Programacion Lineal

Introduccin a los mtodos cuantitativos
11

1 Introduccin a los mtodos cuantitativos

1.1 Introduccin

Este es el primer volumen de una serie de tres, en los que se introducirn las tcnicas asociadas y aplicacio-
nes a los mtodos cuantitativas de gestin ms relevantes dentro del contexto de la organizacin industrial.

Los volmenes se corresponden con las tres asignaturas incluidas en el currculo de la carrera de Ingenie-
ra en Organizacin Industrial en la ETSEIT, sobre mtodos cuantitativos en organizacin industrial.

Este tema tiene un carcter introductorio nos encontramos entonces en la introduccin de la introduc-
cin a la naturaleza y especificidades de los mtodos cuantitativos en organizacin industrial. Esta
introduccin sigue una lgica de modelos / problemas / tcnicas:

a) En muchas ocasiones nos encontramos en el contexto organizativo generalmente en la gestin
del sistema productivo, pero tambin en otros contextos con situaciones de cierta complejidad,
que plantean problemas susceptibles de ser resueltos elaborando un modelo cuantitativo. Convie-
ne pues, que el alumno tenga una nocin clara de qu es un modelo, y en especial un modelo ma-
temtico o cuantitativo.

b) Es tambin conveniente que al enfrentarnos a una situacin determinada no elaboremos un modelo
cuantitativo cualquiera: diferentes modelos pueden tener una dificultad (y en consecuencia un coste)
de resolucin muy variable. Por este motivo, es importante conocer diferentes problemas tipo, que
representan situaciones que pueden darse en contextos muy diferentes. En muchas ocasiones, puede
ser bueno tener en mente un cierto abanico de problemas tipo a la hora de elaborar un modelo.

c) Finalmente, necesitamos un conjunto de tcnicas que nos permitan resolver el modelo, esto es,
que nos permitan obtener a un coste asequible y con una precisin aceptable la informacin que
buscbamos al elaborar ese modelo. Estas tcnicas estarn muchas veces relacionadas con pro-
blemas tipo, de ah la importancia de stos.

En definitiva, a lo largo de las tres asignaturas de mtodos cuantitativos de organizacin industrial los
profesores de la carrera pretendemos que el alumno sea capaz de formular modelos matemticos a
partir de situaciones poco estructuradas. Dichas situaciones pueden tener cierta relacin con problemas
tipo a los que puedan aplicarse un conjunto bien definido de tcnicas, que el alumno debe tambin
conocer y explotar, para saber hallar usando estas tcnicas la solucin del modelo, esto es, la informa-
cin cuya bsqueda nos impuls a elaborarlo.

1.2 Concepto de modelo

Una definicin clsica de modelo es:

Un objeto M es un modelo de una realidad R para un observador O, si O puede obtener estudian-
do M las respuestas a las preguntas que se hace sobre R.
Los autores, 2002; Edicions UPC, 2002.
Mtodos cuantitativos en organizacin industrial I

12
As, una misma realidad puede ser representada por diferentes modelos, en funcin de las preguntas
que nos hagamos acerca de sta. Una red elctrica, por ejemplo, puede ser representada por:

1. Un grafo cuyos arcos tienen asociada la distancia entre diferentes puntos, si queremos determinar
cul es el conjunto de conexiones que minimiza la longitud de cable a emplear.

2. Un mapa del terreno a escala, para llevar a cabo la obra civil del tendido elctrico. El mapa tendr
ms informacin que el grafo: adems de estar a escala, incluir accidentes orogrficos (ros,
etc.), curvas de nivel, etc.

3. Una red de Kirchhoff, a fin de determinar las intensidades de la lnea, prdidas de energa por
transporte, etc.

En definitiva, el modelo vendr determinado por el problema a resolver, y por los requerimientos de la
tcnica escogida para resolverlo.

El proceso de construccin y resolucin de un modelo puede dividirse en tres partes:

a) Modelizacin: Construccin y elaboracin del modelo. Generalmente, se trata de un proceso di-
fcilmente sistematizable, puesto que podemos tener situaciones muy diversas que admiten mode-
los muy similares (es el caso, por ejemplo, de la programacin lineal).

b) Resolucin: Diremos que hemos resuelto el modelo cuando hayamos podido responder a las pre-
guntas que nos movieron a elaborarlo. De otro modo, cuando hayamos obtenido la informacin
que necesitbamos.

c) Explotacin: Una vez obtenidos los resultados, stos deben ser interpretados y deben analizarse
las implicaciones para la gestin del sistema afectado. Otra cuestin importante es el manteni-
miento del modelo: ver cmo evoluciona la solucin cuando los parmetros del sistema evolu-
cionan.

1.3 Tipos de problemas

Los mtodos cuantitativos de organizacin industrial centran su inters en un conjunto de problemas
concretos, asociados generalmente a la organizacin de las interrelaciones entre elementos del sistema
que permiten optimizar su comportamiento. En muchas ocasiones, dicha optimizacin supone la mi-
nimizacin de los recursos empleados, o del valor (coste) de esos recursos. En otras, buscaremos la
maximizacin de la utilidad asociada al uso del sistema. Dicha utilidad suele ir asociada, en el contex-
to empresarial, a la maximizacin del beneficio derivado de la actividad. Seguidamente mostraremos
algunos problemas prototipo. Para cada uno de ellos, definiremos:

1. Las caractersticas del problema.

2. El objetivo del problema, esto es, la magnitud a optimizar.

3. Las posibles variables de decisin, es decir, las caractersticas del sistema que podemos contro-
lar. En general, el valor de la magnitud a optimizar ser funcin de dichas variables de decisin,
adems de unos parmetros sobre los que no tendremos control.

1.3.1 Problemas de inventarios (stoks)

Los problemas de inventarios aparecen cuando, por determinadas razones, los flujos de entrada de un
determinado recurso en un sistema son diferentes de los flujos de salida. Este hecho exige que dispon-

13
gamos de una determinada cantidad de recurso, sin ms finalidad que la de ajustar estos dos flujos.
Esta cantidad sern las existencias o stocks del sistema.

Un sistema de este tipo tendr un conjunto de costes asociados a la gestin del sistema:

a) Coste de adquisicin: Es posible que el recurso tenga diferentes costes a lo largo del tiempo, y
que sea interesante adquirir gran cantidad de recurso en un momento determinado, para su uti-
lizacin cuando el coste sea elevado. Esta adquisicin aumentar el valor de las existencias. En
ocasiones, existe un componente de coste independiente de la cantidad adquirida, que suele lla-
marse coste de lanzamiento.

b) Coste de mantenimiento o posesin: Mantener el recurso en stock supone unos costes de al-
macenamiento, financiacin, etc. Dichos costes tienden a limitar el valor del inventario.

c) Coste de ruptura: Puede darse el caso de que, con nuestra programacin, no podamos servir el
flujo de demanda. Tendremos entonces unos costes de ruptura. Si estos costes son elevados, pue-
den hacer aumentar el valor del inventario.

El objetivo del problema ser el de minimizar la suma total de costes de adquisicin, mantenimiento y
ruptura, asociados a un determinado flujo de salida. Las variables de decisin sern las cantidades a
adquirir en cada instante de tiempo, as como el nivel de inventario entre cada entrada y salida.

La gestin de materiales en la empresa industrial es el ejemplo ms evidente de problema de stock,
aunque podemos encontrar formulaciones similares en:

1. Gestin de tesorera (donde el inventario es el saldo de la cuenta bancaria en cada momento).

2. Gestin de una presa o embalse. En este caso, el inventario es el nivel de agua en los instantes
entre entrada y salida de material.

1.3.2 Problemas de reparto

Las caractersticas generales de un problema de reparto son las siguientes: disponemos de un conjunto de
recursos, con lo que se realiza un determinado conjunto de actividades. Los parmetros del sistema sern:

a) la cantidad de que se dispone de cada recurso,

b) la cantidad de cada recurso necesaria para producir una unidad de cada una de las actividades,

c) el rendimiento o utilidad derivado de producir una unidad de cada una de las actividades.

El objetivo es de determinar cmo se asignan los recursos a las actividades, de manera que la utilidad
o rendimiento total sea mxima.

Una variante de este problema consiste en plantear una situacin en la que, adems de cantidad mxi-
ma de recursos, se deba realizar una cantidad mnima de cada una de las actividades. En este caso,
podemos plantearnos determinar si es posible servir esta demanda o no, encontrar qu actividades
deben realizarse primero, etc.

Las variables de decisin sern las cantidades de actividades a realizar, o bien, los recursos consumi-
dos en cada actividad. Tambin podemos plantear como variable de decisin qu actividades pueden
realizarse y cules no.

Algunos problemas asimilables a un problema de reparto son:

14
1. Determinar desde qu almacn debe servirse cada punto de consumo, y en qu cantidad, para mi-
nimizar los costes de transporte.

2. Los problemas de horarios (qu profesores deben asignarse a cada asignatura).

1.3.3 Problemas de secuencias

En un problema de secuencias, tenemos un conjunto de tareas a realizar, relacionadas entre ellas segn
unas ciertas restricciones (por ejemplo, determinada tarea no puede realizarse hasta que se hayan fina-
lizado otras dos). En ocasiones, dichas tareas consumen ciertos recursos, de los que se dispone de una
cantidad limitada.

El objetivo es el de determinar el momento en que debe iniciarse y acabarse cada tarea, as como el
tiempo total de realizacin de las tareas. Tambin puede desearse conocer qu actividades pueden
retrasarse sin que se retrase el conjunto y cules no, y la asignacin de los recursos limitados a las
tareas.

Los problemas de secuencias suele ir ligados a actividades no repetitivas, como el lanzamiento de un
producto al mercado o la construccin de un edificio.

1.3.4 Problemas de colas

Un problema de colas puede formularse del siguiente modo: Determinadas unidades llegan a un siste-
ma de forma aleatoria, segn una ley de llegada conocida. Dichas unidades son reciben un determina-
do servicio en uno o varios servidores. El tiempo de servicio sigue tambin una determinada ley de
servicio. Adems, el sistema puede tener varios componentes de coste: por ejemplo, coste de servicio
(coste asociado a disponer de un servidor) y coste de espera (coste asociado a esperar a ser servido). El
carcter especfico de los problemas de colas viene dado por el carcter aleatorio de las llegadas y del
tiempo de servicio.

Lo que se pretende obtener son parmetros asociados al sistema:

a) Tiempo medio de espera

b) Tiempo medio en el sistema (tiempo de espera, ms tiempo de servicio)

c) Nmero medio de unidades en espera

d) Nmero medio de unidades en el sistema

Tambin pueden plantearse cuestiones relativas al diseo del sistema, como el nmero de servidores
que minimiza la suma de costes de servicio ms costes de espera.

Podemos encontrar problemas de colas en cualquier situacin en que se produzcan esperas (colas en el
supermercado o en el aeropuerto, proceso de matriculacin en una universidad, etc.). De forma menos
evidente, podemos encontrar problemas de colas en el diseo de sistemas de mantenimiento, asigna-
cin de mquinas a operarios, etc.

1.3.5 Problemas de renovacin

En un problema de renovacin, existe un conjunto de elementos que envejece. Esto puede aumentar
los costes de funcionamiento o reparacin, y aumentar las probabilidades de avera. Por otra parte, sus-

15
tituir el elemento supone un coste, que puede ser superior al de seguir utilizando el elemento en un
momento determinado.

El objetivo no es otro es el de conocer cundo debe reemplazarse el equipo. En una situacin de largo
plazo, puede interesar conocer la poltica de decisin en cada momento.

Los problemas de renovacin se encuentran en cualquier sistema cuyos elementos envejezcan, y donde
el problema de la fiabilidad del conjunto del sistema sea relevante.

1.3.6 Problemas de caminos

Los problemas de caminos son propios de situaciones en las que se puede ir de un estado inicial a otro final
de varias maneras. Se trata de encontrar cul de stas es mejor para minimizar tiempo, costes o recursos.

El objetivo ser el de encontrar la poltica indicada para encontrar el camino ms corto entre el inicio o
el final del recorrido. Las variables de decisin sern las acciones a realizar, que sern las que formen
parte del camino ms corto.

Los problemas de caminos pueden encontrarse en situaciones de encontrar el camino ms corto entre
dos puntos, o la forma ms econmica de realizar una actividad con inicio y final definidos. Algunos
problemas de secuencias pueden formularse en trminos de problema de caminos.

1.3.7 Problemas de competencia

Los problemas de competencia estudian situaciones en las que diversos actores toman decisiones, de mane-
ra que la decisin de un actor afecta a los resultados obtenidos por los otros, adems de l mismo. Partien-
do de una determinada hiptesis relativa al comportamiento de los actores (usualmente, que se comporten
de manera racional), se modeliza el sistema para determinar los resultados alcanzados por cada actor.

El propsito de estos modelos es el de determinar la estrategia ptima para los jugadores, definida co-
mo las caractersticas de las acciones que tiene que llevar a cabo cada jugador para optimizar su utili-
dad. Estas estrategias sern las variables de decisin del modelo.

Cualquier situacin en la que se d la interdependencia entre los actores descrita es susceptible de ser
analizada como un problema de competencia. Entre los ejemplos ms conocidos, tenemos las acciones
de las empresas de un sector industrial, una subasta o una situacin con votaciones sucesivas.

1.3.8 Problemas de bsqueda

Los problemas de bsqueda consisten en situaciones en las que, para acceder a una determinada in-
formacin, se ha de incurrir un cierto coste de bsqueda. Pueden existir, incluso, situaciones en las que
no es seguro que la informacin exista o est disponible.

El objetivo de los problemas de bsqueda es la de determinar la forma de buscar esta informacin que
minimice los costes de bsqueda, y cundo debemos detener esta bsqueda considerando los costes en
los que se incurre y los beneficios obtenidos con el hallazgo. Una variante de este problema es la de
determinar cmo debemos clasificar la informacin para facilitar su recuperacin con una bsqueda
posterior, incurriendo en el mnimo de costes de bsqueda.

La variable de decisin es la poltica de bsqueda, que debe incluir las reglas para detener la bsqueda.
En la segunda versin del problema, la variable sern la poltica de clasificacin relacionada con la
poltica de bsqueda.

16
Ejemplos de situaciones en las que encontramos problemas de bsqueda pueden ser: control de calidad
(bsqueda de defectos), bsqueda de yacimientos de petrleo, arqueolgica, bsqueda de informacin
en internet. La determinacin de reglas de clasificacin y archivo son tambin problemas de bsqueda.

1.4 Tcnicas cuantitativas de tratamiento de problemas

Las tcnicas cuantitativas de que disponemos para resolver los problemas descritos en el apartado
anterior pueden clasificarse en dos grandes categoras:

1. Tcnicas de optimizacin: Tienen en comn que aseguran encontrar la solucin ptima, si sta
existe. En ocasiones, encontrar esta solucin ptima puede suponer elevados costes, en trminos
de tiempo de clculo.

2. Otras tcnicas: Tienen en comn que no aseguran la solucin ptima, sino una solucin razona-
blemente buena en un tiempo razonable. Existe una cierta probabilidad de encontrar efectivamen-
te el ptimo, pero nunca podremos saber si la solucin obtenida es la ltima, slo sabremos que
es una buena solucin.

1.4.1 Tcnicas de optimizacin

Optimizacin clsica (anlisis matemtico)

Se trata de diversos procedimientos analticos que tienen en comn la idea de igualar la derivada a
cero para obtener el ptimo. Suele requerirse que la funcin a optimizar sea continua o derivable. Al-
gunos desarrollos matemticos, como los multiplicadores de Lagrange, permiten resolver de esta ma-
nera problemas en las que las variables de decisin estn sometidas a determinadas restricciones.

Programacin matemtica

Los programas matemticos son formulaciones de la forma:

[OPT] z = f(x),
donde x E R
n

Donde f(x) es la funcin objetivo, y E la regin factible, subconjunto de R
n
de soluciones posibles del
problema.

El programa matemtico ser ms o menos difcil de resolver segn las caractersticas de la funcin
objetivo y de la regin factible. En este sentido, existen algunos casos especialmente relevantes:

1. Programacin lineal: La funcin f(x) es lineal, y E est determinado por un conjunto de restric-
ciones lineales.

2. Programacin lineal entera, binaria o mixta: Se trata de programacin lineal en que los compo-
nentes de x son variables enteras (programacin lineal entera), binarias (programacin lineal bi-
naria), o bien, algunas variables son enteras o binarias y otras reales (programacin lineal mixta).

3. Programacin no lineal: Programa matemtico que no cumple las condiciones de la programa-
cin lineal, tal como se acaba de definir. Los modelos de programacin lineal pueden ser de re-
solucin muy difcil, aunque algunos casos son especialmente interesantes en este sentido:

17
Programacin cuadrtica: f(x) es un polinomio de segundo grado, y las restricciones linea-
les o de segundo grado.
Programacin semilineal: f(x) es un polinomio de grado n, y las restricciones son lineales.

La programacin lineal es una de las tcnicas ms utilizadas para resolver los problemas propios de los
mtodos cuantitativos de gestin.

Teora de grafos

Esta teora trata de unos objetos matemticos llamados grafos, consistentes en un conjunto de elemen-
tos (vrtices del grafo), y de relaciones entre esos elementos (aristas o arcos del grafo).

Programacin dinmica

La programacin dinmica es una metodologa para encontrar polticas ptimas en procesos polietpi-
cos de decisin. Se trata de sistemas que evolucionan en varias etapas: en cada una de las etapas de-
bemos tomar una decisin, que har que el sistema evolucione a un determinado estado, de manera
determinista o siguiendo una determinada distribucin de probabilidad.

El objetivo es determinar qu poltica (decisin a tomar si nos encontramos en un determinado estado,
en una determinada etapa) debemos seguir para que optimizar la funcin objetivo. Dicha funcin se
caracteriza por ser recursiva (esto es, depende de la decisin actual y del estado al que el sistema evo-
lucione en la siguiente etapa).

Cadenas de Markov

Una cadena de Markov es un sistema que evoluciona a lo largo del tiempo dentro de un conjunto de
estados. Se caracteriza porque la probabilidad de que el sistema evolucione a un determinado estado
depende exclusivamente del estado en que se encuentra en el momento presente.

Teora de colas

Se trata de modelos desarrollados especficamente para analizar problemas de colas. Consiste, funda-
mentalmente, en un conjunto de modelos descriptivos de diversas situaciones, relativas a las leyes de
llegada y servicio y otras caractersticas propias de estos sistemas.

Son de especial inters, por su (relativa) sencillez conceptual, los modelos de cola en los que las tasas
de llegada y de servicio siguen una ley de Poisson.

Teora de decisin

Se trata de procedimientos que permiten valorar las diferentes alternativas y los posibles modelos de
experimentos a realizar para la toma de decisiones en situaciones que pueden describirse mediante un
modelo matemtico.

Teora de juegos

Se trata de modelos que estudian de forma especfica problemas de competencia. Se diferencia de la
teora de la decisin por la existencia de varios actores y de la interdependencia entre las acciones de
cada uno de ellos.

18
Optimizacin combinatoria

Es un procedimiento para obtener la solucin de problemas en los que el conjunto de soluciones es finito.
La tctica adoptada consiste, en primer lugar, en dividir el conjunto en dos partes siguiendo una regla de
separacin. A continuacin, se acota el valor de la funcin objetivo en cada una de las partes, mediante
una regla de acotamiento. As exploramos el conjunto de soluciones hasta encontrar el ptimo.

1.4.2 Otras tcnicas

Mtodos heursticos

Un mtodo heurstico genera soluciones de un determinado problema mediante un mtodo del que,
bien por experiencia o por razonamiento terico, se sabe que genera buenas soluciones con una eleva-
da probabilidad. Suele clasificarse en tres grupos:

Algoritmos de un solo paso: mtodos que generan una nica solucin en cada etapa, tomando decisio-
nes sucesivas que ya no son reconsideradas. Cada vez hay menos alternativas y stas estn ms condi-
cionadas, de forma que las ltimas decisiones pueden ser muy malas.

Mtodos iterativos: mtodos que generan una solucin en cada etapa, de manera que puedan reconsi-
derarse las soluciones obtenidas en etapas anteriores.

Mtodos de mejora: mtodos que partiendo de una determinada solucin, van mejorndola en sucesi-
vas etapas.

Simulacin

Proceso en el que se representa el estado del sistema, mediante variables relacionadas unas determina-
das reglas. Una vez establecidas, se observa su evolucin a lo largo del tiempo segn determinadas
hiptesis y reglas de gestin predeterminadas. Puede permitir conocer la solucin de problemas dif-
cilmente resolubles mediante tcnicas de optimizacin.

Modelos descriptivos

Modelos que describen o reproducen de manera ms o menos simplificada la realidad a estudiar y por
lo tanto permiten la experimentacin y el estudio de sus reacciones ante ciertas decisiones, incidencias
o polticas.

Algoritmos genticos

Se trata de procedimientos basados en la seleccin natural, en los que una generacin de individuos
(conjunto de soluciones) da lugar, mediante entrecuzamiento entre ellas, una nueva generacin de
soluciones que en promedio es mejor desde el punto de vista de la calidad del resultado obtenido.

Redes neuronales

Sistemas basados en la simulacin de sistemas neuronales de los seres vivos, capaces de aprender de la
experiencia y obtener soluciones cada vez mejores a problemas similares.

19
Existen relaciones entre las diversas tcnicas. Por ejemplo, la programacin lineal entera utiliza proce-
dimientos de optimizacin combinatoria; determinados problemas de programacin dinmica utilizan
propiedades de las cadenas de Markov, y la teora de decisin utiliza tcnicas de programacin lineal,
teora de grafos y simulacin, etc.

1.5 Relacin entre problemas y tcnicas

No existe una relacin directa entre los tipos de problemas y las tcnicas utilizadas para resolver los
modelos. Adems, la mayora de problemas no pueden clasificarse de manera unvoca y las tcnicas se
pueden mezclar. La tabla siguiente es una primera aproximacin para buscar relaciones entre proble-
mas (columnas) y tcnicas (filas). Se ha utilizado la siguiente notacin:

P: tcnica principal para resolver el problema

S. tcnicas usadas de forma secundaria

A: tcnicas auxiliares o usadas en casos especiales

Inventa-
rios
Reparto. Colas Secuenc. Renov. Caminos Compet. Bsq.

Opt. Clsica P A P S S
Prog. Lineal S P A A S P A
PNL S S
P.Dinmica P S S S S P
T.Grafos A P S P A A
T.Colass P S
Opt.Combin. A P P P A
T.Decisin S A S P P
T.Juegos P
Cad. Markov S A S S
M. Heursticos S S S S S A A
Simulacin A S P S P S S
M.descriptivos A S P P
Alg.genticos A S P P
R. neuronales S S P P S

1.6 Glosario de trminos

Algoritmo

Procedimiento que lleva a la solucin de un determinado problema en un nmero finito de pasos. Por ejem-
plo, los procedimientos que se indican en el tema 7 para obtener el camino ms corto entre dos vrtices de un
grafo son algoritmos. No son algoritmos, por ejemplo, todos aquellos procedimientos que obtengan la solu-
cin mediante aproximaciones sucesivas: la solucin exacta se encontrara tras un nmero infinito de pasos.

Investigacin operativa

Conjunto de tcnicas, desarrolladas a partir de la segunda mitad del siglo XX como un cuerpo terico
integrado, para ayudar a la toma de decisiones mediante modelos cuantitativos en problemas de deci-

20
sin en contextos de escasez de recursos. Las tcnicas descritas en la seccin 4 de este tema son de
Investigacin Operativa.

Mtodo heurstico

Procedimiento mediante el cual nos aseguramos de encontrar una buena solucin (no necesariamente
la mejor) para un determinado modelo. El ahorro de recursos (tiempo de clculo, por ejemplo) que
puede suponer un mtodo heurstico lo hace preferible en ocasiones a los mtodos exactos.

Modelo

Un objeto M es un modelo de una realidad R para un observador O, si O puede obtener estudiando M
las respuestas a las preguntas que se hace sobre R. En esta obra nos interesan aquellos modelos fun-
damentados en relaciones cuantitativas entre los elementos de R susceptibles de ser resueltos mediante
tcnicas de Investigacin Operativa.

Optimizacin

La optimizacin de un modelo supone obtener aquel valor de las variables de decisin del modelo para
las que obtenemos la mejor de las soluciones posibles. En muchas ocasiones, la optimizacin consiste
en maximizar o minimizar una determinada funcin objetivo.

Programa matemtico

Un modelo es un programa matemtico cuando dicho modelo consiste en una funcin objetivo f(x),
funcin de determinadas variables de decisin x={x
1
,x
2
,...,x
n
}. Frecuentemente, dichas variables de
decisin deben cumplir determinadas restricciones, que hacen que slo podamos considerar valores
de un determinado subconjunto de R
n
.

Tcnica cuantitativa

Tcnica mediante la cual podemos encontrar la solucin de un modelo cuantitativo. Cuando la tcnica
permita obtener la mejor solucin, sta ser una tcnica de optimizacin. Tambin podremos tomar en
consideracin tcnicas que permitan obtener una buena solucin (no necesariamente la mejor): stas
sern tcnicas heursticas.

La programacin lineal

21

2 La programacin lineal

2.1 Programacin matemtica y programacin lineal

En las organizaciones podemos encontrar multitud de problemas que se ajustan a un esquema comn:
consisten en hallar el valor de un conjunto de variables (variables de decisin) tal que otra variable,
funcin a su vez de las variables de decisin (funcin objetivo) alcance su valor ptimo (mximo o m-
nimo).

En muchas ocasiones, los valores que podrn tomar las variables de decisin vendrn limitados por un
conjunto de restricciones, las cuales deben cumplirse de manera simultnea. A modo de ejemplo, una
restriccin muy frecuente es que las variables sean no negativas.

Este tipo de problemas son susceptibles de ser resueltos mediante un programa matemtico. Se trata de
un modelo, en el sentido definido anteriormente, que representa la situacin a resolver mediante un
conjunto de expresiones matemticas de la forma:

[OPT] z = f(x
1
, x
2
, .... , x
n
)

s.a. g
1
(x
1
, x
2
, .... , x
n
) = 0
g
2
(x
1
, x
2
, .... , x
n
) = 0
...
g
n
(x
1
, x
2
, .... , x
n
) = 0

Mediante esta notacin, se indica que debemos determinar el valor ptimo de z (que puede ser tanto el
mximo [MAX], como el mnimo [MIN]), que es funcin de las variables de decisin x
1
, x
2
, .... , x
n
.
Los valores de estas variables debern ser tales que cumplan el conjunto de ecuaciones g
i
(o inecua-
ciones: cualquier inecuacin puede ser transformada en ecuacin, como se ver ms adelante) que
constituyen las restricciones del programa matemtico.

Definido de este modo, el nmero de tipos de programas matemticos ser muy variado, y tambin
la dificultad de resolucin: pueden encontrarse programas resolubles mediante clculo diferencial o
algoritmos sencillos, hasta programas irresolubles, si no es mediante algoritmos heursticos o me-
diante clculo numrico. La tabla adjunta da idea de algunos tipos de programas matemticos, a par-
tir de las propiedades de sus componentes: las variables de decisin, las restricciones y la funcin
objetivo.

El objetivo de este mdulo es el de presentar un tipo de programas matemticos que permite modelizar
gran nmero de problemas reales, y que pueda ser resuelto de manera exacta de forma relativamente
sencilla: el programa lineal, y sus variantes (de resolucin algo ms compleja) de programacin ente-
ra y programacin mixta.

22
Tabla 1.a Tipos de programas matemticos

Variables de decisin
Continuas
Enteras
Binarias
...
Restricciones
Sin restricciones.
Restricciones lineales / no lineales.
Restricciones continuas / no continuas.
Restricciones convexas / no convexas.
Funcin objetivo
Lineal (afn) / no lineal.
Diferenciable / no diferenciable.

2.2 El modelo de programacin lineal

Un modelo de programacin lineal es un caso particular, especialmente sencillo, de programacin ma-
temtica, con las siguientes caractersticas:

a) Las variables de decisin son no negativas.

b) Las restricciones g
i
son una funcin afn de dichas variables.

c) La funcin objetivo es una funcin afn de las mismas variables.

Cuando las caractersticas del modelo exijan que todas las variables de decisin sean enteras, tendre-
mos un modelo de programacin (lineal) entera. Si slo parte de las variables deben ser enteras, se
tratar de un modelo de programacin (lineal) mixta.

2.2.1 Condiciones de los modelos lineales

En muchas ocasiones, el problema no ser modelizable mediante un modelo lineal de forma estricta,
aunque la simplicidad de resolucin (frente a otros modelos matemticos) de los modelos lineales
frente a otras situaciones aconseje modelizarlo de esta manera, al coste de aceptar una serie de hipte-
sis implcitas a la linealidad:

Determinismo

El valor de los parmetros del modelo lineal se supone cierto. Esto significa que no puede hacerse uso
de variables aleatorias (susceptibles de seguir una determinada ley de probabilidad). Esto significa que
la solucin obtenida ser de tipo determinista. Si existen variables aleatorias, pueden representarse me-
diante sus valores medios, o proponiendo diversos casos (conjunto de valores probables para las varia-
bles) en funcin de la distribucin de probabilidad existente.

Continuidad

Las variables de decisin en programacin lineal pueden tomar, en principio, cualquier valor no nega-
tivo. Si por las condiciones del modelo, tenemos variables que deben tomar valores enteros, debe recu-
rrirse a tcnicas de programacin lineal entera o mixta.

23
Proporcionalidad

El hecho de que la funcin objetivo y las restricciones sean afines, significa que al incrementar o
decrementar una variable de decisin cualquiera, la funcin objetivo y las restricciones deben ex-
perimentar incrementos o decrementos proporcionales. Si no puede admitirse la hiptesis de pro-
porcionalidad, tendremos que alguna de las funciones (objetivo o restricciones) ser no lineal. En-
tonces deberemos afrontar la resolucin (mucho ms compleja) de una situacin de programacin no
lineal.

Aditividad

Un programa lineal admite el principio de superposicin: La funcin suma de dos variables ser igual
a la suma de las dos variables por separado. Por ejemplo:

z(x
1
+ x
2
) = z(x
1
) + z(x
2
)

2.2.2 Componentes de un modelo de programacin lineal

Un programa lineal de n variables de decisin y m restricciones es, como se ha indicado, un caso parti-
cular de programacin matemtica. Consistir en optimizar una funcin objetivo, combinacin lineal
de las variables de decisin:

[OPT] z = c
1
x
1
+ c
2
x
2
+ ... + c
i
x
i
+ ... + c
n
x
n

Podemos encontrarnos tanto con problemas en los que se busque maximizar la funcin objetivo (pro-
blemas de mximo [MAX]) como con problemas en los que se persiga minimizar dicha funcin (proble-
mas de mnimo [MIN]).

Las restricciones determinan en conjunto de valores posibles para las variables de decisin, tambin
llamada regin factible. La solucin ptima del modelo deber encontrarse necesariamente dentro de
esa regin factible. En programacin matemtica, esta regin se representa por un conjunto de restric-
ciones. Los elementos de la regin factible debern cumplir, necesariamente, todas las restricciones.
Estas restricciones pueden ser tanto ecuaciones como inecuaciones. As, podemos encontrarnos con
una restriccin i de menor o igual:

a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
b
i

Una restriccin j de mayor o igual:

a
j1
x
1
+ a
j2
x
2
+ ... + a
jn
x
n
b
j

O, finalmente, con una restriccin k de igualdad:

a
k1
x
1
+ a
k2
x
2
+ ... + a
kn
x
n
= b
k

Del examen de las expresiones se observa que un modelo lineal de m variables y n restricciones queda
caracterizado por tres conjuntos de parmetros:

1. Los coeficientes c
j
de las variables en la funcin objetivo, denominados coeficientes de coste. La
funcin objetivo puede tener un trmino independiente, cuyo valor no afecta a la solucin del
modelo. En ocasiones, los coeficientes se representan mediante el vector columna c.

2. Los trminos independientes b
i
de las restricciones, que forman el vector columna b.

24
3. Los coeficientes tecnolgicos a
ij
, asociados a la variable j en la restriccin i. Dichos coeficientes
dan lugar a la matriz A.

Seguidamente mostraremos tres ejemplos prototipo, que permiten una primera aproximacin a las si-
tuaciones susceptibles de ser representadas y resueltas por programacin lineal.

Ejemplo 1.a Problema de la granja

Un granjero dispone de 110 hectreas de terreno, que puede cultivar con cebada o lechugas. Cada
hectrea cosechada de cebada le supone un beneficio de 50. Los beneficios de la venta de las lechu-
gas de una hectrea son de 80. La cosecha de una hectrea de cebada supone 4 horas de trabajo, y
recoger las lechugas de una hectrea de terreno supone 8 horas. El granjero slo dispone de una 720
horas de trabajo. Finalmente, slo 80 de las hectreas de terreno son aptas para el cultivo de la ce-
bada. Cuntas hectreas de cebada y de lechugas debe sembrar el granjero para maximizar su bene-
ficio?

El primer elemento a definir del modelo debe ser las variables de decisin con las que representaremos
la funcin objetivo y las restricciones. Aqu parece claro que las variables de decisin ms operativas
sern:

CEB: hectreas cultivadas de cebada
LEC: hectreas cultivadas de lechuga

Esto es as porque, si conocemos los valores de las variables de decisin en el ptimo, conoceremos la
solucin de forma directa. Adems, podremos expresar la funcin objetivo y las restricciones en fun-
cin de esas variables de decisin.

La funcin objetivo ser la expresin del beneficio total. Los parmetros del sistema sern los benefi-
cios por hectrea cultivada de producto:

[MAX] z = 50CEB + 80LEC

En este modelo, el papel de las restricciones es el de representar las limitaciones de recursos de que
disponemos (obsrvese que, de no existir estas limitaciones, el beneficio es infinito). En este caso, te-
nemos tres restricciones: tierra cultivable, horas de trabajo y terreno apto para cultivar cebada. Pode-
mos expresar que el granjero no tiene ms de 110 hectreas de producto escribiendo:

CEB + LEC 110

No tenemos ms que 720 horas de trabajo, por lo que la cantidad de horas empleadas en los dos culti-
vos ha de ser necesariamente inferior o igual a esa cantidad:

4CEB + 8LEC 720

Finalmente, no podremos cultivar cebada en ms de 80 hectreas de terreno:

CEB 80

El problema no tiene sentido para valores negativos de las variables de decisin, por lo que es necesa-
rio precisar:

CEB, LEC 0

El modelo de programacin lineal que tendremos ser:

25
[MAX] z = 50 CEB + 80LEC
Sujeto a CEB + LEC 110
4CEB + 8LEC 720
CEB 80
CEB, LEC 0

Obsrvese que, en este caso, todas las restricciones han resultado ser de menor o igual, representando
as limitaciones de recursos.

Ejemplo 2.b Problema de la dieta

Determinado individuo tiene unas necesidades nutricionales de 80 gramos de protenas y de 3000 Kcal.
Puede satisfacerlas con los alimentos que se muestran en la tabla adjunta. Para cada alimento, se
indica tambin el valor nutricional y el coste de 100 gramos de alimento.

Pan Queso Mantequilla Galletas Espinacas
Protenas (g.) 8,3 24,9 0,4 6,0 5,1
Kcal 246 423 793 93 26
Coste 35 130 100 75 30

Cul ser la composicin de la dieta que cubra las necesidades del individuo a un coste mnimo?

Las variables de decisin sern, en este caso, las cantidades a consumir de los diferentes alimentos:

P: cantidad de pan ( 100 gramos)
Q: cantidad de queso ( 100 gramos)
M: cantidad de mantequilla ( 100 gramos)
G: cantidad de galletas ( 100 gramos)
E: cantidad de espinacas ( 100 gramos)

En funcin de estas variables, es fcil representar el coste de la dieta, que es la funcin objetivo a minimizar:

[MIN] z = 35P + 130Q + 100M + 75G + 30E

Ahora bien, esta dieta debe cumplir unas necesidades nutricionales mnimas (en caso contrario, los
valores de las variables de decisin seran cero). En este caso, debe contener un mnimo de protenas y
Kcal. Estas condiciones se representan por dos restricciones de mayor o igual. La primera corresponde
a las protenas y la segunda a las Kcal:

8,3P + 24,9Q + 0,4M + 6,0G + 5,1E 70
246P + 423Q + 793M + 93G + 26E 3000

Como en el caso anterior, slo tienen sentido variables positivas para este modelo:

P, Q, M, G, E 0

El modelo que representar la situacin descrita ser:

[MIN] z = 35P + 130Q + 100M + 75G + 30E
Sujeto a: 8,3P + 24,9Q + 0,4M + 6,0G + 5,1E 70
246P + 423Q + 793M + 93G + 26E 3000
P, Q, M, G, E 0

26
Obsrvese que, en este caso, la totalidad de las restricciones (excepto las de no negatividad de las va-
riables) son de mayor o igual y representan requerimientos mnimos de recursos.

Ejemplo 2.c Transporte barato

El sistema logstico de determinada fbrica est compuesto de 3 fbricas (F1, F2 y F3) y cuatro al-
macenes (A1, A2, A3 y A4). En la tabla adjunta se indican los costes de transporte desde la fbrica
al almacn por unidad de producto. Tambin se indica la capacidad productiva de cada fbrica y la
demanda de producto en cada almacn:

A1 A2 A3 A4 Capacidad
F1 8 13 9 8 60
F2 9 11 12 10 70
F3 7 8 10 9 80
Demanda 75 45 40 50

(Por ejemplo, podemos ver en la tabla que el coste de llevar una unidad de material desde F2 hasta
A3 es de 12, y que la demanda del almacn A3 es de 40 unidades.)

Cuntas unidades de producto deben llevarse de cada fbrica a cada almacn, de manera que el
coste total de transporte sea mnimo?

En este caso, deben escogerse las variables de decisin de modo que puedan representar todas las po-
sibilidades de transporte entre fbricas y almacenes. Esto supone que tenemos 3 4 = 12 variables de
decisin. Es cmodo definirlas segn la siguiente notacin:

x
ij
: cantidad transportada desde la fabrica Fi hasta el almacn Aj
(i = 1,2,3; j = 1,2,3,4)

En el modelo, deberemos minimizar el coste total de transporte:

[MIN] z = 8x
11
+ 13x
12
+ 9x
13
+ 8x
14
+ 9x
21
+ 11x
22
+ 12x
23
+ 10x
24
+ 7x
31
+ 8x
32
+ 10x
33
+ 9x
34

Para este caso particular, tenemos que la capacidad de las tres fbricas es igual a la demanda de los
cuatro almacenes. Por lo tanto, las fbricas debern producir a plena capacidad, y los almacenes recibi-
rn toda la cantidad demandada. Las siguientes restricciones representan la necesidad de que las fbri-
cas produzcan a plena capacidad:

x
11
+ x
12
+ x
13
+ x
14
= 60
x
21
+ x
22
+ x
23
+ x
24
= 70
x
31
+ x
32
+ x
33
+ x
34
= 80

Las restricciones relativas a las demandas de los almacenes sern:

x
11
+ x
21
+ x
31
= 75
x
12
+ x
22
+ x
32
= 45
x
13
+ x
23
+ x
33
= 40
x
14
+ x
24
+ x
34
= 50

Finalmente, las variables debern ser no negativas:

x
ij
0

27
En este caso, la regin factible viene determinada por un sistema compatible indeterminado, en el que
el nmero de ecuaciones (restricciones) es de 7, cantidad inferior a las 12 incgnitas (variables de de-
cisin).

2.3 Formas estndar y cannica de un modelo lineal

En los ejemplos de la seccin anterior, hemos visto que un modelo lineal puede adoptar varias formas:
la funcin objetivo puede ser de mximo o mnimo, y las restricciones pueden ser de mayor o igual,
menor o igual o de signo igual, incluso tener restricciones de varios tipos. La solucin y el anlisis de
un modelo de programacin ideal deber formularse segn una forma determinada de programa lineal.
Se trata de definir ciertas formulaciones prototipo del programa lineal y de contar con herramientas
para poder expresar un programa lineal cualquiera en esa forma prototipo.

En particular, existen dos formulaciones del modelo de programacin lineal que resultan particular-
mente tiles:

La primera es la forma estndar, en la que las restricciones estn expresadas en forma de igualdad. Es la
forma de partida para resolver el modelo de programacin lineal mediante el mtodo smplex. El he-
cho de que el conjunto de restricciones constituya, por lo general, un sistema de ecuaciones indetermi-
nado permite aplicar el lgebra matricial a la resolucin del programa lineal:

Forma estndar
del modelo lineal
[OPT] z = c
j
x
j

s.a. a
ij
x
j
= b
i

x
ij
0

i = 1, ..., n restricciones
j = 1, ..., m variables

La segunda es la forma cannica, en la que las restricciones estn expresadas como inecuaciones de
menor o igual si el modelo es de mximo, y de mayor o igual si es de mnimo. Es una forma particu-
larmente til para encontrar el dual de un modelo lineal.

Forma cannica
del modelo lineal
[MIN] z = c
j
x
j

s.a. a
ij
x
j
b
i

x
j
0

i = 1, ...,n restricciones
j = 1, ...,m variables
[MAX] z = c
j
x
j

s.a. a
ij
x
j
b
i

x
j
0

i = 1, ...,n restricciones
j = 1, ...,m variables

Cualquier modelo lineal puede expresarse segn estas formas, realizando las transformaciones oportu-
nas:

28
2.3.1 Transformaciones de las restricciones

Podemos convertir una restriccin de en una restriccin de =, mediante una variable de holgura no
negativa:

a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
b
i
a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
+ h
i
= b
i

Tambin podemos convertir una restriccin de en una restriccin de =, mediante una variable de
exceso no negativa

a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
b
i
a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
e
i
= b
i

Finalmente, podemos convertir una restriccin de mayor o igual en otra de menor o igual

a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
b
i
a
i1
x
1
a
i2
x
2
... a
in
x
n
b
i

2.3.2 Transformaciones de la funcin objetivo

Podemos convertir una funcin objetivo de [MIN] en otra de [MAX] cambiando el signo de los coefi-
cientes de coste:

[MIN] z = c
j
x
j
[MAX] z = c
j
x
j

2.3.3 Transformaciones de las variables

En su formulacin original, las variables de decisin del modelo de programacin lineal deben ser no
negativas. Ahora bien, puede suceder que, por requerimientos de la situacin que estemos estudiando,
debamos incluir variables no positivas o no restringidas en signo.

Si una variable de decisin x
i
es no positiva, basta con reemplazarla por la variable no negativa x
i
=
= x
i
. Deberemos sustituir x
i
por x
i
en toda la formulacin del modelo.

Si tenemos una variable xi no restringida en signo, deberemos reemplazarla por dos variables no nega-
tivas x
i
y x
i
. Para ello realizaremos la sustitucin: x
i
= x
i
x
i

En los dos ejemplos siguientes, se muestra cmo pasar de la forma cannica a la forma estndar de un
modelo de programacin lineal, as como el sentido de las variables de holgura y exceso en el modelo.

Ejemplo 3.a

Obtener la forma estndar del problema de la granja del ejemplo 2.a, indicando el sentido de las va-
riables de holgura.

La naturaleza del problema hace que su formulacin est directamente en forma cannica: las varia-
bles de decisin son positivas y las restricciones son de mayor o igual, que es la forma cannica para
un problema de mximo:

Sujeto a CEB + LEC 110
4CEB + 8LEC 720
CEB 80
CEB, LEC 0

29
El nico trabajo para obtener la forma estndar es el de poner las inecuaciones en forma de ecuacin
mediante el uso de las variables de holgura H1, H2 y H3:

Sujeto a CEB + LEC + H1 = 110
4CEB + 8LEC + H2 = 720
CEB + H3 = 80
CEB, LEC, H1, H2, H3 0

En el ejemplo 2.a se indic que el sentido de las restricciones es el de representar las limitaciones de
recursos (de terreno para la primera restriccin, de trabajo para la segunda y de tierra apta para el
cultivo de cebada de la tercera). Si no se utiliza toda la cantidad disponible de un recurso, tendre-
mos:

En la forma cannica, la cantidad de la izquierda de la inecuacin (recurso utilizado) ser inferior a la
de la derecha (recursos disponibles). La inecuacin se cumplir con el signo <.

En la forma estndar, la nica forma de que se cumpla la ecuacin es que la variable de holgura Hi sea
positiva. El valor de dicha variable ser igual a la diferencia entre los recursos disponibles y los recur-
sos utilizados.

Si, por el contrario, se utiliza toda la cantidad disponible de un recurso, la restriccin se cumplir con
el signo igual y la variable de holgura ser igual a cero.

Por todo lo dicho, el sentido de las variables de holgura de la formulacin estndar del modelo es:

a) La variable H1 representa la cantidad de terreno disponible que no se ha cultivado.

b) La variable H2 representa la cantidad de horas de trabajo no utilizadas.

c) La variable H3 representa el valor de la superficie apta para el cultivo de cebada, que no se ha
utilizado para este fin (pueden haberse plantado lechugas o puede haberse quedado sin sem-
brar).

Ejemplo 3.b

Obtener la forma estndar del problema de la dieta del ejemplo 2.b, indicando el sentido de las varia-
bles de exceso.

El modelo del ejemplo 2.b es un programa lineal de mnimo escrito en forma cannica, puesto que las
variables de decisin son positivas y las restricciones son de mayor o igual:

[MIN] z = 35P + 130Q + 100M + 75G + 30E
Sujeto a: 8,3P + 24,9Q + 0,4M + 6,0G + 5,1E 70
246P + 423Q + 793M + 93G + 26E 3000
P, Q, M, G, E 0

Para obtener la forma estndar, deberemos transformar en igualdades las inecuaciones con el signo de
mayor o igual, utilizando las variables de exceso E1 y E2:

[MIN] z = 35P + 130Q + 100M + 75G + 30E
Sujeto a: 8,3P + 24,9Q + 0,4M + 6,0G + 5,1E E1 = 70
246P + 423Q + 793M + 93G + 26E E2 = 3000
P, Q, M, G, E, E1, E2 0

30
En este caso, las variables de exceso sern iguales a la diferencia de nutrientes requerida (trmino in-
dependiente de la restriccin) y a la obtenida con la dieta (lado izquierdo de la restriccin en la forma
cannica). En definitiva, representan la cantidad de nutrientes por encima de los requerimientos. Ms
concretamente:

1. La variable E1 representa el exceso de protenas aportado por la dieta.

2. La variable E2 representa el exceso de caloras aportado por la dieta.

2.4 Mtodos de solucin de programas lineales

Una vez se ha conseguido representar una situacin mediante un modelo lineal, es preciso encontrar y
explotar la solucin de ese modelo. Existen varias formas de encontrar esta solucin:

a) En el caso (poco frecuente) en el que se haya representado el modelo con dos variables de deci-
sin, puede resolverse ste grficamente. La solucin grfica de un modelo lineal tiene funda-
mentalmente un inters pedaggico, dado que permite introducir diversos conceptos asociados a
los modelos lineales de forma grfica e intuitiva.

b) Para modelos pequeos o medianos (hasta decenas de miles de variables y restricciones) resulta ade-
cuado el algoritmo smplex, que consiste en explorar de forma inteligente el conjunto de soluciones
posibles, de manera que se alcance el ptimo explorando un subconjunto pequeo de stas. Existen
en el mercado programas informticos que utilizan el mtodo smplex para resolver modelos linea-
les. En la mayora de las ocasiones, suele ser accesible una versin gratuita (freeware) de dichos pro-
gramas. La nica diferencia con los programas de pago es que tienen limitado el nmero de variables
y restricciones, de manera que su utilidad es didctica: la explotacin comercial obliga a usar versio-
nes de pago de esos programas, con mayor capacidad de tratamiento de variables y restricciones.

c) Para modelos de gran tamao, el procedimiento del punto interior, tcnica exportada de la pro-
gramacin no lineal, permite en ocasiones obtener una excelente aproximacin a la solucin de
forma ms rpida que el algoritmo smplex.

El alcance de la asignatura aconseja limitar la exposicin a los dos primeros mtodos, y aun al segun-
do, con una clara perspectiva de poder usar e interpretar los resultados de programas informticos de
aplicacin del algoritmo smplex.

2.5 Programacin lineal: resolucin grfica

Como se ha dicho anteriormente, cuando el modelo de programacin lineal tiene dos variables de de-
cisin, es posible analizarlo grficamente. Para ello, podemos plantear una representacin en dos dimen-
siones para las variables de decisin, aadiendo una tercera para la funcin objetivo. Ms formalmente:

1. En los ejes X e Y representaremos las variables de decisin.

2. En un eje Z, perpendicular al papel, representaremos la funcin objetivo z, funcin de las varia-
bles X e Y.

Para la exposicin, utilizaremos el modelo de la granja, descrito en el ejemplo 2.a, y ordenaremos la
exposicin segn el siguiente guin:

a) Expondremos las propiedades de la regin factible, esto es, de los puntos del plano (X, Y) que
cumplen simultneamente las condiciones de las restricciones. Los puntos de la regin factible
sern las soluciones factibles del modelo.

31
b) Seguidamente, introduciremos la funcin objetivo, y mostraremos cmo se obtiene la solucin.
Una propiedad interesante es que slo deberemos considerar las soluciones factibles en los vrti-
ces como posibles soluciones del modelo.

c) Utilizando la forma estndar del programa lineal, observaremos que las soluciones factibles en
los vrtices cumplen propiedades que permiten tratarlas como soluciones bsicas. Esta hecho es
de gran importancia terica, puesto que abre el camino a la resolucin algebraica.

d) Finalmente, examinaremos la naturaleza de las posibles soluciones del problema lineal, introdu-
ciendo los conceptos de ptimo impropio, ptimo mltiple y solucin degenerada.

2.5.1 Restricciones y regin factible

Consideremos el modelo lineal del ejemplo 2.a, al que numeraremos las restricciones:

Sujeto a (1) 4CEB + 8LEC 720
(2) CEB + LEC 110
(3) CEB 80
CEB, LEC 0

Cada una de las inecuaciones divide el plano (CEB,LEC) en dos regiones:

1. Para la restriccin 1, los puntos que cumplen la inecuacin son los que se encuentran dentro del
tringulo formado por los ejes CEB y LEC y la ecuacin 4CEB + 8LEC = 110.

2. Para la restriccin 2, los puntos que cumplen la inecuacin son los que se encuentran dentro del
tringulo formado por los ejes CEB y LEC y la ecuacin CEB + LEC = 110.

3. Los puntos que cumplen la inecuacin de la restriccin 3 se encuentran, a diferencia de los casos
anteriores, en una regin no acotada: la formada por los ejes CEB, LEC y la recta CEB = 80.

La regin factible estar formada por los puntos que pertenezcan a las tres regiones simultneamente.
El rea rayada de la figura 5.1.a representa la regin factible:

Figura 5.1.a Regin factible problema la granja

32
Los puntos del plano (CEB,LEC) dentro de la regin factible son soluciones factibles del programa
lineal. Una propiedad de la regin factible de un problema lineal es que se trata de una regin con-
vexa: Considerados dos puntos cualesquiera de la regin factible, los puntos del segmento que los une
pertenecern tambin a dicha regin factible.

Al determinar la regin factible de un problema lineal, podemos encontrarnos con tres casos:

a) Regin acotada: Existe una cota superior para los valores de las variables de decisin que perte-
necen a la regin factible.

b) Regin no acotada: Ser el caso de una regin tal que no exista cota superior para alguna de las varia-
bles de decisin. En el problema propuesto 9.4, tenemos un ejemplo de regin factible no acotada.

c) No existe regin factible: Si no existen valores de las variables de decisin que cumplan todas las
restricciones simultneamente, no existe regin factible y el programa lineal no tiene solucin. En
el problema propuesto 9.2, tenemos un ejemplo de programa lineal sin solucin. Ntese que la po-
sibilidad de solucin depende exclusivamente del conjunto de restricciones del programa lineal.

2.5.2 Determinacin de la solucin

Una vez determinada la regin factible, podemos pasar a obtener la solucin estudiando la evolucin
de la funcin objetivo. En el caso que nos ocupa, se trata de un problema de mximo, funcin de las
variables de decisin CEB y LEC:


Para la resolucin del problema, es interesante considerar aquellos puntos del plano (CEB, LEC) con
el mismo valor de la funcin objetivo. Por ejemplo, los puntos en que z = 4.000. Claramente, sern
aquellos que satisfagan la ecuacin:

4.000 = 50CEB + 80LEC

Dicha ecuacin es la de una recta sobre el plano (CEB,LEC), y est representada por la recta (4) en la
figura 5.2.a.

A medida que aumentamos el valor de z, nos vamos alejando del origen de coordenadas. Ntese, por
ejemplo, la recta (6) de la figura 5.2.a, que representa el conjunto de puntos tales que z = 9.600.

Figura 5.2.a Solucin problema de la granja

33
Por lo tanto, a medida que nos alejamos del origen, obtenemos mayores (y por tanto mejores, puesto
que el problema es de mximo) valores de la funcin objetivo. Dnde estar la solucin del proble-
ma? Forzosamente, pertenecer a la regin factible, pero no se encontrar en su interior: la funcin
objetivo no tiene extremos relativos, puesto que es lineal. En consecuencia, la solucin del problema
se encontrar en el contorno de la funcin objetivo.

De hecho, para obtener la solucin del programa lineal, bastar con que vayamos representando rectas
de z = constante, de valor cada vez mayor. La solucin ser el valor de la funcin objetivo de la recta
que, perteneciendo a la regin factible, se encuentre ms lejos del origen. Para el caso que nos ocupa,
dicha recta es la de z = 7.600, que es la recta (4) de la figura 5.b. El punto ptimo ser en punto B de la
regin factible (ver figura 5.a), interseccin de las rectas representativas de las restricciones 1 y 2.
Dicho punto B tiene los valores:

CEB* = 40
LEC* = 70
z* = 7.600

El razonamiento, aunque difcilmente aplicable a problemas de ms de tres variables, nos ha dado un resul-
tado importante: de los infinitos puntos de la regin factible, slo hemos de prestar atencin a los vrtices de
esa regin, que sern las soluciones factibles en los vrtices. La solucin del modelo ser, bien uno de esos
vrtices, bien una combinacin convexa de dichos vrtices (como se ver ms adelante, en la seccin 5.4).

2.5.3 Soluciones bsicas de un programa lineal

Si analizamos la naturaleza de las soluciones factibles en los vrtices escribiendo el problema en forma
estndar, veremos que las soluciones factibles en los vrtices pueden definirse como soluciones bsicas.

Para ello, volvamos a estudiar la regin factible, escribiendo ahora el problema en forma estndar:

Figura 5.3.a Regin factible problema la granja

Sujeto a (1) 4CEB + 8LEC + H1 = 720
(2) CEB + LEC + H2 = 110
(3) CEB + H3 = 80
CEB, LEC, H1, H2, H3 0

34
Consideremos, por ejemplo, la primera restriccin:

4CEB + 8LEC + H1 = 720

Para los puntos de la recta 1 tendremos:

4CEB + 8LEC = 720, siendo la variable de holgura H1 = 0

Dicha recta divide al plano (CEB, LEC) en dos mitades:

El tringulo formado por la recta 1 y los semiejes positivos (CEB,LEC) sern los puntos que cumplan:

4CEB + 8LEC < 720, siendo la variable de holgura H1 > 0

El resto del cuadrante positivo por encima de la recta 1 sern los puntos que no pertenecen a la regin
factible. Para esos puntos, la variable de holgura ser negativa:

4CEB + 8LEC > 720, siendo la variable de holgura H1 < 0

As pues, los puntos de la regin factible sobre alguna de las rectas que la delimitan se caracterizarn por
el hecho de que la variable de holgura de la recta que representa a la restriccin ser igual a cero. En las
intersecciones de las restricciones, se igualarn a cero las variables de holgura H1 y H2. Veamos cules
son los valores de las variables del problema en forma estndar para los vrtices de la regin factible.

CEB LEC H1 H2 H3
0 0 0 720 110 80
A 0 90 0 20 80
B 40 70 0 0 40
C 80 30 160 0 0
D 80 0 400 30 0

De la observacin de la tabla se observan dos propiedades interesantes:

En los cinco puntos, slo tres variables son distintas de cero: el nmero de variables no nulas es igual al
nmero de restricciones. A esas variables no nulas se les denomina variables bsicas, y el conjunto de
dichas variables ser la base asociada a esa solucin. El resto de variables, iguales a cero, sern variables no
bsicas. Para el punto A, las variables bsicas son LEC, H2 y H3, y las variables no bsicas CEB y H1.

Podemos identificar dos vrtices contiguos como los puntos C y D por la siguiente propiedad: la base
asociada a esos vrtices se diferenciar nicamente en una variable. Por ejemplo, para pasar del punto
B al C, deber salir de la base la variable H3 y entrar la variable H1.

Este resultado es generalizable a un programa lineal cualquiera de n variables y m restricciones:

Las soluciones bsicas (no degeneradas) del programa lineal tendrn n variables positivas,
que se denominarn variables bsicas de la solucin. Las otras m n variables sern iguales
a cero y sern variables no bsicas.

El conjunto de variables bsicas de dos soluciones bsicas contiguas se diferenciar nica-
mente en un elemento. Para pasar de una a otra, deber salir una variable de la base y deber
entrar otra variable.

Esta propiedad de las posibles soluciones de un programa lineal ser el fundamento de los mtodos de
resolucin algebraica de un programa lineal, como el mtodo smplex.

35
2.5.4 Soluciones posibles de un programa lineal

El problema prototipo con el que hemos expuesto la solucin grfica de la programacin lineal tiene una
solucin nica y acotada. Sin embargo, no siempre la solucin de un programa lineal tiene estas caracte-
rsticas. Seguidamente se ilustran algunas situaciones que podemos encontrar en programacin lineal.

ptimo mltiple

Si el vector c de coeficientes de coste de la funcin objetivo puede escribirse como combinacin lineal
de alguna de las filas de la matriz A de coeficientes tecnolgicos, podemos encontrarnos con un pti-
mo mltiple. Ejemplos de esta situacin pueden ser el ejercicio 9.3 o la modificacin siguiente del
problema de la granja, en el que se ha modificado el coeficiente de coste del coeficiente de CEB:

Sujeto a (1) 4CEB + 8LEC 720
(2) CEB + LEC 110
(3) CEB 80
CEB, LEC 0

Si el lector representa la evolucin de la funcin objetivo, podr observar que las rectas de z = cons-
tante son paralelas a la recta de la restriccin 1. Por lo tanto, el problema tendr infinitas soluciones,
que sern las del segmento que se encuentra entre los puntos A y B. De hecho, podemos representar el
conjunto de soluciones ptimas como:

x = A + (1 )B, con 0 1

(CEB, LEC) = (0, 110) + (1 )(40, 70), con 0 1

ptimo impropio

Si las restricciones determinan una regin factible no acotada, entonces puede suceder que una o va-
rias de las variables de la decisin pueda crecer indefinidamente, haciendo que la funcin objetivo
tienda a infinito (para un problema de mximo) o a menos infinito (para un problema de mnimo). En
este caso, aunque formalmente el ptimo exista, no puede darse una solucin acotada y diremos que
tenemos ptimo impropio.

El ejercicio 9.4 es un ejemplo de ptimo impropio.

Solucin no factible

Recordemos que los puntos de la regin factible deben cumplir todas las restricciones establecidas en
el programa lineal. Para un problema de n variables, si alguna de las restricciones determina un sub-
conjunto de elementos de R
n
que no tiene ningn elemento comn con el resto de restricciones, la
regin factible ser un conjunto vaco y el programa lineal no tendr solucin (en un sentido diferente,
sin embargo, al del ptimo impropio).

El ejercicio 9.2 es un ejemplo de programa lineal que no tiene solucin ptima.

Solucin degenerada

En general, una solucin bsica de un programa lineal tiene un nmero de variables diferentes de cero
igual al nmero de restricciones. Sin embargo, pueden darse casos en que alguna variable bsica de

36
Programacin lineal
Tipos de solucin
Conjunto
soluciones
convexo
vaco
no acotado
acotado propio
impropio
mltiple
nico
una solucin bsica sea igual a cero. Cuando esto ocurre, estamos ante una solucin degenerada de un
programa lineal.

La existencia de soluciones degeneradas muestra que alguna de las restricciones es combinacin lineal
de las otras. El ejercicio 9.5 es un ejemplo de programa lineal cuyo ptimo es una solucin degene-
rada.

La figura 5.4.a muestra las posibles situaciones que podemos encontrar en relacin con las soluciones
de un modelo de programacin lineal:

Figura 5.4.a Tipos de soluciones de un programa lineal

2.6 Resolucin analtica: el mtodo smplex

El algoritmo smplex es un mtodo de resolucin algebraica de programas lineales que aprovecha las
propiedades de las soluciones bsicas expuestas en la seccin 5.3. Su estrategia consiste en explorar
soluciones bsicas hasta llegar a la ptima, de modo que la exploracin se dirija siempre en la direc-
cin que asegure una mayor aproximacin a dicho ptimo. Para encontrar esa direccin (y determinar
si se ha alcanzado el ptimo), en cada una de las etapas se expresa la funcin objetivo en funcin de
las variables no bsicas.

2.6.1 Procedimiento del mtodo smplex

El mtodo smplex parte de la formulacin estndar de la programacin lineal, en la que todas las res-
tricciones se expresan mediante ecuaciones:

Forma estndar del modelo lineal
[OPT] z = c
j
x
j

s.a. a
ij
x
j
= b
i

x
ij
0

i = 1, ..., n restricciones
j = 1, ..., m variables

37
Para iniciar el procedimiento, necesitamos una solucin bsica inicial. Si todas las restricciones son de
menor o igual, la base de esta solucin inicial puede ser la formada por las variables de holgura de las
restricciones (como sucede en el ejercicio resuelto 8.2). En caso contrario, deberemos introducir varia-
bles artificiales para obtener una solucin inicial (ver ejercicio resuelto 8.3). Los mtodos basados en
variables artificiales permiten detectar si el programa lineal no tiene solucin factible.

2.6.2 Obtencin de la solucin bsica

Una vez obtenida esta solucin inicial, podemos expresar el programa lineal en forma matricial:

[OPT] z = c x
s.a. A x = b
x 0

A partir de esta formulacin, se trata de separar los elementos de los parmetros del sistema asociados
a las variables bsicas de los asociados a las variables no bsicas. La matriz A de coeficientes tecnol-
gicos se divide en la matriz bsica B (formada por las columnas de las variables bsicas) y la matriz
bsica N (que incluye las columnas de las variables no bsicas):

El vector de coeficientes de coste se divide en coeficientes de coste asociados a las variables bsicas c
B

y asociados a las variables no bsicas c
N
. Una particin similar divide al vector de variables de deci-
sin x en x
B
y x
N
:

Hecha esta particin, podemos escribir el programa lineal en la forma:

[OPT] z = c
B
x
B
+ c
N
x
N

s.a. B x
B
+ N x
N
= b
x 0

Con esta expresin, podemos expresar x
B
y z en funcin de las variables no bsicas:

x
B
= B
-1
b B
-1
N x
N

z = c
B
B
-1
b + (c
N
c
B
B
-1
N) x
N

Para la solucin bsica considerada, tendremos que xN = 0, por lo que los valores de las variables b-
sicas y de la funcin objetivo sern:

x
B
= B
-1
b
z = c
B
B
-1
b
N B A =
N
B
c
c
c =
N
B
x
x
x =

38
Por lo tanto, obtendremos el valor de la solucin bsica asociada a la base formada por las columnas
de la matriz B obteniendo la inversa B
-1
. Una vez obtenida la solucin, entonces podemos pasar al
test de ptimo.

2.6.3 Test de ptimo. Variable entrante

La expresin de z en funcin de xN nos permite saber si la solucin bsica considerada es o no es p-
tima. Consideremos de nuevo esta expresin:

z = c
B
B
-1
b + (c
N
c
B
B
-1
N) x
N

Explorar otra posible solucin del problema lineal supone que alguna de las variables no bsicas pase
de cero a un valor positivo. Qu le suceder a la funcin objetivo? Depender del signo de las com-
ponentes de c
N
c
B
B
-1
N (llamados coeficientes de coste reducidos). Por ejemplo, si tenemos un
problema de [MAX] y todos los coeficientes de coste reducidos son negativos, cualquier incremento
de los valores de x
N
nos dar un valor de z inferior a c
B
B
-1
b, por lo que podremos afirmar que la so-
lucin es ptima. Ms formalmente, podemos decir:

Solucin ptima del problema de [MAX] c
N
c
B
B
-1
N < 0
Solucin ptima del problema de [MIN] c
N
c
B
B
-1
N > 0

Figura 6.a Test de ptimo

Un caso interesante se produce si alguno de los coeficientes de coste reducidos es cero, y el resto negati-
vos (positivos) en el problema de [MAX] (de [MIN]). En esta situacin, puede aumentarse el valor de la
variable con coeficiente cero, sin que vare z. Esto indica que nos encontramos ante un ptimo mltiple.

Solucin ptima (mltiple) del problema de [MAX] c
N
c
B
B
-1
N 0
Solucin ptima (mltiple) del problema de [MIN] c
N
c
B
B
-1
N 0

Figura 6.b Test de ptimo: solucin mltiple

Caso de no encontrarnos en la solucin ptima, debemos explorar una nueva solucin. Parece conve-
niente explorar una solucin contigua a la existente, cuya base se diferenciar nicamente en una va-
riable respecto de la base actual (ver seccin 5.3). Cul debe ser esa variable entrante? La que asegu-
re una mejor evolucin de la funcin objetivo: ser la variable que tenga un coeficiente de coste
reducido ms grande (ms pequeo, o ms negativo) para el problema de [MAX] (de [MIN]).

Variable entrante [MAX] la de mayor c
N
c
B
B
-1
N
Variable entrante [MIN] la de menor (ms negativa) c
N
c
B
B
-1
N

Figura 6.c Determinacin de la variable entrante

2.6.4 Test de impropio. Variable saliente

Qu suceder cuando empecemos a aumentar el valor de la variable entrante? Consideremos ahora la
expresin:

39
x
B
= B
-1
b B
-1
N x
N

Recordemos que ahora slo una de las variables x
N
es diferente de cero. Por lo tanto, slo la columna
a
e
correspondiente a la variable entrante en la matriz B
-1
N tendr influencia en los clculos. As, po-
dremos escribir la expresin de x
B
en funcin de la variable entrante x
e
:

x
B
= B
-1
b a
e
x
e

Si todos los elementos de a
e
son negativos o nulos, tendremos que, a medida que aumentamos x
e
, los
valores de x
B
se mantienen constantes o aumentan. As, no hay lmite para el crecimiento de la varia-
ble x
e
: la solucin ptima se encuentra para un valor infinito de x
e
, lo que significa que tenemos un
ptimo impropio. As, podemos establecer un test de impropio:

Si para una variable entrante x
e
, todos los componentes de B
-1
N de la columna de x
e
son no positivos,
el programa lineal tendr ptimo impropio.

Si algn elemento de a
e
es positivo, el crecimiento de x
e
supone la disminucin de la variable bsica de
la fila correspondiente a ese elemento. As, podremos aumentar x
e
hasta que alguna variable bsica
se haga cero. Esa variable que se hace cero ser la variable saliente. Cul ser la variable saliente?
Haciendo b = B
-1
b, podemos escribir:

x
B
= b a
e
x
e

La variable saliente x
s
ser aquella que cumpla:

ie
i
i
a
b
min

2.6.5 Tabla smplex

Una vez determinada la variable entrante y la variable saliente tenemos una nueva base, y una nueva
matriz B. Una forma prctica de realizar los clculos, en la resolucin manual del programa, es dispo-
ner los datos en la tabla smplex, formada por:

1. m + 1 filas: las primeras corresponden a las restricciones y la ltima a los coeficientes de coste:

2. n + 1 columnas: la primera corresponde a los trminos independientes y el resto a las columnas
de la matriz A.

b B N

0 c
B
c
N

Figura 6.a Tabla smplex original

La nueva base se obtiene mediante pivotaje de los elementos de las m primeras filas. Los coeficientes
de coste se obtienen restando a los coeficientes de coste c
N
el producto escalar de c
B
por B
-1
N. Pro-

40
cediendo de la misma manera para la primera columna, obtenemos en valor de la funcin objetivo para
la solucin bsica c
B
B
-1
b.

B
-1
b I B
-1
N

c
B
B
-1
b 0 c
N
c
B
B
-1
N

Figura 6.b Tabla smplex correspondiente a la base B

Al explorarse vrtices contiguos, para calcular B
-1
slo tendremos que operar sobre la columna de la
variable entrante x
e
.

El procedimiento aqu descrito puede sintetizarse en la figura siguiente:

Figura 6.c Secuencia operativa mtodo smplex

En el apndice A se encuentra el desarrollo formal del algoritmo smplex. Los problemas resueltos 8.2
y 8.3 muestran el desarrollo del mtodo smplex para un problema de mximo, y para un problema de
mnimo respectivamente. En el problema 8.3 se muestra el uso de variables artificiales en el mtodo
smplex.

2.7 Solucin con programas informticos

La resolucin de programas lineales de gran nmero de variables, aunque posible, puede ser real-
mente penosa aplicando manualmente el smplex. Aunque algunos problemas concretos (como el
del transporte) tienen procedimientos de resolucin ms sencillos, parece claro que la utilizacin de
programas informticos puede ser de gran ayuda para el tratamiento de programas lineales, incluso
de tamao pequeo y mediano.

Existe gran nmero de programas lineales en el mercado. Es frecuente que ofrezcan versiones
gratuitas (freeware) con limitaciones en cuanto al nmero de variables y restricciones que pue-
Algoritmo smplex
Secuencia operativa
PL en forma estndar
Determinacin solucin
inicial
Test de ptimo
Determinacin variable
entrante
Test de impropio
Variable saliente
Cambio de base (pivotaje)
Solucin ptima
ptimo impropio
ptimo no alcanzado
No detectado ptimo impropio

41
den tratar. Aunque no sean de utilidad en problemas reales, para los que ya es conveniente ac-
ceder a las ms potentes versiones de pago, resultan de gran utilidad para el aprendizaje de la
asignatura.

A modo de ejemplo, esta es la formulacin del programa lineal del ejemplo 2.a (problema de la granja)
mediante el programa LINDO:

MAX 50CEB + 80LEC
ST
CUO) CEB < 80
ARE) CEB + LEC < 110
TRA) 4CEB + 8LEC < 720
END

La solucin que suministra el programa es:

LP OPTIMUM FOUND AT STEP 2

OBJECTIVE FUNCTION VALUE

1) 7600.000

VARIABLE VALUE REDUCED COST
CEB 40.000000 0.000000
LEC 70.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES
CUO) 40.000000 0.000000
ARE) 0.000000 20.000000
TRA) 0.000000 7.500000

NO. ITERATIONS= 2

La informacin que aporta el listado es la siguiente:

LP OPTIMUM FOUND AT STEP 2

OBJECTIVE FUNCTION VALUE

1) 7600.000

Aqu se nos indica que la solucin se ha introducido en dos iteraciones del mtodo smplex, y que el
valor de la funcin objetivo en el ptimo es 7.600.

VARIABLE VALUE REDUCED COST
CEB 40.000000 0.000000
LEC 70.000000 0.000000

Aqu se indica el listado de las variables de decisin introducidas en el modelo, indicando el coeficien-
te de coste asociado. Aqu podemos ver que la solucin es CEB=40 y LEC=70. Por ser ambas varia-
bles bsicas, los coeficientes reducidos son cero.

ROW SLACK OR SURPLUS DUAL PRICES
CUO) 40.000000 0.000000

42
ARE) 0.000000 20.000000
TRA) 0.000000 7.500000

NO. ITERATIONS= 2

Esta informacin es relativa a las restricciones. La columna SLACK OR SURPLUS muestra el valor
de las variables de holgura o exceso de la restriccin. En este caso, vemos que la variable de holgura de
la restriccin designada como CUO es igual a 40, y el resto es igual a cero. En el tema de anlisis
de sensibilidad, se indica el sentido de la columna DUAL PRICES. La interpretacin que podemos dar
aqu es que se trata de los coeficientes de coste reducidos de las variables de holgura o exceso, cam-
biados de signo.

La operacin ms delicada, desde el punto de vista numrico, de este tipo de programas es la nece-
sidad de hallar inversas de matrices. Esto aconseja ciertas precauciones, relativas al uso de decima-
les o de nmeros muy grandes al introducir los datos para la resolucin del problema. En el progra-
ma LINDO, el apartado numerical considerations de la ayuda desarrolla este tema con mayor
detalle.

2.8 Problemas resueltos

Problema 8.1 Formas estndar y cannica

Obtener la forma cannica y la forma estndar del modelo:

[MAX] z = 2X + Y
s.a. X + Y 10
X + 2Y 12
X 9
X 0, Y no restringida en signo

Se trata de un modelo de mximo, en el que las restricciones son todas de menor o igual, y una de las
variables de decisin no est restringida en signo. Para escribirlo en forma cannica, basta sustituir
la variable no restringida en signo Y por dos variables no negativas Y e Y, segn la expresin:

Y = Y Y

Una vez realizada la sustitucin, tendremos el modelo en forma cannica:

[MAX] z = 2X + Y Y
s.a. X + Y Y 10
X + 2 Y 2Y 12
X 9
X 0, Y 0, Y 0

La forma estndar se obtendr a partir de la forma cannica, transformando las inecuaciones en ecua-
ciones, aadiendo variables de holgura:

[MAX] z = 2X + Y Y
s.a. X + Y Y + H1 = 10
X + 2 Y 2Y + H2 = 12
X + H3 = 9
X 0, Y 0, Y 0, H1 0, H2 0, H3 0

43
Problema 8.2 Aplicacin del mtodo smplex

Resolver por el mtodo smplex el programa lineal:

[MAX] z = 2x + y

s.a. x + y 10
x + 2y 12
x 9
x, y 0

Para resolver el programa lineal mediante el mtodo smplex, debemos escribirlo en forma estndar:

[MAX] z = 2x + y

s.a. x + y + h1 = 10
x + 2y + h2 = 12
x + h3 = 9
x, y, h1, h2, h3 0

A partir de este momento, se trata de aplicar de manera sistemtica el mtodo smplex, que se encuen-
tra en el apndice A:

Primera iteracin

Se transcribe la forma estndar del problema a la tabla smplex. De este modo, se obtiene una solucin
inicial en la que las variables bsicas son las de holgura

h1 = 10 x = 0
h2 = 12 y = 0
h3 = 9

2 1 0 0 0
c
B
b x y h1 h2 h3
h1 0 10 1 1 1 0 0
h2 0 12 1 2 0 1 0
h3 0 9 1 0 0 0 1
0 2 1 0 0 0

Test de ptimo: Los coeficientes reducidos son todos menores o iguales a cero. Por lo tanto, no hemos al-
canzado el ptimo. De hecho, la expresin de la funcin objetivo en funcin de las variables no bsicas es:

z = 2x + y

Eleccin de la variable entrante: Se escoger aquella variable que asegure, con la base en la que nos
encontramos, el mayor crecimiento de z. Por tanto, la variable entrante ser x.

Prueba del ptimo impropio: Dado que los coeficientes a
ie
en la columna de la variable entrante son
todos positivos, tenemos la seguridad de que, en este paso, no tenemos ptimo impropio.

Eleccin de la variable saliente: Ser aquella variable bsica que se hace 0 en primer lugar, a medida
que aumentamos la variable entrante. Para cada variable bsica, buscamos b
i
/a
ie
, para los a
ie
positivos:

44
h1 10/1 = 10
h2 12/1 = 12
h3 9/1 = 9

por lo tanto, la variable saliente es h3. Debe pivotarse sobre el elemento de la matriz a
31
, y la nueva
base estar formada por las variables h1, h2 y x, mientras que las variables no bsicas sern y junto
con h3.

La iteracin se acaba obteniendo la columna de la matriz unidad en la variable entrante, realizando las
transformaciones en las filas:

(1) = (1) (3)
(2) = (2) (3)
(3) = (3)

Los coeficientes de coste reducido para las variables no bsicas se obtienen a partir de su expresin:
c
N
c
B
B
-1
N, esto es realizando el producto escalar de la c
B
por las columnas obtenidas despus de
pivotar y restando el coeficiente original.

2 1 0 0 0
c
B
b x y h1 h2 h3
h1 0 1 0 1 1 0 -1
h2 0 3 0 2 0 1 -1
x 2 9 1 0 0 0 1
18 0 1 0 0 2

Segunda iteracin

2 1 0 0 0
c
B
b x y h1 h2 h3
h1 0 1 0 1 1 0 -1
h2 0 3 0 2 0 1 -1
x 2 9 1 0 0 0 1
18 0 1 0 0 -2

Test de ptimo: La presencia de coeficientes de coste reducidos negativos muestra que no hemos al-
canzado an el ptimo. Efectivamente, ahora podemos escribir la funcin objetivo como:

z = 18 + y 2h3

Eleccin de la variable entrante: Por ser la nica con coeficiente positivo en la tabla, la variable en-
trante es y.

Prueba de ptimo impropio: En este caso, tenemos dos a
ie
positivos, por lo que tambin descartamos
el ptimo impropio.

Eleccin de la variable saliente: En esta iteracin, las nicas variables bsicas afectadas por la entrada
de y son h1 y h2. La otra, al tener su a
ie
nulo, no se ve afectada por la entrada de la variable saliente.
Los valores de y para los que se anulan las variables son:

h1 1/1 = 1

45
h2 3/2 = 15

Por lo tanto, la variable saliente es h1, por lo que se pivota en torno a a
12
. La base estar formada por
las variables h2, y, x, que son las que caracterizan al vrtice C.

Las transformaciones son ahora:

(1) = (1)
(2) = (2) 2 (1)
(3) = (3)

2 1 0 0 0
c
B
b x y h1 h2 h3
y 1 1 0 1 1 0 -1
h2 0 1 0 0 -2 1 1
x 2 9 1 0 0 0 1
19 0 0 -1 0 -1

Tercera iteracin

2 1 0 0 0
c
B
b x y h1 h2 h3
y 1 1 0 1 1 0 -1
h2 0 1 0 0 -2 1 1
x 2 9 1 0 0 0 1
19 0 0 -1 0 -1

Test de ptimo: La ausencia de valores negativos en la ltima fila de la tabla smplex nos muestra que
la solucin encontrada es la ptima. Efectivamente, la funcin objetivo se expresa como:

z = 19 h1 h3

Cualquier incremento de una variable no bsica dara un resultado inferior al ptimo. De modo que la
solucin del problema es:

x = 9 h1 = 0
y = 1 h3 = 0
h2 = 1

Y el valor del ptimo resulta ser de: z = 19

Problema 8.3 Aplicacin del mtodo smplex (variables artificiales)

Resolver mediante el mtodo smplex:

[MIN] z = X + 2Y

s.a. X + Y 20
X + Y 10
X, Y 0

46
La primera restriccin es de mayor o igual, y se trata de un problema de mnimo. La forma estndar
del programa lineal ser:

[MIN] z = X + 2Y

s.a. X + Y + H1 = 20
X + Y E2 = 10
X, Y, H1, E2 0

Si el lector escribe la tabla smplex para este problema, ocurre que no encuentra una solucin inicial de
manera directa. Para obtener esa solucin, necesita de una variable artificial. Hemos de asegurarnos
de que esa variable no formar parte de la solucin, as que le asignamos un coeficiente muy grande
(M denota un valor tan grande como sea necesario) y positivo.

[MIN] z = X + 2Y + MA2

s.a. X + Y + H1 = 20
X + Y E2 + A2 = 10
X, Y, H1, E2, A2 0

Y ahora la tabla queda como:

1 2 0 0 0
c
B
b X Y H1 E2 A2
H1 0 20 1 1 1 0 0
A2 M 10 1 1 0 - 1 1
10M 1 M 2 M 0 M 0

El coeficiente ms pequeo es de X y la variable saliente A2, por lo que la siguiente tabla es:

1 2 0 0 0
c
B
b X Y H1 E2 A2
H1 0 10 0 0 1 1 -1
X 1 10 1 1 0 0 1
10 0 1 0 M M 1

Como todos los elementos de la fila inferior de la tabla son positivos, hemos alcanzado el ptimo. El
mnimo se produce para X = 10, Y = 0, y se encuentra en la interseccin de la segunda restriccin con
el eje de las Y (comprubelo el lector, si lo desea, resolviendo el problema grficamente).

2.9. Problemas propuestos

Problema 9.1

Resolver grficamente el programa lineal:

[MAX] z = x + 2y

47
s.a. x + y 20
x + y 10
x, y 0

(Solucin: x* = 0, y* = 20, z* = 40. Prstese atencin al signo de la variable artificial en la funcin ob-
jetivo.)

Problema 9.2


[MIN] z = x + 2y

s.a. x + y 20
x + y 10
x, y 0

(Solucin: no existe. Ninguno de los puntos forma parte de la regin factible.)

Problema 9.3

Resolver grficamente el problema lineal:

[MAX] z = x + y

s.a. x + y 10
x + 2y 12
x 9
x, y 0

(Solucin: ptimo mltiple. En la tabla ptima del smplex, una de las variables no bsicas tiene un
coeficiente de coste reducido igual a cero.)

Problema 9.4


[MAX] z = x + 2y

s.a. x + y 40
x + 8y 160
x 50
x, y 0

(Solucin: ptimo impropio. Al no estar acotada x o y por la regin factible del modelo, el mximo se
encuentra para un valor infinito de esta variable).

Problema 9.5


48
[MAX] z = 3x + 4y

s.a. x + y 6
x + 2y 10
x 4
2x + 3y 16
x, y 0

(Solucin x = 2, y = 4. Ntese que, en la forma estndar del programa lineal, slo hay tres variables
diferentes de cero: las dos variables de decisin y la variable de holgura de la tercera restriccin. As,
una de las cuatro variables bsicas es cero. Esto indica que tenemos una solucin degenerada: ello se
debe a que una restriccin es combinacin lineal de otras: en este caso, la cuarta restriccin es combi-
nacin lineal de las dos primeras).

2.10 Glosario de trminos

NOTA: los conceptos se han definido para un programa lineal de n variables y m restricciones.

Base

Para un programa lineal de n variables y m restricciones, cualquier subconjunto de m variables de de-
cisin. Cada base tiene asociada una solucin bsica.

Coeficiente de coste reducido

Coeficientes de coste resultantes de expresar la funcin objetivo en funcin de las variables no bsicas.
Son diferentes para cada una de las bases del programa lineal.

Coeficientes de coste

Coeficientes de las variables de decisin en la funcin objetivo. El conjunto de los coeficientes de cos-
te forma el vector columna c de n componentes. Son parmetros del programa lineal.

Coeficientes tecnolgicos

Coeficientes de las variables de decisin en las restricciones. El coeficiente de la variable j en la res-
triccin i se representa por a
ij
. El conjunto de coeficientes tecnolgicos forma la matriz A, de m filas y
n columnas.

Convexa, regin

Subconjunto de valores de R
n
tal que, dados dos puntos cualquiera del subconjunto, el segmento que
los une tambin forma parte de dicho subconjunto.

Forma cannica

La forma cannica de un programa lineal es una expresin de dicho programa en la que las todas las res-
tricciones son de mayor o igual en un problema de mximo, o de menor o igual en un problema de mnimo.

49
Forma estndar

La forma estndar de un programa lineal es la expresin de dicho programa en la que todas las restric-
ciones son de signo igual, tanto para el de mximo como para el de mnimo.

Funcin objetivo

Funcin lineal de las variables de decisin cuya minimizacin o maximizacin se busca en un progra-
ma lineal para los valores de la regin factible.

Matriz bsica

Subconjunto de las columnas de la matriz A asociadas a las variables de una base. Es una matriz cua-
drada B de orden m.

Matriz no bsica

Subconjunto de las columnas de la matriz A asociadas a las variables no bsicas, esto es que no for-
man parte de una base. Es una matriz N de m filas y n m columnas.

ptimo impropio

Si el ptimo de un programa lineal se obtiene cuando una o varias de las variables de decisin crece
indefinidamente, diremos que el problema tiene ptimo impropio.

ptimo mltiple

Situacin en la que el programa lineal no tiene solucin nica. El conjunto de soluciones se encuentra
entre varias soluciones bsicas.

Parmetros (de la programacin lineal)

Elementos de un programa lineal sobre los que no se tiene control y que se consideran fijos, a diferen-
cia de las variables de decisin. Son los vectores de coeficientes de coste c y el de trminos indepen-
dientes b, as como la matriz de coeficientes tecnolgicos A.

Programacin matemtica

Un modelo de programacin matemtica consiste en la optimizacin de una funcin objetivo f(x), tal
que los valores de x deben encontrarse dentro de una regin factible E.

Programacin lineal

Un modelo de programacin lineal es un caso particular de programacin matemtica en la que f(x) es
una funcin afn de x, y E es una regin convexa definida por restricciones afines.

50
Regin factible

Subconjunto cerrado de R
n
de los valores posibles de las variables de decisin de un programa lineal.
Se expresa de forma analtica por un conjunto de restricciones.

Restricciones

Conjunto de ecuaciones e inecuaciones que deben cumplir todas las soluciones posibles de un progra-
ma lineal. Las inecuaciones sern siempre de mayor o igual o de menor o igual.

Solucin bsica

Solucin asociada a la base de un programa lineal. Las variables bsicas sern diferentes de cero y las
no bsicas iguales a cero. El ptimo de un programa lineal (si existe) es una solucin bsica o se en-
cuentra entre varias soluciones bsicas (en el caso de ptimo mltiple).

Solucin factible

Cualquiera de los valores de las variables de decisin incluidas en la regin factible.

Solucin factible en el vrtice

En la solucin grfica de un programa lineal, las soluciones bsicas son soluciones factibles en el vr-
tice. Se trata de intersecciones entre las restricciones y los semiejes positivos.

Solucin ptima

Valor de la regin factible para el que se obtiene el valor ptimo de la funcin objetivo. Si el problema
tiene solucin nica, la solucin ptima es una solucin bsica.

Trmino independiente

Tambin llamado a veces trminos del lado derecho, son las constantes de las restricciones que se co-
locan al lado derecho de la ecuacin o inecuacin que define la restriccin. El conjunto de trminos
independientes son parmetros del problema y constituyen el vector columna b de n componentes.

Variable artificial

Variable que se aade a un programa lineal para obtener una solucin inicial. Dicha variable viene
afectada por un coeficiente muy negativo (programa de MAX) o muy grande (programa de MIN). La
variable artificial puede eliminarse cuando salga de la base. Si en la solucin ptima no forma parte de
la base, el programa lineal no tiene solucin.

Variable bsica

Variable de decisin de un programa lineal que forma parte de una base. La base tendr un nmero m
de variables bsicas igual al de restricciones. Para la solucin bsica asociada a la base, las variables

51
bsicas sern no nulas (si la solucin no es degenerada). El conjunto de variables bsicas forma el
vector columna de m componentes x
B
.

Variable de exceso

Variable no negativa que, restada a una restriccin de mayor o igual, se transforma en una restriccin
de igualdad.

Holgura, variable de

Variable no negativa que, sumada a una restriccin de menor o igual, se transforma en una restriccin
de igualdad.

Variable no bsica

Variable de decisin de un programa lineal que no forma parte de una base. El nmero de variables b-
sicas es igual a la diferencia n m entre el nmero de variables y de restricciones. Para la solucin
bsica asociada a la base, las variables no bsicas son iguales a cero. El conjunto de variables no bsi-
cas forma el vector columna de m n componentes x
N
.

Variable de decisin

Conjunto de variables que representan las diferentes posibilidades de decisin en una situacin re-
presentada por un problema lineal. A diferencia de los parmetros, se supone que son variables so-
bre las que tenemos control. El conjunto de variables de decisin forma el vector columna de n
componentes x.

Apndice: algoritmo smplex

El algoritmo smplex obtiene de manera eficiente la solucin ptima de un problema lineal, si sta
existe y es acotada.

Seguidamente se indica el algoritmo smplex, para un problema de mximo [MAX] y uno de mnimo
[MIN].

Paso 0 Iniciacin:

Transformar todas las restricciones de manera que b
i
0
introducir variables de holgura y artificiales para obtener una base inicial, segn la
tabla:

Variables de holgura

signo de la restriccin variable en la restriccin coeficiente de coste en la funcin
objetivo
s (con coeficiente +1) 0
= no no
s (con coeficiente -1) 0

52
Variables artificiales

signo de la restriccin variable en la restriccin coeficiente de coste en la funcin
objetivo
no no
= s (coeficiente +1) {MAX} -M
{MIN} +M
s (coeficiente +1) {MAX} -M
{MIN} +M

(M es un valor lo suficientemente grande como para que la variable artificial no forme parte de la so-
lucin ptima, si sta existe.)

Paso 1 Test de ptimo:

Si hay alguna variable artificial en la base con valor 0 y todos los coeficientes
de coste reducidos son:
0 (problema de [MIN])
0 (problema de [MAX]),

entonces el problema no tiene solucin. Finalizar.

Si no hay ninguna variable artificial en la base y todos los coeficientes de
coste reducidos son:
0 (problema de [MAX]),

entonces la solucin bsica es ptima. Finalizar.

Si existe algn coeficiente de coste reducido cambiado de signo de las varia-
bles no bsicas:
0 (problema de [MAX])

entonces la solucin bsica no es ptima. Continuar.

Paso 2 Eleccin de la variable que entra en la base:

[MIN] se elige la variable con menor coste reducido (la ms negativa).
[MAX] se elige la variable con mayor coste reducido cambiado de signo (la
ms positiva).

Sea x
e
dicha variable. Diremos que x
e
entra en la base. Continuar.

Paso 3 Prueba del ptimo impropio:

Si en todas las restricciones, los coeficientes de x
e
en la presente tabla smplex
son < 0, entonces el ptimo es impropio. Finalizar.
en caso contrario, continuar.

Paso 4 Eleccin de la variable que sale de la base:

53
Determinar la restriccin r tal que b
r
/ a
re
sea mnimo. (a
re
debe ser positivo).
Se dice entonces que x
r
(variable bsica asociada a la restriccin en la tabla
smplex) sale de la base. Continuar.

Paso 5 Pivotar con el coeficiente que multiplica a x
e
en la restriccin r:
La nueva restriccin r ser:
r = r / a
re

Se obtendr el nuevo valor de las otras restricciones i segn:
i = i - a
ie
r

Ir a Paso 1


Programacion Lineal

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

Programacion Lineal

Încărcat de

Drepturi de autor:

Formate disponibile

Introduccin a los mtodos cuantitativos

S-ar putea să vă placă și