Programacion Lineal

UNIVERSIDAD AUTONOMA SAN FRANCISCO
CARRERA PROFESIONAL DE INGENIERIA INDUSTRIAL

ASIGNATURA : INVESTIGACION OPERATIVA I.

TEMA : PROGRAMACION LINEAL.

AUTOR : ANDREINA VARGAS SANTILLANA.

SEMESTRE : VI

CICLO ACADMICO : 2013-II

AREQUIPA PER

2014

[Escribir el ttulo del documento]

PROGRAMACION LINEAL Pgina 2

RESUMEN

La mayora de situaciones que afrontan las personas y organizaciones implican
explcitamente o implcitamente tomar decisiones. En algunos casos, los procesos
para la toma de dichas decisiones resultan simples, mientras que en otros casos
involucran gran cantidad de aspectos que deben considerarse aumentando as la
dificultad y complejidad en la toma de decisiones. La investigacin de operaciones
es una disciplina que aplica mtodos analticos para contribuir en los procesos de
toma de decisiones, la cual ha encontrado cabida en diversos campos del
pensamiento humano generando un amplio campo de conocimiento. Este curso
constituye la primera aproximacin a la investigacin de operaciones, en la que se
espera introducir al estudiante en esta fascinante rea del conocimiento y crear en
el las inquietudes para profundizar en su estudio de modo que adquiera
herramientas que pueda aplicar al verse enfrentado a procesos de toma de
decisiones.



INDICE

INTRODUCCION3
HISTORIA DE LA PROGRAMACIN LINEAL5
PROGRAMACION LINEAL.7
CARACTERIZACIN DE LA PLE.9
METODOS DE SOLUCION DE PROBLEMAS
DE PROGRAMACION LINEAL.10
TIPOS DE SOLUCIONES...14
APLICACIONES...18
EJEMPLOS22
BIBLIOGRAFA.38



INTRODUCCION

Mucha gente sita el desarrollo de la programacin lineal entre los avances
cientficos ms importantes de la mitad del siglo XX, y debemos estar de acuerdo
con esta afirmacin si tenemos en cuenta que su impacto desde 1950 ha sido
extraordinario. Se han escrito decenas de libros de texto sobre la materia y los
artculos publicados que describen aplicaciones importantes se cuentan ahora por
cientos. De hecho, una proporcin importante de todo el clculo cientfico que se
lleva a cabo en computadoras se dedica al uso de la programacin lineal y
a tcnicas ntimamente relacionadas. (Esta proporcin se estim en un 25%, en un
estudio de la IBM).
Un modelo de programacin lineal proporciona un mtodo eficiente para determinar
una decisin ptima, (o una estrategia ptima o un plan ptimo) escogida de un gran
nmero de decisiones posibles.
En todos los problemas de Programacin Lineal, el objetivo es la maximacin o
minimizacin de alguna cantidad.



Historia de la programacin lineal



El problema de la resolucin de un sistema lineal de inecuaciones se remonta, al
menos, a Joseph Fourier, despus de quien nace el mtodo de eliminacin de
Fourier-Motzkin. La programacin lineal se plantea como un modelo matemtico
desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los
retornos, a fin de reducir los costos al ejrcito y aumentar las prdidas del enemigo.
Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en
su planificacin diaria.
Los fundadores de la tcnica son George Dantzig, quien public el algoritmo
simplex, en 1947, John von Neumann, que desarroll la teora de la dualidad en el
mismo ao, y Leonid Kantorvich, un matemtico ruso, que utiliza tcnicas similares
en la economa antes de Dantzig y gan el premio Nobel en economa en 1975. En
1979, otro matemtico ruso, Leonid Khachiyan, dise el llamado Algoritmo del
elipsoide, a travs del cual demostr que el problema de la programacin lineal es
resoluble de manera eficiente, es decir, en tiempo polinomial.2 Ms tarde, en 1984,
Narendra Karmarkar introduce un nuevo mtodo del punto interior para
resolver problemas de programacin lineal, lo que constituira un enorme avance en
los principios tericos y prcticos en el rea.
El ejemplo original de Dantzig de la bsqueda de la mejor asignacin de 70
personas a 70 puestos de trabajo es un ejemplo de la utilidad de la programacin
lineal. La potencia de computacin necesaria para examinar todas las
permutaciones a fin de seleccionar la mejor asignacin es inmensa (factorial de 70,
70!) ; el nmero de posibles configuraciones excede al nmero de partculas en el
universo. Sin embargo, toma slo un momento encontrar la solucin ptima
mediante el planteamiento del problema como una programacin lineal y la
aplicacin del algoritmo simplex. La teora de la programacin lineal reduce
drsticamente el nmero de posibles soluciones ptimas que deben ser revisadas.



PROGRAMACION LINEAL

En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz, Bernouilli y,
sobre todo, Lagrange, que tanto haban contribuido al desarrollo del clculo
infinitesimal, se ocuparon de obtener mximos y mnimos condicionados de
determinadas funciones.
Posteriormente el matemtico francs Jean Baptiste-Joseph Fourier (1768-1830) fue
el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente
llamamos programacin lineal y la potencialidad que de ellos se deriva.
En 1941-1942 se formula por primera vez el problema de transporte, estudiado
independientemente por Koopmans y Kantarovitch, razn por la cual se suele
conocer con el nombre de problema de Koopmans-Kantarovitch. Tres aos ms
tarde, G. Stigler plantea otro problema particular conocido con el nombre de rgimen
alimenticio optimal.
Mucha gente sita el desarrollo de la programacin lineal entre los avances
cientficos ms importantes de la mitad del siglo XX, y debemos estar de acuerdo
con esta afirmacin si tenemos en cuenta que su impacto desde 1950 ha sido
extraordinario. Se han escrito decenas de libros de texto sobre la materia y los
artculos publicados que describen aplicaciones importantes se cuentan ahora por
cientos. De hecho, una proporcin importante de todo el clculo cientfico que se
lleva a cabo en computadoras se dedica al uso de la programacin lineal y a
tcnicas ntimamente relacionadas. (Esta proporcin se estim en un 25%, en un
estudio de la IBM).
Un modelo de programacin lineal proporciona un mtodo eficiente para determinar
una decisin ptima, (o una estrategia ptima o un plan ptimo) escogida de un gran
nmero de decisiones posibles.



Un problema de Programacin Lineal consiste en optimizar (maximizar o
minimizar) la funcin:
z = F ( x1, x2, ... ,xn ) = c1x1 + c2x2 + ... + cnxn
sujeto a:
a11x1 + a12x2 + . . . + a1nxn = b
a21x1 + a22x2 + . . . + a2nxn = b2
. . .
am1x1 + am2x2 + . . . + amnxn = bm
x1 , x2 , . . . , xn 0

A la funcin z = F ( x1, x2, ... ,xn ) = c1x1 + c2x2 + ... + cnxn se le
denomina funcin objetivo o funcin criterio.
Los coeficientes c1, c2, ... , cn son nmeros reales y se llaman coeficientes de
beneficio o coeficientes de costo. Son datos de entrada del problema.
x1, x2, ... , xn son las variables de decisin (o niveles de actividad) que deben
determinarse.
Las desigualdades ai1x1 + ai2x2 + . . . + ainxn bi , con i = 1, ... , m se
llaman restricciones.
Los coeficientes aij , con i = 1, ... , m y j = 1, ... , n son tambin nmeros reales
conocidos y se les denomina coeficientes tecnolgicos.
El vector del lado derecho, es decir los trminos bi , con i = 1, ... , m, se
llama vector de disponibilidades o requerimientos y son tambin datos conocidos del
problema.
Las restricciones xj 0 con j = 1, ... , n se llaman restricciones de no
negatividad.
Al conjunto de valores de (x1, x2, ... ,xn) que satisfacen simultneamente todas
las restricciones se le denomina regin factible. Cualquier punto dentro de la regin
factible representa un posible programa de accin.
La solucin ptima es el punto de la regin factible que hace mxima o mnima la
funcin objetivo.



Caracterizacin de la PLE

La programacin lineal tambin conocida como optimizacin lineal, es la
maximizacin o minimizacin de una funcin lineal sobre un poliedro convexo
definido por un conjunto de restricciones lineales no negativas. La teora de la
programacin lineal cae dentro de la teora de la optimizacin convexa y es tambin
considerada como parte importante de la investigacin de operaciones.
La programacin lineal entera (PLE) es el conjunto de problemas de programacin
lineal para los cuales todas o parte de sus variables pertenecen a los nmeros
enteros.
Un problema de PLE puede describirse de la siguiente forma:
Optimizar una funcin objetivo z=c.x
Bajo las restricciones Ax = = b, x = 0
Donde:
x -Vector con variables enteras
c -Vector de coeficientes de la funcin objetivo
A -Matriz de coeficientes de las restricciones
b -Vector de trminos independientes
Los modelos de programacin lineal entera pudieran clasificarse en tres grupos:
Entero completamente. Todas las variables de decisin son enteras.
Mixto. Algunas de las variables son enteras, las otras no.
Binario. Las variables solo toman los valores 0 1.



METODOS DE SOLUCION DE
PROBLEMAS DE PROGRAMACION
LINEAL

Existen tres mtodos de solucin de problemas de programacin lineal:
Mtodo grfico o de las rectas de nivel. Las rectas de nivel dan los puntos del plano
en los que la funcin objetivo toma el mismo valor.
Mtodo analtico o de los vrtices. El siguiente resultado, denominado teorema
fundamental de la programacin lineal, nos permite conocer otro mtodo de
solucionar un programa con dos variables: En un programa lineal con dos variables,
si existe una solucin nica que optimice la funcin objetivo, sta se encuentra en
un punto extremo (vrtice) de la regin factible acotada, nunca en el interior de dicha
regin. Si la funcin objetivo toma el mismo valor ptimo en dos vrtices, tambin
toma idntico valor en los puntos del segmento que determinan. En el caso de que
la regin factible no es acotada, la funcin lineal objetivo no alcanza necesariamente
un valor ptimo concreto, pero, si lo hace, ste se encuentra en uno de los vrtices
de la regin
Esquema prctico. Los problemas de programacin lineal pueden presentarse en la
forma estndar, dando la funcin objetivo y las restricciones, o bien plantearlos
mediante un enunciado.



Mtodos de solucin

Pudiera pensarse que los mtodos de obtencin de soluciones a problemas de
programacin lineal entera pudieran ser menos difciles que los de programacin
lineal generales, pero resulta lo contrario. Los algoritmos que permiten resolver los
problemas restringidos a enteros son ms complejos y requieren mucho
ms tiempo computacional.
Para la resolucin de los problemas de programacin lineal entera existen diferentes
mtodos. Los mtodos exactos son los que encuentran, si existe, el ptimo
absoluto. Muchos de estos mtodos parten de la resolucin del modelo dejando a
un lado las restricciones enteras y buscando el mejor valor para las variables reales.
A partir del supuesto de que la solucin entera no debe estar muy lejos, se aplican
diferentes tcnicas que permiten llegar al ptimo entero.
Una breve introduccin a los mtodos de la programacin lineal: Simplex y Punto
interior, permitir tener una idea de cmo operan los mismos.
El mtodo del simplex se utiliza para hallar las soluciones ptimas de un problema
de programacin lineal con tres o ms variables. Este se basa en el hecho de que la
solucin ptima se encuentra siempre en uno de los vrtices del poliedro formado
por el conjunto de restricciones. Su forma de buscar la solucin es recorrer sobre
estos vrtices hasta encontrar el ptimo. Aun cuando no corre en tiempo polinomial
en el caso peor, su mayor valor radica en su capacidad de revolver nuevos
problemas y resulta muy til cuando no se tiene un algoritmo eficiente de solucin.
Los mtodos de punto interior se denominan as precisamente porque los puntos
generados por estos algoritmos se hallan en el interior de la regin factible. Esta es
una clara diferencia respecto al mtodo del simplex. En la actualidad los mtodos de
punto interior ms eficientes tienen una complejidad de orden T(nL), donde n es el
nmero de variables y L una medida del tamao del problema (el nmero de bits
necesarios para representar los datos).
En la modelacin lineal no entera se demuestra que el ptimo es un vrtice de la
regin factible. En los modelos enteros, esto no tiene porque ser as, de manera
general los vrtices no tienen que ser nmeros enteros. Por ello la solucin ptima
se encontrar en el interior de la regin factible, por lo que los mtodos exactos,
como el simplex o punto interior, empleado de forma directa no aportarn la solucin
ptima en la generalidad de los casos.



Como el conjunto de soluciones enteras factibles es un nmero finito pudiera
pensarse en recorrerlas todas en busca de la solucin pero esto puede resultar
ineficiente pues segn el nmero de variables el conjunto de soluciones se
incrementa exponencialmente. Para enfrentar esto se han desarrollado un conjunto
de tcnicas basadas en la lgica de que la solucin entera no debe encontrarse muy
lejos de la ptima del modelo con variables reales, conocidas como Ramificar y
Podar (Branch and Bound).[1]
Este mtodo se basa en que existe un nmero finito de soluciones posibles, no
todas factibles, para un problema con enteros, que pueden representarse mediante
un diagrama de rbol. Pero no es necesario enumerar todas las soluciones posibles
si se pueden eliminar algunas ramas. Para eliminar una rama basta demostrar que
no contiene una solucin factible que sea mejor que una ya obtenida.
Existen otros mtodos de resolucin de la PLE, como el procedimiento de los cortes
de Gomory. En esta tcnica, se resuelve el problema original relajado en el que se
incluyen restricciones adicionales, que reducen la regin factible sin
excluir soluciones que cumplen las condiciones de optimalidad. En cada iteracin se
aade una restriccin que se denomina corte de Gomory. Este procedimiento
genera progresivamente una envoltura convexa de la regin factible entera, lo que
origina soluciones que cumplen las condiciones de integralidad. Este mtodo se
explica ms en detalle por Castillo et al[2]
En los modelos de PLE es importante valorar el nmero de variables a manejar
pues si el modelo tiene algunos cientos de variables y no tiene
una estructura especial, puede resultar demasiado costoso de resolver. Los
modelos enteros son no polinomiales, o sea el tiempo de resolucin es exponencial
con respecto al nmero de restricciones y especialmente con respecto al nmero de
variables de decisin enteras, como expone Castillo et al[3]En los casos en que los
mtodos generales de PLE, por las dimensiones del problema, resultan ineficientes,
resulta vlido introducir mtodos heursticos que obtienen soluciones aproximadas
satisfactorias.



Modelos especiales
Existen ciertos problemas de PLE que por las caractersticas del modelo han sido
enfrentados con mtodos particulares de solucin atendiendo a estas
peculiaridades. Entre estos se encuentran los modelos de asignacin y
de transporte. Estos resultan significativos porque se ajustan a muchos problemas
de diversos sectores y especialidades.
El clsico problema de asignacin (variables binarias 0 no se asigna, 1 se asigna)
se caracteriza por tener n personas y n objetos donde hay que hacer
correspondencia uno a uno entre los dos conjuntos. En el mismo existe un beneficio
o un costo para cada asignacin persona-objeto, y se quiere obtener la asignacin
donde ese beneficio sea mximo o el costo mnimo. La asignacin puede ser
resuelta por mtodos diversos, entre ellos destaca el mtodo Hngaro de orden
T(n3) por ser el ms antiguo de los conocidos para enfrentar los problemas de
asignacin.
El problema del transporte consiste en satisfacer de forma ptima (costos mnimos
de transportacin) n destinos desde m orgenes, donde estn definidos los costos
de transportacin de cada origen a cada destino, la demanda de los destinos y
la oferta de cada origen. Los mtodos para hallar la solucin se basan en una
metaheurstica que consiste en buscar una solucin factible inicial, e ir mejorndola
hasta llegar a la solucin ptima. Existe gran diversidad de tcnicas para obtener la
solucin inicial y de formas para las mejoras iterativas.
Estos problemas son casos particulares de PLE en los que mtodos especiales de
solucin resultan ms eficientes que los mtodos tradicionales.
La PLE es una rama de la investigacin de operaciones que est presente en
muchos problemas reales, entre ellos resultan muy interesantes los
de organizacin de tiempos de trabajo que existen en diferentes ramas de
la produccin y los servicios. La seleccin de los mtodos de solucin ms
eficientes depende en gran medida de las particularidades del escenario que se ha
modelado



TIPOS DE SOLUCIONES

Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de
solucin que presentan. stos pueden ser:
FACTIBLES. Si existe el conjunto de soluciones o valores que satisfacen las
restricciones. Estas a su vez pueden ser: con solucin nica, con solucin
mltiple (si existe ms de una solucin) y con solucin no acotada (cuando no
existe lmite para la funcin objetivo).

NO FACTIBLES. Cuando no existe el conjunto de soluciones que cumplen
las restricciones, es decir, cuando las restricciones son inconsistentes.

CONSTRUCCION DE LOS MODELOS DE PROGRAMACION
LINEAL
De forma obligatoria se deben cumplir los siguientes requerimientos para construir
un modelo de Programacin Lineal:
Funcin objetivo. (FO): Debe haber un objetivo (o meta o blanco) que la
optimizacin desea alcanzar.

Restricciones y decisiones: Debe haber cursos o alternativas de accin o
decisiones, uno de los cules permite alcanzar el objetivo.
La FO y las restricciones son lineales. Deben utilizarse solamente ecuaciones
lineales o desigualdades lineales.



Modelo standard de Programacin Lineal

Optimizar Z = C1X1+ C1X2 +.+ Cn Xn). Funcin objetivo.
Sujeta a a11X1+ a11X2 +..+ a1nXn) b1
a21X1+ a21X2 +..+ a2nXn) b1
Restricciones
am1X1+ am1X2 +..+ amnXn) bm
Debiendo ser
X1 0, X2 0, .. Xn 0
Donde :
Xj : variables de decisin, j = 1,2.., n.
n : nmero de variables.
m : nmero de restricciones.
aij , bi , cj constantes, i = 1,2.., m.

Pasos para la construccin del modelo

1. Definir las variables de decisin.
2. Definir el objetivo o meta en trminos de las variables de decisin.
3. Definir las restricciones.
4. Restringir todas las variables para que sean no negativas



Variables
Las variables son nmeros reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un nmero
entero, el procedimiento de resolucin se denomina Programacin entera.
Restricciones
Las restricciones pueden ser de la forma:

Donde:
A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
j = nmero de la ecuacin, variable de 1 a M (nmero total de restricciones);
a; b; y, c = coeficientes tcnicos conocidos;
X = Incgnitas, de 1 a N;
i = nmero de la incgnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N =
M; N > M; , N < M.

Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser
determinado, y puede no tener sentido una optimizacin.
Los tres tipos de restricciones pueden darse simultneamente en el mismo
problema.
Funcin Objetivo
La funcin objetivo puede ser:

Programacin entera
En algunos casos se requiere que la solucin ptima se componga
de valores enteros para algunas de las variables. La resolucin de este problema se
obtiene analizando las posibles alternativas de valores enteros de esas variables en
un entorno alrededor de la solucin obtenida considerando las variables reales.
Muchas veces la solucin del programa lineal truncado esta lejos de ser el ptimo
entero, por lo que se hace necesario usar algn algoritmo para hallar esta solucin
de forma exacta. El ms famoso es el mtodo de 'Ramificar y Acotar' o Branch and
Bound por su nombre en ingls. El mtodo de Ramificar y Acotar parte de la adicin
de nuevas restricciones para cada variable de decisin (acotar) que al ser evaluado
independientemente (ramificar) lleva al ptimo entero.



Aplicaciones
Aunque surgi como aplicacin a cuestiones de carcter logstico y militar, es la
industria y la economa donde, posteriormente ha encontrado sus aplicaciones ms
importantes.

As, por ejemplo, la Programacin Lineal permite resolver problemas de
mezclas, nutricin de animales, distribucin de factoras, afectacin de personal a
distintos puestos de trabajo, almacenaje, planes de produccin, escalonamiento de
la fabricacin, problemas de circulacin, planes de optimizacin de semforos,
estudios de comunicaciones internas, etc.
Veamos algunas de las aplicaciones ms importantes:
El problema del transporte.
Trata de organizar el reparto de cualquier tipo de mercancas con un coste
mnimo de tiempo, de dinero o de riesgo (por ejemplo, el transporte de mercancas
peligrosas).
Se dispone de m centros de produccin u orgenes (Oi), con sus respectivas ofertas;
y n centros de consumo o destino (Dj), con sus demandas correspondientes. A su
vez, son conocidos los costes de envo (cij), desde cada origen a cada destino.

El objetivo del problema del transporte es determinar cuntas unidades de producto
deben enviarse desde cada origen hasta cada destino de forma que se minimicen
los costes totales de distribucin, se satisfaga la demanda de cada destino y no se
exceda la capacidad de oferta de cada uno de los orgenes. (El total de unidades
que salen de los centros de origen debe ser igual al total de unidades que llegan a
los centros de destino). Podemos expresar el problema con la siguiente tabla:
Orgenes
Destinos
D1 D2 ... Dn Ofertas
O1 c11 c12 ... c1n a1
O2 c21 c22 c2n a2
... ... ... ... ... ...
Om cm1 cm2 ... cmn am
Demandas b1 b2 ... bn

En 1958 se aplicaron los mtodos de la programacin lineal a un problema concreto:
el clculo del plan ptimo del transporte de arena de construccin a las obras de
edificacin de la ciudad de Mosc. En este problema haba 10 puntos de partida y
230 de llegada. El plan ptimo de transporte, calculado con el ordenador Strena en
10 das del mes de junio, rebaj un 11% los gastos respecto a los costes previstos.
Ejemplo: Dos almacenes A y B, tienen que distribuir fruta a tres mercados de la
ciudad. El almacn A dispones de 10 toneladas de fruta diarias y el B de 15
toneladas, que se reparten en su totalidad. Los dos primeros mercados necesitan
diariamente 8 toneladas de fruta, mientras que el tercero necesita 9 toneladas
diarias. El coste del transporte desde cada almacn viene dado por los datos del
cuadro. Planifica el transporte para que el coste sea mnimo.



Orgenes
Destinos
Mercado 1 Mercado 2 Mercado 3
Almacn A 10 15 20
Almacn B 15 10 10

El problema de la dieta.
Trata de determinar los alimentos que deben incluirse en una dieta para asegurar la
nutricin necesaria y a la vez minimizar el coste.
Alimentos
Componentes
C1 C2 ... Cn Costes
A1 b11 b12 ... b1n a1
A2 b21 b22 b2n a2
... ... ... ... ... ...
Am bm1 bm2 ... bmn am
Necesidades c1 c2 ... cn

Ejemplo: Un ave de rapia necesita para subsistir al da 30 unidades de protenas,
20 de grasas y 8 de vitaminas. Sus presas son dos tipos de animales: ratones que le
proporcionan 3 unidades de protenas, 4 de grasa y 1 de vitaminas; y palomas, que
le proporcionan 6 unidades de protenas, 2 de grasas y 1 de vitaminas. Si cazar y
comer un ratn le cuesta 7 unidades de energa y una paloma 12 unidades de
energa, cuntas presas de cada clase debe cazar para satisfacer sus
necesidades, con el menor gasto de energa?



El problema de la planificacin de la produccin.
Pretende planificar la produccin de una empresa de acuerdo con las materias
primas disponibles para obtener mximos beneficios.
Factores
Productos
P1 P2 ... Pn Recursos
F1 a11 a12 ... a1n r1
F2 a21 a22 a2n r2
... ... ... ... ... ...
Fm am1 am2 ... amn rm
Beneficios
o costes
c1 c2 ... cn

Ejemplo: Una fabrica de muebles produce dos tipos de sillones S1 y S2. La fabrica
cuenta con dos secciones: carpintera y tapicera. Hacer un silln de tipo S1 requiere
1 hora de trabajo en la seccin de carpintera y 2 horas en la de tapicera. Un silln
del tipo S2 necesita 3 horas de carpintera y 1 de tapicera. El personal de
carpintera suministra un mximo de 90 horas de trabajo; en tapicera se dispone de
80. Si las ganancias por la venta de los sillones S1 y S2 son respectivamente de
6000 y 3000 pesetas, cuntos sillones de cada tipo hay que fabricar para
maximizar las ganancias?



EJEMPLOS

ste es un caso curioso, con solo 6 variables (un caso real de problema de
transporte puede tener fcilmente ms de 1.000 variables) en el cual se aprecia la
utilidad de este procedimiento de clculo.
Existen tres minas de carbn cuya produccin diaria es:
La mina "a" produce 40 toneladas de carbn por da;
La mina "b" otras 40 t/da; y,
La Mina "c" produce 20 t/da.
En la zona hay dos centrales termoelctricas que consumen:
La central "d" consume 40 t/da de carbn; y,
La central "e" consume 60 t/da
Los costos de mercado, de transporte por tonelada son:
De "a" a "d" = 2 monedas
De "a" a "e" = 11 monedas
De "b" a "d" = 12 monedas
De "b" a "e" = 24 monedas
De "c" a "d" = 13 monedas
De "c" a "e" = 18 monedas


Si se preguntase a los pobladores de la zona cmo organizar el transporte, tal vez la
mayora opinara que debe aprovecharse el precio ofrecido por el transportista que
va de "a" a "d", porque es ms conveniente que los otros, debido a que es el de ms
bajo precio.
En este caso, el costo total del transporte es:
Transporte de 40 t de "a" a "d" = 80 monedas
Transporte de 20 t de "c" a "e" = 360 monedas
Transporte de 40 t de "b" a "e" = 960 monedas
Total 1.400 monedas.
Sin embargo, formulando el problema para ser resuelto por la programacin lineal
se tienen las siguientes ecuaciones:



Un ejemplo de produccin en una planta de generacin de energa
La gerencia de una planta termoelctrica de generacin de energa, que emplea
carbn como combustible, est estudiando la configuracin operativa de la planta a
fin de cumplir las nuevas leyes de control de la contaminacin medio ambiental.
Para la planta en cuestin, las tasas mximas de emisin son:
Mxima emisin de xido de azufre: 3000 partes por milln (PPM)
Mxima emisin de partculas (humo): 12 kilogramos/hora (kg/h)
El carbn se traslada a la planta por ferrocarril y se descarga en depsitos cercanos
a la misma. De aqu se lleva con una cinta transportadora a la unidad pulverizadora,
en donde se pulveriza y alimenta directamente a la cmara de combustin, a
la velocidad conveniente. El calor producido en la cmara de combustin se emplea
para crear vapor que impulse las turbinas.
Se emplean dos tipos de carbn: tipo A, que es un carbn duro y de quema limpia
con un-bajo contenido en azufre (bastante caro); y tipo 8, que es un carbn barato,
relativamente suave, que produce humo y tiene un alto contenido en azufre, tal y
como se puede observar en fa tabla 2. 1. El valor trmico en trminos de vapor
producido es mayor para el carbn A que para el carbn 3, siendo de 24000 y
20000 Ib por ton respectivamente.
Como el carbn A es duro, la unidad pulverizadora puede manejar a lo sumo 16 ton
de carbn A por hora; sin embargo puede pulverizar hasta 24 Ion de carbn B por
hora. El sistema de carga de La cinta transportadora tiene una capacidad de 20 ton
por hora y es independiente del tipo de carbn.
Uno de los muchos interrogantes que la gerencia puede plantearse es el siguiente:
dados los lmites de emisin de los agentes contaminantes y los tipos disponibles de
carbn, Cul es la mxima produccin posible de electricidad de la planta? La
respuesta permitir a la gerencia determinar el margen de seguridad disponible para
cubrir las demandas punta de energa.
Tabla . Emisin de agentes contaminantes
Carbn
Oxido de azufre en gases
combustible
Partculas (emsin/ton)
A 1800PPM 0.5 Kg/ton
B 38OOPPM 1 .0 Kg/ton



Elementos bsicos
El modelo de Programacin Lineal est formado por tes elementos bsicos: a)
Variables de decisin que tratamos de determinar, b) Objetivo (meta) que tratamos
de optimizar y c) Restricciones que necesitamos satisfacer.
a) Variables
A corto plazo, las instalaciones de la planta son fijas. El nico aspecto del problema
que es controlable y que puede utilizarse para modificar la produccin de la planta
es la cantidad de cada tipo de carbn que se queme. Entonces, las variables de
decisin del problema son:
X1 = La cantidad de carbn A utilizada por hora (ton/h)
X2 = La cantidad de carbn B utilizada por hora (ton/h)
En programacin lineal a menudo se hace referencia a los aspectos controlables de
un problema de decisin como actividades. Por lo tanto, las variables X1 y X2
representan los niveles de actividad de la quema de carbn A y carbn B,
respectivamente.

HIPTESIS 1 DE PROGRAMACIN LINEAL:
DIVISISILIDAD: Todas las variables pueden asumir cualquier valor real.
Si las variables solo tienen sentido en el caso de tomar valores discretos pero tomar
un valor real elevado (superior a 10) en la solucin ptima, es aceptable
considerarlas como continuas y redondear su valor
Muchas actividades en el mundo real pueden variar de forma continua, es decir son
divisibles infinitamente. Por ejemplo, la cantidad de carbn quemado por hora puede
ajustarse a cualquier valor dentro de unos lmites razonables. Sin embargo, hay
actividades reales que slo pueden tomar valores enteros, por ejemplo el nmero
de viajes de carbn necesarios para trasladar cierta carga de un lugar a otro o el
nmero de equipos informticos que debe adquirir una empresa.
Si la actividad real no es divisible de forma infinita; pero el nivel normal de actividad
es un nmero grande, las condiciones de divisibilidad pueden servir como una
aproximacin conveniente. En general, esto significa que el valor de la solucin es
de decenas o mayor. Los valores fraccionarios tan slo se redondean al entero ms
cercano. Por el contrario, si el nivel normal de actividad es relativamente pequeo,
digamos menor que 10, se necesita recurrir a la programacin entera.



HIPTESIS 2 DE PROGRAMACIN LINEAL:
CONDICIONES DE NO NEGATIVIDAD: Todas las variables son no negativas

Esta hiptesis refleja la naturaleza de la mayora de as actividades del mundo real;
donde rara vez tiene sentido, dentro de un contexto econmico o de ingeniera,
hablar de niveles negativos de actividad. Sin embargo, esta consideracin no
significa una prdida de generalidad. Cualquier nmero (positivo, cero o negativo)
puede expresarse como la diferencia algebraica de dos nmeros no negativos. Si
una actividad puede ocurrir tanto en niveles negativos como positivos (por ejemplo,
comprar o vender bonos), se introducen dos variables para esta actividad, X+ para
niveles no negativos, y X- para niveles no positivos. Su diferencia X = X + X-
representa el nivel real de la actividad. Mediante este artificio tanto X+ como X-
estn restringidas a ser no negativas y son las llamadas variables irrestrictas o
libres. De hecho, el software de optimizacin suele permitir al usuario definir
directamente este tipo de variables como libres e interpretando que su rango de
variacin est entre menos y ms infinito.
b) Funcin objetivo
El objetivo de la gerencia consiste en maximizar la produccin de electricidad de la
planta. Ya que la electricidad se produce mediante vapor y existe una relacin
directa entre la produccin de vapor y la de electricidad, el maximizar a produccin
de vapor es equivalente a maximizar la produccin de electricidad. Por lo tanto,
puede replantearse el objetivo de la gerencia como "encontrar la combinacin de
combustibles que maximice a produccin de vapor".
Cunto vapor se produce para cualquier cantidad arbitraria de carbn utilizada?
Una forma simple y sistemtica de determinarlo se muestra en la tabla 2.2.



Tabla Construccin de la Funcin objetivo

Vamos a expresar la cantidad de vapor producido en miles de libras. Por lo tanto, el
carbn A produce 24 unidades y el carbn B, 20 unidades de vapor por toneladas
de combustible. Entonces, la cantidad de vapor producida por hora es:
(1) 24 X1 + 20 X2 - Z
El primer miembro de (1) se denomina funcin objetivo y Z es el valor de la funcin
objetivo. Los coeficientes de las variables se denominan coeficientes de la funcin
objetivo. El problema exige determinar los valores de X1 y X2 que maximicen el
valor de Z. En la figura 2.1 se observa que (1) es una familia de rectas paralelas y
que para cada valor que demos a Z tendremos una recta, cuyos puntos representan
las posibles combinaciones de X1 y X2 que proporcionan la misma cantidad de
vapor y en definitiva de energa. Por este motivo, se conocen como lneas de
isoproduccion (isobeneficio o isocoste, en el caso de que la funcin objetivo fuera
beneficio o costo respectivamente). Tambin podemos observar que la funcin
objetiva es lineal.

HITPOTESIS 3 DE PROGRAMACION LINEAL:
LINEALIDAD: Todas las relaciones entre variables son lineales
En programacin lineal esto implica:
Proporcionalidad de las contribuciones. La contribucin individual de cada variable
es estrictamente proporcional a su valor; y el factor de proporcionalidad es
constante para toda la gama de valores que la variable puede asumir.
Actividad de las contribuciones. La contribucin total de las variables es igual a la
suma de las contribuciones individuales, sea cual sea el valor de las variables.



Figura 2.1. Funcin objetivo

Una relacin tal corno Z= 5X1 + 3 X1 + 2 X2 o Z = 24 X1 + 20 X2 para X1 < = 5 y 10
+ 22 X1 + 20 X2 para X1 > 5 violara la condicin de proporcionalidad; mientras que
Z = 24 X1 para X2 = 0, 20 X2 para X1 =0 y 22 X1 18 X2 para X1 > O y X2> O
violarla la actividad.
La hiptesis 3 implica beneficios constantes a escala e impide economas y
deseconomas de escala. En la prctica esta condicin posiblemente no se cumpla
con exactitud; en particular para valores muy pequeos o muy grandes de actividad.
Sin embargo, si se cumple en forma aproximada dentro del intervalo normal de los
valores de solucin, es posible emplear el modelo de programacin lineal como una
buena aproximacin. Esta consideracin tambin excluye el problema de los costes
fijos cuando se presentan para valores positivos de la actividad, pero no para
niveles cero.
Adems de las condiciones de no negatividad, los niveles de actividad deben de
cumplir ciertas restricciones que pueden ser de naturaleza fsica, econmica o legal.
c) Restricciones
C1. Restriccin de la emisin de partculas



La cantidad mxima de emisin de humo por hora en una planta est limitada a 12
kg. De acuerdo con la tabla 2.I, cada tonelada de carbn A produce 0.5 kg de humo
y cada tonelada de carbn B produce 1 kg de humo. Si la planta quema X1 ton de
carbn A y X2 de B2 la cantidad de humo total emitida a partir de ambos tipos de
carbn es igual a su suma, que no puede exceder de 12 kg/h.
(2) 0.5X1 + X2 <=12
Los coeficientes de las variables en las restricciones se denominan coeficientes
tcnicos y al segundo miembro de la desigualdad o trmino independiente se
conoce como coeficiente del segundo miembro o parmetro del lado derecho de la
restriccin (en el software RHS -Right-Hand Side).
C2 Restriccin de las instalaciones de carga.
El sistema de cinta transportadora que traslada el carbn de los depsitos al
pulverizador tiene una capacidad de 20 ton/h. Por lo tanto, la restriccin de carga
seria:
(3) X1+X2<=2
C3 Restriccin de la capacidad del pulverizador
La capacidad del pulverizador es de 16 ton/h para el carbn A o de 24 ton/h para el
carbn B. En otras palabras, tarda 1116 h en pulverizar una tonelada de carbn A y
1124 h en pulverizar una tonelada de carbn B. Si la solucin exige una
combinacin de ambos tipos de carbn, el tiempo que se tardar en pulverizar una
mezcla de X1 ton de A y X2 de B es (1/16) X1 + (1/24)X2. Son admisibles slo
aquellas combinaciones de X1 y X2 que requieran cuando ms 1h. Por lo tanto la
restriccin del pulverizador es:

Obsrvese la forma en que se ha superado la dificultad presentada por las
diferentes tasas mximas. Estas tasas se han traducido a tiempos necesarios por
tonelada y expresan la restriccin en trminos de tiempo en vez de capacidad.
C4 Restriccin de la emisin de xido de azufre



La emisin mxima de xido de azufre no debe exceder de 3000 PPM en ningn
momento. Dado que los dos tipos de carbn se queman en forma simultnea, se
considera que la combinacin de X1 tan de carbn A, y X2 ton de carbn B por
hora, alimenta a la cmara de combustin corno una mezcla homognea.
El X1/(X1 + X2) de la mezcla es carbn A con una tasa de emisin de xido de
azufre de 1800 PPM y X2(X1 + X2) de dicha mezcla es carbn B, con una tasa de
emisin de 3800 PPM. La tasa de emisin de la mezcla es igual al promedio
ponderado de las tasas individuales de emisin; en el que sirven como
ponderaciones las fracciones utilizadas de cada carbn. Este promedio ponderado
no puede exceder de 3000 PPM:

Multiplicando a ambos lados de la desigualdad por (X1 + X2) y reordenando
trminos, se obtiene la restriccin:
(5) 1200X1 -300 X2 >=0
En la figura 2.2 se han representado las cuatro restricciones.
Formacin general de un programa lineal
En resumen, el modelo matemtico que hemos formulado para representar el
problema anterior es el siguiente:
Determinar los valores de las variables: X1 >= O y X2 >= O
Que optimicen, maximicen en este caso (en otros puede ser minimizar) la funcin
objetiva:
Max 24X1 + 20X2
Y verifiquen las restricciones
0.5 X1 + X2 <= 12 (humo)
X1 +X2 <=20 (carga)
1.5 X1 + X2 <= 24 (pulverizador)
1200 X1 - 800 X2 >= O (azufre)


El planteamiento general de un programa lineal es el siguiente:
Determinar los valares de as variables decisin .XJ >= O; para, j = 1,2,..n que
optimicen (maximicen o minimicen a funcin objetivo:

Donde: n es el nmero de variables,
m es el nmero de restricciones y stas pueden ser igualdades o desigualdades del
tipo <= o >=.
Los Cj, aj y bj son los parmetros del modelo.
HIPTESIS 4 DE PROGRAMACIN LNEAL: CERTIDUMBRE
Se asume que todos los parmetros del modelo cj aj y bj son constantes conocidas.
Regin factible, solucin grfica y variables holgura



Para que una solucin sea admisible la combinacin de niveles de actividad debe
satisfacer en forma simultnea todas las restricciones, incluyendo las condiciones
de no negatividad. A tal solucin se le denomina solucin factible para el problema.
El conjunto de todas las soluciones factibles forma la regin factible o conjunto de
soluciones posibles. Obsrvese en la figura 2.2 que el conjunto de soluciones
posibles no depende de la funcin objetivo. sta es una interesante propiedad de la
mayora de los modelos de Investigacin Operativa y tiene importantes
consecuencias sobre el mtodo de resolucin y las propiedades de la solucin
ptima.
Si la frontera de una restriccin no tiene puntos en comn con la regin factible,
entonces esta restriccin es redundante y puede eliminarse en consideraciones
posteriores, ya que nunca limitar los valores de las variables. Existe alguna
restriccin redundante en nuestro problema?.
En la prctica, cuando un problema tiene cientos de restricciones y cientos de
variables rara vez es posible identificar si una restriccin es redundante o no. Por
fortuna, el algoritmo de resolucin conocido como mtodo simplex funciona
eficientemente, aunque el planteamiento contenga restricciones redundantes.
Como el objetivo es maximizar fa produccin de vapor de la planta, tendremos que
determinar la recta ms alta que contenga al menos una solucin posible. Dicha
recta es la que corresponde a Z = 408 y los niveles de actividad de las variables en
la solucin ptima son de X1 = 12 y X2 = 6 como puede observarse en la figura 2.3.
Una combinacin de 12 toneladas de carbn A y 6 toneladas de carbn B por hora
maximiza la produccin de vapor de la planta dentro de las restricciones fsicas y
legales impuestas a las variables.
Desde el punto de vista intuitivo, parece obvio que la solucin ptima siempre
ocurrir en fa frontera de la regin factible, ya sea en un punto extremo o en un lado
del polgono. Como se ver en el anlisis de sensibilidad, es la pendiente de la
funcin objetivo la que determina en qu parte de la frontera estar situada la
solucin ptima.
Si el problema exigiera la minimizacin de la funcin objetivo en que forma
cambiara el procedimiento grfico para encontrar la solucin ptima? Por ejemplo,
se desea determinar la solucin de coste mnimo para obtener una produccin de
vapor de, al menos, 216 unidades por hora y que el coste por tonelada es de 24 $
para el carbn A y de 15 para el B. Plantea y resuelve este, problema de forma
grfica.
En sntesis, podemos afirmar que una solucin ptima es una solucin factible con
el mejor valor de la funcin objetivo. El mejor valor o el valor ms favorable de la


funcin objetivo ser el ms grande en los problemas de maximizacin o el ms
pequeo en los problemas de minimizacin.
No todos los problemas de programacin lineal tienen finales felices. Por una parte,
puede ocurrir que las restricciones sean inconsistentes en el sentido de que no
exista ninguna solucin factible. Y por otra, la regin factible puede estar abierta en
alguna direccin de manera que la funcin objetivo pueda incrementarse de forma
indefinida y no exista solucin finita (la solucin es no acotada). Estos casos son
poco frecuentes en la prctica. A menudo, tales soluciones son el resultado de
errores o de representaciones incorrectas en la formulacin matemtica. Por tanto,
al resolver un programa lineal podemos encontrarnos con cuatro casos:
Solucin nica.
soluciones alternativas (infinitas soluciones). En un modelo con dos variables ocurre
siempre que la funcin objetivo corta al conjunto factible en un lado del polgono,
para el mejor valor de la misma. En la prctica veremos temas posteriores cmo es
un caso mucho ms frecuente de lo que a priori pudiramos pensar.
No hay solucin, porque ninguna combinacin de variables cumple todas las
restricciones.
Solucin no acotada.
Para cualquier solucin factible, la diferencia entre el valor que toma la restriccin y
el coeficiente del segundo miembro se denomina holgura (para desigualdades<=) o
exceso (para desigualdades >=). A menudo, resulta conveniente mostrar de manera
explcita esta diferencia, introduciendo una variable adicional en cada restriccin. A
estas variables se les denomina variables de holgura o de exceso. Por
conveniencia, se suele utilizar el trmino de variables de holgura para ambas. Tales
variables estn sujetas a las mismas consideraciones de divisibilidad y no
negatividad que las variables decisin. Entonces cada restriccin se convierte en
una igualdad. Introduciendo las variables de holgura en nuestro ejemplo:



Las variables de holgura pueden interpretaba a menudo como recursos no utilizados
o capacidad no utilizada para una solucin dada. Por ejemplo, x3 es la cantidad de
capacidad no utilizada de emisin de humo, y x4 la cantidad no utilizada de
capacidad de carga. Cul es la interpretacin correspondiente a x5? Debido a la
forma en que se obtuvo la restriccin del azufre no existe una interpretacin simple
para x6. Comprueba que x3 y x5 son cero en nuestro ejemplo, mientras que x4 = 2 y
x6 = 9600.



nlisis de sensibilidad de los segundos miembros de las restricciones
Ahora vemos qu ocurre con la solucin ptima cuando varia al segundo miembro
de una restriccin. Vamos a suponer que la gerencia est considerando la
instalacin de un equipo que puede reducir el humo en un 20%. Esto permitira
cumplir con las normas legales con una emisin no controlada de humo a partir de
la cmara de combustin de hasta 15 Kg/h.
Figura . Funcin objetivo alternativa

Consideraremos en primer lugar que la emisin mxima permitida de humo se
increment de 12 a 13 kg/h, permaneciendo iguales todos los otros coeficientes.
Esto provoca un cambio paralelo hacia arriba en la restriccin de humo. En la figura
2-5, puede verse como se agranda la regin factible. En la nueva regin factible Z =
408 ya no es el valor ptimo de la funcin objetivo, sino que su mejor valor se
encuentra en el punto D. Por tanto, la solucin ptima cambia de A a D. Est cambio
ocurre debido a que la restriccin de humo se cumple estrictamente en la solucin
ptima del problema original. Ahora los nuevos niveles de actividad de las variables
son X1 = 11 y X2 = 7.5. Esta disminucin en X1 provoca una reduccin en menos
de 24 unidades en la produccin de vapor, mientras que el incremento de X2
aumenta la produccin en 30 unidades. El incremento es de 6. Entonces el nuevo
valor mximo de la funcin objetivo ser de z = 408 + 6 = 414.



La mejora en el valor ptimo de la funcin objetivo debido a un incremento unitario
en el segundo miembro de una restriccin se denomina coste de oportunidad o
precio sombra de la restriccin. En este caso, el coste de oportunidad de la
restriccin de humo es 6.
Qu sucedera si la emisin mxima de humo fuera de 14,15, 16 y 17 kg/h? En la
figura 2.5 se puede observar cmo el rea de la regin factible se agranda por cada
cambio hasta un mximo de 16. Comprueba que por cada cambio la funcin objetivo
aumenta en 6.
Para un incremento superior a 16 la restriccin de humo se vuelve redundante.
Ahora la solucin ptima estar restringida por las restricciones del pulverizador y
del azufre, as como por la de carga. Por lo tanto, el coste de oportunidad de esta
restriccin es cero para valores mayores de 16.
La pregunta original requera determinar el incremento en la produccin de vapor
para un cambio en el nivel permitido de humo de 12 a 15 kg/h. Este ser de 3 x 6 =
18 unidades de vapor/h.
Cul es el costo de oportunidad de una restriccin que no se verifique
estrictamente en la solucin ptima? Resulta claro que si una parte del recurso no
se utiliza, esto es si la variable de holgura es positiva, las cantidades adicionales de
ese recurso no tienen valor. Slo aumentaran la cantidad de holgura. Por lo tanto,
el precio sombra de tal restriccin es cero.
Determina los precios sombra de las restricciones restantes. Observar la interesante
relacin entre el coste de oportunidad de una restriccin y la variable de holgura
asociada a la misma. Cuando un recurso se utiliza completamente su coste .de
oportunidad es, por lo general, positivo (no negativo para ser ms exactos) y su
variable de holgura cero, mientras que cuando la variable de holgura es positiva el
precio sombra es cero.
Los precios sombra proporcionan a la gerencia una valiosa informacin acerca de
los beneficios que se pueden obtener al suavizar las restricciones. Si estos
beneficios superan al coste que provoca suavizar una restriccin dada, entonces
tales cambios son atractivos.



Figura. Anlisis de sensibilidad de los segundos miembros de las restricciones



Bibliografa

Castillo, E; AJ Conejo; P Pedregal; R Garca y N Alguacil. Formulacin y Resolucin de
Modelos de Programacin Matemtica en Ingeniera y Ciencia; Ciudad Real, Espaa, 2002.
Disponible en: .
Castillo, E, AJ Conejo, P Pedregal, R Garca, y N Alguacil. Formulacin y Resolucin de
Modelos de Programacin Matemtica en Ingeniera y Ciencia. Captulo 2. Modelizacin;
Ciudad Real, Espaa, 2002. Disponible en: http://www.investigacion-
operaciones.com/Libro/modelizacion.pdf.
Hillier, FS y GJ Lieberman. Introduction to Operations Research; Singapore: McGraw-Hill
Internacional, 2005.
Vanderbei, RJ. Linear Programming: Foundations and Extensions; New Jersey, USA:
Princenton University, 2001.
http://thales.cica.es/rd/Recursos/rd98/Matematicas/29/matematicas-29.html
Hiller F. Y G. Lieberman Introduccin a la investigacin de operaciones. McGraw Hill (5
edicin).
www.monografias.com/trabajos6/proli/proli.shtml
Ttulo: "Programacin lineal y mtodos de optimizacin".
Autor: Eduardo Ramos Mndez.
Universidad Nacional de Educacin a Distancia. Madrid. 1997.
Libros de texto de Matemticas de C.O.U. Opciones C y D.
Autores: varios
Editoriales: Anaya, Ecir, Edelvives, SM.

Programacion Lineal

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Programacion Lineal

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD AUTONOMA SAN FRANCISCO

CARRERA PROFESIONAL DE INGENIERIA INDUSTRIAL

Vous aimerez peut-être aussi