Documente Academic
Documente Profesional
Documente Cultură
Funcin objetivo
Variables
Representan las decisiones que se pueden tomar para afectar el valor de la funcin objetivo.
Desde un punto de vista funcional se pueden clasificar en variables independientes o
principales o principales o de control y variables dependientes o auxiliares o de estado,
aunque matemticamente todas son iguales. En el caso de un sistema elctrico sern los
valores de produccin de los grupos de generacin o los flujos por las lneas.
Restricciones
Resolver un problema de optimizacin consiste en encontrar el valor que deben tomar las
variables para hacer ptima la funcin objetivo satisfaciendo el conjunto de restricciones.
Existen algunos tipos de problemas de optimizacin que alteran ligeramente este esquema:
No existe una funcin objetivo como tal. nicamente interesa encontrar una solucin
factible a un problema con un conjunto de restricciones.
Optimizacin sin restricciones
Optimizacin multi-objetivo
Existe ms de una funcin objetivo. El problema que se plantea es como tratar varias
funciones objetivo a la vez, teniendo en cuenta que el ptimo para un objetivo no lo es para
otro, son objetivos en conflicto entre s.
Desde la dcada de los 40 se ha realizado mucha investigacin sobre mtodos para encontrar
soluciones a problemas de optimizacin, los cuales pueden ser de dos tipos:
a) Continuos: Son aquellos cuyas variables son continuas.
b) Discretos: Son aquellos cuyas variables son discretas.
En los combinatorios, se busca algn objeto dentro de un conjunto finito (por lo general
contable); dicho conjunto finito es tpicamente un conjunto de enteros, permutaciones o grafos.
Los problemas continuos y discretos son de naturaleza distinta, de modo que los mtodos para
resolverlos lo son tambin, a grado tal que con frecuencia mtodos de un rea son totalmente
desconocidos en la otra.
Sin embargo, recientemente, se han hecho esfuerzos de unir mtodos de las dos reas. Aqu
acentuaremos nuestro anlisis en las tcnicas de Optimizacin.
Combinatoria, sin embargo, veremos algunos principios de Optimizacin Continua.
PROGRAMACION LINEAL
La programacin lineal muchas veces es uno de los temas preferidos tanto de profesores como
de alumnos. La capacidad de introducir la PL utilizando un abordaje grfico, la facilidad relativa
del mtodo de solucin, la gran disponibilidad de paquetes de software de PL y la amplia gama
de aplicaciones hacen que la PL sea accesible incluso para estudiantes con poco conocimiento de
matemtica. Adems, la PL brinda una excelente oportunidad para presentar la idea del anlisis
what-if o anlisis de hiptesis ya que se han desarrollado herramientas poderosas para el anlisis
de post optimalidad para el modelo de PL.
Debe haber una funcin objetivo, es decir, una manera de discriminar una mala de una buena o
una mejor decisin. El problema es determinar la mejor combinacin de niveles de actividades,
que no utilice ms recursos de los disponibles.
Mtodo simplex
Que es un algoritmo?
Un algoritmo es una serie de pasos para cumplir con una tarea determinada.
Para formular un problema de PL, se recomienda seguir los siguientes lineamientos despus de
leer con atencin el enunciado del problema varas veces:
Todo programa lineal consta de cuatro partes:
Pasos:
Definir las variables de decisin con precisin utilizando nombres descriptivos, ya que sern las
actividades o entradas controlables.
Definir los parmetros de entrada, por lo general son los valores constantes dados, estos son las
entradas no controlables.
MTODO SIMPLEX
Es una tcnica iterativa que comienza con una solucin bsica viable para las ecuaciones de
Recursos
Demanda
parece ser el usuario ms frecuente de la PL. Un gerente de procesamiento de datos de una
importante empresa petrolera recientemente calcul que del 5% al 10% del tiempo de
procesamiento informtico de la empresa es destinado al procesamiento de modelos de PL y
similares.
La programacin lineal aborda una clase de problemas de programacin donde tanto la funcin
objetivo a optimizar como todas las relaciones entre las variables correspondientes a los recursos
son lineales. Este problema fue formulado y resuelto por primera vez a Emes de la dcada del
40. Rara vez una nueva tcnica matemtica encuentra una gama tan diversa de aplicaciones
prcticas de negocios, comerciales e industriales y a la vez recibe un desarrollo terico tan
exhaustivo en un perodo tan corto. Hoy en da, esta teora se aplica con xito a problemas de
presupuestos de capital, diseo de dietas, conservacin de recursos, juegos de estrategias,
prediccin de crecimiento econmico y sistemas de transporte. Recientemente la teora de la
programacin lineal tambin contribuy a la resolucin y unificacin de diversas aplicaciones.
Es importante que el lector entienda desde el comienzo que el trmino programacin tiene un
significado distinto cuando se refiere a Programacin Lineal que cuando hablamos de
Programacin Informtica. En el primer caso, significa planificar y organizar mientras que en el
segundo caso, significa escribir las instrucciones para realizar clculos. La capacitacin en una
clase de programacin tiene muy poca relevancia directa con la otra clase de programacin. De
hecho, el trmino programacin lineal se acu antes de que la palabra programacin se
relacionara con el software de computacin. A veces se evita esta confusin utilizando el trmino
optimizacin lineal como sinnimo de programacin lineal.
Qu es una funcin:
Una funcin traza, traduce el dominio de entrada (denominado regin factible) en un rango
de salida con dos valores finales denominados valores mximo y mnimo.
1. La funcin objetivo debe ser lineal, vale decir que se debe verificar que todas las
variables estn elevadas a la primera potencia.
Cm1X1+Cm2X2+Cm3X3+.. CmnXn = bm
Funcin a optimizar:
z=C X +C X +C X +. C X
1 2 2 2 3 3 n n
El objetivo del mtodo es tratar de hacer el valor de Z lo mas grande posible K maximizacin .
El algoritmo simplex da inicio en el origen que suele llamarse solucin inicial. Despus se
desplaza a un punto extremo adyacente. La eleccin especfica de uno a otro depende de los
coeficientes de la funcin objetivo hasta encontrar el punto ptimo.
Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo simplex:
Al aplicar la condicin para optimizar la tabla inicial seleccionamos a X, como la variable que
entra. En este punto la variable que sale debe ser una de las variables artificiales.
Paso 1. Definir la funcin objetivo que debe optimizarse en funcin de las variables de
decisin
Paso 2. Definir las limitaciones del problema en funcin de las desigualdades
Paso 3. Convertir las desigualdades en ecuaciones sumando variables de holgura
Paso 4. Conformar una matriz insertando la funcin Z
Paso 5. Determinar la columna clave (que viene a ser el coeficiente mayor positivo)
Paso 6. Determinar la fila clave (que viene a ser la restriccin ms cercana al eje de
coordenadas)
Paso 7. Determinar el nmero clave (ste es el que se encuentra en la interseccin de la
columna clave y la fila clave)
Paso 8. Realizar operaciones de fila y columna hasta convertir la columna clave en un vector
unitario (se debe incluir en el proceso la funcin objetivo)
Paso 9. Repetir el proceso hasta que los coeficientes de la funcin objetivo sean cero O
negativo.
Ejemplo:
Consideremos una pequea industria de metal mecnica que construye varios tipos de
carroceras para autobuses. Normalmente el taller trabaja 5 meses en forma continua y dedica un
mes reacondicionar sus equipos. Cada seccin tiene un lmite de trabajo por lo tanto un tiempo
de trabajo unitario, datos que se muestran en las tablas:
Seccin A B C
C
El valor unitario dc las carroceras es dc 15000 $ para carroceras grandes y 10000 $ para
carroceras pequeas
En estas condiciones determinaremos la cantidad de carroceras a producir
Solucin:
z = 15000x1+10000x2
20X1 + 10X2<756
10X1 10X2 <432
5X1 3X2<300
Xi X2 UI U2 U3 bi
20 10 1 0 0 756
l0 l0 0 1 0 432
5 3 0 0 1 300
15000 100000 0 0 0
Xl X2 UI U2 U3 bi
Xi X2 U! U2 U3 bi
1 0 0.1 -0.1 0 32.4 fI-f2/2
0 1 -0.1 0.2 0 10.8 f2/5
o 0 -0.2 -0.1 1 105.6 f3-fT2/2
o 0 -500 -500 0 -594000 14-2500f2
Por tanto:
Xl =32.4
X2 = 10.8
Z=594000 $(valor absoluto)
Ejemplo 1
Examinemos el pequeo caso de una fbrica de cermica que produce dos tipos diferentes de
ladrillo esmaltado cuya produccin se encuentra limitada por la escasez de algunas materias
primas.
Los ingredientes escasos son tres tipos de esmaltes (A, B, C). La proporcin en el cual entran los
esmaltes dependen del tipo de producto (M, N) las existencias actuales de esmaltes son las
siguientes. Esmalte A 432 Lb. esmalte B 400 Lb. esmalte C 360 Lb.
En la elaboracin de un lote de mil unidades de la variedad M se utilizan 27 Lb. esmalte A 16
Lb. de B y 20 Lb. de C en el producto N utilizan 16 Lb. de A, 25 Lb. de B y 18 Lb. de C. La
ganancia por lote de producto es M = 260 Bs. y N = 340 Bs. Determinar la cantidad optima de
productos a producir y el costo total.
A = 432 A = 27 A = 16
B = 400 B = 16 B = 25
C = 360 C = 20 C = 18
M = 260
N = 348
Solucin Analtica:
X1 X2 U1 U2 U3 bi
(419/25 0 1 -6/25 0 176
(16125) 1 0 1/25 0 16
1 0 0 -9/106 25/212 450/53 (-16/25)
(932/25) 0 0 (-348/25) 0 -5568 (419125)(-932/25)
X1 X2 U1 U2 U3 bi
0 0 1 83/106 419/212) (1786/53)
0 1 0 5/53 -4/53 (560/53)
1 0 0 -9/106 25/212 (450153)
0 0 0 570/53 -233/53 (-311880/53) Fila Z
X1 = (450/53)
X2 = (560/53)
U1 = (1786/53)
U2 =0
U3 =0
Z = (311880/53)
En el mtodo simplex revisado partimos como en el bsico, del problema lineal en forma
estndar:
MAXZ = cTx
Sujeta a: Ax = b
x>0
Dada la base factible B, hay que evaluar si alguna variable no bsica Xj puede entrar a la base
para mejorar la funcin objetivo; para ello utilizamos el costo reducido:
El vector CB est formado por los coeficientes de la funcin objetivo de las variables y 13-1 aj
representa el vector aj en trminos de la actual base. El mtodo simplex revisado no cambia los
vectores yj en cada tabla como el bsico, sino que utiliza siempre el vector aj inicial con los
multiplicadores del sinplex.
S=CBTB-1
que si cambian con la base. Es claro que se alcanza una solucin ptima cuando:
La seleccin de la variable de salida se hace con el mismo criterio que en el simplex bsico:
si Xk es la variable seleccionada para entrar a la base, la columna pivote es 13-1 ak y los valores
actuales de las variables bsicas B-1 b. Se aplica la regla de la mnima razn a estos elementos
quedando as determinada la variable Xr que sale de a base. Finalmente, la nueva matriz bsica
se obtiene sustituyendo la columna ar por la ak en la anterior matriz B.
Ejemplo:
Xl+3X2+2X3< 8
X1,X2 X3>O
Solucin:
1 0 0 1 0 0
B C 1/B= S
0 1 0 0 1 0
Z1C1=-2; Z2C2=-l; Z3C3=-3
El valor que ms se aleja de cero por la izquierda es Z3 C3 X3 es la variable que entra a la base;
Las variables bsicas son ahora (Si, X3) con matriz bsica (sustituyendo a5 por a3):
1 0 1 0.5
B= 1/B =
0 1 0 0.5
CB = (0, 3); 5 = (0, 3/2) y los indicadores de las variables no bsicas son:
Xl es la variable que entra a la base. Para determinar la variable de salida calculamos: B-1 b = (3,
4) y B-l al = (5i2, 1i2); la razn mnima es 6/5, luego X4 es la variable que sale de la base.
Las variables bsicas son ahora (Xl, X3) y a nueva matriz bsica (reemplazando en la anterior
a4 por al) es:
CB = (2, 3); 5 = (1/5, 7/5) y los indicadores de las variables no bsicas son:
Xl = 1.2
X2=0
X3=3.4
Si =0
52=0
Z= 12.6
El problema del carpintero.
Durante un par de sesiones de brain-storming con un carpintero, este nos comunica que solo
fabrica mesas y sillas y que vende todas las mesas y las sillas que fabrica en un mercado. Sin
embargo, no tiene un ingreso estable y desea optimizar esta situacin.
El objetivo es determinar cuantas mesas y sillas debera fabricar para maximizar sus ingresos
netos. Comenzamos concentrndonos en un horizonte de tiempo, es decir, un plazo de
planificacin, para revisar nuestra solucin semanalmente si fuera necesario.
El problema del carpintero se trata de determinar cuantas mesas y sillas debe fabricar por
semana; pero primero se debe establecer una funcin objetivo. La funcin objetivo es: 5X1 + 33(3 ,
donde X1 y X2 representan la cantidad de mesas y sillas; 5 y 3 representan los ingresos netos de la
venta de una mesa y una silla, respectivamente.
Se miden los tiempos de produccin requeridos para una mesa y una silla en distintos momentos
del da y se calculan en 2 horas y 1 hora, respectivamente. Las hors laborales totales por semana
son solo 40. La materia prima requerida para una mesa y una silla es de 1 y 2 unidades,
respectivamente. El abastecimiento total de materia prima es de 50 unidades por semana. En
consecuencia, la formulacin de PL es la siguiente:
Todas las funciones empleadas en este modelo son lineales(las variables de decisin estn
elevadas a le primera potencia). E coeficiente de estas restricciones se denomina Factores
Tecnolgicos (matriz).El periodo de revisin es de tina semana, un periodo conveniente dentro
del cual es menos probable que cambie (flucten) las entradas controlables (todos los parmetros
tales como 5,50,2,...).
Ntese que dado que el carpintero no va a ir a la quiebra al final del plazo de planificacin,
agregamos las condiciones que tanto X1 como X2 deben ser no negativas en lugar de los
requerimientos que X1 y X2 deben ser nmeros enteros positivos. Recuerde que las condiciones
de no negatividad tambin se denominan restricciones implcitas.
Nuevamente, un programa lineal funcionaria bien para este problema si el carpintero continua
fabricando estos productos.