Documente Academic
Documente Profesional
Documente Cultură
M, de la
Universidad Nacional Mayor de San Marcos
Vol. XV N2, pp, 39-50, Lima - Per, Marzo 2013
Abstract: In the presente papel' studying a stratcgy for a typo of convex problcm, we
treat a lineal' programming problcm whose coefficients of decision variables in the objective
function has a nonlinear behavior, When the coefficients are constant the Sirnplex Method
solves these problems without much difficulty, but when the coefficents are no longer
constant and the Simplex does not work. We propose a techniquo that exploits the convex
behavior of these coeficients and uses the theory of approxirnation by piecewise linear
functions.
Keywords: Convex programming, piecewise linear functions and transport problein.
l. Introduccin
En la mayora de modelos de programacin lineal. los costos unitarios de utilidad o de beneficio son
constantes para las diferentes variables de decisin que representan algn tipo de producto,
La discusin en este trabajo se enfoca principalmente sobre el caso eu el cual dichas "constantes"
obedecen a 1111 comportamiento no lineal, pero si cncavo, Esto quiere decir que para niveles altos de
produccin de cierto tipo de artculo (:r:) (o tal vez todos) que poseen un costo unitario de produccin C
relativamente bajo, sufre un incremento. Este tipo de caracterstica no permite una solucin directa por
el Mtodo Sunplex. Sin embargo: podemos deducir un mtodo que permite una solucin aproximada a
aquella qllU ('S obtenida por el Mtodo Simplex para ciertos problemas de este tipo. Vamos a considerar
que la funcin objetivo debe ser separable con respecto l las variables de decisin x; Y la funcin
utilidad o beneficio total para cada una de las variables de decisin x, debe ser cncava la cual debe
se!' maximizada.
Universidad Nacional Mayor de San Marcos - Facultad de Ciencias Matemtica!"
c-mail: cdlnsoumontorosryahoo.com
"Universidad Nacional 1,1<1y01' de San Marcos - Facultad de Ciencias Matemticas.
c-rnail: mtimoteos@UllmsllLec1u.pe
:lUniversidad Nacional Mayor de San lI1al'COS- Facultad de Ciencias Matemticas
e-ruail :c!Jo2Ci 04,<rho!:mail.com
,j Univel'si<j,'tdNacional Mayor de San Marcos - Facultad de Ciencias Matemtica ..s
r-rnai I:g;ghdY:;Tllettynhoo .coru
39
40 Programacin lineal apljcada a un tipo de }Jl'ognlmacn convexa
En el caso de nnninuzacin, la funcin utilidad total o beneficio total para cada una de las variables
de decisin debe ser separable y convexa.
XI
.-------~------~------~----------r_---------------+
o 20
Figura 1
SI
50
:; 40
9
o
u
30
20
10
o 4 8 12 16 20 24 28 32 36 40
Figura 2
Para este caso; es obvio que la solucin ptima factible, es ahora :1.:1 = 30 con
.: = 2(20) + 1(10) = 50 soles. Usaremos este ejemplo para dar una visin del procedimiento.
Como se muestra en la figura 2, podemos tratar el nivel de produccin del producto TI sobre las primeras
20 horas que es el tiempo regular como una variable Yu y por comodidad el producto producido en
las 10 horas adicionales (corno sobre tiempo) como otra variable Y12. De esta manera la cantidad de
producto producida en las 20 primeras horas es indistinguible de la que es producida en el sobre tiempo.
Por tanto, el beneficio unitario ser constante en 2 y 1 soles respectivamente para cada producto sobre
su rango permisible.
41
Como el beneficio unitario del producto producido en el tiempo regular (de O a 2U) es mayor que el
beneficio unitario del producto producido en el sobre tiempo, estamos seguros que 1;1 soluciu optimal
deber estar fuera de los lmites del tiempo regular y antes de los lmites del producto producido en el
sobre tiempo.
Si graficamos las variables Yl1 y Y12 .Y sus funciones utilidad total separadamente, vemos que tenemos
U11 tpico problema de programacin lineal de dos variables.
SI)
.J
o 30
~ 40
E
"
13
~ 20
'"
~ 30
.s
3 20
o
SI 1=2
,~
11 10
0
c:l
o 4 8 12 16 20 YII o 4 8 10 12
Figura 3 Figura 4
La grfica de la regin factible se muestra en la Fig. 5 Y tambin la solucin optimal. Por lo tanto,
[6
12
8
...._-\<: ___~l\:20. O)
4
'\\ !
o 4 8 12. 16 20 24
-z z
Figura 5
lb)
Id)
(el
Figura 6
La principal idea del mtodo es que una funcin no lineal cncava o convexa. de una sola variable puede
ser aproximada tanto como se desee usando pequeos segmentos de recta.
La aproximacin ser, una funcin lineal continua a trozos. Corno ilustracin del mtodo mostramos la.
funcin cncava en la figura 7.
Figura 7
Primero seleccionamos los puntos sobre la grfica: fj (:rj) las cuales determinan las pendientes de los
segmentos que aproximan a fj (:rj). Los valores de :1.:j donde las pendientes cambian son designada por
Xii como se muestra en la figura 7. Los puntos de "quiebre" pueden ser pocos o muchos, dependiendo de
la exactitud con que se quiere la aproximacin. Los valores de :rj en el cual el "quiebre" ocurre definen
las fronteras de las nuevas variables que sern creadas. Dentro de las fronteras de cada llueva variable
la aproximacin a fj(xj) ser lineal, como se muestra con lneas "entrecortada" en la figura 7.
As la variable Ij podr ser descompuesta y representada como:
(3)
(4)
Programacin lineal aplicada a un tipo de lxogranwciJJ convexa
(5)
(6)
La pendiente de cada segmento lineal puede ser representada. por .sil: 8j2, .. , ,sil,. Entonces la
funcin fi (:1.:j) puede ser aproximada por:
(7)
Luego. sustituyendo la ecuacin (2) por cada Xj y sustituyendo la ecuacin (7) para cada fj (:rj) en la
funcin objetivo obtenemos la formulacin del Programa Lineal:
n n. '11
Afortunadamente, las restricciones sobre Y.ii en las ecuaciones (3), (4), (5) no tienen que ser incluidas
en la formulacin, porque ellas son tomadas automticarnente con cuidado por la suposicin que todas
las fj (Xj) son funciones cncavas, donde las pendientes de los segmentos lineales aparecen en orden
decreciente (en magnitud). Por tanto, Y.1l ser considerado dentro de la solucin antes que !Jj2 e l/i2
antes que uis y as hasta llegar a Yjk. Esto es equivalente a:
Por otro lado. para funciones convexas, las pendientes de los segmentos de recta de la funcin
aproximacin estn en orden creciente (en magnitud).
.~(XI)
7
6 .34 -----------------------------------~-::.
'S;;::;:;-3
...
,';~i
.. ," :
4 .
.----: SI2 = l. Ir
,/'
// !
//'
/:(=210
!
,/' ! !
o 2 4 6
Figura 8
Similarmente. :r2 representa los niveles de produccin del segundo producto y !2(,r2) la apropiada, pero
diferente, funcin utilidad para los niveles de produccin del producto 2.
45
.f~( X2)
6.20
5.80
4.60
_
.. _ _ _.::~~::;~~:~:
.'
!
3.40
5'221=1.20
o 4
Figura. 9
De.aqu, el nivel de produccin del producto 1 es Xl = Y11 + Y12 + Yl:3 = 6, Y el nivel de produccin del
producto 2, es: X2 = Y21 + Y22 + Yn + Y24 = 3.
El beneficio total ptimo alcanzado es:
Z* = 12,20
LH solucin e11 trminos de :r:] y :1:2 puede ser observada grficamente en:
.:JG Programacin lineal aplicada a U11 tipo de ]ll'ogriJ.Jl1acilJconvexa
lO
~ ~ ~a '"
x x
() 2 4 6 8
Figura 10
Como se mencion anteriormente, los procedimientos para resolver problemas de minimizacin son del
l-odo anlogos a aquellos para problemas de maximizacin. La. principal diferencia es que en problemas
de minirnizacin las funciones costo para cada producto de salida (C (;r)) deben ser convexas.
As las pendientes de los segmentos lineales que aproximan a las funciones costos estn en orden
creciente (en magnitud) de izquierda a derecha grficamente. Esto significa que pequeas pendientes
indican P(XIUCOS costos unitarios, para las actividades asociadas a producir hasta cierto lmite; si pasan
a producir fuera de estos lmites significa que los costos cambian a costos mayores.
Como ejemplo consideremos un simple problema de minimizacin de costos que puede ser resuelto
usando el mtodo del transporte: supongamos que se puede producir un solo producto en dos locales
ubicados en ciudades diferentes: origen 1 y origen 2. Tambin existen dos mercados para el producto
en lugares distintos; Destino 1, Destino 2. Se tiene adems los siguientes datos importantes:
Capacidad de produccin
Origen 1; 8 unidades
Origen 2; 10 unidades
Demanda
Destino 1: 11 unidades
Destino 2: 7 unidades
Podemos construir una tabla J para obtener una solucin por el mtodo del transporte. En la caja.
pequea en la esquina superior izquierda de cada celda tenemos listado primero el costo unitario de
transporte por aquella ruta .Y el segundo el C05tO de produccin para aquel origen representado en
aquella fila. Sumando el costo unitario de transporte y el costo unitario de produccin para cada celda
\lOS da el coeficiente de costo. Por lo tanto, el costo unitario de produccin es el mismo para las celdas
de la misma fila pues toda la produccin para cada fila posee el mismo origen.
47
Destino Destino
1 2 1 2
8 I 9 I
1 8 e
(])
eo
.:
O
1
0) - +
2 8 e
(])
tUl
.:
O
e -o e -o
(]) <lJ
.<e!l re co ro
-o -o
O '
ro
101 +
9
I 'u
ro
O- O-
ro ro
2 O
U
2
0) O 10
U
11 7 11 7
Tabla 1 Tabla 2
En la. tabla 2, dentro de los crculos tenemos una solucin inicial bsica factible para nuestro problema.
Esta solucin bsica tambin es la ptima .. Recordemos que podemos identificar una solucin bsica
Iactihle ptima si al evaluar todas las celdas no bsicas nos da un valor positivo. En efecto, la evaluacin
de la. nica celda. no bsica. (1,2) nos da el valor: [-8 + lO - 9 + 9 = 2]. Entonces el costo mnimo es
Z = 8(8) + 9(0) + 10(3) + 9(7) = 157.
Ahora supongamos que existe incremento en la demanda del destino 2 de 2 unidades, es decir ahora
quieren 9 en lugar de 7. Una interesante pregunta surge, Cul de los orgenes servirapara satisfacer
la demanda del destino 2'1
Este problema es un problema de programacin convexa ahora porque la produccin adicional en
cada origen incurrir en un costo unitario de produccin mayor al anterior. De los datos de costo de
produccin se ha esbozado los siguientes grficos.
e
'o 160
'u S = 12
e
u
:::l
'O
:
u
u
:::l
2
e,
.-;
'O 16 S = 10
e O
<l.J <l.J N
'O ~ O:
e
ru es <l.J
'O
<l.J
o ""
o'" ~
>- 120 -----------
3Vl
>-
o
u ,, ~o
S = 6 : u 120
,
O 4 8 12 16 20
4 8 lb, 12 16 20
~ 80
Origen 1 Origen 1
a b ~igen2 Origen 2
a b
Figura. 1] Figura 12
En el origen 1 vemos de la 11gUl'H11 que la pendiente de la grfica del costo de produccin es variable.
es de 6 soles hasta un nivel de 8 unidades de produccin y la pendiente cambia ,,1 ] 2 soles el costo por
unidad adicional a 8 unidades. Para el origen 2 ocurre algo similar y el nico punto de "quiebre" es en
] o unidades.
48 Fiogrnmecioa lineal aplicada l un tipo de progrJJllflcin convexa
Podemos apreciar de ambos grficos que el origen 2 incurre en un costo promedio menor que el origen
1. Sin embargo, el origen 1 posee una ventaja en cuanto al costo de transporte, posee en promedio
menos que el origen 2. En la mayora de problemas, el tener numerosos puntos de quiebre en el grfico
es muy apropiado,
Para incorporar los costos de produccin asociados a niveles de produccin mayores que los iniciales
podemos utilizar las ideas propuestas anteriormente, En efecto, podemos tratar lo producido en el
origen 1 hasta un lmite de 8 unidades como una variable producida en el origen la. Ypara los niveles
de produccin mayores a 8 unidades en el origen 1 podemos tratarlo como niveles de produccin en
otro origen 1]" es decir COlllO otra nueva variable. Luego, el nivel de produccin total del origen 1 para
nuestro problema sera la suma de los niveles de produccin de los orgenes la Y 1h- Para el caso del
origen 2 puede ser tratado de forma anloga y considerando punto de quiebre a 10 unidades.
Esto quiere decir que vamos a considerar dos posibles ubicaciones de las 2 unidades adicionales de
produccin. Primero determinamos el costo total mnimo (costo de transporte ms costo de produccin)
si toda la produccin adicional es producida en el origen 1. Segundo, determinamos el costo total
mnimo, suponiendo que toda la produccin es producida en el origen 2.
Si las 2 unidades adicionales son producidas en el origen 1, podemos notar de los datos que el costo
unitario ser de 12 soles por cada unidad adicional.
Destino Destino
1 2 1 2
8 2 8
la
e e
'o 'o
'u
u
'u
u
:J :J
2 "O 2 "O
8
e
o
... Q) o
...
o.. tlO lb 2 o..
'::
O
10 10
2
5+ 5 = 10 4 + 5 = 9
2
8 0
11 9 11 9
Demanda Demanda
Tabla 3 Tabla 4
Figura 13
La tabla para resolver el problema de costo mnimo es mostrada en la tabla 3, Los coeficientes asociados
con el origen la son los costos originales de produccin y transporte del origen 1. Por otro lado, los
coeficientes asociados con el origen lb incorporan el incremento en el costo de produccin que acarrea
producir 2 unidades adicionales. La tabla 4 muestra la solucin bsica factible inicial. Esta. tambin es
solucin bsica optimal. El costo total mnimo es
Las 2 unidades adicionales producidas en el origen 1 van hacia: el destino 1 y no al destino 2, pues el
destino 1 aumenta su demanda. El origen 2 sigue produciendo 10 unidades. Solo que ahora de esta
produccin n unidades van al destino 2 antes iba solo 7 y 1 unidad va al destino 1 (antes solo iba 3).
49
La. otra. alternativa a ser considerada es asumiendo que las 2 unidades de produccin adicional son
producidas en el origen 2. Esta alternativa es tratada en forma similar al caso anterior. La tabla 5
muestra los apropiados orgenes, destinos, y costos de transporte y produccin.
Destino Destino
1 2 1 2
8 2 8
1 1
e e
'o 'o
'
u
'u
u
::l ::l
(0
e -el e -el
QJ
tul
2.
5+5=10 4+5=9
o
...
2 e, QJ
.~
o
2.
0 2 e
o..
2b
4 + 10 = 14
10
2b O
0 10
11 9 11 9
Demanda Demanda
Tabla 5 Tabla 6
Figura 14
En la tabla 6 se muestra una. solucin bsica factible inicial que tambin es solucin optirnal. Al evaluar
las celdas no bsicas obtenemos un valor de 2 para la celda (1,2) .Yun valor de cero para la celda (2b,
1). La ausencia de cualquier valor negativo indica una solucin bsica optimal. pero la presencia de
un cero en la celda (2b, 1) revela la. existencia. de otra alternativa de solucin bsica: optimal. El costo
total mnimo que muestra la tabla 6 es:
Ahora. observamos que el costo total mnimo para cada una de las alternativas es: si la produccin
adicioual es producida en el origen 1 se genera un costo total de 183 soles. Mientras que si la produccin
adicional es producida en el origen 2, el costo total que alcanza es 185 soles. Obviamente la primera
alternativa es preferida. En un modo similar, los costos de otras alternativas pueden ser estudiadas.
El mtodo puede ser extendido l problemas ms grandes y ms realistas, con varios orgenes y varios
destinos.
REFERENCIAS BIBLIOGRFICAS
[1J Dantzing, George B, Linear Programming and Extensions, Princeton. N. .J. Princ:eton
University Press, 1963, chap. 24.
121 Hadley, G. Nonlinear and Dynamic Programming Reading, Mass, Addison Wesley
Publishing Cornpany, Inc., 196Ll, chap 4.
13J Hillier. Frederick S., and Cerald J. Lieberrnan, Introduction to operations Research, San
Francisco, Holden - Day, Inc., 1967, pp. 581-5~)2.
50