo, la cantidad producida ms la

cantidad en inventario al inicio del perodo deben ser suficientes para satisfacer la demanda.
Adems, si es necesario se dejar producto en inventario para el perodo siguiente:
I j ,t 1 x jt I jt d jt
j 1,..., n; t 1,..., T .

x jt , I jt 0
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
2.3. MEZCLA DE PRODUCTOS

El objetivo de este problema es determinar la composicin, de mnimo costo o mximo
beneficio, que debe tener cierto producto que se fabrica mezclando otros productos o ingredientes y
que debe cumplir con ciertas especificaciones tcnicas. El primer problema de este tipo que se
resolvi fue uno conocido como problema de la dieta donde se intenta determinar la frmula o
composicin que debe tener un alimento de modo que satisfaga los requerimientos nutritivos
establecidos.
Existen aplicaciones del problema de mezcla de productos en diversas reas productivas:
raciones para animales, productos alimenticios, elaboracin de pinturas, combustibles, licores,
productos farmacuticos, fertilizantes etc.
2.3.1. Diseo de la Composicin de Alimento de un Plantel Cuncola

El administrador de un plantel cuncola (i.e., crianza de conejos) desea determinar la
composicin de 1.000 kg de alimento que cumpla con los requerimientos nutritivos establecidos
para el normal crecimiento de los conejos y que tenga el menor costo posible. En la elaboracin del
alimento pueden utilizarse los ingredientes cuyas caractersticas nutritivas y costo se sealan en la
tabla 2.3.
La dieta debe tener las siguientes caractersticas:

Protena:
Fibra:
Hidratos de carbono:
Caloras:
Harina de pescado:
15%,
mnimo 25%,
mnimo 20% y mximo 40%,
mnimo 800/kg y mximo 1.800/kg,
mximo 10%.
Tabla 2.3. Caractersticas de los ingredientes.

Ingredientes
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
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
f) Harina de Pescado: la cantidad de harina de pescado contenida en el alimento no debe ser ms de

10%:
x2 100.
g) No negatividad de las variables:
x1, x2, x3, x4, x5 0.
Funcin objetivo
El costo total de la frmula debe ser el menor posible. Por lo tanto, la funcin objetivo es:
Min z = 45 x1 + 100 x2 + 70 x3 + 45 x4 + 80 x5.
2.3.2. Planificacin de la Produccin de Combustibles

La empresa GASOL Ltda., produce y vende dos tipos de gasolina: corriente y especial. Para
ello utiliza dos tipos de petrleo crudo: liviano y pesado, que tienen un costo de US$ 15 y US$ 20
por barril, respectivamente. Las caractersticas de los dos tipos de petrleo se sealan en la tabla 2.4.
Tabla 2.4. Caractersticas del petrleo crudo.
Petrleo liviano
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.
Tabla 2.5. Caractersticas de los combustibles.

Combustible
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
Cada barril puede contener 40 kg de petrleo liviano, o 50 kg de petrleo pesado, o 60 lt de

gasolina. El octanaje de los combustibles corresponde a la media de los octanajes de sus
componentes ponderada por su volumen.
El encargado de la produccin de combustibles necesita determinar qu tipos de mezclas
utilizar para cada combustible y cul debe ser el nivel de produccin, de manera que se obtenga la
mayor utilidad posible.
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
60 0,65 0,85 60 0,65 0,85

40
50
2.4. TRANSPORTE DE PRODUCTOS

Una de las primeras y ms populares aplicaciones de programacin lineal corresponde al
problema de transporte. Este problema que tiene diversas variantes, en su formulacin ms simple
consiste en determinar un plan de distribucin para un producto que est disponible en cierto nmero
de lugares, denominados orgenes, y que debe enviarse en cantidades preestablecidas a localidades
llamadas destinos. El plan debe ser tal que el costo total de transporte sea mnimo, dados los costos
unitarios de transporte entre cada par origen-destino.
Se iniciar la ilustracin de este problema con la formulacin anterior que considera slo un
producto y un perodo. Posteriormente, se considerarn otras formulaciones que incluyen centros de
transbordo, varios perodos, varios productos etc.
48
2.4.1. Transporte de Frutas

Una empresa transnacional exportadora de frutas que opera en Amrica del Sur desea
determinar un plan de distribucin de la fruta desde las plantas empacadoras hasta los centros de
distribucin, para el perodo de verano. Las plantas se encuentran ubicadas en Rancagua, San Pablo,
y Bogot. El mercado se ha agrupado en cuatro regiones, como se muestra en la figura 2.1., siendo
cada una de ellas atendida por un distribuidor. Los centros de distribucin estn localizados en
Santiago, Ro de Janeiro, Quito y Caracas.
En la tabla 2.6. se sealan los costos unitarios de transporte en M$, los requerimientos de
cada regin y la produccin de fruta en las plantas, para el perodo de verano.
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
Figura 2.1. Transporte de frutas.
Rio de Janeiro
Captulo 2
49
Tabla 2.6. Costos de transporte.

Costos de transporte
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.
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
Se observa que si un determinado par origen-destino no se admite entre las combinaciones

posibles, por ejemplo porque no existe ruta directa, esto se puede representar eliminando del modelo
la variable xij, correspondiente, o bien asignando a esa variable un costo muy alto. En el ejemplo
anterior, si no existe ruta entre San Pablo y Quito entonces la variable x23 se puede eliminar del
modelo.
2.4.2. Transporte con Transbordo

Esta es una de las variantes ms interesantes del problema de transporte. En este caso se
considera la posibilidad de enviar los productos a los destinos a travs de puntos intermedios, es
decir, un origen puede enviar producto a un destino directamente o bien a travs de algn punto
intermedio. Estos puntos pueden ser otros orgenes, otros destinos o bien lugares denominados
centros de transbordo que slo reciben, almacenan por perodos cortos y redistribuyen los
productos, como por ejemplo, puertos, aeropuertos, bodegas intermedias, lugares de acopio o
acumulacin de producto, etc.
La estructura ms simple de este problema contiene m orgenes, n destinos y q centros de
transbordo. Los productos se envan desde los orgenes a los centros de transbordo y desde all, en
un instante determinado, a los destinos. Todos los productos deben pasar por algn centro de
transbordo. La situacin se muestra esquemticamente en la figura 2.2. Se asume que cada centro de
transbordo tiene una capacidad limitada para almacenar productos.
Captulo 2
51
1
1
ai
xik
ykj
j
bj
q
n
Figura 2.2. Representacin del problema de transporte con transbordo.
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
= cantidad de producto disponible en el origen i,

= cantidad de producto requerida en el destino j,
= capacidad del centro de transbordo k,
= costo unitario de transporte desde el origen i al centro de transbordo k,
= costo unitario de transporte desde el centro de transbordo k al destino j.
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

m
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.
e) No negatividad de las variables:

xik , y kj 0
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.
2.4.3. Transporte con Transbordo y Multiperodo

Supongamos que se tiene la siguiente estructura para distribuir un producto en T perodos: m
orgenes, q centros de transbordo y n destinos. El producto se enva desde los orgenes a los centros
de transbordo y desde all a los destinos. En los orgenes existe una disponibilidad mxima de
producto en cada perodo y se puede almacenar producto para perodos posteriores. Los centros de
transbordo poseen una capacidad de almacenaje limitada y slo pueden almacenar producto durante
un perodo, y en los destinos existe un requerimiento o demanda estimada del producto para cada
perodo. Adems de los costos de transporte, se incurre en un costo de inventario cuando un origen
almacena producto para ser enviado en otros perodos. Los centros de transbordo, en cambio,
representan un costo fijo. Se puede visualizar la situacin esquemticamente en la figura 2.3.
Se definen las siguientes variables de decisin:
xikt = cantidad de producto enviada desde el origen i al centro de transbordo k en el perodo t,
ykjt = cantidad de producto enviada desde el centro de transbordo k al destino j en el perodo t,
Iit = cantidad de producto en inventario en el origen al final del perodo t.
Captulo 2
53
y los siguientes parmetros:

ait
bjt
wk
eikt
dkjt
hit
Ii0
=
=
=
=
=
=
=
capacidad de produccin en el origen i en el perodo t,

cantidad de producto requerida en el destino j en el perodo t,
capacidad del centro de transbordo k,
costo unitario de transporte desde el origen i al centro de transbordo k en el perodo t,
costo unitario de transporte desde el centro de transbordo k al destino j en el perodo t,
costo unitario de inventario en el origen i en el perodo t,
cantidad de producto en inventario al comienzo del periodo 1 en el origen i.
Las restricciones del modelo son:

a) Disponibilidad en los orgenes: la cantidad total de producto enviada desde un origen ms la
cantidad dejada en inventario en el perodo debe ser igual a la disponibilidad de producto en ese
origen en el perodo. La cantidad disponible es igual al inventario al inicio del perodo (es decir al
final del perodo anterior) ms la cantidad mxima que se puede producir en ese origen durante el
perodo
q
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
Figura 2.3. Representacin del problema de transporte con transbordo y multiperodo.
54
b) Capacidad de los centros de transbordo: la cantidad total de producto enviada a un centro de

transbordo en un perodo cualquiera no puede exceder la capacidad del centro
m
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 .
e) No negatividad de las variables:

xikt , y kjt , I it 0
i 1,..., m; j 1,..., n; t 1,..., T .
La funcin objetivo consiste en minimizar el costo total de transporte e inventario.

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.
2.4.4. Flujo de Pasajeros en un Ferrocarril

Un ferrocarril interprovincial tiene dos lneas y un conjunto de estaciones en cada lnea. La
estructura del sistema se muestra en la figura 2.4. Se desea estudiar la distribucin de pasajeros en el
sistema, para un viaje desde la estacin A hasta las estaciones E y G. La capacidad del tren que va
desde A hasta E es de 1.200 pasajeros y la del tren que va desde C hasta G es de 800 pasajeros.
Captulo 2
55
Figura 2.4. Estructura de la red ferroviaria.
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?
Tabla 2.7. Matriz origen-destino.

Estaciones de destino
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
Para determinar la cantidad de pasajeros en cada tramo de viaje se definen las siguientes
variables:
56
xij =

cantidad de pasajeros que viajar en el tren y que llega a la estacin i y tiene destino j,
i = A, B, C, D, F; j = B, C, D, E, F, G.
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,
xCD 200, xCE 350,
xCF 250,
xCG 300,
xDE 100,
xFG 200.
xAG 150,
Captulo 2
57

xij 0
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.
2.5. OTROS MODELOS LINEALES

En esta seccin se presentan varios problemas que pueden ser modelados utilizando
programacin lineal continua.
2.5.1. Prdidas de Material en Proceso de Corte

Una industria que fabrica papel y lo distribuye en rollos debe determinar la mejor forma de
realizar el proceso de corte. Los rollos de papel que se producen tienen un ancho de 100 cm; sin
embargo, los clientes demandan rollos de 30 cm, 45 cm y 50 cm de ancho. Por lo tanto, al cortar los
rollos de 100 cm se incurre en una prdida de material que depende de la forma en que se corten los
rollos originales. Se desea determinar la forma de efectuar el corte de manera que se satisfaga la
demanda y se minimice la prdida total de material. Se tiene un pedido de 800 rollos de 30 cm de
ancho, 500 rollos de 45 cm y 1.000 rollos de 50 cm. Dadas las caractersticas de los rollos
demandados por los clientes, existen seis alternativas diferentes de corte de un rollo de 100 cm de
ancho, que se muestran en la figura 2.5.
PRDIDA
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
Figura 2.5. Cortes de rollos de papel.
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
2.5.2. Administracin de Vestimenta Quirrgica

El administrador de una clnica que acaba de instalarse necesita proveer cada da los
pabellones quirrgicos de vestimenta suficiente para los equipos mdicos que efectuarn las
intervenciones. Cada vestimenta est compuesta por bata, gorra, mascarilla y cubre-zapatos. Se han
estimado las intervenciones que se efectuarn en los prximos T das, de manera que se conoce el
nmero de personas que ingresarn a los pabellones cada da. La vestimenta usada se somete a un
proceso de lavado y esterilizacin para ser utilizada nuevamente. Existen dos procesos de lavadoesterilizacin: uno rpido que demora 1 da y se realiza durante la noche, y otro normal que demora
2 das y se efecta durante el da. Esto es, lo que se enva a lavado rpido al final del da, est
disponible para ser utilizado al da siguiente, y lo que se enva a lavado normal al final del da est
disponible al da subsiguiente. El lavado rpido tiene un costo de $ a por vestimenta y el normal un
costo de $ b por cada una. Tambin se pueden comprar vestimentas nuevas a un precio unitario de $
g, tal que g >> a, b. El administrador desea determinar para cada da qu cantidad de vestimentas
nuevas debe utilizar, qu cantidad debe enviar al servicio de lavado rpido y qu cantidad al servicio
de lavado normal.
Sea ai la cantidad de vestimentas que se requieren para el da i, i = 1,, T. Se definen

siguientes variables de decisin:
xi =
yi =
wi =
ri =
cantidad de vestimentas nuevas que se utilizarn el da i, i = 1,, T,

cantidad de vestimentas que sern enviadas a lavado normal el da i, i = 1,, T2,
cantidad de vestimentas que sern enviadas a lavado rpido el da i, i = 1,, T1,
cantidad de vestimentas usadas que no sern enviadas a lavado el da i, i = 1,, T.
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.
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 .
Problemas de naturaleza similar a ste surgen en diversas organizaciones. Por ejemplo, la

administracin de servilletas o manteles en un restorn; de toallas, sbanas, manteles, etc. en un
hotel; de reparacin de herramientas en un taller; etc.
2.5.3. Diseo de una Estructura

En la estructura que se muestra en la figura 2.6. los cables C1, C2, C3 y C4 pueden soportar un
peso de 200 kg y C5 y C6 pueden soportar 120 kg cada uno. Se desean suspender pesos en la
posiciones A, B y C. En la figura se indican las distancias relativas entre los pesos y los cables. Si no
se considera el peso de la estructura, es decir, ni el de los cables ni el de las vigas horizontales, cul
es el peso mximo que la estructura puede soportar, suponiendo que los pesos son tales que no existe
deformacin de las vigas?
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.
Se definen las siguientes variables de decisin, una para cada uno de los lugares donde se
deben colocar los pesos:
62
x1 = peso que se puede colocar en A,

x2 = peso que se puede colocar en B,
x3 = peso que se puede colocar en C.
Restricciones
a) Se requiere una restriccin para cada uno de los seis cables de la estructura:
/3 x1 + x2 + 1/6 x3 200.
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.
b) No negatividad de las variables.

x1, x2, x3 0.
Funcin objetivo
Para maximizar la suma total de los pesos, la funcin objetivo es:
Max z = x1 + x2 + x3.
2.6. MODELOS DE PROGRAMACIN LINEAL ENTERA

Los modelos de optimizacin que se presentan en esta seccin corresponden a aquellos que
contienen variables de decisin que admiten solamente valores enteros. Por ejemplo, cantidades no
fraccionables de ciertos productos, o de personas que se han de contratar, o de mquinas que se
utilizarn, o de plantas que se construirn, etc. Tanto las restricciones como la funcin objetivo son
lineales. Un caso particular interesante se presenta en situaciones donde las decisiones que se desean
tomar admiten respuestas si o no, esto es, se desea decidir si se efecta una determinada accin
o no. Esto se representa en el modelo por medio de una variable binaria que slo puede tomar uno de
dos valores posibles, generalmente 0 y 1, donde uno de ellos representa la decisin s y el otro la
decisin no. Los modelos lineales en que todas las variables de decisin son enteras se denominan
modelos lineales enteros y los modelos lineales en que todas las variables de decisin son binarias se
denominan modelos lineales binarios.
Captulo 2
63
2.6.1. El Problema de la Mochila

Un excursionista est preparando su mochila para un viaje y debe decidir los alimentos
enlatados que llevar. Ha comprado una lata de leche, una de atn, una de duraznos y otra de pat.
Los pesos son 200, 130, 300 y 150 gr, respectivamente. Sin embargo, slo dispone de un
compartimento en la mochila que soporta hasta 600 gr. Cules alimentos debe elegir?
Se puede solicitar al excursionista que priorice en orden de importancia decreciente los
alimentos, asignando un coeficiente de 1 a 10 a cada uno. Supongamos que los coeficientes
asignados son 6, 8, 7 y 10 para la leche, atn, duraznos y pat respectivamente.
Para ayudarlo a tomar la decisin, se puede plantear el siguiente modelo que maximiza la
importancia del conjunto de alimentos escogidos sin exceder el peso total mximo.

Sea xi = 0 1 la variable de decisin tal que xi =1 indica que se debe escoger el alimento i, y
xi = 0 en caso contrario, i =1, 2, 3, 4.
Restricciones
a) Capacidad de la mochila: el peso total de los alimentos seleccionados no debe exceder el peso
mximo que soporta la mochila
200x1 + 130x2 + 300x3 + 150x4 600.
b) Binariedad de las variables:
x1, x2, x3, x4 {0,1}.
Funcin objetivo
Se desea maximizar la importancia que tiene para el excursionista el conjunto de alimentos
escogidos:
Max z = 6x1 + 8x2 + 7x3 +10x4
En resumen, el modelo es:
Max z = 6x1 + 8x2 + 7x3 +10x4
s.a.
200 x1 + 130x2 + 300x3 + 150 x4 600
x1, x2, x3, x4 {0,1}.
Este tipo de problemas posee la siguiente estructura general: se tienen n tipos diferentes de
objetos, cada uno de ellos tiene un peso wj y un valor vj. Se dispone de una mochila que soporta un
peso mximo W, donde estos objetos deben ser colocados, de manera de maximizar el valor total del
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.
2 6.2. El Problema de Asignacin

Este problema se presenta cuando se tienen dos conjuntos de igual nmero de objetos y se
desea determinar pares de objetos tales que un objeto del par pertenece a un conjunto y el otro
objeto al otro conjunto. Por ejemplo, asignacin de trabajos a personas, de trabajos a mquinas,
personas a mquinas, etc. Una de las versiones ms conocidas consiste en determinar de entre un
conjunto de n hombres y otro de n mujeres, n parejas hombre-mujer de tal modo de maximizar la
felicidad del conjunto de parejas. A continuacin se ilustra este problema con la asignacin de
profesores a cursos.
El Departamento de Ingeniera Industrial desea determinar cul es la mejor asignacin de
profesores para un conjunto de cursos que se deben dictar el prximo semestre. Cada profesor debe
dictar uno de los siguientes cursos: Optimizacin, Economa, Investigacin Operativa, Gestin de
Operaciones y Evaluacin de Proyectos. Se ha consultado a los profesores sobre sus preferencias
para dictar cada uno de estos cursos. La tabla 2.8. muestra estas preferencias, siendo 10 la
preferencia mxima y 1 la menor. Si se asume que el nivel total de satisfaccin de las preferencias se
obtiene sumando las preferencias individuales, se tiene, por ejemplo, que la asignacin siguiente.
Captulo 2
Optimizacin:
Economa:
Investigacin Operativa:
Gestin de Operaciones:
Evaluacin de Proyectos:
65
profesor A,
profesor B,
profesor C,
profesor D,
profesor F,
tiene un nivel total de satisfaccin de preferencias de 8 + 6 + 5 + 8 + 9 = 36.
Tabla 2.8. Preferencias por cursos.

Profesores
Cursos
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.
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:
1 si el profesori se asigna al curso j

xij
0 en caso contrario.
para i, j =1,, n.
66
Restricciones
a) Cada profesor debe ser asignado a un curso:
n
x
j 1
ij
i 1,..., n.
b) A cada curso debe asignarse exactamente un profesor:

n
x
i 1
ij
j 1,..., n.
c) Binariedad de las variables:

xij{0,1}
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
En algunas aplicaciones es posible que en lugar de maximizar el valor de la funcin objetivo

se requiera minimizarlo. Por ejemplo, si se trata de asignar trabajos a personas y se tiene
informacin del tiempo que le toma a cada persona realizar los diferentes trabajos, entonces la
funcin objetivo consistir en minimizar el tiempo total de ejecucin de todos los trabajos.
Si uno de los conjuntos tiene m elementos y el otro tiene n, siendo mn, entonces se pueden
formar m pares de elementos. En el ejemplo de profesores y cursos, si se tienen m cursos y n
profesores a cada curso se le debe asignar un profesor, pero podran quedar profesores sin curso. Las
restricciones son:
n
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:
1 si el ingeniero i forma equipo con el ingeniero j

xij
0 en caso contrario
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.
Este problema se denomina "problema de apareamiento perfecto" (perfect matching problem, en

ingls).
2.6.3. Seleccin de Proyectos

Un inversionista dispone de $ K para invertir en n proyectos diferentes. El proyecto j
requiere una inversin aj y tiene una rentabilidad estimada rj, j = 1,, n. No se pueden realizar
fracciones de proyectos, esto es, un proyecto se realiza completo o no se realiza. El modelo que
maximiza la rentabilidad total de la inversin, suponiendo que las unidades monetarias son
consistentes, es:
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
donde xj = 1 si se invierte en el proyecto j y xj = 0 en caso contrario. Este problema corresponde a un

knapsack binario, donde los objetos son proyectos. En muchos casos prcticos existen relaciones
entre los proyectos que generan restricciones adicionales en el modelo.
Restricciones adicionales
a) Proyectos excluyentes: no se puede invertir en el proyecto i y en el proyecto k simultneamente,
esto es, se puede invertir en el proyecto i o en el proyecto k o en ninguno de ellos, pero no en
ambos:
xi + xk 1.
b) Proyectos incluyentes: los proyectos i y k se realizan simultneamente o no se realiza ninguno:
xi = xk.
c) Proyectos requisito:
Un requisito: para invertir en el proyecto i se requiere invertir en el proyecto k. Sin embargo, se
puede invertir en el proyecto k sin invertir en el i:
xi xk.
Varios requisitos: para invertir en el proyecto i se requiere invertir en al menos uno de los proyectos
del conjunto Q {1, 2,, n}:
xi x j .
j Q
2.6.4. El Problema del Vendedor Viajero

Un vendedor debe viajar a n ciudades. El costo de viajar de la ciudad i a la ciudad j es cij. El
vendedor desea partir en alguna ciudad, visitar cada una de las ciudades restantes exactamente una
vez, y retornar a la ciudad de donde parti cul es orden en que el vendedor debe visitar las
ciudades si desea que el costo total del viaje sea mnimo?
El viaje completo se denomina circuito, puesto que corresponde a entrar y salir exactamente
una vez de cada cuidad, retornando a la ciudad inicial. Supongamos, sin prdida de generalidad, que
el vendedor inicia su viaje en la ciudad 1.
Sea la siguiente variable
1 si el vendedor va de la ciudad i a la ciudad j en el circuito

xij
Captulo 2
69
Restricciones
a) El vendedor debe entrar exactamente una vez a cada ciudad:
n
x
i 1
ij
j 1,..., n.
b) El vendedor debe salir exactamente una vez de cada ciudad:

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.
Para asegurar que la solucin corresponde a un circuito, se requieren restricciones

adicionales. Se han propuesto diversas formas para evitar los subcircuitos. Una de ellas surge de
observar que para tener un circuito, evitando los dos subcircuitos del ejemplo, se debe realizar un
viaje entre alguna ciudad del conjunto {1,4,5} hacia alguna ciudad del conjunto {2,3} y viceversa.
En general, para cada subconjunto de ciudades U{1,, n} tal que 2 Un2 las restricciones:
(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
d) Binariedad de las variables:

xij 0,1 i, j 1,..., n.
Funcin objetivo
Para obtener el viaje o circuito de menor costo total la funcin objetivo es:
n
Min z cij xij .

i1 j 1
Algunas aplicaciones de este problema se presentan en ruteo de vehculos, por ejemplo si un

vehculo debe distribuir cierto producto en diferentes lugares, o bien recoger productos o pasajeros
de distintos puntos de una ciudad. Tambin se puede aplicar en la construccin de aparatos donde un
dispositivo debe realizar una operacin en diferentes lugares o componentes, por ejemplo un brazo
automtico que efecta la unin de partes en circuitos integrados VLSI.
2.7. MODELOS DE PROGRAMACIN LINEAL ENTERA MIXTA

Existen modelos lineales que contienen algunas variables de decisin continuas y otras
enteras o binarias; en este caso se dice que el modelo es mixto. En esta seccin se presentan algunos
modelos de esta clase.
2.7.1. Localizacin de Plantas

Los problemas de localizacin constituyen una clase importante de problemas que pueden
ser formulados por medio de un modelo lineal entero. El ms simple de ellos tiene la siguiente
estructura: dado un conjunto N = {1, 2,, n} de localizaciones posibles para instalar P plantas y un
conjunto M = {1,, m} de clientes que demandan producto, determinar cul es la ubicacin de las
plantas que permite satisfacer la demanda a un mnimo costo.
El costo de instalar una planta en la localidad i es ci, i = 1,, n. Cada cliente tiene una
demanda de bj unidades, j = 1,, m y el costo unitario de transporte desde la localidad i al cliente j
es hij. La capacidad de una planta instalada en la localidad i es ui.
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
1 si se instala una planta en la localidad i
xi
yij = cantidad de producto a ser transportada desde la planta i al cliente j.
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
d) No negatividad y binariedad de las variables:

yij 0
xi {0,1}
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
Min z = ci xi + hij yij.

Este tipo de modelos es un caso particular de la situacin que se describe a continuacin.
72
2.7.2. Modelamiento de Costos Fijos

En los modelos lineales donde las variables de decisin representan el nivel que deben tener
las actividades consideradas, se asume que la funcin objetivo es una funcin lineal de las variables.
Sin embargo, en muchas situaciones prcticas el costo asociado a una actividad tiene la forma
indicada en la figura 2.8., es decir, el costo de realizar la actividad j al nivel xj es 0 si xj = 0 y es
dj + cj xj si xj 0. El costo dj se denomina costo fijo y se incurre en l cuando la actividad j se realiza
a cualquier nivel positivo y no depende del nivel de la actividad. Por ejemplo, si xj es la cantidad de
madera que se transporta desde el bosque a un aserradero, entonces dj es el costo de construir el
camino entre el bosque y el aserradero. El costo cj representa el costo variable de transportar la
madera hasta el aserradero, una vez que el camino ha sido construido.
Costo
Actividad j
cj
dj
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
donde J es el conjunto { j : j tal que xj 0 }.

La funcin z es discontinua en el origen. Si los coeficientes dj son positivos, se puede
demostrar que z es una funcin cncava. Por lo tanto, el problema lineal de costo fijo consiste en
minimizar una funcin cncava sujeta a restricciones lineales. Debido a la estructura de la funcin
objetivo no es posible resolver el problema con algoritmos como el Simplex. Estos problemas se
pueden formular como problemas enteros mixtos. Para este caso se define la variable yj tal que:
1 si x j 0
yj
0 si x = 0
j
Captulo 2
73
Las siguientes restricciones incorporan al modelo la relacin entre ambas variables:

xj M yj
j = 1,, n,
xj 0
j = 1,, n,
yj {0,1}
j = 1,, n.
donde M es un nmero positivo suficientemente grande. En general, es posible obtener valores

apropiados para M de modo que, por una parte, no se impongan restricciones artificiales al valor
ptimo de xj y que, por otra, no se generen problemas numricos en los algoritmos.
Claramente, cuando yj es igual a 0, la variable xj debe ser igual a 0. Por otro lado, cuando xj
es positiva, la variable yj debe ser igual a 1.
De esta forma la funcin objetivo es:
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.
2.7.3. Programacin de Trabajos

Como se vio en el captulo 1, este tipo de problemas surge cuando se desea determinar la
secuencia ptima de procesamiento de trabajos en un conjunto de mquinas. Consideremos un taller
que necesita efectuar n trabajos en m mquinas. Cada trabajo debe ser procesado por cada una de las
m mquinas y el orden de las mquinas para cada trabajo est preestablecido. Cada mquina puede
procesar un trabajo a la vez, y cada trabajo debe ser completamente procesado, antes de procesar
otro en la misma mquina. Se desea determinar una secuencia para procesar todos los trabajos de
manera que la suma de los tiempos totales de procesamiento de todos los trabajos sea mnima.
Sea sij el tiempo de procesamiento en la mquina i del trabajo j, i = 1,, m y j = 1,, n.
Para simplificar, se asume que el orden de procesamiento es igual para todos los trabajos, es decir,
cada trabajo debe ser procesado primero por la mquina 1, a continuacin por la mquina 2, ..., etc.
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
k = 1,, m-1; j = 1,, n.
b) Cada mquina puede procesar un trabajo a la vez: si el trabajo p es realizado en la mquina k

antes que el trabajo q, entonces se tiene que:
tkq tkp + skp
pero si el trabajo q es realizado en la mquina k antes que el trabajo p, entonces se tiene que:
tkp tkq + skq
Esto es, una de estas dos restricciones debe cumplirse para el par de trabajos p y q en la mquina k.
Para representar esta relacin disyuntiva entre estas dos restricciones se define la siguiente variable
binaria:
x kpq
1 si el trabajo p es procesadoen la maquina k antes que el trabajo q
y se consideran las siguientes restricciones:

M xkpq + tkp tkq skq
k = 1,, m; p, q = 1,, n.
M(1 xkpq) + tkq tkp skp
k = 1,, m; p, q = 1,, n.
donde M es suficientemente grande.
c) No negatividad:
tkp 0
k = 1,, m; p = 1,, n.
xkpq {0,1}
k = 1,, m; p,q = 1,, n.
d) Binariedad de las variables:
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
El modelo contiene m n variables binarias. Para valores de m y n de inters prctico no se

2
han encontrado mtodos eficientes que permitan resolverlo. Por otra parte, las situaciones prcticas
suelen ser ms complejas que la discutida aqu; es necesario, por ejemplo, considerar los tiempos de
preparacin de las mquinas, relaciones de precedencia ms sofisticadas entre los distintos trabajos
debido al tipo de proceso de fabricacin, fechas de entrega de los trabajos, etc.
2.8. MODELOS DE PROGRAMACIN NO LINEAL

El supuesto de linealidad de los modelos de programacin lineal, si bien es cierto que es
aplicable en una amplia variedad de problemas, en otras aplicaciones no lo es. Dado que un modelo
representa aproximadamente la realidad, en muchas situaciones prcticas se linearizan los elementos
no lineales, debido a que para muchos modelos lineales se cuenta con herramientas que permiten
resolverlos en forma ms eficiente. Lo importante es distinguir en qu situaciones la linearizacin de
una situacin esencialmente no lineal es adecuada y considerar qu nivel de desviacin en las
soluciones es aceptable. En esta seccin se presentan algunos problemas que pueden ser modelados
utilizando programacin no lineal.
2.8.1. Diseo de Embalajes

Una empresa exportadora debe enviar cada mes cierta cantidad de producto a sus clientes. El
producto es embalado en una caja rectangular. El fondo de la caja es de un material resistente, cuya
disponibilidad mxima es de 60 metros cuadrados y la altura de la caja no puede exceder de 12
metros. Qu dimensiones debe tener la caja, de manera que el volumen sea mximo?
Sea x el largo, y el ancho y w la altura de la caja, como se indica en la figura 2.9. El modelo
que maximiza el volumen de la caja, considerando que el fondo puede tener hasta 60 m2, es el
siguiente:
Figura 2.9. Caja de embalaje.
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.
2.8.2. Algunos Problemas Geomtricos

Existen diversos problemas en geometra que pueden ser modelados mediante programacin
matemtica. A continuacin se presentan dos de ellos a modo de ejemplo.
Distancia de un punto a una recta

Encontrar la distancia mnima desde el origen a cualquier punto contenido en la recta que
pasa por los puntos (0,3) y (3,0).
La recta que contiene los puntos sealados es x1 + x2 = 3. Sea d la distancia mnima desde el
origen a esta recta. Entonces el problema es:
Min d = [ x12 + x22 ]
s.a.
x1 + x2 = 3.
Circunferencia de menor radio

Determinar el menor radio de una circunferencia con centro en el punto (2,2) que contiene al
menos un punto del conjunto
{ (x1, x2) / 2x1 + 2x2 4, 4x1 + x2 4 }.
Captulo 2
77
Sea r el radio de la circunferencia. El problema consiste en:

Min r = [ (x1 2)2 + (x2 2)2 ]
s.a.
2x1 + 2x2 4
4x1 + x2 4.
2.8.3. Localizacin de una Planta

Una empresa cuenta con n centros de distribucin de sus productos. Se desea instalar una
planta, de tal forma que la distancia total hasta los centros distribuidores sea mnima, como se
muestra en la figura 2.10.
Sean (xi, yi) las coordenadas del centro de distribucin i, en algn sistema de tipo cartesiano.
y
(xi,yi)
(xn,yn)
(x,y)
(x1,y1)
Figura 2.10. Localizacin de una planta.
Para decidir la localizacin de la planta, sean (x,y) las coordenadas de la planta. Entonces el
modelo consiste en:
n
Min z = [ (x xi)2 + (y yi)2 ]
i 1
De esta forma, el problema se puede modelar como uno de programacin no lineal sin
restricciones.
2.8.4. Planificacin de la Produccin con Costos No Lineales

Consideremos nuevamente el problema de planificacin de la produccin de cierto producto
para un horizonte de T perodos. Se ha estimado que la demanda en un perodo t es dt, y ella puede
ser satisfecha con la produccin del perodo y/o con producto en inventario al comienzo del perodo.
78
El costo de almacenar una unidad de producto durante un perodo es de h u.m (unidades

monetarias). En la fabricacin del producto intervienen m insumos (materias primas) y mano de
obra. La disponibilidad del insumo i en el perodo t es bit y la cantidad de insumo i que requiere una
unidad de producto es ai. Un trabajador produce k unidades del producto en un perodo. La mano de
obra puede ser contratada o despedida segn las necesidades. Sin embargo, tanto contratar como
despedir trabajadores tiene un costo, por lo que la planificacin debe ser tal que el nivel de mano de
obra utilizada sea lo ms estable posible.
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.
Se definen las siguientes variables:
xt =
It =
Lt =
cantidad de producto a fabricar durante el periodo t,

cantidad de producto en inventario al final del perodo t,
nivel de la mano de obra (cantidad de trabajadores) al final del perodo t.
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
e) No negatividad de las variables

xt, Lt, It, yt, wt 0
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
Min z = h It + yt2 + wt2.

Anlogamente, es posible que en algunas situaciones el costo de inventario sea proporcional
al cuadrado del nivel de producto almacenado. En este caso la funcin objetivo es:
T
t=1
t=1
t=1
Min z = h It2 + yt + wt .
2.8.5. El Problema de Distribucin de Instalaciones (Layout)

Este problema corresponde en realidad a uno de localizacin y tiene mucha importancia en la
gestin de operaciones. Se presenta, por ejemplo, en una fbrica en la cual debe decidirse sobre la
instalacin de la maquinaria. El punto es que una ubicacin inteligente de esa maquinaria puede
reducir considerablemente las distancias recorridas por las componentes intermedias que tienen que
pasar de una mquina a otra, con el consiguiente ahorro de tiempo y dinero. Otro ejemplo, esta vez
no industrial, es el de distribuir de manera inteligente las reas de atencin mdicas en un
consultorio, tambin con el objeto de reducir el tiempo empleado en traslados.
Lo anterior se traduce intuitivamente en que dos unidades entre las que hay un gran nmero
de viajes, debern estar cerca. Pero a esto se pueden unir objetivos contrapuestos: por alguna razn
dos unidades deben estar lejos, por ejemplo, la seccin de rayos X debiera estar lejos de la recepcin
por el riesgo de radiacin al personal y las personas que esperan.
Es posible formular un modelo de programacin matemtica para resolver el problema, si es
que los lugares posibles en que se pueden instalar las mquinas estn definidos. Suponiendo que hay
n lugares posibles y que se quiere instalar m mquinas, se definen los siguientes parmetros:
Tij = el nmero de viajes por unidad de tiempo entre la mquina i y la mquina j.
dkl = distancia entre el lugar k y el lugar l.
80
y las variables de decisin binarias:
1 si la maquina i se instala en el lugar k

xik
Las siguientes restricciones son inmediatas y establecen que cada mquina se debe instalar
en un slo lugar y que cada lugar acepta a lo ms una mquina.
n
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
Tij dkl xik x jl .
y el problema tiene la misma estructura mencionada.
2.8.6. Seleccin de Inversiones con Riesgo

Los administradores de grandes carteras de inversin consideran tanto el rendimiento o
utilidad esperada, como el riesgo asociado a la inversin. Se puede formular un modelo de este
problema de la siguiente manera. Supongamos que se tienen n tipos de acciones o instrumentos
financieros, en los cuales es posible invertir. Sea xj el porcentaje del capital disponible que ser
invertido en acciones del tipo j. Asumamos que j y jj son la media y la varianza estimadas de la
utilidad por cada unidad monetaria invertida en acciones de tipo j, donde jj representa el riesgo de
estas acciones. Sea ij la covarianza de la utilidad entre una accin tipo i y otra accin de tipo j. De
esta forma, el valor esperado de la cartera completa es:
Captulo 2
81
R(x) = j xj
j 1
y la varianza es
i 1
j 1
V(x) =
aij xi xj
donde V(x) corresponde al riesgo de la cartera.

Por lo tanto, si se desea determinar la composicin de la cartera de inversiones de modo que
se garantice que la utilidad esperada es de al menos millones de pesos por cada unidad monetaria
invertida y que minimiza el riesgo, el modelo es:
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.
2.9. MODELOS EQUIVALENTES

Dada una situacin real que puede ser modelada como problema de optimizacin, no existe
un nico modelo que la represente. Es interesante que la formulacin escogida sea adecuada a los
propsitos establecidos, tanto en relacin con las propiedades de sus soluciones, como en lo
referente a las herramientas que permiten determinar las soluciones. De ah, la importancia de
considerar distintas formulaciones para un mismo problema de optimizacin.
Definicin: Dados dos modelos de optimizacin (P) y (P ), se dice que ellos son equivalentes si
ambos modelos tienen las mismas soluciones ptimas o bien existe una transformacin que permite
construir la solucin de uno de los modelos a partir de la solucin del otro.
A continuacin se presentan algunos modelos de optimizacin que son equivalentes, en el
sentido de la definicin anterior.
82
RELACIN 1
Sean (P) y (P ) los siguientes problemas de optimizacin:
(P ) Min f(x)
s.a.
xS.
(P) Max f(x)

s.a.
xS.
donde f (x) = f(x) y S Rn.
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
(P ) Minf (x) = 2x + (x2)2

s.a.
x 0.
La solucin ptima de ambos problemas es x* = 3. Como se aprecia en la figura 2.11.
5
f(x)
f(x)
-5
Figura 2.11. Problemas equivalentes.
Captulo 2
83
RELACIN 2
Sean (P) y (P) los siguientes problemas de optimizacin:
(P ) Min f ( x) = g(f (x))

s.a.
xS.
(P) Min f(x)

s.a.
xS.
donde g: RR es una funcin estrictamente creciente.

Se tiene que x* es solucin ptima del problema (P) si y slo si x* es solucin ptima del
problema (P ). Adems, si (P) es un problema convexo y g es una funcin creciente, entonces el
problema (P ) es tambin un problema convexo. Un caso particular de esta relacin la constituyen
el siguiente par de problemas equivalentes:
f(x)
(P ) Min f(x) = f(x)

s.a.
xS.
(P) Min e
s.a.
xS.
Se ilustra este caso con un ejemplo, ya clsico en la literatura.

Ejemplo 2: Una fbrica de armamento de un pas est estudiando la fabricacin de tres tipos de
armas antiareas: cohetes, aviones, y caones. Los requerimientos unitarios de mano de obra e
insumos, y la cantidad disponible de cada uno de ellos se indica en la tabla 2.9.
Tabla 2.9. Requerimientos en fabricacin de armas.

Tipo de arma
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
Considerar esta funcin objetivo es equivalente a considerar:

Min z = log z = log (1- 0,4 )x 1 (1- 0,3 )x 2 (1- 0,4 )x 3
Luego, el modelo es:

Min z' = x1 log 0,6 + x2 log 0,7 + x3 log 0,6
s.a.
3x1 + 2x2 + 2x2 50
x1 + 2x2 + 3x3 20
x1, x2, x3 0.
De esta forma, se obtiene un modelo de programacin lineal equivalente al modelo original.
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:
(P) Min f(x)

s.a.
xS.
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
(P) Min z ' c j ( x j x j )
j 1
s.a.
n
a
j 1
ij
( x j x j ) bi
i 1,...,m,
( x j x j ) 0.
donde xj es el valor absoluto de xj y cj 0, j = 1,, n.

Este tipo de problemas se puede reformular como problema de programacin lineal de la
siguiente manera. Dado que la variable xj es irrestricta, se puede sustituir por la diferencia de dos
variables auxiliares no negativas:
xj = xj+ xj
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:
(P) Min z ' c j ( x j x j )
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.
No es necesario incluir en el modelo la condicin anterior, xj+ xj=0, como se justificar

posteriormente a partir de los resultados de programacin lineal.
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.
Se puede definir el siguiente problema de optimizacin:
(P) Min f(x)

s.a.
xRn.
donde
2
1m
f (x) min 0, ai j x j bi .
2 i 1
j 1
El problema (P) es convexo y continuamente diferenciable. El conjunto de soluciones del

sistema (S) es no vaco si y slo si el valor ptimo del problema (P) es cero.
Las relaciones presentadas aqu se refieren a modelos de programacin matemtica. Tambin
es posible, como se ver posteriormente, modelar una situacin utilizando otras herramientas y
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
Figura 2.12. Flujos monetarios.
El problema consiste en buscar la mejor forma de operar en el mercado financiero de corto y

mediano plazo, de modo de maximizar el total de dinero en caja al final del perodo de planificacin,
satisfaciendo las obligaciones financieras contraidas para este perodo y manteniendo una cantidad
de seguridad en la caja durante todo el perodo.
Se supone que se pueden pedir prstamos y/o colocar dinero cada da hbil del horizonte de
planificacin. Los volmenes de estos prstamos y colocaciones son tales, que puede suponerse que
las tasas de inters no dependen de sus respectivos montos.
De lo expuesto anteriormente se tienen los siguientes datos:

Horizonte de planificacin: N das hbiles,
Fi =
S =
ij =
ij =
flujo monetario neto del da i (puede ser positivo o negativo), i = 1,, N,

monto de seguridad operacional en caja,
inters de una colocacin efectuada el da i y que vence el da j. El da j se recibe (1 + ij )
por cada peso colocado el da i, i j,
inters de un prstamo que se recibe el da i y que se paga el da j. Por cada peso recibido el
da i se paga (1 + ij) el da j.
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
y i y i 1 Fi (1 ki ) x ki wij xij (1 kj ) wkj
i 1,..., N .
b) No sobregiro de la caja:
yi 0
i = 1,, N.
c) No negatividad de los flujos monetarios:

xij, wij 0
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.
2.10.2. Asignacin de Horarios

Como se mencion en el captulo 1, son muchas las decisiones relacionadas con la
asignacin de horarios. En lo que sigue abordaremos solamente el problema de determinar los
horarios para un conjunto de cursos. No se considerarn las decisiones de asignacin de profesores
ni de salas. Se supondr que ya est decidido qu cursos se dictarn en el semestre en cuestin y
cules son los profesores asignados a estos cursos.
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.
Tabla 2.10. Mdulos horarios.

Horario del da
Lunes Martes Mircoles Jueves Viernes Sbado
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.
x jk
1 si se asigna el modulo horario k al curso j
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.
donde L(i) contiene los mdulos horarios correspondientes al da i de la semana.
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.
e) Binariedad de las variables:

xjk{0, 1}
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
La experiencia ha demostrado que si el nmero de cursos es grande y se tienen muchos

conjuntos de cursos cuyos horarios deben ser compatibles, es decir muchos conjuntos Jt, es muy
probable que el problema sea infactible. Una posibilidad para relajar el problema, y as aumentar la
probabilidad de que tenga soluciones factibles, es definir una cantidad reducida de estos conjuntos Jt,
considerando slo los conjuntos de cursos que un nmero importante de alumnos desea cursar en
forma conjunta. En la prctica, la determinacin de este parmetro (nmero "importante" de
alumnos) se realiz experimentando con diversos valores, hasta conseguir uno para el cual el
problema fuera factible. Este valor era por lo general muy grande, de modo que el horario resultante
no era satisfactorio para una cantidad apreciable de alumnos.
Dado que la mayor dificultad del problema reside en las restricciones de tope de horario,
otra opcin consiste en intentar disear un horario que minimice la cantidad de topes de horario no
deseados. El modelo para este caso se presenta a continuacin.
Captulo 2
93

Se definen las siguientes variables:
1 si se asigna el mdulo horario k al curso j

x jk
1 si el horario del cursoi topa con el horario del curso j
z ij
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.
e) Binariedad de las variables:

xjk{0,1} j; k relevante,
zij{0, 1} (i, j) relevante.
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)
Otra alternativa es minimizar el nmero de alumnos cuyas demandas o deseos son

insatisfechos. Sea nij el nmero de alumnos que desean tomar en forma conjunta los cursos i y j. La
funcin objetivo, en este caso, es:
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.
2.10.3. Localizacin de Maquinaria para Cosecha Forestal

Como se mencion en el captulo 1, este problema ha sido abordado en el Departamento de
Ingeniera Industrial de la Universidad de Chile, utilizando herramientas de modelamiento
matemtico. Parte de la informacin que requiere el modelo se obtiene de un sistema desarrollado
anteriormente, PLANEX, el cual combinado con un Sistema de Informacin Geogrfico permite
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.
Figura 2.13. Area del bosque en estudio mostrando cobertura de torre.

Se definen los siguientes elementos:
Se denota por 1, 2,, n las celdas en que se ha particionado el bosque. Como ya se
mencion, un subconjunto de ellas debe ser explotado. Se denota por M este ltimo conjunto. Las
celdas donde se puede localizar maquinaria de cosecha constituyen el conjunto T. Algunas de estas
celdas corresponden a celdas que se deben explotar y, por lo tanto, estn tambin en el conjunto M.
Adems, el conjunto T puede contener celdas que no sern explotadas, pero que son el nico lugar
posible donde instalar maquinaria para cosechar las reas cercanas.
Tk = conjunto de celdas en las cuales se puede localizar maquinaria de cosecha del tipo k (k =1
indica torres de madereo, k = 2 indica skidders).
T = T1 T2conjunto de celdas donde se puede instalar algn tipo de maquinaria.
M = conjunto de celdas que deben ser explotadas.
s: ndice de la celda de salida de la madera del rea en estudio.
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
si la celda j puede ser explotada

desde la celda i por un equipo de tipo k,
i T k y
j M.
en caso contrario,
vj = volumen de madera disponible en la celda j, jM.

K = constante que acota superiormente el mximo flujo de madera que puede circular por un
camino.
El camino entre las celdas i y j ser denotado (i, j). Sea A el conjunto de caminos potenciales.
ki = costo de instalacin de un equipo del tipo k en la celda i.

ji = costo unitario de explotacin de la celda j a travs de la celda i.
ij = costo de construccin del camino (i, j).
ij = costo unitario de transportar madera por el camino (i, j).
Se consideran las siguientes variables:
1 si en la celda i T k se instala un equipo de tipo k
xik
0 en caso contrario
1 si se contruyeel camino entre las celdas i y j
z ij
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.
b) Volumen de madera cosechada por el equipo de la celda i: la variable yi contabiliza la cantidad

total de madera cosechada por el equipo instalado en la celda i:
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
f) No negatividad y binariedad de las variables:

wijk, fij 0, yi 0,
xik, zij{0,1}
Funcin objetivo
El objetivo del modelo es decidir la localizacin de los equipos y la construccin de caminos
a un mnimo costo. Luego, la funcin objetivo corresponde a
Min z = C1 + C2 + C3 + C4 + C5,
donde
C1 es el costo total de instalacin de los equipos:
C1 =

i T
ik1xik.
C2 es el costo total de explotacin de la madera:

C2 =
iT jM
ij2 wijk.
C3 es el costo total de construccin de caminos:

C3 =
ij3 zij.
ij4 ( fij+ fji).
( i , j )A
C4 es el costo total de transporte:

C4 =
( i , j )A
En este modelo se ha relajado la restriccin de extraer toda la madera del rea en

consideracin. Esto es, no se impone explcitamente ninguna restriccin que asegure que la madera
de una celda explotable debe ser cosechada. Dado que el modelo minimiza costos, la solucin trivial
(no instalar ninguna maquinaria, no cosechar nada y no transportar nada), es ptima. Para conseguir
el comportamiento deseado en el modelo, es decir, una solucin distinta de la trivial, se introduce un
beneficio asociado a la explotacin de madera. Este beneficio est representado por C5.
C5 =
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
2.10.4. Construccin de Caminos para Explotacin Forestal

Las empresas forestales generalmente poseen varias regiones de bosque potencialmente
explotables, las que pueden estar dispersas geogrficamente. Al interior de un bosque se definen
reas denominadas rodales. Cada rodal contiene rboles con caractersticas silviculturales
relativamente homogneas (edad, altura etc.). Las decisiones de cunto, cmo y dnde cortar
distintas reas del bosque en el mediano plazo, se deben tomar en forma simultnea con las
decisiones de qu caminos construir, cundo y cmo construirlos, adems de determinar la forma de
transportar la madera.
Este problema es ms agregado y de un horizonte de planificacin mayor que el problema de
localizacin de maquinaria. Los resultados de este problema pueden ser utilizados como parmetros
en el de localizacin. En efecto, el modelo que se presenta a continuacin determina los rodales que
deben ser explotados en cada perodo para lo cual se debe localizar la maquinaria respectiva.
En el modelo que se describe a continuacin, si se decide cortar un rodal debe cortarse

completamente. Adems, debe decidirse qu alternativa de manejo se utilizar en la explotacin de
cierto rodal, esto es, con qu tipo de maquinaria se efectuar la explotacin: torres de madereo,
skidders, etc. Durante el horizonte de planificacin slo se puede cortar cada rodal una vez, puesto
que el intervalo de tiempo considerado no es suficiente para que el bosque crezca y permita realizar
otro corte.
Con el objetivo de permitir que la fauna que habita en los bosques tenga tiempo de emigrar
de un sector que ha sido cortado a otro sector que no lo ha sido, no se permite cortar, durante el
mismo perodo, rodales colindantes o adyacentes. Se puede hacer analoga con un tablero de ajedrez
en el que slo se pueden cortar las reas blancas o las negras durante un perodo determinado.
Los caminos corresponden a caminos dentro del predio, es decir, entre rodales. Los caminos
se caracterizan por dos puntos: uno que indica el comienzo del camino y otro que indica el final del
mismo. Los puntos, tanto de inicio como de trmino, corresponden a intersecciones de caminos o a
lugares de carguo de madera. Los caminos pueden ser construidos a diferentes estndares: tierra,
ripio, arena etc., y tienen una capacidad de transporte determinada, que depende, entre otros, del
estndar al que se construye. La construccin debe, adems, respetar el presupuesto asignado para
estos fines, en cada perodo.
Dados dos conjuntos: uno de rodales y otro de caminos potenciales, para un horizonte de
planificacin de mediano plazo, se definen los siguientes elementos:
M= nmero total de rodales que se debe considerar.
T = nmero de perodos en el horizonte de planificacin.
L = nmero de alternativas de manejo.
{1, 2,, n} = conjunto de puntos que forman la red de caminos.
100
Gestin
Optimizacin y Modelos para la
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
= recursos monetarios disponibles para construccin de caminos en el perodo t.
Para identificar los rodales que son adyacentes se definen los siguientes conjuntos:
A(i) = conjunto de rodales adyacentes al rodal i.
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:
1 si el rodal i es cortadodurante el periodo t con la alternativa de manejo l

xl it
0 en caso contrario
Proyectos de caminos:
1 si el camino ab se construyedurante el periodo t en el estndar k

z ab,k,t
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.
f) Presupuesto: el gasto en construccin de caminos no puede exceder el presupuesto disponible

para cada perodo:
K
H
ab
k 1
ab,k,t
z ab,k,t Ct
t.
102
Gestin
g) No negatividad y binariedad de las variables:

wab,k,t 0
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:
ingreso actualizado asociado a la explotacin del rodal i durante el perodo t si se usa la

alternativa de manejo l,
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
Min z Flit x lit H ab,k,t z ab,k,t Gab,k,t w ab,k,t

i1 l 1 t 1
k 1 ab t 1
k 1 ab t 1
k 1
ba
Gba,k,t w ba,k,t .
t 1
El primer trmino corresponde al ingreso total asociado a la explotacin, el segundo al costo

total de construccin de caminos y el tercero y cuarto al costo total de transporte. Es posible que el
costo de transporte desde a hacia b sea diferente al de ir de b hacia a. Tal sera, por ejemplo, el caso
de un camino con pendiente.
Resolver este modelo en trminos prcticos, es decir, modelos que describen bosques reales,
es complejo, debido a la existencia de numerosas variables binarias. Por lo tanto, debe enfrentarse
con tcnicas diferentes de las tradicionales. Para el caso de la empresa Forestal Millalemu, que
corresponde a este modelo con algunas variaciones, se desarroll una heurstica que est actualmente
en operacin en la empresa. En Andalaft [1995] se examina el uso de tcnicas de relajacin
lagrangeana aplicadas a este problema.
Captulo 2
103
COMENTARIOS
Un modelo matemtico de apoyo a la gestin es un conjunto de relaciones matemticas que

caracterizan las alternativas posibles de gestin, esto es, las alternativas que pueden ser
implementadas considerando las limitaciones (restricciones) existentes. El proceso de desarrollo
de un modelo, por lo general, permite adquirir un mayor conocimiento y comprensin de la
forma en que se realiza la gestin en la organizacin. Construir modelos, como los presentados
en este captulo, es ms un arte que una tcnica. Es importante destacar que aqu solamente se
han discutido aspectos que, a juicio de los autores, son interesantes de tener en cuenta durante el
proceso de modelamiento. El lector interesado en temas ms generales y su aplicacin a otras
reas del conocimiento puede consultar Morris [1967], Simon [1990] y Gass [1983].
La utilizacin de los modelos de optimizacin se encuentra ampliamente difundida en muchas

reas de aplicacin. Ejemplos de modelos que han alcanzado gran xito pueden encontrarse en la
gestin de empresas de manufactura y servicios, en el transporte, en la gestin hospitalaria, etc.
Las revistas del rea, como Operations Research, Management Science e Interfaces publican
continuamente artculos donde se comentan y discuten diversas aplicaciones. Actualmente, la
red Internet provee nutrida informacin en todos los mbitos y el lector interesado puede
consultar, entre otras, la pgina de Michael Trick en http://mat.gsia.cmu.edu
El problema de planificacin de la produccin, discutido en la seccin 2.2., corresponde a una de

las reas en que la programacin matemtica ha sido aplicada intensamente. Lo mismo puede
decirse respecto de los modelos de mezcla de productos. Estos problemas son frecuentes en el
mbito de la gestin de operaciones. Vase, por ejemplo, Chase y Aquilano [1995] y Melnyk y
Denzler [1996].
El problema de la dieta es un caso particular de mezcla de productos. Uno de los primeros

modelos reales de programacin lineal que se resolvi corresponde precisamente a un problema
de la dieta. Segn Dantzig [1963] este problema tena 9 restricciones y 27 variables y su
resolucin tom, en 1948, 120 dashombre usando calculadoras de escritorio. Actualmente es
posible resolver modelos con varias decenas de miles de restricciones y variables en minutos.
Se atribuye a Hitchcock [1941] la primera formulacin y discusin de un modelo de transporte.

Durante la segunda guerra mundial Koopmans [1947], consider tambin este problema en el
contexto de la logstica naval. Por estos investigadores es que el problema de transporte bsico
se conoce como Problema de HitchcockKoopmans. Kantorovic realiz una importante
contribucin a su formalizacin en trminos matemticos (Kantorovic [1942] y Kantorovic y
Gavurin [1949]). En Orden [1956] se aborda el modelo de transporte con transbordo.
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.
El modelo de la vestimenta quirrgica, de la seccin 2.5.2., es ms conocido como Problema de

las Servilletas (reemplazando vestimenta por servilleta). Segn Gass [1970], este problema surge
104
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.
El problema del vendedor viajero es uno de los ms antiguos y ms estudiados en optimizacin

combinatorial. Problemas de este tipo fueron considerados por Euler [1759] y por Vandermonde
[1771]. El problema que ellos estudiaron es el del recorrido de caballo de ajedrez por los 64
casilleros del tablero, por los que puede moverse esta pieza pasando exactamente una vez por
cada casillero. En el contexto de teora de grafos, este problema corresponde al circuito
Hamiltoniano que deriva de los trabajos del matemtico Hamilton [1856]. Al parecer, el primero
en usar la denominacin de Problema del Vendedor Viajero fue A. Tucker en 19311932 y
quin la populariz fue M. Flood. El problema ha sido estudiado en extenso, desde diferentes
enfoques, y la cantidad de referencias sobre el tema es enorme. Recomendamos al lector el libro
de Lawler, Lenstra, Rinnooy Kan y Shmoys [1985].
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
2) Cierto da de verano, una compaa de arriendo de automviles debe abastecer de vehculos a

cuatro localidades. La compaa posee tres sucursales desde donde pueden entregarse los
automviles. El inventario disponible en las sucursales, las distancias (en km) entre las sucursales y
destinos, y los requerimientos de cada destino se sealan en la tabla 2.12. Asumiendo que el costo de
trasladar los automviles a sus destinos es proporcional a la distancia recorrida, construya un modelo
de programacin matemtica que permita decidir cul es la mejor forma de efectuar el
abastecimiento.
Tabla 2.12. Disponibilidad y requerimientos de automviles.
Sucursal
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
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.
Tabla 2.13. Costos unitarios de transporte.

San Bogot
Pablo
Rancagua
18
30
San Pablo
0
35
Bogot
35
0
Santiago
15
45
Lima
20
25
Mendoza
12
30
Santiago Ro de
Janeiro
3
20
15
5
45
25
0
15
12
22
10
15
Quito
30
35
10
30
8
12
Caracas Lima Mendoza Capacidad

(ton)
30
10
6
0
40
20
12
200
12
25
30
50
48
12
10
150
30
0
15
150
35
15
0
180
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

30
12.000
1.500
900
107
1.300
2,0
3,0
5) La empresa TODOAUDIO Ltda. que fabrica televisores, radios y videos ha adquirido

recientemente una nueva planta cuyas instalaciones permiten fabricar televisores y videos. La
gerencia desea programar la produccin de ambas plantas para el prximo ao.
Los estudios indican que la capacidad anual de la planta 1 es de 5.000 televisores, o 2.000
radios, o 4.000 videos, o alguna combinacin adecuada de estos tres productos. Anlogamente, la
capacidad anual de la planta 2 se ha estimado en 2.500 televisores, o 3.000 videos, o cualquier
combinacin adecuada de estos dos productos (la planta 2 no fabrica radios).
La empresa tiene contratos para exportar 2.000 televisores y 1.200 videos. El departamento
comercial estima que debido a la disminucin de la demanda de radios, la venta mxima en el
mercado interno de este producto ser de 1.500 unidades. Por otro lado, el anlisis del mercado de
televisores indica que este producto tendr una demanda levemente inferior al ao anterior, por lo
que la demanda interna se estima en 2.500 unidades. Como los videos estn teniendo gran xito
comercial, no se prev limitaciones en su venta.
Los precios de venta y los costos variables unitarios, en miles de pesos (M$), se muestran en
la tabla 2.15.
Tabla 2.15. Precios de venta y costos de produccin.
Televisores
Precio de venta (M$)
Radios
Videos
160
45
120
110
35
95
120
80
Costo variable (M$)

Planta 1
Planta 2
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

Cantidad de
Agentes
Cono Sur
1
2
48
3
70
4
89
Regin
Brasil
21
42
56
70
Mxico
35
41
63
75
7) Un club deportivo desea participar en una competencia de natacin. La competencia es de relevos

de 400 metros y cada equipo deber incluir cuatro nadadores diferentes, quienes nadarn
sucesivamente 100 metros de pecho, mariposa, espalda y libre. El club debe presentar tres equipos y
dispone de 12 nadadores. Sea tik el tiempo, en segundos, en que el nadador i, i = 1,,12, cubre 100
metros nadando estilo k, k = 1 (pecho), 2 (mariposa), 3 (espalda) y 4 (libre). El entrenador del club
desea determinar cmo formar los tres equipos de modo que cada uno de los nadadores participe en
un equipo y que la suma de los tiempos totales de los tres equipos sea mnima. Formule un modelo
lineal que apoye la decisin del entrenador.
8) Una industria fabrica n diferentes productos, y utiliza para ello m materias primas. El producto j
necesita una cantidad aij de la materia prima i por unidad de producto (i = 1,, m; j = 1,, n).
Si se fabrica el producto j slo puede manufacturarse en las cantidades Aj, Bj o Cj,
j = 1,.., n. El precio del producto j es pj por unidad de producto y cj es el costo unitario. Si se
fabrica el producto j se incurre en un costo fijo igual a Kj.
En este proceso productivo se usa petrleo como combustible. Se sabe que el consumo de
petrleo por unidad fabricada del producto j es gj. Por razones ambientales, el consumo mximo
total permitido de petrleo es G. Sin embargo, si la empresa coloca un sistema de filtro en su
caldera, el consumo mximo puede ascender a H. El costo de instalar el filtro es R. Adems, si se
coloca este filtro, entonces el producto j solamente podr ser fabricado en las cantidades Bj o Cj,
j = 1,, n. Con estos antecedentes construya un modelo de programacin lineal que permita
determinar cunto producir de cada producto y la conveniencia o no de instalar el sistema de filtro,
de tal manera que se maximice el beneficio total ( diferencia entre ingreso total y costo total de
produccin y de inversin en el filtro).
9) Un estudiante debe rendir exmenes en los cursos de Clculo, Mecnica, Literatura y
Optimizacin. Para estudiar para estos cuatro exmenes dispone solamente de 20 horas. Con el
propsito de asignar el tiempo dedicado a cada curso, el estudiante ha fraccionado su tiempo
disponible en bloques de 4 horas cada uno.
La nota que obtendr en un examen determinado depender del nmero de bloques que
dedique al estudio de ese curso. Sea cij la nota que obtendr en el curso i si le asigna j bloques de
tiempo, i = 1, 2, 3, 4; j = 0, 1, 2, 3, 4, 5. Para aprobar el curso de Mecnica necesita obtener al
menos nota 4 en el examen y para aprobar el de Optimizacin, al menos nota 3. Los otros dos cursos
los aprueba con cualquier nota en el examen.
Construya un modelo de programacin lineal que permite determinar una asignacin del
tiempo disponible del estudiante que le permita aprobar los 4 cursos, obteniendo la mxima suma de
notas en los exmenes.
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
Existen dos alternativas de tecnologa. La primera es una convencional en la industria

electrodomstica y requiere una inversin inicial de US$ 4 millones y la segunda es una de
manufactura flexible que requiere una inversin inicial de US$ 7 millones. La tecnologa
convencional implica un costo de produccin de US$ 300 para cada refrigerador (o bien 2 lavadoras)
y la de manufactura flexible tiene uno de US$ 105 por refrigerador. Construya un modelo de
programacin matemtica que permita decidir qu tecnologa utilizar de modo de satisfacer la
demanda al menor costo total (inversin y produccin).
12) Considere nuevamente el problema del ejercicio 11 y suponga ahora que existe la posibilidad de
reemplazar la tecnologa en alguno de los cinco aos, cuando se adquiere desde el comienzo la
convencional. Para esto, la empresa debe invertir los mismos US$ 7 millones, pero puede entregar
en parte de pago los equipos convencionales, los que sern avaluados segn la tabla 2.18. Reformule
el modelo anterior para considerar esta situacin.
Tabla 2.18. Valor residual de los equipos.
Valor residual de los equipos convencionales
(US$ millones)
ao
2
3,6
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
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
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
Formule un modelo de optimizacin que permita determinar una configuracin de energa

total mnima de la protena.
k+1
k-1
Figura 2.14. Modelo de una protena.
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
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.

Optimización

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Optimización

Încărcat de

Drepturi de autor:

Formate disponibile

Leonid Kantorovic

Desarroll muchos de los fundamentos

Optimizacin y Modelos para la Gestin

Modelos de Programacin Matemtica

grado de incertidumbre respecto a su representabilidad y, por lo tanto, es necesario analizar si ese

2.1.2. Construccin de un Modelo de Apoyo a la Toma de Decisiones

2.1.3. Modelos Matemticos de Apoyo a Decisiones

Optimizacin y Modelos para la Gestin

Un modelo matemtico de apoyo a la toma de decisiones es un modelo matemtico que

Max ( Min) f(x1,, xn)

Los elementos incluidos en este modelo son:

Modelos de Programacin Matemtica

2.2. PLANIFICACIN DE LA PRODUCCIN

2.2.1. Planificacin de la Produccin de Puertas y Ventanas

Tabla 2.1. Requerimientos de recursos.

Optimizacin y Modelos para la Gestin

FORMULACIN DEL MODELO

Modelos de Programacin Matemtica

b) Cumplimiento de compromisos de entrega:

2.2.2. Problema General de Produccin

Optimizacin y Modelos para la Gestin

b) Satisfaccin de demanda y balance de inventario: en cada perodo, la cantidad producida ms la

c) No negatividad de las variables:

Modelos de Programacin Matemtica

2.3. MEZCLA DE PRODUCTOS

2.3.1. Diseo de la Composicin de Alimento de un Plantel Cuncola

La dieta debe tener las siguientes caractersticas:

Tabla 2.3. Caractersticas de los ingredientes.

FORMULACIN DEL MODELO

Optimizacin y Modelos para la Gestin

Modelos de Programacin Matemtica

f) Harina de Pescado: la cantidad de harina de pescado contenida en el alimento no debe ser ms de

2.3.2. Planificacin de la Produccin de Combustibles

Tabla 2.5. Caractersticas de los combustibles.

Optimizacin y Modelos para la Gestin

Cada barril puede contener 40 kg de petrleo liviano, o 50 kg de petrleo pesado, o 60 lt de

Modelos de Programacin Matemtica

60 0,65 0,85 60 0,65 0,85

2.4. TRANSPORTE DE PRODUCTOS

Optimizacin y Modelos para la Gestin

2.4.1. Transporte de Frutas

Figura 2.1. Transporte de frutas.

Modelos de Programacin Matemtica

Tabla 2.6. Costos de transporte.

Optimizacin y Modelos para la Gestin

Se observa que si un determinado par origen-destino no se admite entre las combinaciones

2.4.2. Transporte con Transbordo

Modelos de Programacin Matemtica

Figura 2.2. Representacin del problema de transporte con transbordo.

= cantidad de producto disponible en el origen i,

Optimizacin y Modelos para la Gestin

e) No negatividad de las variables:

2.4.3. Transporte con Transbordo y Multiperodo

Modelos de Programacin Matemtica

y los siguientes parmetros:

capacidad de produccin en el origen i en el perodo t,

Las restricciones del modelo son:

Figura 2.3. Representacin del problema de transporte con transbordo y multiperodo.

Optimizacin y Modelos para la Gestin

b) Capacidad de los centros de transbordo: la cantidad total de producto enviada a un centro de

e) No negatividad de las variables:

i 1,..., m; j 1,..., n; t 1,..., T .

La funcin objetivo consiste en minimizar el costo total de transporte e inventario.

2.4.4. Flujo de Pasajeros en un Ferrocarril