Documente Academic
Documente Profesional
Documente Cultură
1 INTRODUCCIN
La Programacin Lineal (PL) o Linear Programming (LP) es un modelo matemtico usado
inicialmente en la solucin de problemas en el rea de la defensa con el objeto de optimizar el
efecto de sistemas de armas en caso de guerra; posteriormente se utiliz en las industrias, para
ayudar a tomar las mejores decisiones de distribucin de recursos productivos escasos entre
varios posibles productos, es decir situaciones de planificacin y programacin de la
produccin con el objeto de determinar tipos de productos y cantidades a fabricar, de forma de
obtener resultados ptimos para la empresa.
En el ao 1947 G. Dantzig desarroll el simplex, poderoso algoritmo que permite resolver
modelos de PL.
A comienzos de la dcada del cincuenta muchas empresas norteamericanas experimentaron un
fuerte crecimiento en sus niveles operacionales y se us la PL para determinar niveles de
actividad y asignacin de recursos en forma ptima.
La Programacin (entindase como sinnimo de planificacin en forma ptima) Lineal es
actualmente una de las herramientas de la Investigacin de Operaciones ms utilizadas.
Adems de lo explicado anteriormente, ha ampliado su mbito de aplicaciones a optimizar una
gran variedad de situaciones, entre ellas problemas de portafolio de inversiones, de transporte
y distribucin de productos, de programacin de personal, de manejo de inventarios, de
ubicacin de instalaciones (plantas, bodegas), combinaciones de las situaciones mencionadas,
etc.
Una situacin de toma de decisin que utiliza PL comprende tres fases, en lo que respecta al
uso de la PL misma:
En este apunte se presentan estas tres fases, usando ejemplos tpicos que permitirn al lector
comprender de mejor manera el tema.
No debe quedar inadvertido que para la formulacin de una situacin como un modelo de PL,
alguien deber darse cuenta que hay un problema entre manos que requiere atencin y que por
otra parte la PL es una herramienta adecuada para abordarlo (ver Figura 1.1).
George Dantzig
Problemas de Dieta.
Es muy similar al caso de mezclado de componentes, con la diferencia que se persigue
minimizar los costos asociados a la produccin de alimentos para uso en ganadera,
avicultura, acuicultura, etc. respetando porcentajes mnimos de diversos componentes.
Un problema similar se presenta en agricultura cuando se deben usar fertilizantes y
abonos.
Todos los factores o trminos considerados en la FO y las restricciones deben ser lineales,
es decir deben estar constituidas por la suma de uno o varios trminos en que cada uno de
ellos debe ser el producto de un coeficiente por una variable de decisin, debiendo ser el
exponente de esta ltima de valor uno; si no se cumple esta condicin estamos frente a un
problema de programacin no lineal (PNL).
Deben existir una o ms restricciones sobre las variables de decisin del problema, lo que
determina que existan diversos cursos de accin entre los que se pueda elegir, determinados
por los rangos de valores que pueden tomar las variables de decisin.
Las variables de decisin podrn tomar valores continuos (decimales); si no se cumple esta
condicin estamos frente a un problema de programacin entera (PE) que estudiaremos ms
adelante, y constituye un caso particular de la PL de gran inters.
HHs
Productos
1
semanales
8000
(200x40)
11
Beneficio
6000
4 (150x40)
Tabla 2.1
Solucin
Para modelar este problema se deben realizar los 3 pasos sealados anteriormente. Estos son:
definir las variables de decisin, determinar la funcin objetivo y finalmente las restricciones.
Funcin Objetivo:
Restricciones:
5 P1 + 3 P2 + P3 + 8 P4
8000
(T. Calificado)
5 P1 + 7 P2 + 4 P3 + 11 P4
6000
(T. No Calificado)
En la pgina siguiente se presenta la figura 2.1 con la solucin de este modelo, la que se obtuvo
usando el programa Mathprog; se debe tener en cuenta que las variables de decisin no se
pueden asociar en forma directa entre el modelo y la salida del Mathprog; esto porque
Mathprog usa la notacin X1(P1), X2(P1), X3(P2), X4(P2), X5(P3), X6(P3), X7(P4),
X8(P4) para las variables de decisin. Por otra parte este programa se basa en el algoritmo
simplex.
Max Z =
5 X1 +
5 X2 +
2 X3 +
2 X4 +
6 X5 +
6 X6 +
4 X7
4 X8
subject to
1)
5 X1 +
3 X3 +
1 X5 +
8 X7 <=
8000
2)
5 X2 +
7 X4 +
4 X6 +
11 X8 <=
6000
and
X1 >= 0, X2 >= 0, X3 >= 0, X4 >= 0, X5 >= 0, X6 >= 0, X7 >= 0, X8 >= 0.
| Slack or
| Shadow
Constraint | Surplus
|
Price
____________|______________|____________
1
|
0
|
6
2
|
0
|
1.5
Figura 2.1
|
Sensitivity Analysis
|
|Objective Function Coefficients
|
|
| Allowable Range
| Current | To Stay Optimal
|
Value | Minimum | Maximum
| ________|_________|_________
|
5 | - infin |
30
|
5 | - infin |
7.5
|
2 | - infin |
18
|
2 | - infin |
10.5
|
6 |
1 | + infin
|
6 |
4 | + infin
|
4 | - infin |
48
|
4 | - infin |
16.5
|
|
|
Right Hand Sides
|
|
| Allowable Range
| Current | To Stay Feasible
|
Value | Minimum | Maximum
| ________|_________|__________
|
8000 |
0 | + infin
|
6000 |
0 | + infin
ACTIVIDAD ACTIVIDAD
RECURSO 1
2
1
2
A11
A21
m
Am1
EFECTO
C1
EN Z POR
UNIDAD
DE Xj
A12
A22
ACTIVIDAD
n
CANTIDAD DE
RECURSO
DISPONIBLE
A1n
B1
A2n
B2
Am2
C2
Amn
Cn
Bm
Tabla 2.2
MAX Z = C1X1+ C2X2+ C3X3 +..................+ CnXn
(LA FO PUEDE SER TAMBIN MIN.)
SUJETA A (S.A.)
A11X1 + A12X2 +................................+ A1nXn B1
A21X1 + A22X2 +..................................+ A2nXn B2
Am1X1 + Am2X2 +................................+ AmnXn Bm
(ALGUNAS RESTRICCIONES PUEDEN SER O =)
FINALMENTE PLANTEAREMOS LAS CONDICIONES DE NO
NEGATIVIDAD
X1 0, X2 0,..............................,Xn 0
RECURSO 1 5
RECURSO 2 0
EFECTO EN 5
Z POR
UNIDAD DE
Xj
0
5
5
3
0
2
0
7
2
1
0
6
0
4
6
ACT ACT
4
4 CANTIDAD
DE
RECURSO
DISPONIBLE
8
0
8000
0
11 6000
4
4
Tabla 2.3
Ejemplo de la empresa textil: ver pildorita o prueba solemne
Puede utilizarse con cualquier cantidad de restricciones, pero a medida que estas aumentan,
la complejidad aumenta, dado que cada restriccin agrega una lnea recta al grfico (o
plano, en el caso de tres variables de decisin).
Despus de determinada la regin factible, y conociendo en especial los vrtices de ella (dado
que los ptimos se producirn en los vrtices) es necesario determinar el vrtice que maximice
o minimice la FO. Esto se hace dibujando la lnea recta que representa la FO, para distintos
valores de esta e identificando el vrtice en la regin factible donde se optimice el valor de la
FO dibujada (alternativamente se puede evaluar la FO en todos los vrtices de la regin
factible, objeto determinar en cul de ellos la FO es ptima). Se pueden generar dos tipos de
soluciones:
1. La lnea recta asociada a la FO se maximiza en un vrtice de la regin factible, con
lo cual la solucin ptima es nica.
2. La lnea recta asociada a la FO se maximiza en un segmento de la frontera de la
regin factible (arista), donde se producen soluciones ptimas mltiples las que
consisten en todos los puntos de la arista. Este es un caso menos frecuente que el
anterior.
Tambin es posible que:
1. No exista una regin factible.
2. La regin factible no limite el valor de la FO, pudiendo crecer (caso maximizacin)
o disminuir indefinidamente (caso minimizacin).
Por unidad
Maquinaria
Mano de Obra
(Horas)
(Horas)
4
4
2
6
100
180
Puertas
Ventanas
Disponibilidad por
semana
Tabla 2.4
Solucin
Variables de Decisin:
Funcin Objetivo:
Maximizar Z = 3 X1 + 4 X2
Restricciones:
4 X1 + 2 X2 100
(Horas de Maquinaria)
4 X1 + 6 X2 180
4 X1 + 2 X2 + Xh1 = 100
(Horas de Maquinaria)
4 X1 + 6 X2 + Xh2 = 180
A continuacin se grafican (ver figura 2.2) las restricciones, para determinar la regin factible;
luego agregamos la recta asociada a la FO para distintos valores de ella.
X2
X1
Figura 2.2
Es de notar que la pendiente de la recta asociada a la FO es (3/4), y las pendientes de las rectas
asociadas a las restricciones son -(2) y (2/3) respectivamente.
El programa Mathprog nos permite resolver en forma grfica este problema, presentndose a
continuacin en la figura 2.3 la ltima pantalla al usar Solve interactively by the graphical
method, del men F3, Procedure. Resulta X1 = 15, X2 = 20, Xh1 = 0, Xh2 = 0 y Z* = 125.
Figura 2.3
Es de notar que en la figura 2.3 agregamos al modelo la restriccin X1 + X2 40, que para
efectos de la solucin grfica no influye; esta restriccin ser usada posteriormente para
explicar el concepto de holgura y el concepto de restriccin redundante.
Alternativamente se tabulan todos los vrtices de la regin factible (la solucin ptima y el
valor ptimo se encuentra en alguno de los vrtices) calculndose el valor de la FO para cada
uno de estos puntos. Esto se presenta en la siguiente tabla 2.5.
Tabla 2.5
De esta manera se obtiene la solucin o punto ptimo y el valor ptimo o ms favorable de la
FO.
En los prximos pasos introduciremos cambios a nuestro modelo, resolviendo en forma grfica
para ver los efectos que generan los cambios en los resultados; en otras palabras efectuaremos
un anlisis de sensibilidad en forma grfica.
NUEVA FO
3X1+
Pendiente
de (X1, X2) =
la recta FO
(0, 0)
(X1, X2) =
(X1, X2) =
(X1, X2) =
(0, 30)
(15, 20)
(25, 0)
X2
3X1+1,5X2
3X1+ 4X2
3X1+4,5X2
3X1+ 5X2
Tabla 2.6
Nos interesa determinar el intervalo de variacin de cada uno de los coeficientes de la funcin
objetivo, de modo que la actual solucin ptima siga siendo la ptima; es de notar que la regin
factible se mantiene; la FO cambia, y la recta asociada tambin, variando su pendiente.
-2 -(C1/C2) -2/3
(recordemos que -2 y -2/3 son las pendientes de las rectas que determinan la solucin ptima)
Para C1:
-2 -C1/4 -2/3
8/3 C1 8
Para C2:
-2 -3/C2 -2/3
3/2 C2 9/2
(X1, X2)
Z
(0, 0)
0
(X1, X2)
Z
(0, 20)
80
(0, 0)
0
(0, 50)
200
(X1, X2)
Z
(22.5, 5)
87.5
(X1, X2)
Z
(25, 0)
75
(25, 0)
75
COMENTARIO
AMBAS REST.
PERMANECEN
ACTIVAS
LA
SEGUNDA
REST. SE HACE
REDUNDANTE
Nos interesa determinar el intervalo de variacin de cada uno de los coeficientes del lado
derecho de las restricciones, de modo de preservar la geometra del problema; esto es, que se
conserven las mismas restricciones activas de la solucin ptima inicial y que la solucin no
cambia en cuanto a las variables bsicas que la conforman (las variables bsicas son X1 y X2,
mientras que las no bsicas son Xh1 y Xh2).
En primer trmino determinaremos los precios sombra; el precio sombra de una restriccin es
el cuociente entre la variacin del valor ptimo de la funcin objetivo, y la variacin del
coeficiente del lado derecho de la restriccin (esto dentro de un cierto rango de variacin del
lado derecho). Ms adelante explicaremos el precio sombra desde el punto de vista de los
resultados de la empresa.
Primera restriccin:
4X1 + 2X2 = 100 + 1
4X1 + 6X2 = 180
Segunda restriccin:
4X1 + 2X2 = 100
4X1 + 6X2 = 180 + 2
Ahora determinaremos el rango de variacin de cada uno de los coeficientes del lado derecho
de las restricciones, de modo de preservar la geometra del problema, mantenindose las
mismas variables bsicas X1 y X2.
Primera restriccin:
4X1 + 2X2 = 100 + 1
4X1 + 6X2 = 180
Debemos considerar que al variar 1, desplazamos la recta asociada a la primera restriccin y
variamos la regin factible; determinaremos hasta donde podemos variar la regin factible sin
que vare la geometra de ella.
X1 = 15 + (3/8)1 y X2 = 20 - (1/4)1
X1 = 15 + (3/8)1 0
(Si X1 = 0, la solucin est ubicada en el eje vertical en (0, 30))
Despejando resulta 1 -40
X2 = 20 -(1/4) 1 0
(Si X2 = 0, la solucin esta ubicada en el eje horizontal, en (45, 0))
Despejando resulta 1 80
por lo que el intervalo es [ 100-40, 100+80 ] = [ 60, 180 ]
Segunda restriccin:
X1 = 15 - (1/8)2 y X2 = 20 +(1/4)2
X1 = 15 -(1/8) 2 0
(Si X1 = 0, la solucin esta ubicada en el eje vertical, en (0, 50))
Despejando resulta 2 120,
X2 = 20 +(1/4)2 0
(Si X2 = 0, la solucin esta ubicada en el eje horizontal en (25, 0))
Despejando resulta 2 -80
Si el lado derecho de la segunda restriccin se hace menor a 100, la solucin ptima estar en
el eje horizontal con X2 = 0 y la primera restriccin tendr una holgura positiva.
Por otra parte si el lado derecho de la segunda restriccin es superior a 300, la solucin ptima
estar en el eje vertical en el punto (0,50) y la segunda restriccin tendr una holgura positiva.
Max Z =
3 X1 +
4 X2
1)
4 X1 +
2 X2 <=
100
2)
4 X1 +
6 X2 <=
180
subject to
and
X1 >= 0, X2 >= 0.
Solve Automatically by the Simplex Method:
Optimal Solution
Coefficients
Value of the
Objective Function: 125
Variable
|
Value
____________|__________
X1
|
15
X2
|
20
| Slack or
| Shadow
Constraint | Surplus
|
Price
____________|______________|____________
1
|
0
|
0.125
2
|
0
|
0.625
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Sensitivity Analysis
Objective Function
| Allowable Range
Current | To Stay Optimal
Value | Minimum | Maximum
________|_________|_________
3 | 2.66667 |
8
4 |
1.5 |
4.5
Right Hand Sides
| Allowable Range
Current | To Stay Feasible
Value | Minimum | Maximum
________|_________|__________
100 |
60 |
180
180 |
100 |
300
Funcin Objetivo:
Restricciones:
Maximizar Z = 3 X1 + 4 X2
X1 + X2 + Xh1
4 X1 + 2 X2 +
4 X1 + 6 X2 +
Xh2
= 40
(Kg. de Material)
= 100
(Horas de Maquinaria)
Xh3 = 180
Con el problema ya modelado utilizaremos el mtodo simplex. Los resultados obtenidos con el
MATHPROG se presentan a continuacin, en la figura 2.4; ntese que hemos agregado las
variables de holgura Xh1, Xh2 y Xh3 para la primera, segunda y tercera restriccin
respectivamente, las que MATHPROG genera internamente.
Figura 2.4
De la hoja de solucin del mtodo simplex se identifican:
Valor ptimo de la FO (Value of the Objective Function): este corresponde al valor que
toma la FO (normalmente identificado por Z*) cuando se reemplazan los valores ptimos
encontrados para las variables de decisin. Representa al beneficio mximo que se puede
obtener, y asciende a la suma de 125.
Solucin ptima o valores ptimos de las variables de decisin, X1 y X2 que en este caso
indican que se deben producir puertas y ventanas en niveles de 15 y 20 respectivamente.
Precios Sombra o precios duales (Shadow prices, dual prices): lo podemos entender como
la variacin de la FO si se tuviese una unidad ms del recurso asociado a una restriccin. En
este caso, si se tuviese una unidad ms del recurso asociado a la restriccin (1) la FO
aumentara en cero, o bien, si se tuviese una unidad menos la FO disminuira en cero; esto
se debe a que este recurso no est utilizado en su totalidad (es un recurso abundante), tal
como se seal anteriormente; Xh1 = 5 es la variable de holgura asociada a esta restriccin.
El nico efecto que se tiene en este caso al aumentar o disminuir el recurso asociado a la
restriccin (1) es la misma variacin en Xh1.
Por otra parte, si se tuviese una unidad ms o menos del recurso asociado a la restriccin (2)
la FO aumentar en 0,125 disminuir en 0,125. En el caso de la restriccin (3), la
variacin correspondiente es de 0,625, frente a una variacin unitaria del recurso. Las
variables de holgura asociadas a la restriccin (2) y (3) son cero y estamos frente a recursos
escasos.
un precio sombra positivo para un recurso significa que la utilidad se puede aumentar en
una cantidad igual al precio sombra por el solo hecho de obtener una unidad ms del
recurso a su precio normal, que ya se consider para calcular la utilidad unitaria como la
diferencia entre el precio de venta unitario y el costo unitario. En caso que se deba pagar un
precio mayor al normal por la unidad adicional del recurso, el precio sombra indica la
cantidad mxima adicional sobre el precio normal que vale la pena pagar.
En caso que la FO no incluya el costo del recurso (por ejemplo cuando la FO representa
ingresos por ventas), el precio sombra indica el precio mximo que valdra la pena pagar
por una unidad adicional del recurso. Esto ya que el aumento del ingreso sera igual al
mayor costo y la utilidad no cambia.
El anlisis efectuado anteriormente para el precio sombra solamente es vlido cuando los
valores de los lados derechos (recursos) de las restricciones varan dentro de los rangos
definidos bajo el ttulo Right Hand Sides.
Lados Derechos de las Restricciones (Right Hand Sides): estos valores indican en este
ejemplo la cantidad mxima o lmite de recursos disponibles. Se presentan los valores
actuales (Current value), y el rango permitido en el que pueden variarse para que la
solucin siga siendo ptima en relacin a mantener las mismas variables de decisin en
la solucin, no obstante los valores de las variables de decisin pueden cambiar.
En el ejemplo tenemos que:
el valor del lado derecho de la restriccin 3 es 180 y puede moverse entre 100 y
220.
Lo primero que debemos tener claro es que al variar los lados derechos de las
restricciones, cambia la regin achurada o regin factible; esto con la excepcin de una
restriccin que sea no activa y lo siga siendo, en cuyo caso la regin factible no cambia;
en el ejemplo es el caso de la restriccin de materiales que se puede mover a partir de 40
hasta el infinito, y lo nico que pasa es que la holgura de materiales aumenta a partir del
valor 5, a medida que el lado derecho aumenta sobre 40.
Cuando varan los lados derechos de las restricciones que determinan el vrtice ptimo
dentro de los rangos indicados (por ejemplo el 100 de la segunda restriccin disminuye
a 70 o aumenta a 130), este vrtice ptimo se desplaza, pero sigue estando determinado
por las mismas rectas (rectas = restricciones) que se han desplazado producto de la
variacin de los lados derechos, las variables de decisin bsicas (las que no son cero)
siguen siendo las mismas pero sus valores cambian, con lo cual la FO cambia. Haciendo
una analoga futbolstica, el equipo titular no cambia.
En el caso del ejemplo el equipo titular esta compuesto por X1, X2 y la variable de
holgura de la primera restriccin, Xh1; la reserva esta compuesta por las otras dos
variables de decisin que tenemos, es decir la variable de holgura de la segunda y de la
tercera restriccin, Xh2 y Xh3 respectivamente. Desde el punto de vista algebraico, la
solucin ptima esta dada por la solucin del siguiente sistema de ecuaciones:
4X1 + 2X2 = 100, 4X1+ 6X2 =180 y X1+ X2 + Xh1=40
Cuando los lados derechos de las restricciones varan ms all de los rangos indicados
(por ejemplo si el 100 de la segunda restriccin disminuye a 50 o aumenta a 150), el
vrtice ptimo queda determinado no por las mismas rectas y las variables de decisin
bsicas (las que no son cero) no son las mismas; lo anterior es por que la regin factible
cambio de una forma tal, que ahora las rectas que determinan el vrtice ptimo no son
las mismas. El equipo titular cambia, producindose la salida de una variable que deja
de ser titular y pasa a la reserva y la entrada de una variable que era reserva y ahora es
titular.
Desde un punto de vista geomtrico, el rango indicado para cada restriccin
corresponde al caso en que la recta asociada a la restriccin se desplaza paralela a la
original, pudiendo cambiar la posicin del punto o vrtice ptimo (es el mismo vrtice
que se desplaza), dependiendo si la restriccin esta involucrada o no en la determinacin
de ese ptimo; se mantiene la factibilidad y la optimalidad. En este caso la regin
factible (zona achurada) puede variar, los valores de las variables de decisin bsicas
pueden variar, y de variar estos la FO variar.
En caso que alguno de los valores se mueva fuera del rango indicado, el problema debe
ser resuelto nuevamente usando el software.
Podemos entonces analizar que pasa si el recurso mano de obra cambia por ejemplo
desde 180 a 200 120; lo mismo para el recurso materiales si se cambia por ejemplo de
40 a 50 35.
Qu sucede con la variacin de los coeficientes de las variables de decisin a nivel de
las restricciones? La razn por la cual no se efecta anlisis de sensibilidad para estos
coeficientes, es que son los menos propensos a variar.
El costo reducido no es mostrado en la salida del Mathprog; este valor indica, para una
variable de decisin que resulta con nivel cero en la solucin ptima (no se producen en
este ejemplo), el cambio de la FO al forzar una de dichas variables a tener nivel unitario en
la solucin ptima; visto de otra forma, agregamos a nuestro modelo una nueva restriccin,
en que una variable de decisin debe tener un valor unitario.
precio mnimo al que estamos dispuestos a vender o arrendar (como arrendador) y el precio
mximo al que estamos dispuestos a comprar o arrendar (caso arrendatario).
Funcin Objetivo:
Maximizar Z = 3 X1 + 4 X2
X1 + X2
Restricciones:
40
(Kg. de Material)
(Y1)
(Y2)
4 X1 + 2 X2
100
(Horas de Maquinaria)
4 X1 + 6 X2
180
Funcin Objetivo:
Restricciones:
Min Z =
subject to
40 X1 +
100 X2 +
1)
1 X1 +
4 X2 +
4 X3 >=
2)
1 X1 +
2 X2 +
6 X3 >=
and
180 X3
| Slack or
| Shadow
Constraint | Surplus
|
Price
____________|______________|____________
1
|
0
|
15
2
|
0
|
20
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Sensitivity Analysis
Objective Function
| Allowable Range
Current | To Stay Optimal
Value | Minimum | Maximum
________|_________|________
40 |
35 | + infin
100 |
60 |
140
180 |
100 |
220
Right Hand Sides
| Allowable Range
Current | To Stay Feasible
Value | Minimum | Maximum
________|_________|________
3 | 2.66667 |
8
4 |
1.5 |
4.5
Es de notar que la solucin al modelo dual son los precio sombra (o precios duales) del modelo
original (o primal). Recordemos que los precios sombra del primal corresponden al aumento en
la FO (considerando FO del tipo ingresos) si yo dispongo de una unidad adicional del recurso y
que por otra parte las variables del dual corresponden a cuanto es lo mximo que estamos
dispuestos a pagar por una unidad adicional del recurso.
Es lgico que dicho mximo sea igual al aumento en la FO.
Tambin es de destacar que los valores de las FO de ambos modelos son iguales, y que los
precios sombra del dual son iguales a los valores de la solucin del primal (es de notar que en
los modelos de minimizacin MATHPROG entrega los precios sombra con el signo opuesto;
en nuestro ejemplo entonces los precios sombra son 15 y 20).
Por otra parte debemos aclarar que el dual del dual corresponde al primal.
2.4 ANEXOS
ALGORITMO DEL MTODO SIMPLEX
El mtodo simplex es un algoritmo, o conjunto de instrucciones, que examina vrtices o puntos
esquina de la regin factible en una forma secuencial, calculando el Z correspondiente, hasta
que se obtiene la mejor solucin, sea esta la maximizacin de un beneficio o la minimizacin
de un costo. Algunos programas computacionales basados en el simplex son capaces de
resolver modelos de PL con varios miles de variables. A continuacin se presenta en la figura
2.5 un diagrama de este algoritmo, el que nos permitir entenderlo en forma global:
Partida
NO
Puedo mejorar
Z?
SI
Solucin
Optima
Interpretacin de
Resultados
Figura 2.5
Paso 2: Estandarizar el modelo; para ello se deben convertir las desigualdades en igualdades
agregando variables de holgura para las restricciones y de supervit para las restricciones ;
adems de deben agregar tambin variables artificiales para las restricciones = y . Se puede
usar como estandar un modelo de minimizacin o su equivalente de minimizacin.
MATHPROG usa como estandar la maximizacin.
Paso 3: Establecer el Tableau (tabla) inicial del mtodo simplex, a partir de la FO del paso 1 y
las igualdades determinadas en el paso anterior; identificar las variables bsicas.
Paso 4: Mejorar el valor de la FO (Z) seleccionando la columna (columna pivote) con el valor
ms negativo, es decir con la mayor contribucin a la FO (Z). Este paso determina la variable
bsica que entra a la base.
Dividir las cantidades del lado derecho por los respectivos nmeros positivos de esta columna
pivote. Seleccionar el cuociente menor para identificar as la fila pivote, el elemento pivote, y la
variable bsica que pasa a ser no bsica, o sea que sale de la base.
Paso 5: Dividir todos los elementos en la fila pivote por el valor del elemento pivote, y entrar
estos nuevos valores como una nueva fila con una nueva variable bsica; en la posicin del
pivote aparece un 1.
Paso 6: Restar de cada fila existente en el tableau, la nueva fila determinada en el paso 5
(multiplicada por un coeficiente adecuado), de tal manera de transformar los valores antiguos
que se encuentran en la columna pivote en 0, excepto el 1 en la posicin que tena el pivote.
2
3
3 X1 +
4 X2
1)
1 X1 +
1 X2 <=
40
2)
4 X1 +
2 X2 <=
100
3)
4 X1 +
6 X2 <=
180
subject to
LAS
VAR.
BAS.
SON
X3,
X4 Y
X2
LAS
VAR.
BAS.
SON
X3,
X1 Y
X2
Figura 2.6
EL PIVOTE SE INDICA
CON UN *; EN ESTE
CASO ES SEIS
EN LA PRIMERA FILA
TODOS LOS VALORES
SON MAYORES O
IGUALES A CERO, POR
LO QUE NO PODEMOS
MEJORAR MAS EL Z,
CUYO OPTIMO ES 125.
Valor de la FO y de las variables bsicas (X3, X1, X2) : estos valores se observan en la
columna en el lado derecho (Right Side). Las variables que no aparecen son las no bsicas,
las que tienen nivel cero.
Precios Sombra (o precio dual). Los valores se observan en la fila Z, inmediatamente bajo
las variables de holgura X3, X4 y X5 (corresponden a las que anteriormente denominamos
como Xh1, Xh2 y Xh3.
Costos Reducido: para una variable de decisin que en la solucin ptima tiene nivel cero
es la cantidad en la que la FO disminuir (en el caso de una maximizacin) si una unidad de
esa variable de decisin es forzada en la solucin. Estos valores se observan en la fila Z,
bajo las variables de decisin X1 y X2. En este caso ambos son cero, ya que ambas
variables de decisin tienen niveles positivos.
Funcin Objetivo:
Restricciones:
Maximizar Z = 3 X1 + 4 X2
X1 +
X2 + Xh1
4 X1 + 2 X2
4 X1 + 6 X2
= 40
+ Xh2
= 100
+ Xh3 = 180
Ntese que desde un punto de vista algebraico este es un sistema de tres ecuaciones con cinco
incgnitas, el que tiene infinitas soluciones, muchas de ellas no factibles; si agregamos la
condicin que todas las variables deben ser 0, entonces nos restringimos a las soluciones
factibles.
Por otra parte sabemos que tenemos cinco variables, de las cuales tres deben conformar cada
una de las soluciones bsicas (el equipo titular) y las otras dos sern no bsicas (la reserva, a
nivel cero).
Existen 10 formas distintas de escoger las tres variables bsicas de entre las cinco variables.
Cada una de estas 10 formas da origen a un vrtice del grfico que ya dibujamos para este
modelo, siendo solamente cuatro de los vrtices factibles.
En la siguiente tabla presentamos los diez vrtices, siendo solamente los cuatro primeros
factibles:
X1
15
25
10
30
40
45
X2
30
20
40
50
30
10
Xh1
40
10
15
-10
-5
Xh2
100
40
20
-40
-60
-80
Xh3
80
80
-60
-120
-40
20
FACTIBLES
NO FACTIBLES
Desde un punto de vista algebraico nuestra solucin inicial (primera tabla del simplex) es X1 =
X2 = 0, con lo que automticamente la base es Xh1 = 40, Xh2 =100, Xh3 = 180. La FO vale
cero.
X2 40
X2 100/2
X2 180/6;
al aumentar X2, Xh3 llega a cero antes que Xh1 y Xh2; el valor que toma X2 al llegar Xh3 a
cero es treinta.
X1 + X2
+ Xh1 = 40
4 X1 + 2 X2
+ Xh2 = 100
4 X1 + 6 X2
+ Xh3 = 180, lo que nos da X2 = 30, Xh1 = 10, Xh2 = 40; la FO vale 120.
Finalmente X1 entra a la base y Xh2 sale de la base, lo que equivale a resolver nuestro sistema
original con Xh2 = Xh3 = 0.
X1 + X2
+ Xh1 = 40
4 X1 + 2 X2
+ Xh2 = 100
4 X1 + 6 X2
+ Xh3 = 180, lo que nos da X1 = 15, X2 = 20, Xh1 =5; la FO vale 125.
Desde un punto de vista geomtrico el simplex viaja por la frontera (o aristas) de la regin
factible, desde el vrtice (0,0) al vrtice (0,30) para llegar finalmente al vrtice (15,20) y
quedarse en este ltimo vrtice.
Con el objeto de comprender en mejor forma las tres tablas del simplex presentadas en la
pgina anterior presentaremos la forma apropiada de eliminacin de Gauss para este modelo,
en que cada variable bsica debe aparecer slo en una ecuacin, debe tener coeficiente 1 y
adems las otras variables bsicas no deben estar presentes en dicha ecuacin. Esta forma se
basa en la ejecucin de sumas entre filas.
+X2
4X1
+2X2
4X1
+6X2
+Xh1
+Xh2
+Xh3
40
100
180
/6
Z - 3X1 - 4X2 = 0
X1
+X2
4X1
+2X2
2X1/3
+X2
X1/3
40
100
+Xh3/6
30
-Xh3/6
10
-Xh3/3
40
+Xh3/6
30
+Xh2
+Xh1
8X1/3
2X1/3
+Xh1
+Xh2
+X2
x3/8
X2 = 30 -2X1/3 Xh3/6
Z - 3X1 - 4(30 - 2X1/3 Xh3/6) = 0
Z - X1/3 + 2Xh3/3 = 120 Entra X1 y sale Xh2 de la base
X1/3
X1
2X1/3
-Xh3/6
10
-Xh3/8
15
+Xh3/6
30
-Xh2/8
-Xh3/8
+3Xh2/8
-Xh3/8
15
-Xh2/4
+Xh3/4
20
+Xh1
+3Xh2/8
+X2
+Xh1
X1
+X2
X1 = 15 - 3Xh2/8 + Xh3/8
Z - (15 - 3Xh2/8 + Xh3/8)/3 + 2Xh3/3 = 120
Z + Xh2/8 + 15Xh3/24 = 125
Vemos que las tablas del mtodo simplex en la figura 2.6 corresponden a la primera, tercera y
quinta tablas anteriores.
Dda.
(unidades)
1
2
3
4
130
80
125
195
Costo de
Prod. en
Horario
Normal
6
4
8
9
Capacidad
Costo de
en
Prod.
sobretiempo Sobretiempo
60
65
70
60
8
6
10
11
Es posible almacenar hasta 70 unidades en stock de un perodo a otro, a un costo de $1,5 por
unidad por perodo.
Se desea determinar la cantidad de unidades a elaborar en cada perodo en horario normal y en
sobretiempo y los niveles de stock, de modo de satisfacer las demandas a un costo mnimo. Al
inicio del perodo 1 existen 15 unidades en stock.
Tipo de mquina
Fresadora
Torno
Rectificadora
El nmero de horas mquina que se requiere para cada unidad de los productos respectivos es:
Tipo de mquina
Fresadora
Torno
Rectificadora
Producto 1
9
5
3
Producto 2
3
4
0
Producto 3
5
0
2
El departamento de ventas ha indicado que la demanda para los productos 1 y 2 es muy grande,
en relacin a la capacidad de la compaa y que la demanda del producto 3 es de 20 unidades
por semana. La ganancia unitaria es de $50, $20, $25 respectivamente para los productos 1, 2,
3. El objetivo es determinar cuntos productos de cada tipo debe producir la compaa para
maximizar la ganancia; en el caso del producto 3 se debe vender todo lo que se produce.
3.- PROGRAMACION DE TURNOS.
Una empresa ha determinado sus requerimientos mnimos de trabajadores por perodo
horario de su departamento de produccin en la siguiente tabla; se requiere determinar el
nmero de trabajadores por turno de 8 horas que minimiza el costo total diario; los trabajadores
de cada turno se desempaan en varios perodos consecutivos de acuerdo a lo indicado en la
tabla. Como alternativa se plantea minimizar el nmero total de trabajadores por da (la suma
de los trabajadores de los cinco turnos). Es lo mismo?
PERIODO HORARIO
TURNO 1
TURNO 2
TURNO 3
TURNO 4
TURNO 5
TRAB.
06 A 08
48
08 A 10
79
10 A 12
65
12 A 14
14 A 16
87
64
16 A 18
73
18 A 20
82
20 A 22
22 A 24
43
00 A 6
COSTO DIARIO POR TRAB.
170
160
175
180
195
52
15
Caloras
40
1,5
2,0
--
1
20
Vitaminas
2
10
0,5
0,5
0,5
--7
3
30
-1
14
Costos
5 ($/Kg.)
10 ($/Kg.)
20 ($/Botella)
Protenas
50%
10%
30%
0%
Grasa
30%
15%
5%
5%
Carbohidratos
15%
50%
30%
5%
Azcar
5%
15%
30%
30%
Rellenos
0%
10%
5%
60%
6.- Una empresa ha decidido fabricar un ensamblaje de merlot y cabernet. Se sabe que un litro
de la cepa merlot vale en el mercado USD 10, en cambio la cepa carbernet vale USD 15. Los
costos de produccin equivalen a USD 10 por unidad del ensamblaje. Asuma que no hay
prdida de material en el proceso de mezclado. La cantidad mxima de ensamblaje que se
puede mezclar en forma diaria es de 100 Litros. Se sabe adems, que el precio de venta de
este ensamblaje ser de USD 30. Por ltimo, por decisin tcnica del enlogo a cargo, se ha
determinado que la cantidad de litros de merlot usados en la mezcla debe ser al menos el
doble que la usada de cabernet y adems la cantidad de litros disponibles diarios de cada
vino en el mercado asciende a 70 litros de merlot y 30 de cabernet.
Formule un modelo de programacin lineal que permita determinar cunto se debe comprar de
cada cepa de manera de maximizar la utilidad de la operacin de fabricacin y venta del
ensamblaje.
7.- Una empresa fabrica sillas para escritorios que se arman en su departamento de Ensamblado
Final, cada una de las cuales requiere dos unidades de la parte A, dos unidades de la parte B
y una unidad de la parte C. Estas partes se fabrican en otros dos departamentos (Depto. 1 y
Depto. 2) de la misma planta. La siguiente tabla indica las razones de produccin, junto con
la cantidad mxima de horas humanas (HH) disponibles en los Deptos. 1 y 2.
RAZONES DE PRODUCCION
(unidades por HH)
DEPTO.
CANTIDAD DE PARTE A
PARTE B
PARTE C
HH
DISPONIBLES
POR SEMANA
1
1500
10
1200
12
Se pide construir un modelo de PL que permita determinar la cantidad mxima de sillas para
RESOLUCIN GRFICA
8.-
Z = 2X + Y
Sujeta a
X -Y 10
X
20
X 0, Y 0
9.-
Sujeta a
X + 2Y 12
2X + Y 8
X 0, Y 0
10.-
Dos minas productoras de oro, despus del proceso de chancado, producen oro que
puede ser clasificado en tres clases (alta, media y baja ley). La compaa duea de estas dos
minas tiene un contrato en el que debe proveer en una semana 12 toneladas de alta ley como
mximo, 8 toneladas de media ley como mnimo y 24 toneladas de baja ley. Las minas
tienen sus caractersticas propias segn:
Mina
X
Y
Costo por da
180
160
Alta
6
1
Produccin (ton/da)
Media
4
1
Baja
3
6
Cuntos das a la semana debe trabajar cada mina de modo de cumplir con el contrato de
manera eficiente? Modele este problema usando PL y resulvalo en forma grfica. Las minas
trabajan como mximo seis das a la semana, pudiendo trabajar cada da en forma fraccional
11.-
la regin factible
2X1 + 3X2 24
2X1 + X2 16
14.-
con X1 0, X2 0
MAX Z = 3X1+2X2+4X3
S.A.
6X1+3X2+5X3 25
3X1+4X2+5X3 20 CON X1 0, X2 0, X3 0
A) Identifica las variables bsicas, las de holgura y sus respectivos valores, los precios
sombra de los recursos, los costos reducidos de las variables de decisin y el valor
ptimo de la FO.
B)
Determina la resolucin que debe tomar la industria frente a cada una de las
siguientes opciones:
1. Comprar una unidad ms del primer recurso, del que se tienen 25 unidades, a un
precio de 0,3.
2. Comprar una unidad ms del segundo recurso, del que se tienen 20 unidades, a
un precio de 0,5.
3. Vender una unidad del primer recurso, del que se tienen 25 unidades, a un precio
de 0,3.
4. Vender una unidad del segundo recurso, del que se tienen 20 unidades, a un
precio de 0,5.
15 .-
Del Mathprog, estudiar los Demos Interpretation of the Slack Variables, Simplex
16.-
Una empresa tiene 3 productos que aportan con $20, $20 y $15 cada uno a los
beneficios. Cada producto necesita dos materiales para ser manufacturado, presentndose
estos requerimientos en la siguiente tabla:
Material 1
7
6
3
100
Producto 1
Producto 2
Producto 3
Material Total Disponible
Material 2
5
4
2
200
17.-
funcin objetivo elegida para este propsito. Cada una de las ecuaciones puede ser asociada
con una restriccin.
4X + 2Y = 17
2X + 3Y = 13,5
2.4.3 BIBLIOGRAFA
(1) INVESTIGACIN DE OPERACIONES DE F. HILLIER Y G. LIEBERMAN,
SPTIMA EDICIN, CAPTULOS 3 Y 4.
(2) INTRODUCTION TO MANAGEMENT SCIENCE DE F. HILLIER, M. HILLIER Y G.
LIEBERMAN, CAPTULOS 2, 3 Y 4.
(3) ADMINISTRACIN DE OPERACIONES DEL AUTOR ROGER SCHROEDER,
TERCERA EDICIN, SUPLEMENTO (PAGS. 365 A LA 378).
(4) QUANTITATIVE ANALYSIS FOR BUSINESS DECISIONS DE H. BIERMAN, C.
BONINI Y W. HAUSMAN, OCTAVA EDICIN, CAPTULOS 10, 11 Y 12.
(5) OPTIMIZACIN Y MODELOS PARA LA GESTIN DE CARMEN ORTIZ,
SAMUEL VARAS Y JORGE VERA, CAPTULOS 2 AL 6. ESTE TEXTO FUE
ESCRITO POR CHILENOS, EDITADO E IMPRESO EN CHILE.
(6) QUANTITATIVE METHODS FOR BUSINESS DE D. ANDERSON, D. SWEENEY Y
T. WILLIAMS, QUINTA EDICIN, CAPTULOS 7, 8, 9 Y 10.
(7) INVESTIGACION DE OPERACIONES EN LA CIENCIA ADMINISTRATIVA DE G.
EPPEN, F. GOULD, C. SCHMIDT, J. MOORE Y L.WEATHERFORD, QUINTA EDICIN,
CAPTULOS 2, 3, 4, 5 Y 6.
One of the central projects is NEOS - the Network Enabled Optimization System.
NEOS consists of the NEOS Guide, a comprehensive guide to optimization models,
algorithms and software, and the NEOS Server, which is capable of solving optimization
problems automatically over the Internet.