Académique Documents
Professionnel Documents
Culture Documents
MODELACIN MATEMTICA
Y OPTIMIZACIN
DEDICATORIA
Contenido
1.
ORGENES ................................................................................................................... 7
1.2.
1.3.
2.
MODELOS ................................................................................................................. 13
2.1.1.
2.1.2.
2.1.3.
2.2.
2.2.1.
2.2.2.
2.2.3.
2.2.4.
2.2.5.
2.3.
2.3.1.
2.3.2.
2.3.3.
3.
3.2.
3.3.
3.3.1.
Proporcionalidad .................................................................................................. 27
3.3.2.
Aditividad ............................................................................................................ 27
3.3.3.
3.4.
3.4.1.
3.4.2.
3.4.3.
3.4.4.
3.4.5.
3.4.6.
3.4.7.
3.4.8.
3.5.
3.5.1.
3.5.2.
4.
4.2.
4.3.
4.4.
4.5.
4.5.1.
4.5.2.
5.
5.1.1.
5.1.2.
5.1.3.
5.2.
5.2.1.
5.2.2.
6.
6.1.1.
6.1.2.
6.2.
6.3.
6.3.1.
6.3.2.
6.4.
6.5.
6.6.
6.6.1.
6.6.2.
7.
8.
8.1.
8.1.1.
8.1.2.
8.2.
8.2.1.
9.
9.2.
9.3.
9.4.
9.5.
10.
10.1.
10.2.
10.3.
11.
SINOPSIS
La presente publicacin trata de familiarizar al estudiante con los principales aspectos
de la Investigacin de Operaciones (IO), incluyendo su origen histrico, su naturaleza y sus
diversas tcnicas. El nfasis principal se da a los modelos de programacin lineal, incluyendo
la programacin lineal entera y el problema del transporte. Posteriormente, se presenta una
introduccin a los modelos de redes. As, estas notas pueden utilizarse en cursos de
Investigacin de Operaciones I, Modelacin Matemtica e Introduccin a la Optimizacin,
tanto para pregrado como para postgrado.
La metodologa utilizada es la exposicin de los principales temas con numerosos
modelos y ejemplos resueltos. Se proponen tambin diversos ejercicios en cada una de las
secciones para ser desarrollados por los estudiantes. Para una mejor comprensin del texto, se
sugiere la lectura secuencial por captulos antes de cada clase, complementada con referencias
adicionales.
Se agradece sinceramente a todas las personas que con su esfuerzo como monitores
hicieron posible la recopilacin de estas notas de clase: A Hctor Toro, Ana Mara Prez, Juan
Carlos Lozano, Jhonatan Arias y a todas las personas que de una u otra forma han colaborado
con la produccin de estas notas.
Carlos Julio Vidal Holgun
Enero de 2011
carlos.vidal@correounivalle.edu.co
1. LA INVESTIGACIN DE
OPERACIONES
1.1. ORGENES
Algunos autores afirman que las primeras semillas para el surgimiento de la IO se
remontan hacia mediados del siglo XVIII cuando en 1759 el economista Quesnay utiliz
algunos modelos simples de programacin matemtica y hacia el ao 1874 cuando otro
economista, Walras, us tcnicas similares. Sin embargo, el acontecimiento histrico que
marc el verdadero origen de la IO fue la segunda guerra mundial.
Generalmente, en tiempos de guerra los recursos se vuelven escasos y su utilizacin
debe hacerse en la forma ms racional posible para obtener de ellos el mximo provecho. Fue
as como la milicia britnica y posteriormente la de los Estados Unidos decidieron apoyarse en
un grupo de investigadores con el objeto de disear procedimientos cientficos para ser
utilizados en las estrategias y tcnicas militares. Estos grupos se dedicaran, por lo tanto, a
investigar las operaciones militares. Al parecer, de aqu surgi el nombre de esta disciplina
como sigue utilizndose actualmente. Es de destacar que los estudios realizados por estos
grupos de cientficos, segn se afirma, contribuyeron positivamente a grandes triunfos de los
pases aliados en la segunda guerra mundial, tales como las batallas de Inglaterra y del
Atlntico Norte.
Por otra parte, como consecuencia de la primera Revolucin Industrial acaecida en el
Siglo XIX, las organizaciones en general haban sufrido cambios sustanciales, pasando de
pequeos talleres artesanales a medianas y grandes empresas. Adems, se pas de empresas
con un solo administrador o dueo absoluto, quien tena a su cargo las principales decisiones,
a empresas que por su naturaleza y tamao tuvieron la necesidad de crear la divisin funcional
del trabajo y segmentar las responsabilidades administrativas, delegando en varias personas el
proceso de toma de decisiones.
Aunque lo anterior trajo grandes ventajas, empezaron a surgir problemas debidos a la
independencia de los departamentos y secciones de las empresas. Cada ente defenda sus
objetivos particulares, sin contribuir como un todo a las metas y objetivos generales de la
organizacin, lo cual inclusive se sigue observando en la actualidad. Es entonces cuando
aparecen los primeros problemas de decisin a alto nivel, los cuales eventualmente tratara de
abordar algunas tcnicas de la investigacin de operaciones.
Debido al xito de los grupos de cientficos que realizaron la investigacin de
operaciones militares y como el ambiente de las organizaciones era el propicio, la industria
empez a interesarse en ellos para que disearan procedimientos cientficos para abordar los
problemas de decisin que las empresas estaban enfrentando. Fue as como al terminar la
guerra, los britnicos comenzaron a utilizar esta metodologa en sus industrias y se dieron
cuenta que sus problemas eran de naturaleza semejante a la de los problemas militares:
recursos limitados y dificultad para lograr su mejor asignacin a las diversas actividades de la
empresa. En los Estados Unidos, el inters de la industria por las tcnicas de la IO no fue tan
inmediato y surgi con el advenimiento de las Segunda Revolucin Industrial, caracterizada
por la automatizacin y el advenimiento de los computadores electrnicos digitales.
El notable adelanto logrado en pocos aos en las tcnicas de la IO se debi al inters de
muchos cientficos en perfeccionar lo que ya haban desarrollado para las tcticas militares y
al surgimiento de los computadores. Fue as como en 1947, el Dr. George Dantzig, con la
ayuda de muchos de sus antecesores, logr desarrollar el mtodo simplex para la solucin de
problemas de programacin lineal, mtodo que hasta la actualidad es utilizado mundialmente
para la solucin de grandes problemas de aplicacin de esta tcnica.
Antes de finalizar la dcada de los 50s, otras tcnicas de la IO fueron ampliamente
desarrolladas, tales como la programacin dinmica, la teora de colas y la teora de
inventarios. En 1952 se funda en Estados Unidos la Operations Research Society of
America, ORSA, la cual hacia 1972 ya contaba con alrededor de 8000 miembros en todo el
mundo. Posteriormente, la ORSA se fusion con el Instituto Americano para las Ciencias de
la Administracin y se cre el Institute for Operations Research and the Management
Sciences, INFORMS (ver pgina web www.informs.org), el cual actualmente cuenta con
miles de miembros de todo el mundo y celebra reuniones trimestrales en los Estados Unidos y
reuniones anuales en diferentes partes del mundo, donde se exponen las ltimas
investigaciones en el rea. Existen tambin actualmente diversas organizaciones en todo el
mundo para la divulgacin y el desarrollo de la investigacin de operaciones, tales como
EURO en Europa y la recientemente creada SOCIO en Colombia (Sociedad Colombiana de
Investigacin de Operaciones). Todas estas organizaciones tienen importantes publicaciones
peridicas que circulan a nivel mundial. INFORMS, por ejemplo, publica las revistas
Operations Research y Management Science, entre otras, de gran renombre en el rea de
investigacin de operaciones.
En las universidades, por otra parte, existen programas de estudios de pregrado y
postgrado (a nivel de maestra y doctorado) ntimamente relacionados con el rea de la
investigacin de operaciones. Existen, por ejemplo, escuelas de ingeniera industrial con reas
especializadas en optimizacin y en produccin y distribucin que hacen extensiva
investigacin y aplicacin de las tcnicas de la investigacin de operaciones.
Algunas de las tcnicas de la IO se han ido especializando de tal forma, que
actualmente representan un cuerpo independiente y con desarrollos propios, como por
ejemplo, la estadstica, la optimizacin y la simulacin. En otros casos, algunas reas del
conocimiento utilizan ampliamente la IO, como es el caso de la Logstica, la cual aplican por
ejemplo diversas tcnicas de optimizacin. Adems, existen diversos proveedores de software
dedicados exclusivamente al desarrollo de programas especializados de tcnicas de IO, como
es el caso de la simulacin y la optimizacin, quienes promueven sus productos con
seminarios y cursos alrededor del mundo.
Aunque muchas veces se ha dado la discusin sobre la utilidad real de la IO y su
posible decadencia, todo parece indicar que sus diversas tcnicas han tomado en la actualidad
completa independencia y autonoma, y las innumerables aplicaciones que existen siguen en
1.2. NATURALEZA DE
OPERACIONES
LA
INVESTIGACIN
DE
10
global y profundo de la organizacin misma, de tal forma que la definicin del problema, el
diseo del modelo y la utilizacin de sus soluciones estn enmarcados dentro del contexto del
sistema real y especfico bajo estudio. De esto ltimo puede deducirse que los resultados que
brinda la IO se obtienen en general de mediano a largo plazo, pues el conocimiento inicial del
sistema bajo estudio por parte del grupo puede consumir un tiempo considerable.
En resumen, y tal como lo expresan Hillier y Lieberman (1997), la investigacin de
operaciones se ocupa de la modelacin y la toma de decisiones ptimas en sistemas
determinsticos y probabilsticos de la vida real. Aqu nos ocuparemos de modelos
determinsticos de optimizacin y sus aplicaciones a sistemas reales.
1.3. IMPACTO
DE
OPERACIONES
LA
INVESTIGACIN
DE
Prcticamente cada una de estas tcnicas podra dar lugar a cursos completos o
seminarios especializados, con amplia exposicin de aplicaciones reales. Esta publicacin se
centra en lo que podra denominarse un curso de Introduccin a la Optimizacin o
Investigacin de Operaciones I, concentrndose principalmente en los modelos de
programacin lineal y brindando una introduccin a la teora de redes y a la programacin nolineal.
12
2. EL PROCESO DE DISEO EN
INGENIERA
Como ya se ha visto, la IO aplica el mtodo cientfico para analizar, modelar y
optimizar sistemas complejos reales. Desde el punto de vista de la ingeniera industrial y de
sistemas, esta metodologa podra definirse como el proceso de diseo en ingeniera. Este
proceso consiste en una serie de pasos bien definidos para encontrar la solucin de problemas
reales. La Figura 2.1 muestra una sntesis de este proceso.
Formulacin del Problema
Generacin de alternativas de
solucin
Formulacin y
validacin de un
modelo
Especificaciones de la(s)
solucin(es)
Implementacin, evaluacin y
control del diseo utilizado
mucho ms amplia del sistema bajo estudio y, en otras ocasiones, se hace imprescindible su
utilizacin.
El modelo formulado entra en un proceso de validacin para determinar su grado de
aproximacin con la realidad, a travs de la comparacin con resultados histricos y con
indicadores extrados del sistema real bajo anlisis. Una vez superado este paso, el modelo
puede utilizarse para evaluar las alternativas de solucin y determinar la mejor.
Los dos pasos siguientes son comunes al proceso bien sea que exista o no un modelo
de decisin. Se trata de especificar claramente la solucin con el objeto de que sea
implementada de una forma correcta y de que permita su continua evaluacin y control. Estos
pasos pueden identificar desviaciones de la realidad o cambios con respecto de la concepcin
original del problema, de tal forma que se puede hacer necesario un proceso continuo de
anlisis y refinamiento del modelo, incluso existiendo la posibilidad de reformular el problema
e iniciar el proceso de nuevo.
2.1. MODELOS
Uno de los pasos fundamentales del proceso descrito anteriormente puede ser la
formulacin y validacin de un modelo de decisin. En general, puede decirse que un modelo
es la abstraccin de la realidad, el cual debe poseer dos caractersticas bsicas:
En todas las disciplinas, de una u otra forma, se utilizan modelos. A continuacin se da una
clasificacin tpica de modelos.
Fsicos, los cuales normalmente lucen semejantes a la realidad fsica, pero a menor
escala, como por ejemplo un avin en miniatura siendo probado en un tnel de
viento.
14
Otro tipo de clasificacin define los modelos como descriptivos, o sea aqullos que
slo describen el sistema bajo estudio, o normativos u optimizables, los cuales se formulan
para mejorar u optimizar el sistema bajo estudio. De manera semejante, los modelos se pueden
clasificar en determinsticos o estocsticos (probabilsticos), de acuerdo con su capacidad de
involucrar o no variables aleatorias en el anlisis.
A partir de estas ltimas clasificaciones, se pueden dar todas las combinaciones
posibles de modelos, a saber:
Existen otras clasificaciones ms detalladas, pero con las dadas aqu es suficiente para
ilustrar los tipos de modelos objeto de esta publicacin. En general, los modelos matemticos
tratados en esta publicacin, es decir los de programacin lineal, modelos de redes y
programacin no-lineal, pueden ser clasificados como modelos matemticos determinsticooptimizables.
Por el contrario, existen tambin algunas desventajas que deben ser evaluadas antes de
emprender la tarea de formulacin de un modelo para la solucin de un problema. Ellas son:
16
Tabla 2.2. Mxima cuota, consumo de agua y retorno esperado de cada cultivo
RETORNO
MXIMA CUOTA
CONSUMO DE AGUA
CULTIVO
ESPERADO
(ha)
(m3/ha)
($/ha)
600
3
400
Remolacha
500
2
300
Algodn
325
1
100
Sorgo
Las tres comunas han llegado a un acuerdo para que cada comuna siembre la misma
proporcin de su tierra irrigable disponible. Sin embargo, cualquier combinacin de cultivos
puede sembrarse en cualquiera de las comunas. Deben, entonces, planearse cuntas hectreas
destinar para cada tipo de cultivo en cada comuna. Formule un modelo de programacin lineal
para este efecto, de manera que se maximice el retorno neto esperado de todas las comunas.
2.2.2. El Problema del Transporte (Programacin lineal)
Una compaa multinacional posee n fbricas situadas en diferentes lugares, desde las
cuales surte a sus m principales distribuidores localizados tambin en diferentes lugares.
Continuamente las fbricas deben cubrir las demandas de sus distribuidores, teniendo en
cuenta su capacidad de produccin. Si ai es la capacidad de produccin de la planta i (i = 1, 2,
..., n), bj es la demanda del distribuidor j (j = 1, 2, ..., m), y cij es el costo unitario de transporte
desde la fbrica i hacia el distribuidor j (i = 1, 2, ..., n; j = 1, 2, ..., m), formule un modelo
matemtico de programacin lineal que permita encontrar los flujos entre cada fbrica y cada
distribuidor, de tal forma que se satisfaga la demanda al costo total mnimo de transporte.
2.2.3. El Problema del Salvavidas (Programacin no-lineal)
Un salvavidas se encuentra situado en un punto S sobre una playa plana y recta, situado
a 30 m de la orilla, como muestra la Figura 2.2. Dentro del agua, en un punto P, situado 80 m a
la izquierda de S y 100 m dentro del agua, se encuentra un baista en peligro de ahogarse. El
salvavidas puede correr a una velocidad lineal constante de 9 m/seg sobre la tierra y nadar a
una velocidad lineal constante de 2.5 m/seg. Formule un modelo de programacin matemtica
para determinar la ruta que debe seguir el salvavidas de tal forma que llegue lo ms pronto
posible donde se encuentra la persona en peligro. Discuta detalladamente el mayor nmero
posible de supuestos que tuvo que considerar para obtener el modelo formulado.
P
agua
100 m
80 m
tierra
30 m
Figura
2.22.2.
El El
problema
del
salvavidas
Figura
problema del
salvavidas
18
2.3. ALGORITMOS
MODELOS
PARA
LA
SOLUCIN
DE
Una vez formulado un modelo matemtico, ste debe resolverse para cumplir con los
pasos de evaluacin de las alternativas y seleccin de la(s) alternativa(s) ptima(s). El proceso
que se utiliza para lograr este objetivo se denomina algoritmo. Un algoritmo es, por lo tanto,
un conjunto finito de pasos, especialmente diseado para la solucin de un problema.
Desde el punto de vista de cumplimiento de los objetivos de un algoritmo, se dice que
ste es eficiente si resuelve el problema en un tiempo razonable. Por otra parte, se dice que un
algoritmo es efectivo siempre y cuando produzca una solucin de alta calidad, o sea una
solucin del problema bajo estudio que est lo suficientemente cerca de la solucin ptima
como para que pueda ser utilizada en el proceso de diseo en ingeniera.
ORDEN DEL
ALGORITMO
Tamao del
problema
n = 80
0.001 seg.
0.002 seg.
0.004 seg.
0.008 seg.
n3
0.001 seg.
0.008 seg.
0.064 seg.
0.512 seg.
2n
0.001 seg.
1.024 seg.
12.43 das
10
aos!!
20
22
e)
2) Una compaa petrolera est planeando construir un oleoducto para llevar petrleo crudo
desde un pozo hasta un punto donde se embarcar en tanques y ser transportado a la
refinera. La figura siguiente muestra la disposicin geogrfica del pozo y del punto de
embarque.
Punto de embarque
Ro
25 Km
Pozo de petrleo
320 Km
$72/Km
$90/Km
$150/Km
CAPACIDAD
TONELADAS
2000
3000
1500
CAPACIDAD
PIES CUBICOS
100,000
135,000
80,000
Usted como propietario del barco puede aceptar el total o una parte de los artculos que se
ofrecen para el transporte. Las caractersticas de estos artculos son las siguientes:
WinQSB (Quantitative Systems for Business para Windows), versin 1.00, por Yih-Long Chang.
ARTICULO
CANTIDAD
EN TON.
6000
1000
2000
A
B
C
VOLUMEN
PIES CUB/TN
60
50
25
UTILIDAD
$/TN
6000
8000
5000
Para preservar el equilibrio del barco el tonelaje transportado en cada bodega debe ser
proporcional a su capacidad en toneladas. Formule un modelo matemtico que le permita
determinar la mejor forma de cargar el barco para obtener la utilidad mxima.
4) Su compaa posee tres plantas, en las cuales elabora un componente pequeo para un
producto industrial. La compaa comercializa el producto a travs de cinco distribuidores
en el pas. Los pronsticos de ventas indican que los requerimientos mensuales por
distribuidor son los siguientes:
Distribuidor
Demanda mensual
2
2700
3
2700
4
9000
5
4500
3600
1
4500
2
9000
3
11250
60
30
54
Los costos de envo a distribuidores desde las plantas se muestran en el cuadro siguiente,
en $/unidad:
Distribuidor
Planta 1
Planta 2
Planta 3
2
1.5
2.4
3.0
3
2.1
1.8
2.7
4
3.3
3.0
2.7
5
4.5
3.6
3.0
4.8
4.5
4.8
CONTENIDO
FACTOR f (%)
51
11
14
36
COSTO POR
KILOGRAMO
$4.0
$2.0
$2.4
$3.0
24
Se trata de obtener una mezcla de una tonelada (1000 Kg), cuyo contenido del factor f sea
por lo menos del 18% y con la condicin que las materias primas B y C no constituyan
ms del 20% de la mezcla. Formule un modelo matemtico que le permita determinar
cunto de cada materia prima debe utilizar para la mezcla con el mnimo costo posible.
6) Una industria de papel produce pulpa la cual puede vender al mercado local o utilizar para
fabricar papel blanco o cartn. Una tonelada de cartn requiere 0.7 ton de pulpa, mientras
que una tonelada de papel blanco consume 0.9 ton de pulpa (el cartn y el papel blanco
requieren de otras materias primas que no se consideran en este problema). La pulpa se
produce a partir de bagazo de caa de azcar, con un rendimiento del 40%. Se dispone de
260,000 ton/ao de bagazo. Las instalaciones para producir pulpa tienen capacidad para
250 ton/da. La mquina de cartn trabaja a una velocidad efectiva de 200 ton/da y la de
papel blanco a 150 ton/da. La produccin se hace durante 335 das al ao, ya que el resto
de tiempo se dedica a mantenimiento.
Cada tonelada de papel blanco producida arroja al ro 10 unidades de contaminacin; una
tonelada de cartn arroja 6 unidades y cada tonelada de pulpa arroja 20 unidades. Se
permite un mximo total de 1,000,000 unidades de contaminacin/ao arrojada al ro.
Las utilidades netas por tonelada de pulpa, cartn y papel blanco son $50, $60 y $80,
respectivamente.
Formule un modelo de PL que permita estimar el mejor plan de produccin anual. Asuma
que todo lo que se produce puede venderse.
3. FORMULACIN DE MODELOS DE
PROGRAMACIN LINEAL
3.1. ORGENES Y ANTECEDENTES HISTRICOS
La Programacin Lineal (PL) es una de las tcnicas de la investigacin de Operaciones.
Muchos autores consideran que ha sido uno de los ms importantes avances cientficos del
presente siglo y, de hecho, su gran aplicacin y la magnitud de todos los problemas que ha
resuelto, as lo confirman. Mediante la utilizacin de la PL se han logrado ahorros millonarios
en las organizaciones que la han aplicado.
Los orgenes de la PL se remontan hacia la dcada del 40, cuando el economista
Leontief desarrolla el mtodo de anlisis insumo-producto. En 1947, Stigler plantea el
conocido problema de la dieta, el cual trataba de buscar la combinacin de alimentos ms
barata, que permitiera a la persona tener los requerimientos mnimos de protenas, vitaminas,
minerales, carbohidratos, etc. Y es en este mismo ao cuando el Dr. George Dantzig concluye
su desarrollo del mtodo simplex de solucin de problemas de PL. Sin este mtodo la PL
nunca hubiera tenido el desarrollo y la aplicacin desde 1950 hasta nuestros das. Sin
embargo, el mtodo simplex tampoco hubiera sido tan til sin la valiosa ayuda de los
computadoras digitales, los cuales permitieron resolver problemas de gran magnitud rpida y
eficientemente (en un estudio realizado por la IBM se concluy que aproximadamente el 25%
del tiempo de computador se dedica a clculo de PL y sus afines).
El mtodo simplex se ha venido aplicando aproximadamente desde 1950 y su
utilizacin actual es extensa, aunque todava existen problemas de tal magnitud, los cuales son
muy difciles de resolver incluso con las capacidades computacionales que existen
actualmente, debido precisamente a su tamao y al tiempo de computador que se utilizara en
ellos. Uno de estos problemas son los de las compaas areas, los de las refineras de petrleo
y los de optimizacin de cadenas de suministro, los cuales normalmente tienen un alto nmero
de variables y restricciones. Varios procedimientos especiales han sido diseados para estos
problemas, los cuales generalmente descomponen el problema original en una serie de
subproblemas ms fciles de resolver. Igualmente, actualmente existen los denominados
algoritmos de punto interior, los cuales compiten con el mtodo simplex en algunos problemas
y vienen implementados en el software especializado que resuelve modelos de programacin
lineal.
26
Para mayores detalles sobre esta discusin, consultar Chvtal (1983), Captulo 4, pg. 4552.
3.3. SUPOSICIONES
DE
LOS
PROGRAMACIN LINEAL
MODELOS
DE
Las condiciones bsicas que deben cumplirse para que tanto la funcin objetivo como
cada una de las restricciones sean de naturaleza lineal son la proporcionalidad y la aditividad.
Ellas se explican a continuacin.
3.3.1. Proporcionalidad
La proporcionalidad expresa bsicamente que si una unidad de la actividad i cuesta $a
y gasta b unidades del recurso j, entonces xi unidades de la misma actividad costarn $axi y
consumirn bxi unidades del recurso j. Esto debe ser vlido para cualquier actividad i y para
cualquier recurso j, de tal forma que el modelo obtenido sea lineal. La proporcionalidad debe,
por lo tanto, existir en todas las restricciones y en la funcin objetivo.
Este no es el caso ms comn en la realidad. Sin embargo, dentro de ciertos rangos
normales de operacin de los sistemas, existe comnmente la proporcionalidad. Fuera de estos
rangos es probable que haya que utilizar otras tcnicas, tales como la programacin no-lineal.
3.3.2. Aditividad
El hecho de que exista la proporcionalidad para todas las actividades no garantiza que
todas las funciones sean lineales, ya que puede existir cierto grado de dependencia entre las
actividades, lo que ocasionara la aparicin de no-linealidades. Lo que plantea la aditividad,
por lo tanto, es que las contribuciones de cada actividad a la funcin objetivo y a las
restricciones sean independientes de otras actividades.
A manera de ilustracin, supngase que una empresa produce los artculos A y B, los
cuales producen utilidades unitarias de $30/unidad y $20/unidad, respectivamente, e
independientemente de las cantidades que se produzcan. As, la funcin objetivo se escribira
como:
(3.1)
Donde XA y XB son las cantidades a producir de A y B, respectivamente. Obsrvese,
primero, que el supuesto de proporcionalidad est implcito en la funcin objetivo (3.1).
Adems, las contribuciones de cada actividad, XA y XB, son independientes entre s.
28
Supngase ahora que el hecho de producir una mayor cantidad del artculo B, hace que
los costos de produccin del artculo A se incrementen. As, por ejemplo, la utilidad unitaria
del artculo A se vera disminuida mediante cierto factor y podra expresarse como $(30
0.0001XB)/unidad. La funcin objetivo sera por lo tanto:
(3.2)
3.4.
TRANSFORMADOR
40 VA
75 VA
UTILIDAD
HORASNETA
HOMBRE
UNITARIA [$] POR UNIDAD
400
1
700
7/3
HORAS
MAQUINA 1
POR UNIDAD
1.0
1.4
HORAS
MAQUINA 2
POR UNIDAD
1.0
1.0
4
5
Variables de decisin
30
Las actividades en las que est interesada esta empresa en el momento son: Producir
transformadores de 40 VA y/ de 75 VA. Por lo tanto, las variables de decisin son:
X1 = Nmero de transformadores de 40 VA que va a producir en el mes.
X2 = Nmero de transformadores de 75 VA que va a producir en el mes.
b)
Funcin Objetivo
Obsrvese que es muy importante definir las unidades de la funcin objetivo. En este
caso la funcin U debe ser MAXIMIZADA.
c)
Restricciones
Las restricciones surgen por la limitacin de los recursos. En este caso slo se dispone
de cierto nmero de hr.hombre y de hr.mquina para distribuir entre las dos actividades
definidas. Cada actividad gasta cierta fraccin de esos recursos. Con base en lo anterior, las
restricciones son:
d)
Sujeto a:
Restricciones
Restricciones Obvias
HORASHORASUTILIDAD
HORASMQUINA 1 MQUINA 2
NETA
HOMBRE POR
POR
POR
UNITARIA [$]
UNIDAD
UNIDAD
UNIDAD
400
1
1,0
1,0
700
2 1/3
1,4
1,0
32
Nota: Una porcin se refiere a una cantidad estndar normal para el consumo humano.
Por ejemplo, una porcin de huevo = 1 huevo y una porcin de arroz = 100 gr de arroz.
Su problema es entonces determinar qu cantidad de cada alimento a consumir
diariamente para cumplir con sus necesidades alimenticias al mnimo costo posible.
a)
Variables de decisin
Sean:
X1 = Porciones de huevo a comprar diariamente.
X2 = Porciones de arroz a comprar diariamente.
b)
c)
Restricciones:
Note que en este caso las restricciones son de mayor o igual, pues se trata de
requerimientos mnimos. Adems no aparece inicialmente la restriccin por enteros (variables
continuas).
d)
ANCHO DEL
ROLLO (pulg.)
1
3
0
0
0
30
35
40
50
DESPERDICIO
(pulg.)
2
0
3
0
0
24
3
1
0
2
0
9
4
0
0
0
2
4
14
5
2
1
0
0
19
6
2
0
1
0
7
2
0
0
1
14
8
1
2
0
0
4
14
9
0
2
1
0
10
1
1
1
0
4
11
0
1
0
1
29
12
0
0
1
1
24
Funcin Objetivo
c)
Restricciones
34
Note que lo que interesa es simplemente satisfacer el pedido y por ello las restricciones
son de igualdad. Sin embargo, la solucin del modelo vara notablemente con restricciones de
(ver pg. 26- A). El modelo matemtico ser la reunin de la funcin objetivo y las
respectivas restricciones.
Solucin del modelo N 3: Corte de papel
1. Con restricciones de igualdad:
Se generan infinitas soluciones. Seis de ellas son:
X 2 200 X 1 331 3 X 2 50
X 3 100 X 2 66 2 3 X 5 50
X 7 100 X 7 100
X9 0
X 9 200
X 8 100 X 8 100
X 7 100 X 7 100
X 200 X 9 200
X 9 200 X 9 150 9
X 3 100
X 4 50
X 7 150
X 9 300
Dmn = 1800 pul. Aqu sobran rollos, pero se cumple con el pedido. Comente sobre las
implicaciones de estas dos soluciones y su relacin con casos reales.
CAPACIDAD MXIMA
POR PESO EN TON.
16
20
14
VOLUMEN MXIMO
EN METROS CBICOS
200
250
150
El propietario del avin tiene posibilidad de llevar parte de la carga o toda la que se le
ofrece (si tiene capacidad). Esta carga y sus caractersticas son las siguientes:
TIPO
CLASE DE
CARGA
1
2
3
4
Herram.
Libros
Flores
Artesanas
VOLUMEN EN
UTILIDAD
CANTIDAD
METROS
OBTENIDA POR
OFRECIDA PARA
CUBICOS POR SU TRANSPORTE
LLEVAR (EN TON.)
TON.
EN $/TON.
20
1,0
250.000
15
2,0
280.000
8
10,0
500.000
10
6,0
360.000
Variables de decisin
En este tipo de problema se empieza a ver la necesidad de definir las variables con dos
subndices, pues la decisin debe hacerse en dos etapas: qu tipo de mercanca y a dnde
llevarla. As:
Xij = Toneladas de la carga tipo i a ser transportada en el compartimiento j.
i=1
i=2
i=3
i=4
Herramientas
Libros
Flores
Artesanas
j=1
j=2
j=3
Compartimiento delantero
Compartimiento central
Compartimiento trasero
Es decir, que existirn 4 3 = 12 variables de decisin, a saber: X11, X12, X13, X21, X22,
X23, X31, X32, X33, X41, X42 y X43.
Si se considera ms fcil, las variables podran reenumerarse, por ejemplo, Y1, Y2,.....,
Y12 incluso X1, X2,....., X10, X11, X12. Sin embargo, la utilizacin de los subndices siempre
deja mayor claridad en el significado fsico de las variables.
36
b)
Funcin Objetivo
Restricciones
En este caso existen cuatro grupos diferentes de restricciones, as: Por la capacidad en
peso de cada compartimiento del avin, por la capacidad volumtrica de los mismos, por la
cantidad de tipo de carga ofrecida para su transporte y por la condicin de equilibrio del avin.
Estos grupos de restricciones son:
Por capacidad en peso en cada compartimiento:
Restricciones obvias:
d)
X32 = 8
X41 = 4.8
X43 = 5.2
Holguras:
Sobran 153.8 m3 en la bodega delantera.
Sobran 158 m3 en la bodega central.
Sobran 101.2 m3 en la bodega trasera.
Sobran 3 toneladas de herramientas, que no se transportan.
Todas las bodegas van a su capacidad mxima en peso.
MES
1
2
3
4
CONTRATO
CAPACIDAD DE COSTO UNITARIO
DE VENTAS PRODUCCIN EN
DE
EN UNIDADES
UNIDADES
PRODUCCCIN
20
40
$ 140
30
50
$ 160
50
30
$ 150
40
50
$ 170
Un fabricante debe cumplir un contrato a cuatro meses durante los cuales varan los
costos de produccin. El costo de almacenamiento de unidades producidas en un mes
determinado y no vendidas en ese mes es de $10 por unidad y por mes. Se dispone de la
siguiente informacin:
Formule un modelo matemtico para determinar el programa ptimo de produccin
que cumple con el contrato a costo total mnimo.
Este modelo ilustra el hecho de que pueden existir formas diferentes de definir las
actividades. Algunas de estas formas pueden ser mejores y ms manejables que las otras y la
eficiencia del modelo obtenido depende en gran parte del arte de definirlas correctamente.
38
3.4.5.1.
a)
Variables de decisin
Funcin Objetivo
La funcin objetivo tiene dos componentes: Los costos de produccin y los costos de
almacenamiento.
Costos de produccin CP:
MES
DESCRIPCIN
Inventario inicial
Produccin
Ventas
Inventario Final
0
X1
20
X1-20
X1-20
X2
30
X1+X2-50
X1+X2-50
X3
50
X1+X2+X3-100
X1+X2+X3-100
X4
40
X1+X2+X3+X4-140
39
c)
Restricciones:
Obvias:
d)
Modelo matemtico:
Sujeto a:
3.4.5.2.
a)
40
b)
Funcin Objetivo
En este caso no hay necesidad de construir el flujo de las unidades para encontrar la
funcin objetivo, pues ya lo tienen intrnseco. As:
En la expresin anterior, el primero trmino representa el costo de las unidades que han
estado almacenadas durante un mes, el segundo trmino las que han estado almacenadas
durante dos meses, y el ltimo durante tres meses. As la funcin objetivo ser:
c)
Restricciones:
Obvias:
41
d)
Modelo matemtico:
Sujeto a:
3.4.5.3.
X11 = 20
X12 = 20
X22 = 10
X23 = 20
X33 = 30
X44 = 40
Obsrvese la completa correspondencia entre las dos soluciones. Ntese que este
modelo aunque tenga igual nmero de restricciones que el de la primera forma de solucin,
tiene 10 variables, mientras que el primero tiene 4. Esto podra ser una desventaja de manejo
del modelo. Sin embargo, este ltimo permite no slo tener las unidades que se deben producir
en un mes determinado (tal como el primer modelo), sino tambin cuando deben venderse. O
sea que, indudablemente el segundo modelo es superior al primero.
42
Variables de decisin
Funcin Objetivo
c.
Restricciones
43
Obvias:
; i =1, 2, 3, ..., n; j =1, 2, 3, ..., m
3.4.7.
Lograr un Valor Presente Neto mnimo de mil millones de pesos (Utilidad a largo
plazo).
b. Mantener el recurso laboral actual de 100 empleados (Nivel de empleo).
c. Sostener la inversin de capital en el nuevo equipo de 400 millones de pesos
(Inversin inicial).
Como el gerente utiliza a menudo el Enfoque de Sistemas en sus decisiones, establece
un puntaje de penalizacin para cada objetivo en caso de no cumplirse ste a cabalidad, as:
OBJETIVO
(a)
(b)
(c)
PUNTAJE DE PENALIZACIN
6 puntos por cada diez milloes de pesos menos
en el VPN
3 puntos por cada 100 empleados de ms,
4 puntos por cada 100 empleados de menos
4 puntos por cada diez millones de pesos en
que se sobrepase la inversin inicial
(a)
15
12
(b)
(c)
UNIDAD DE
MEDIDA
Decenas de
millones de $
Cientos de
empleados
Decenas de
millones de $
Cules deben ser las tasas de produccin de cada producto para que los objetivos se
cumplan de la mejor forma posible?
44
Obsrvese que las variables Yi (i =1, 2, 3,) pueden ser positivas o negativas. Por
ejemplo, si Y1> 0, indica que la utilidad ha sobrepasado los 1000 millones de pesos, pero si
Y1< 0, entonces la utilidad ha sido inferior a esa cifra y el objetivo no se habra cumplido.
Dado que manejar variables libres (las que pueden tomar valores positivos) no es
conveniente y debido a la naturaleza del problema, se reemplaza cada variable Yi (i = 1, 2, 3)
por la diferencia de dos variables positivas, as:
Sujeto a:
45
Obsrvese que hay variables que aparecen en las restricciones mas no en la funcin
objetivo, y ms an, las variables de decisin no aparecen directamente en la funcin objetivo.
Esto puede parecer sorprendente, pero en realidad las variables de decisin estn
estrechamente relacionadas con las variables auxiliares de la funcin objetivo (recordar la
definicin de estas ltimas). La solucin ptima de este modelo, aplicando el mtodo simplex,
es:
O sea que el producto 2, de acuerdo con la solucin ptima, no debera producirse. Las
metas de utilidad a largo plazo y de inversin inicial se cumplen a cabalidad, producindose
100 decenas de millones de utilidad es invirtindose inicialmente 40 decenas de millones de
pesos. La meta de nivel de empleo no puede ser cumplida y, dado que
46
KILMETROS
POR GALN
3,0
4,5
NMEROS
DISPONIBLE
48
35
PLANTA
DISTANCIA
DESDE LA
BASE EN Km.
1
2
3
4
675
720
810
900
PROBABILIDAD DE SER
DESTRUDA POR:
BOMB.
BOMB.
PESADO
MEDIANO
0,10
0,08
0,20
0,16
0,15
0,12
0,25
0,20
Variables de decisin:
Funcin objetivo:
En este caso hay dos formas de plantear la funcin objetivo: Maximizar la probabilidad
de xito Minimizar la probabilidad de fracaso.
Dado que un solo bombardero puede destruir la planta, la probabilidad de xito sera
difcil de expresar, pues sera la suma de las probabilidades de todas las posibles
combinaciones. Es ms sencillo minimizar la probabilidad de fracaso, pues el fracaso total de
47
la misin significa que todos los bombarderos fallen en todas las plantas y recurdese que con
slo destruir una planta se para la produccin de tanques del enemigo. La probabilidad de
fracaso sera la interseccin (producto) de todas las probabilidades de fracaso de cada
bombardero a cada planta (se considera independiente la accin de cualquier bombardero con
respecto a la de cualquier otro). As, la expresin para la funcin objetivo sera:
Como puede observarse, as definida la funcin objetivo no sera lineal. Pero se puede
linearizar fcilmente por medio de la funcin log P. Dada la naturaleza de la funcin
logartmica (Funcin biyectiva), es equivalente minimizar P que minimizar log P; as, la
funcin objetivo se convierte en:
La base del logaritmo sacado es indiferente, pues cualquier base logartmica se puede
cambiar a otra multiplicando por una constante. As, la funcin objetivo obtenida es lineal.
c.
Restricciones:
48
Simplificando, se obtiene:
Restricciones Obvias:
Xij 0;
Xij enteros;
d.
i =1, 2; j =1, 2, 3, 4
i =1, 2; j =1, 2, 3, 4
Sujeto a:
Xij 0; y enteros
i =1, 2; j =1, 2, 3, 4
La solucin ptima de este modelo de PL entera es: X14 = 43 y X24 = 34 con Zmx =
19.9572, , equivalentemente, una probabilidad de falla de P = e 19.9572 2.15 109 . O sea
que si se envan 43 aviones pesados y 34 aviones medianos, todos a la planta 4 del enemigo, la
probabilidad de falla de la misin es casi cero.
El paso siguiente, una vez el modelo ha sido formulado, es encontrar su solucin,
interpretarla, analizarla y tomar la decisin correspondiente, de acuerdo con el procedimiento
descrito en la Figura 2.1 anterior (El proceso de diseo en ingeniera). La seccin siguiente se
dedica entonces a la solucin de los modelos de programacin lineal.
49
Ejercicios 3.1.
Se presentan a continuacin una serie de ejercicios de programacin lineal, recopilados
y/ adaptados de diversas fuentes con fines didcticos. Varios de los ejercicios han sido
diseados por el autor. La bibliografa general se presenta al final de esta publicacin.
1.
2.
3.
Una compaa de alquiler de camiones dispone de dos tipos de vehculos el tipo A que
posee 20 pies cbicos de espacio refrigerado y 40 pies cbicos de espacio no refrigerado.
El tipo B que posee 30 pies cbicos de espacio refrigerado y la misma cantidad de espacio
no refrigerado. Una fbrica de alimentos debe transportar 900 pies cbicos de producto
refrigerado y 1200 pes cbicos de producto no refrigerado. Cuntos camiones de cada
tipo se deben alquilar, si el camin A se alquila a $30 por milla y el camin B a $40 por
milla, de tal forma que se minimice el costo total del transporte por milla recorrida?
(Prado, Hernando, Notas de Clase, 1978.)
4.
Una factora posee dos minas. La mina A produce diariamente 1 tonelada de material de
alta calidad, 3 toneladas de calidad intermedia y 5 toneladas de baja calidad; la mina B
produce diariamente 2 toneladas de cada una de las tres calidades. La compaa necesita,
para su posterior procesamiento, al menos 100 toneladas de material de alta calidad, 150
de mediana calidad y 180 toneladas de baja calidad. Cuntos das debe operarse sobre
cada mina para satisfacer las necesidades de la compaa si el costo diario de explotacin
es de $200.000 en cualquier mina? (Prado, Hernando, Notas de Clase, 1978.)
5.
Se dispone de n alimentos. Cada unidad del alimento j contiene Aij del nutriente i en sus
unidades caractersticas y tiene un costo de Pj pesos por unidad. Formule un modelo de
PL cuya solucin proporcione los niveles Bi mnimos requeridos diariamente del nutriente
i de tal manera que el costo sea mnimo (problema de la dieta). Trate de obtener una dieta
real tpica en la ciudad de Cali, a costo mnimo, investigando los requerimientos mnimos
de energa, protenas, vitaminas, minerales y otros nutrientes (basado en una dieta de 2000
Kcal). Incluya alimentos de los cuatro grupos principales, a saber: Lcteos, carnes,
50
vegetales y frutas y harinas y cereales. Investigue igualmente los precios actuales de estos
alimentos y determine el valor promedio diario de una dieta balanceada. Resuelva el
problema, primero, sin restricciones de raciones mnimas de los alimentos y luego
considerando cantidades mnimas y mximas de dichos alimentos.
6.
7.
8.
9.
Se hace un pedido a una papelera de 800 rollos de papel corrugado de 30 de ancho, 500
rollos de 45 de ancho y 1000 rollos de 56 de ancho. Si la papelera recibe de su
proveedor rollos de 108 de ancho nicamente y en cantidad suficiente, cmo deben
cortarse estos para cumplir con el pedido en forma exacta y para minimizar el papel
desperdiciado? (Prado, Hernando, Notas de Clase, 1978.)
10. Formule el problema anterior si se le permite cortar rollos en exceso de cualquier ancho
(adicionales a los del pedido), los cuales generan un costo de inventario despreciable y
podran ser consumidos en un futuro. Compare los resultados en cuanto al desperdicio
mnimo se refiere. Desprecie los costos de inventario que se pueden generar.
11. Usted recibe una orden de produccin en su taller que requiere del corte de lminas de
acero de cierto calibre. Se dispone de 250 lminas rectangulares de 120 240 cm y de 70
lminas rectangulares de 100 150 cm que haban sobrado de una orden anterior. La
orden consiste en 75 lminas rectangulares de 50 80 cm y 120 lminas cuadradas de 100
51
100 cm. Formule un modelo de PL que le ayude a decidir la mejor forma de cortar las
lminas disponibles para cumplir con la orden. Asuma como desperdicio cualquier retal
de lmina del cual no pueda obtenerse ninguna de las lminas requeridas en la orden.
Asuma igualmente que slo pueden realizarse cortes paralelos a las caras de las lminas.
12. Una industria produce dos artculos distintos A y B. La elaboracin de una unidad del
articulo A cuesta $20 por concepto de mano de obra y de una unidad del articulo B, $10.
Cada unidad de A utiliza $10 de materia prima y cada unidad de B $30. El desgaste del
equipo se considera proporcional a la produccin. Por cada unidad producida de A, el
equipo se desgasta $5 y por cada unidad producida de B, el equipo se desgasta $1. Se
cuenta con un presupuesto de $100.000 para salarios, de $180.000 para materia prima y
no conviene que el desgaste de los equipos exceda de $40.000. Determinar la cantidad que
debe producirse de cada artculo para obtener la mxima utilidad si el beneficio por cada
artculo A es de $8 y por cada artculo B es de $5.
13. Un ebanista dispone de dos tipos diferentes de madera, tiene 1500 pies de tabla tipo A y
1000 pies de tabla tipo B. Tambin dispone de 800 horas hombre para efectuar el trabajo.
La demanda estimada es la siguiente: cuando menos 40 mesas, 130 sillas exactamente, 30
escritorios exactamente y no ms de 10 estantes. Las cantidades de madera A y B y las
horas hombre que se requieren para la elaboracin de cada uno de los artculos anteriores
vienen dadas en la tabla siguiente:
ARTICULO
Mesa
Silla
Escritorio
Estante
MADERA
TIPO A
5
1
9
12
Determine cuantas unidades de cada uno de los artculos debe producir el ebanista con el
fin de cumplir su demanda y de obtener la mxima utilidad. (Prado, Hernando, Notas de
Clase, 1978.)
14. Un fabricante de aparatos de televisin tiene facilidades para ensamblar dos tipos de
televisor: el tipo A a color y el tipo B a blanco y negro. El televisor de tipo A se vende a
$49.500 la unidad y ocasiona un costo de produccin de $26.800. El de tipo 5 se vende en
$23.400 y ocasiona un costo de produccin de $11.190. La planta tiene capacidad diaria
para fabricar hasta 50 pantallas para televisin en colores. No se pueden comprar pantallas
a otros proveedores. Cada TV A requiere 18 horas hombre para el ensamblaje del chasis y
el tipo B requiere 8 hr.hombre. La planta emplea 225 hombres con un turno diario de 8
horas en el departamento de ensamblaje. Cada aparato tipo A requiere 1.6 horas hombre
para su armado completo, mientras que el tipo B requiere 1 hora hombre. La planta
emplea 30 hombres con turnos de 8 horas diarias para esta labor. Cada TV de color
requiere 2 horas hombre para inspeccin final mientras que cada TV en blanco y negro
requiere 0.5 horas hombre. La planta emplea 20 inspectores de tiempo completo y uno de
medio tiempo. Cuntos televisores de cada tipo deben producirse para maximizar la
utilidad neta total? (Prado, Hernando, Notas de Clase, 1978.)
52
FACTOR
f (%)
51
11
14
36
COSTO
($/Kg)
4.00
2.00
2.40
3.00
Se trata de obtener una mezcla de una tonelada, cuyo contenido del factor f sea por lo
menos del 18% y con la condicin que las materias primas B y C no constituyan ms del
20% de la mezcla, con el mnimo costo posible.
16. Un barco tiene tres bodegas: en la proa, en el centro y en la popa. Los limites de
capacidad de cada bodega son:
BODEGA
Proa
Centro
Popa
CAPACIDAD
TONELADAS
2000
3000
1500
CAPACIDAD
PIES CUBICOS
100,000
135,000
80,000
Los dueos del barco pueden aceptar el total o una parte de los artculos que se ofrecen
para el transporte. Las caractersticas de estos artculos son las siguientes:
ARTICULO
A
B
C
CANTIDAD
EN TON.
6000
1000
2000
VOLUMEN
PIES CUB/TN
60
50
25
UTILIDAD
$/TN
6000
8000
5000
Para preservar el equilibrio del barco el tonelaje transportado en cada bodega debe ser
proporcional a su capacidad en toneladas. Determine la distribucin de carga para obtener
la mxima utilidad por el transporte. Formule este mismo problema desde el punto de
vista del propietario de la carga y compare resultados.
17. Se est diseando una nave espacial que lleve y traiga astronautas a Marte. Esta nave
tendr tres compartimientos, cada uno con su propio sistema que permite vivir en l. El
elemento clave de cada uno de estos sistemas es una pequea unidad oxidante que
provoca un proceso qumico para producir oxgeno. Estas unidades no se pueden probar
con anticipacin y solo algunas de ellas tienen xito en el proceso qumico. Por esto, es
importante tener unidades de repuesto para cada sistema. Como los requerimientos son
diferentes para cada compartimiento, las caractersticas de las unidades para cada uno
varan. Se debe tomar una decisin sobre el nmero de unidades que se deben incluir en
cada compartimiento, tomando en cuenta limitaciones de diseo y la cantidad total de
espacio, peso y costo que puede asignarse a estas unidades para toda la nave. La siguiente
53
tabla resume estas limitaciones, al igual que las caractersticas individuales para cada
compartimiento:
Compartimiento Espacio
Peso
Costo Probabilidad
(pul3)
(Libras)
($)
de falla
1
40
15
40.000
0.30
2
50
20
45.000
0.40
3
30
10
35.000
0.20
3
LIMITACIN 500 pul 200 libras $500.000
Si todas las unidades fracasan en uno dos de los compartimientos, los astronautas
podrn ocupar el los restantes y continuar su viaje espacial, pero con algunas prdidas
en la cantidad de informacin cientfica que puedan obtener. No obstante, si todas las
unidades fracasan, todava tienen la manera de regresar en la nave a salvo, pero el viaje
completo sera un fracaso total a un gran costo. El objetivo es entonces minimizar la
probabilidad de que todas las unidades fallen, sujeto a las limitaciones anteriores y a la
restriccin adicional de que cada compartimiento deber tener una probabilidad no mayor
que 0.05 de que todas sus unidades fallen. Formule un modelo de PL para este problema.
(Hillier y Lieberman, segunda edicin, 1989, pg. 273)
18. Cierto hacendado dispone de los siguientes recursos para emplearlos en la prxima
cosecha:
$150.000 de capital disponible.
1350 horas de tractor (horas mquina)
65 hectreas de tierra cultivable.
Esta tierra es propia para sembrar maz, millo o frjol. Se supone que tiene a su
disposicin hombres suficientes. Los costos de produccin son los siguientes: tractor e
implementos $50/hora, mano de obra $5/hora, alquiler del terreno por la cosecha
$200/hectrea. El hacendado ha acordado retornar el 150% del dinero no invertido
exclusivamente en los cultivos a la Caja Agraria, donde efectu el prstamo. Los datos de
los cultivos posibles son los siguientes y vienen dados por hectrea:
CULTIVO
MANO
DE OBRA
HORAS
TRACTOR
OTROS
COSTOS
VALOR
COSECHA
Maz
Millo
Frijol
10
25
35
20
25
15
$150
$200
$800
$3.000
$3.800
$4.900
54
PRODUCTOS PROCESO 1
PROCESADOS
Gasolina
Otros productos
Costo Proceso por
barril de petrleo
procesado
PROCESO II
0.4
0.6
0.6
0.3
0.6
0.8
55
TIPO 1
TIPO 2
TIPO 3
A
B
23
58
5
10
1.4
3.8
56
HORAS DEL
DA
2-6
6 - 10
10 - 14
14 - 18
18 - 22
22 - 2
PERODO
NMERO MNIMO DE
POLICAS REQUERIDO
20
50
80
100
40
30
1
2
3
4
5
6
Note usted que el perodo 1 sigue inmediatamente al periodo 6. Cada polica trabaja 8
horas consecutivas. El departamento de polica busca un programa de trabajo diario que
emplee el menor nmero de policas en el departamento, teniendo presente cada uno de
los requerimientos anotados. (Prado, Hernando, Notas de Clase, 1978.)
26. Una cervecera posee tres plantas localizadas en tres ciudades diferentes, con las cuales
surte el consumo del pas dividido en cuatro zonas: zona norte, zona central, zona
suroriental y zona del pacfico, a las cuales se denominarn respectivamente A, B, C y D.
Mensualmente la planta I produce 1.300.000 litros, la planta II 700.000 litros y la planta
III 300.000 litros. La demanda mensual en las diferentes zonas de consumo es como
sigue: zona A 600.000 litros, zona B 400.000 litros, zona C 400.000 litros y zona D
500.000 litros. Los costos combinados de produccin y el transporte de las diferentes
plantas a los centros de consumo, se muestran en la tabla siguiente:
PLANTA
ZONA A
I
II
III
500
800
700
ZONA B
800
500
600
ZONA C
ZONA D
600
600
800
700
800
600
CONDICIONES INGREDIENTES
WHISKY BSICO A y C
No
No
No
No
No
PRECIO
BOTELLA
US $6.80
US $5.70
US $4.50
La provisin de los tres whiskies bsicos, junto con sus costos, se presenta en la tabla que
sigue:
57
WHISKY
BASICO
COSTO
BOTELLA
A
B
C
2000
8500
1200
US $7.0
US $5.0
US $4.0
Proyecte una poltica de produccin que maximice las ganancias. (Prado, Hernando,
Notas de Clase, 1978.)
28. Una empresa siderrgica produce tres aleaciones diferentes. El diagrama de proceso como
sigue:
Aleacin 1
CAJA DE
RECOCIDO
Aleacin 2
RECOCIDO
CONTINUO
Aleacin 3
MOLINOS
CONTINUO
Se deben determinar las cantidades de cada aleacin que deben producirse dentro de las
limitaciones del volumen de ventas y las capacidades de las mquinas con el fin de
maximizar las ganancias. Los datos sobre las capacidades y utilidades se presentan en las
tablas siguientes:
ALEACIN
OPERACIN
VELOCIDAD
DE LA
MQUINA
POTENCIAL
DE VENTAS
(TON/MES)
GANANCIA
POR
TONELADA
Caja de recocido
Molinos cont.(1)
Recocido cont.
Molinos cont.(2)
28 hr / 10 ton
50 pies/min
20 pies/min
25 pies/min
1250
$2,500
Caja de recocido
Recocido cont.
Molinos cont.
35 hr / 10 ton
20 pies/min
25 pies/min
250
$3,500
Recocido cont.
Molinos cont.
16 pies/min
20 pies/min
1500
$4,000
TIPO DE
MQUINA
Caja recocido
Recocido Cont.
Molinos Cont.
NMERO DE
MQUINAS
4
1
1
TURNOS
( 8 HR/SEM )
21
20
12
% TIEMPO
OCIOSO
5
10
0
58
Los rollos de cada aleacin son de 400 pies de longitud y pesan 4 toneladas. Formule un
modelo de programacin lineal del cual pueda obtenerse una poltica de produccin para
la siderrgica (Asuma que 1 mes = 4 semanas).
29. Una planta de productos qumicos fabrica dos productos A y B, los cuales tienen que
pasar por cuatro centros de proceso: 1, 2, 3 y 4, segn se muestra con las lneas continuas
en la figura:
A
CENTRO 2
CENTRO 4
CENTRO 1
B
CENTRO 3
A
Cada centro puede manejar solamente el paso de un producto a la vez. S hay capacidad
disponible en el centro 3, es posible enviar el producto A a travs de 3, en lugar de hacerlo
dos veces a travs del centro 2, pero esto es ms costoso. Con la informacin de la tabla,
cmo deber programarse la produccin para hacer mximas las ganancias?. Se entiende
por Programa de Produccin la especificacin de las siguientes cantidades:
(1) La cantidad de materia prima utilizada para A diariamente, por el curso regular.
(2) La cantidad diaria de materia prima usada para A diariamente, por el curso opcional y
(3) La cantidad diaria de materia prima usada para B.
Nota: Suponga que se dispone de suficiente capacidad de almacenamiento sin costo
adicional. Se tiene tambin la siguiente informacin:
PRODUCTO
CENTRO
1
2 (1er. paso)
4
2 (2o. Paso)
3
ENTRADA
GL/HR
300
450
250
400
350
%
RECUP.
90
95
85
80
75
COSTO OPER.
$/HR
150
200
180
220
250
1
3
4
500
480
400
90
85
80
300
250
240
59
PRODUCTO
MAT. PRIMA
COSTO POR
GALN
A
B
$5
$6
PRECIO
VENTA
VENTAS
DIARIAS
GALN
$20
$18
MX. (Gal.)
1,700
1,500
Los centros 1 y 4 trabajan hasta 16 horas al da; los centros 2 y 3 trabajan hasta 12 horas
al da. Una restriccin final la proporcionan las facilidades de envo que limitan la
produccin diaria de A y B a un total de 2500 galones. Formule el modelo de
programacin lineal correspondiente.
30. Una refinera produce dos tipos de gasolina, la regular y la extra, y otros productos
derivados del petrleo, cuyos precios de venta por galn son $2.500 para la gasolina
regular, $3.200 para la gasolina extra y se puede considerar un promedio de $1.100 para
otros productos. Ambos tipos de gasolina y los otros productos se fabrican a partir de dos
clases de petrleo crudo, el nacional y el importado. Las tablas siguientes muestran las
especificaciones principales que debe cumplir cada tipo de gasolina y las caractersticas
de cada tipo de petrleo crudo.
PRODUCTO
PRESIN DE
VAPOR
MXIMA
23
Gasolina
regular
Gasolina extra 23
Otros productos --o--
TIPO DE
PETRLEO
CRUDO
Nacional
Importado
OCTANAJE DEMANDA
MNIMO
MNIMA
(Galones/semana)
88
2.100.000
DEMANDA
MXIMA
(Galones/semana)
4.200.000
93
--o--
1.500.000
2.000.000
750.000
1.000.000
PRESIN DE
VAPOR
25
15
87
98
4.000.000
2.000.000
1.030
2.170
La refinera puede emplear tres procesos de refinacin con las siguientes caractersticas de
eficiencia y costo:
PRODUCTO
PROCESADO
Gasolina regular
Gasolina extra
Otros productos
Costo del proceso
por galn de petrleo
crudo procesado
250
340
300
($/galn)*
*
Independiente del tipo de petrleo crudo procesado.
60
Asumiendo que en cada proceso los componentes de una mezcla de petrleos crudos
contribuyen al octanaje general y a la presin de vapor proporcionalmente a su cantidad
en galones, formule un modelo de PL que le permita determinar la mejor programacin de
produccin de la refinera.
31. Una compaa manufactura secadoras y lavadoras automticas de ropa para consumo
nacional. La gerencia de produccin ha calculado que por cada secadora requiere 1.5
horas de mano de obra y por cada lavadora 2 horas. La fuerza laboral de la empresa en el
ltimo cuatrimestre de este ao se estima en 5000 horas. La gerencia no desea modificar
la fuerza laboral en ms de un 10% por periodo. Las metas de venta en los prximos
cuatro periodos del prximo ao se ha fijado as:
Secadora
Lavadora
1 Cuarto
200
1200
2 Cuarto
1300
1500
3 Cuarto
3000
1000
4 Cuarto
1000
1400
Los costos asociados con cada esquema de produccin debern incluir costos de
produccin (excluyendo mano de obra), costo de almacenamiento y costo de mano de
obra. La seccin de costos de la compaa ha desarrollado la siguiente tabla que describe
los costos unitarios para cada periodo:
ITEM
1
Costo de produccin lavadora
sin mano de obra
Costo de produccin secadora
sin mano de obra
Costo unitario de llevar una
secadora en inventario
Costo unitario de llevar una
lavadora en inventario
Mano de obra/hora
3750
3900
3750
3780
2750
3000
2850
2850
150
135
135
120
129
50
114
50
114
58
99
58
Establezca esquemas de produccin que minimicen los costos anuales para satisfacer las
demandas estimadas para ambos productos.
32. Un inversionista puede elegir entre las actividades A B ambas, disponibles al principio
de cada uno de los prximos 5 aos. Cualquier cantidad invertida y recuperada en el
futuro puede ser reinvertida en cualquier alternativa disponible. Cada peso que invierte en
A al comienzo de cada ao le produce $1.40 dos aos ms tarde. Cada peso invertido en B
al comienzo de un ao le produce 1.70 tres aos despus. Adems, las actividades C y D
estn disponibles una sola vez en el futuro, C al comienzo del segundo ao y D al
comienzo del quinto ao. Cada peso invertido en C genera $1.60 en 2 aos. Cada peso
invertido en D le produce $1.30 un ao despus. El inversionista dispone hoy de
$100.000. Formule un modelo de programacin lineal que le permita determinar la mejor
forma de inversin a lo largo de los cinco aos para maximizar el capital dispone al final
61
del quinto ao (comienzo del sexto ao). (Adaptado de Hillier y Lieberman, 1989, pg.
50.)
33. La gerencia de una compaa area debe decidir con respecto a la asignacin de aviones a
rutas areas. El cuadro siguiente indica la capacidad mxima en nmero de pasajeros, el
nmero de aviones de cada tipo actualmente disponible en la empresa, el mximo nmero
de vuelos que realiza cada tipo de avin por ruta especfica y el nmero esperado de
pasajeros en cada ruta.
TIPO DE
AVIN
CAPACIDAD
NMERO DE
PASAJEROS
1
50
2
30
3
20
Nmero esperado de pasajeros
por ruta diariamente
NMERO DE
AVIONES
DISPONIBLE
5
8
10
1
3
4
5
1000
900
1
2
2
1200
Los costos de operacin por vuelos en las cuatro rutas y el costo de oportunidad (prdida
ganancia) originado al no servir a un pasajero se muestran as:
TIPO DE
COSTOS DE OPERACIN POR VIAJE Y RUTA
AVIN
1
2
3
4
1
1000
1100
1200
1500
2
800
900
1000
1000
3
600
800
800
900
Prdida por pasajero
no transportado
40
50
45
70
Formule un modelo de programacin lineal para asignar los aviones a las rutas a costo
mnimo. (Adaptado de Taha, 1981, pg. 3738; Taha, 1998, pg. 60.)
34. Usted ha sido contratado como asesor del departamento de planificacin nacional grupo
de desarrollo energtico. El grupo est considerando la construccin de una planta nuclear
y de una planta desalinizadora de agua para un complejo agroindustrial. La planta nuclear,
un reactor adaptado a una planta de vapor, es la nica fuente de electricidad. La inversin
en la planta es del orden de $9.000 millones de pesos por cada 1000 megavatios de
capacidad y los costos de operacin anuales para esta capacidad son de $1350 millones. El
agua para las plantas industriales y la agricultura ser provista por una planta
desalinizadora, con costo de inversin de $1500 millones por cada 1000 millones de
metros cbicos de agua al ao y costo de operacin anual de $450 millones. Se estima que
para esta produccin de agua se necesitan 300 megavatios de potencia por ao. En la
regin hay 120.000 hectreas aptas para la agricultura. Existen fundamentalmente dos
cultivos que pueden ser desarrollados a escala industrial: Cultivo A y cultivo B. Los
fertilizantes se obtendrn bsicamente de lo producido por la industria de la regin. La
siguiente tabla muestra la inversin, costo de operacin, agua, fertilizantes y un estimado
de los ingresos generados por una extensin determinada dedicada a cada uno de los
cultivos.
62
SECTOR AGRICOLA
Tierra (Ha)
Inversin (millones $)
Operacin anual
(millones $)*
Fertilizantes
(miles ton/ao)
CULTIVO A
400
6000
CULTIVO B
400
9000
1500
1350
2.0
1.5
10
7500
8
8600
PROCESO C
2400
PROCESO D
4800
450
360
1000
1000
1.5
0.8
0.5
(millones m3/ao)
Consumo de electricidad
(megavatios/ao)
Produccin de fertilizantes
(millones ton/da)
Produccin de aluminio
(millones ton/da)
* No incluye agua ni electricidad
Suponga que para este tipo de proyecto se dispone de financiacin por prestamos
internacionales de hasta $30.000 millones de pesos a ser pagaderos en 10 aos a una tasa
anual de 15%. Analice el problema y si es posible plantee un modelo que permita la
evaluacin de posibles alternativas.
35. Suponga que en cierta poblacin se pretende hacer inversiones cuantiosas en el cultivo de
aguacate, lima reina, mango y zapote prieto. Se persiguen dos objetivos: reducir el
desempleo rural y aumentar las exportaciones que vendrn a equilibrar la balanza de
pagos de la nacin. Se sabe que la produccin promedio de cada rbol est dada por la
siguiente tabla:
TIPO DE RBOL *
Aguacate
Lima reina
Mango
Zapote prieto
63
Extensin Mnima de
Cultivo por rbol (m2)
Aguacate
Lima reina
Mango
Zapote prieto
4
5
3
6
64
Los fletes son una funcin de las distancias que existen entre las plantas productoras de
cerveza y las plantas productoras de latas. Estos fletes son:
Bogot
Cali
Barranquilla
Medelln
Palmira
Pereira
5
20
25
75
Bucaramanga
20
15
2
50
Cartagena
15
2
10
40
45
80
60
(2003)
(2004)
(2005)
(2006)
$10.0
$10.1
$10.2
$10.3
12.5
13.0
13.5
14.0
(2003)
(2004)
(2005)
(2006)
Maestro rural
Maestro urbano
120
150
150
170
170
180
190
195
65
Bajo tales circunstancias, Cuntos maestros de cada tipo deberan prepararse por ao,
cuantos deberan cambiar de calidad por ao y cuantos maestros Jubilados deberan
contratarse por ao, tal que el costo total se minimice y se atenga a la demanda
pronosticada?
38. Una siderrgica debe decidir cuntas libras de acero puro y cuntas de chatarra utilizar en
la preparacin de una aleacin para un cliente. El costo por libra de acero puro es de $3 y
de chatarra $6 (por las impurezas), la demanda del cliente es de por lo menos 5 libras y
aceptara ms si se le ofrece. La disponibilidad de acero puro es 4 libras y la de chatarra
de 7 libras. La relacin entre chatarra y el acero no puede exceder de 7/8. La fbrica tiene
18 horas disponibles para el proceso; una libra de acero puro requiere 3 horas mientras
que la chatarra solo requiere 2 horas. Formule un modelo de programacin lineal que
determine la carga ptima del horno.
39. Una empresa fabrica dos modelos de productos: Z-1200 y Z-1500. Los requerimientos de
produccin y las disponibilidades estn mostradas a continuacin:
DEPARTAMENTO
1
2
3
4
CAPACIDAD
300
540
440
300
Los beneficios unitarios logrados a la venta de los modelos Z1200 y Z-1500 son de $50 y
$40, respectivamente. Encuentre el nmero ptimo de cada producto a producir. Si la
corporacin est produciendo actualmente 30 unidades del modelo Z-1200 y 12O
unidades del modelo Z-1500, cunto beneficio est perdiendo o est dejando de ganar?
(Adaptado de Thierauf y Grosse, 1972, pg. 273274.)
40. El dueo de una editorial est imprimiendo un nuevo libro y tiene las alternativas de
empastarlo con cartn fino y/o cartulina corriente. La venta de un libro con pasta de
cartn fino le genera un beneficio de $30, mientras que la de un libro con cartulina es de
$7.50. El tiempo requerido para empastar un libro con cartn fino es de 3 minutos y con
cartulina ordinaria 2 minutos. El tiempo total disponible para empastado es de 800
minutos. Se estima que las ventas sern de no ms de 6000 copias para el libro empastado
con cartn fino y no ms de 10000 copias para el empastado con cartulina corriente.
Formule un modelo de programacin lineal para este enunciado.
41. El departamento de servicios de un almacn proporciona servicios de reparacin para la
mercanca vendida. Durante una semana 5 televisores, 12 radios y 18 licuadoras fueron
devueltos para reparacin. Dos tcnicos son contratados temporalmente para ayudar en
dicho departamento. En una jornada de 8 horas el tcnico 1 puede reparar 1 televisor, 3
radios o 3 licuadoras, mientras que el tcnico 2 puede reparar 1 televisor, 2 radios o 2
licuadoras en el mismo tiempo. S el tcnico 1 gana $250 diarios y el tcnico 2 $150
diarios, por cuantas horas debern ser contratados de manera que los costos de reparacin
sean mnimos?
66
42. Una compaa de paqueteo y envos desea contratar operadores extra para las festividades
navideas, pero debido a las limitaciones de espacio el nmero de empleados no puede
exceder de 10. De experiencias anteriores se sabe que un operador hombre maneja 3000
cartas diarias 1000 paquetes diarios, mientras que una mujer puede manejar 4000 cartas
500 paquetes. Sabiendo que al menos llegarn 36000 cartas diarias y 10000 paquetes
por da y que un hombre y una mujer ganan diariamente $250 y $220 respectivamente,
cuntos hombres y mujeres debern ser empleados?. Cmo se afecta la respuesta si el
gobierno ordena el pago de $250 diarios a cada mujer? Suponga que el nmero de
operadores en condiciones normales es de 2 hombres y 2 mujeres quienes reciben salarios
de $200 y $180 semanal. Qu problemas encuentra usted en la formulacin de este
problema? Cmo resolverlos para obtener un modelo satisfactorio?
43. Una compaa manufactura el producto Z, que se elabora ensamblando cuatro
componentes: un componente AS1 y tres componentes BC1. Los componentes AS1 y BC1
se producen a partir de dos tipos de materias primas MT1 y MT2, y su manufactura se
puede realizar en tres equipos diferentes E1, E2 y E3. La produccin y el consumo de
materia prima por corrida de cada equipo son diferentes y se ilustran en el cuadro
siguiente:
TIPO
DE
EQUIPO
E1
E2
E3
Actualmente se dispone de 100 unidades MT1 y 200 unidades de MT2. Se desea conocer
en que forma se puede utilizar la informacin disponible para decidir el esquema de
produccin de AS1 y BC1 para tener el mximo nmero de productos Z terminados.
44. Una compaa posee tres plantas, en las cuales elabora un componente pequeo para un
producto industrial. La compaa comercializa el producto a travs de cinco distribuidores
en el pas y el precio al distribuidor es de $75 la unidad incluyendo el costo de
distribucin. Los pronsticos de ventas indican que los requerimientos mensuales por
distribuidor son los siguientes:
Distribuidor
Demanda mensual
2
2700
3
2700
4
9000
5
4500
3600
1
4500
2
9000
3
11250
60
30
54
67
1
1.5
2.4
3.0
2
2.1
1.8
2.7
3
3.3
3.0
2.7
4
4.5
3.6
3.0
5
4.8
4.5
4.8
ESPECIFICACIONES
COSTO DE AMALGADO
($) POR LIBRA
PRECIO DE VENTA
($) POR LIBRA
3.0
8.5
2.5
7.0
2.0
5.5
LIBRAS DISPONIBLES
POR SEMANA
3,000
2,000
4,000
1,000
COSTO DEL
TRATAMIENTO ($/LB)
3
6
4
5
La compaa tiene que determinar cuanto debe producir de cada tipo de producto y la
mezcla exacta de materiales que debe utilizar para cada tipo de tal manera que se
68
maximice el beneficio total por semana (ventas totales menos costos totales de
amalgamamiento y tratamiento).
46. Considere un fabricante a gran escala de cierto producto de consumo popular. La
administracin ha decidido invertir hasta $22000.000 en publicidad para su producto.
Algunos estudios de investigacin de mercados realizados por la compaa han mostrado
que el tipo de consumidor ms importante de dicho producto son personas que estn entre
20 y 45 aos de edad, que tienen ingresos de $600.000/mes o ms y que han cursado dos o
ms aos de educacin universitaria. A partir de estos datos, el grupo de investigacin de
mercados ha decidido que las caractersticas de los clientes tienen una importancia
relativa de acuerdo con la siguiente ponderacin:
CARACTERSTICA DEL CLIENTE
Edad (20 - 45)
Ingresos ($600.000/mes o ms)
Educacin (2 aos de universidad)
PONDERACIN
0.40
0.35
0.25
Porcentaje de Consumidores
A
B
C
40
70
60
60
50
40
30
20
60
780
940
1250
69
PROYECTO
Pl
P2
28
32
36
28
38
34
P3
36
30
40
Formule un modelo de programacin lineal que permita determinar como asignar los
proyectos para minimizar los costos totales de todos ellos. Se asume que a cada contratista
se le asignar un solo proyecto.
48. Cierta empresa es un contratista grande que realiza trabajos en techos. Puesto que el
precio de las tejas vara con las estaciones del ao, la compaa trata de acumular
existencias cuando los precios estn bajos y almacenarlas para su uso posterior. La
compaa cobra el precio corriente en el mercado por las tejas que nstala, sin importar
cuando las haya adquirido. La tabla mostrada abajo refleja lo que la compaa ha
proyectado como costo, precio de venta y demanda para las tejas durante las prximas
cuatro temporadas. Cuando las tejas se compran, se incurre en un costo de manejo de 6
u.p. por cada 1000 piezas, as como tambin en un costo de almacenamiento de 12 u.p.
por cada 1000 piezas por cada temporada en la que se almacenan (suponga que se incurre
en el costo de almacenamiento solo para las tejas que se almacenan para perodos su venta
en perodos posteriores).
Lo mximo que se puede guardar en el almacn son 220.000 piezas; Esto incluye el
material que se compra para utilizarlo en el mismo periodo. La compaa ha fijado una
poltica que seala que no se conservan materiales ms de cuatro temporadas. Plantee un
modelo de programacin lineal para que la compaa pueda maximizar sus ganancias
netas para las cuatro temporadas.
TEMPORADA
Verano
Otoo
Invierno
Primavera
Costo de
compra
(u.p. / pieza)
21
22
26
24
Precio de
venta
(u.p. / pieza)
22.00
23.25
28.50
25.50
Ventas
Proyectadas
(miles)
100
140
200
160
49. Una compaa compra y vende maz en efectivo. Posee una bodega con capacidad de
1.000 toneladas. El inventario inicial a Enero 01 es de 200 toneladas y $7 millones en
caja. El precio estimado del maz por tonelada para el primer trimestre es el siguiente:
70
MES
Enero
Febrero
Marzo
PRECIO DE
COMPRA
($/ton)
8.550
9.150
8.700
PRECIO DE
VENTA
($/ton)
9.300
9.750
8.850
El maz es entregado en el mes de compra y no puede ser vendido sino hasta el mes
siguiente o los meses que siguen. La compra y venta se hace estrictamente al contado
contra-entrega. La compaa desea tener un inventario final de 400 toneladas al terminar
el trimestre. Formule un modelo de PL que le permita determinar las polticas de compra
y venta en cada mes que maximicen la ganancia neta total en el trimestre. Ignore los
posibles costos de inventario. (Adaptado de Moskowitz y Wright, 1982, pg. 289290.)
50. Una empresa pblica debe llevar a cabo cinco proyectos, pero solo han cotizado tres
contratistas para realizar los cinco proyectos. Las cotizaciones se muestran en la tabla
siguiente:
CONTRATISTA
C1
C2
C3
Pl
65
59
62
PROYECTO
P2
P3
37
42
39
50
46
33
P4
29
29
24
P5
29
31
31
Formule un modelo de Programacin lineal para cada uno de los casos planteados a
continuacin, suponiendo que siempre se busca minimizar el costo total de realizacin de
los proyectos respectivos.
a)
Cada contratista puede llevar a cabo mximo dos proyectos y todos los proyectos
deben ser ejecutados.
b) Cada contratista solo puede ejecutar un solo proyecto y, por lo tanto, solo podrn
llevarse a cabo tres de los cinco proyectos.
c) No hay lmite en el nmero de proyectos que cada contratista puede llevar a cabo y
deben ejecutarse todos los proyectos.
51. Una gran empresa constructora posee 2000 hectreas de tierra de primera clase, pero no
urbanizada. En el pasado no exista mucha regulacin a nuevas urbanizaciones en el sitio
donde se encuentra la tierra, pero hoy en da las cosas han cambiado. Debido a la falta de
desages por alcantarillado, se utilizan muchos tanques spticos, la mayora instalados en
forma inadecuada. Como las tierras rodean un lago, con el paso de los aos, la filtracin
de los tanques spticos ha provocado un severo problema de contaminacin de agua.
Para controlar la degradacin ms profunda en la calidad del agua, los funcionarios del
municipio presentaron y aprobaron algunos reglamentos estrictos aplicables a todas las
urbanizaciones del futuro:
71
a)
Solo se pueden construir casas para una, dos y tres familias, donde las unifamiliares
constituyen cuando menos el 50% del total.
b) Para limitar el nmero de tanques Spticos, se requieren tamaos de lote mnimos de
5, 7.5 y 10 hectreas para casas de una, dos y tres familias.
c) Se deben establecer reas de recreo de 2.5 hectreas cada una, a razn de un rea para
cada 200 familias.
d) Para preservar la ecologa del lago, no se puede extraer agua del subsuelo para uso en
la casa o el jardn.
El presidente de la empresa estudia la posibilidad de urbanizar las 2000 hectreas. La
nueva urbanizacin incluir casas para una, dos y tres familias. El estima que el 15% del
terreno se utilizar en la apertura de calles y vas de acceso para servicios. Tambin
calcula que los siguientes sern sus ingresos derivados de la venta de las diversas
unidades habitacionales:
UNIDADES HABITACIONALES
Sencilla
Doble
Triple
INGRESO NETO
POR UNIDAD (u.p.)
10
15
20
CONSUMO DE AGUA
UNIDAD (gal / da)
400
600
840
450
72
INVERSIN INICIAL
80
110
90
40
150
200
1
$1.000
$500
$800
$1.700
$1.700
$0
2
$2.500
$1.000
$1.500
$1.800
$2.000
$1.500
Proyectos:
3
$3.000
$2.000
$1.000
$4.000
$2.000
$5.000
4
$3.300
$800
$1.500
$1.500
$1.000
$500
5
$4.000
$1.000
$2.000
$5.000
$0
$0
73
54. La puerta de un vehculo consta de tres partes de metal cuya pintura se puede hacer
mediante tres diferentes procesos piscina de pintura, pistola o cuarto de bao de pintura.
Se dispone de la siguiente informacin:
PROCESO
Piscina
Pistola
Bao
NUMERO
DE
LINEAS
2
4
3
A1 B1 C1 A2 B2 C2 A3 C3 A4 B4 C4
12 20 24 30 69 45 10 28 42 50 55
2
4 6
5
7 11 5
12 16 19 22
74
56. Una cadena de tiendas pequeas est planeando entrar a un nuevo mercado y debe
determinar donde localizar nuevas tiendas en cierta zona. La figura muestra un mapa de
las principales calles en la zona de inters.
A
1
2
4
5
3
4
6
8
10
1 milla
1 milla
Las calles adyacentes estn separadas 1 milla. Las localizaciones, marcadas de 1 a 10, son
los lugares potenciales donde se pueden ubicar nuevas tiendas. La distancia entre un punto
y otro se mide con base en la red de calles. Por ejemplo, la distancia entre el punto 4 y el
punto 6 es de 3 millas; entre el punto 1 y el punto 8 es de 4 millas. El costo de
construccin de una tienda depende del lugar donde se haga, de acuerdo a la tabla
siguiente:
Localizacin 1
100
Costo
2
80
3
90
4
50
5
80
6
90
7
100
8
70
9
90
10
80
No se pueden abrir dos tiendas sobre la misma calle. Por ejemplo, no se pueden abrir
las tiendas 5 y 6 simultneamente, ni por ejemplo las tiendas 4 y 8 simultneamente.
b) Las tiendas deben estar localizadas de tal forma que estn separadas entre s por 3
millas o ms. Por ejemplo, las tiendas 4 y 5 no podran abrirse simultneamente por
este motivo.
c) Todo punto en el que se intercepten dos calles (o sea A1, B1, ... hasta E5.) no debe
estar alejado ms de 3 millas de alguna de las nuevas tiendas (3 millas es aceptable,
pero ms no).
Formule un modelo de programacin binaria que permita determinar la localizacin
ptima de las nuevas tiendas, minimizando el costo total de construccin y cumpliendo
con todas las condiciones especificadas.
75
57. Una compaa manufactura tres productos, A, B y C. Cada unidad de A requiere 1 hora de
servicio de ingeniera, 8 horas de mano de obra directa y 4 libras de material. Para
producir una unidad de producto B se necesitan 3 horas de ingeniera, 3 horas de mano de
obra directa y 3 libras de material. Cada unidad de producto C requiere de 2 horas de
ingeniera, 4 horas de mano de obra directa y 2 libras de material. Se dispone de 80 horas
de ingeniera, 800 horas de mano de obra directa y 300 libras de material cada mes. Las
utilidades unitarias de cada producto se han determinado como muestra la tabla siguiente:
PRODUCTO A
PRODUCTO B
PRODUCTO C
Ventas
Utilidad
Ventas
Utilidad
Ventas
Utilidad
(unidades) ($/unidad) (unidades) ($/unidad) (unidades) ($/unidad)
040
40100
10050
Ms de 50
10
9
8
6
050
50100
Ms de 100
6
4
3
0100
Ms de 100
5
4
1
100
2
200
3
300
4
400
5
200
76
4 5 6
7 8
13 15 129 88 52
0 4
9 10 11 12
12 160 238 41
4
TOTAL
1200
MQUINA
1
2
3
4
COSTO FIJO DE
ALISTAMIENTO
($)
150
450
300
520
COSTO DE
PRODUCCIN
($/unidad)
15
3
7.5
2
CAPACIDAD
ACTUAL
(unidades)
1500
2900
1800
1100
77
62. Una planta manufacturera debe cumplir con la siguiente demanda en unidades en los
prximos 12 meses:
MES
Enero
Febrero
Marzo
Abril
DEMANDA
5300
5100
4400
2800
MES
Mayo
Junio
Julio
Agosto
DEMANDA
4100
4800
6000
7100
MES
Septiembre
Octubre
Noviembre
Diciembre
DEMANDA
7300
7800
7600
6400
78
nuevos productos a las plantas con el fin de minimizar el costo total de fabricacin.
(Adaptado de Hillier y Lieberman, segunda edicin, 1989, pg. 227.)
64. Supngase que Inglaterra, Francia y Espaa producen todo el trigo, cebada y avena del
mundo. La demanda mundial de trigo requiere que se dediquen 125 millones de acres a la
produccin de este cereal. De igual manera, se necesitan 60 millones de acres para cebada
y 70 millones de acres para avena. La cantidad total de tierra disponible en los tres pases
es de 70 millones de acres en Inglaterra, 110 millones de acres en Francia y 80 millones
de acres en Espaa. El nmero de horas de mano de obra necesarias en Inglaterra, Francia
y Espaa para producir un acre de trigo es 18, 13 y 16 horas, respectivamente. La
produccin de un acre de cebada requiere 15 horas de mano de obra en Inglaterra, 12 en
Francia y 12 en Espaa. El nmero de horas de mano de obra necesarias para producir un
acre de avena es de 12 en Inglaterra, 10 en Francia y 16 en Espaa. El costo de mano de
obra por hora en los tres pases es $3.00, $2.40 y $3.30 para la produccin de trigo, $2.70,
$3.00 y $2.80 para la produccin de cebada y $2.30, $2.50 y $2.10 para la produccin de
avena. El problema es asignar el uso de la tierra en cada pas de manera que se cumpla
con los requerimientos de alimentacin en el mundo y se minimice el costo total de mano
de obra. Formule este problema como un problema de transporte construyendo la tabla de
costos y requerimientos apropiada. (Adaptado de Hillier y Lieberman, segunda edicin,
1989, pg. 228.)
65. Una empresa constructora de viviendas prefabricadas estima que la demanda de su
producto va a aumentar en el futuro prximo. La capacidad normal de produccin es de
1500 viviendas/mes, pero en caso de necesidad se puede aumentar, mediante trabajo extra,
en un 40% con costos adicionales de 1000 u.p./unidad. Tambin es posible almacenar los
excesos de produccin en los tiempos de baja demanda para compensar el dficit en los
meses de alta demanda. Los costos de almacenamiento son de 200 u.p./unidad cada mes.
La demanda estimada para los prximos 6 meses es de 1200, 1000, 2100, 2600, 2300 y
1800, respectivamente.
Formule un modelo de programacin lineal para planificar la produccin durante los
prximos 6 meses a costo total mnimo.
66. Considere la tabla de la pgina siguiente, la cual muestra la informacin bsica para
construir un problema real de dieta humana, y resuelva el caso que se presenta a
continuacin.
79
(Kcal)
120
50
160
125
(gr)
7.5
9.5
8.5
8.5
(mg)
225
50
285
295
(mg)
0.3
0.2
0.0
0.0
(U.I.)
390
5
370
170
(mg)
0.01
0.02
0.07
0.10
(mg)
0.14
0.15
0.41
0.44
(mg)
0.0
0.0
0.2
0.2
(mg)
0
0
2
2
Pollo
Huevos
Pescado
Jamn
Hamburguesa
Hgado
Cerdo
Carne frita
Atn enlatado
205
80
200
290
245
170
160
260
195
32.5
6.5
30.0
21.0
20.5
20.0
8.0
28.5
29.0
12
27
23
9
9
8
70
12
8
1.7
1.2
1.4
2.6
2.7
6.6
2.3
3.5
1.9
90
590
0
0
30
40000
170
30
80
0.05
0.06
0.07
0.47
0.08
0.20
0.10
0.08
0.05
0.22
0.15
0.08
0.18
0.18
3.14
0.04
0.22
0.12
14.7
0.1
2.5
3.6
4.6
12.4
0.8
5.6
11.9
0
0
2
0
0
20
3
0
0
Manzanas
Brcoli
Zanahorias
Naranjas
Jugo de naranja
Papas
Espinaca
Tomates
90
25
20
75
80
95
20
35
0.3
3.0
0.6
1.5
1.0
2.5
3.0
1.5
11
88
19
62
20
9
84
20
0.5
0.8
0.4
0.6
0.4
0.7
2.0
0.8
140
2500
5500
300
370
0
7290
1350
0.05
0.09
0.03
0.15
0.17
0.10
0.06
0.09
0.03
0.20
0.03
0.06
0.06
0.04
0.13
0.06
0.2
0.8
0.3
0.6
0.7
1.7
0.5
1.1
6
90
4
75
93
20
25
35
Pan
Cereal (hojuelas)
Avena
Pasta
Arroz
55
95
65
155
110
2.0
2.0
2.0
5.0
2.0
17
4
11
11
10
0.5
0.4
0.7
0.6
0.9
0
0
0
0
0
0.04
0.11
0.10
0.01
0.11
0.02
0.02
0.02
0.01
0.00
0.3
0.5
0.1
0.4
1.0
0
0
0
0
0
Mantequilla
Azcar
Manteq. de man
100
385
90
0.0
0.0
4.0
3
0
10
0.0
0.1
0.3
460
0
0
0.00
0.00
0.02
0.00
0.00
0.02
0.0
0.0
2.4
0
0
0
Queso Cheddar
Queso Mozzarela
Leche
Yogurt
Una porcin se refiere a la cantidad que se consume normalmente en una comida del da. Por
ejemplo, una porcin de papas puede representar 100 gr, o sea una papa mediana; una porcin de
huevos es un huevo de tamao normal; una porcin de leche es una taza de leche; y as
sucesivamente. Todas las cifras de la tabla anterior se refieren a porciones normales de cada
alimento.
Vamos a asumir que se trata de una dieta promedio con los siguientes requerimientos
mnimos diarios:
Desarrollado con base en la informacin mostrada en Chvtal, Vasek, Linear Programming, W. H. Freeman
and Company, New York, 1983, pg. 35, 182187.
80
Igualmente, definimos los tamaos de las porciones de cada alimento de acuerdo con la
tabla siguiente:
Tabla de tamao de cada porcin de alimento
Alimento
Tamao de cada porcin
Queso Cheddar
1 onza (30 gr)
Queso Mozzarela
1 onza (30 gr)
Leche
1 taza
Yogurt
1 taza
Pollo
Huevos
Pescado
Jamn
Hamburguesa
Hgado
Cerdo
Carne frita
Atn enlatado
100 gr ( pechuga)
1 huevo
100 gr
2 tajadas
85 gr (1 mediana)
75 gr
100 gr
100 gr
100 gr (seco)
Manzanas
Brcoli
Zanahorias
Naranjas
Jugo de naranja
Papas
Espinaca
Tomates
1 mediana
taza
1 mediana
1 mediana
1 taza
1 mediana
taza
1 mediano
Pan
Cereal (hojuelas)
Avena
Pasta
Arroz
2 tajadas
100 gr
120 gr
140 gr
100 gr
Mantequilla
Azcar
Manteq. de man
1 cucharada
taza
1 cucharada
81
este costo debe calcularse por porcin de cada alimento. Por ejemplo, si una libra
(500 gr) de carne para frer cuesta aproximadamente $8000, entonces el costo de cada
porcin de 100 gr sera de 8000/5 = $1600.
c) Formular un modelo de programacin lineal que le permita encontrar una dieta diaria
de costo total mnimo, que satisfaga todos los requerimientos mnimos diarios
mostrados anteriormente. Este modelo puede hacerlo en forma simblica y compacta,
definiendo nombres para los datos anteriores. En otras palabras, para formular el
modelo no se necesita escribir explcitamente cada trmino de la funcin objetivo ni
cada restriccin, sino su representacin compacta en forma de sumatorias.
d) Resolver el modelo mediante el WinQSB, analizar su solucin y concluir respecto de
las caractersticas de la dieta de costo mnimo en nuestro medio.
e) Analizar los problemas de sabor y gusto de las personas para replantear el modelo
formulado de tal forma que raciones de alimentos seleccionados siempre aparezcan
en la dieta. Resolverlo nuevamente y analizar la solucin.
82
Sujeto a:
83
X2), las cuales las satisfacen simultneamente. Este conjunto de parejas son las soluciones
factibles y forman la denominada regin factible (Figura 3.1)
84
negatividad R4 y R5, las cuales limitan la regin al primer cuadrante. La interseccin de todos
los semiplanos definidos por las desigualdades constituye la regin factible.
Los infinitos puntos en los lmites y dentro de la regin factible son las soluciones
factibles del modelo. Por lo general, slo una de estas infinitas soluciones es la solucin
ptima, o sea aquella que produce el valor ptimo de la funcin objetivo (mximo o mnimo).
Por ejemplo, se observa claramente que X1 = 400 y X2 = 200 es una solucin factible,
pues est dentro de la regin factible. Esta solucin producira un valor de la funcin objetivo
U = $300.000. Otra solucin factible es X1 = 500 y X2 = 300, la cual producira U = $410.000.
O sea que esta ltima es mejor que la primera, pues produce un mayor valor de la funcin
objetivo U, ya que sta se est maximizando.
Se puede demostrar que la regin factible definida por restricciones lineales es una
regin convexa. En una regin convexa, si se escogen cualquier par de puntos dentro o en los
lmites de la regin y se unen por una lnea recta, entonces toda la lnea recta queda
comprendida dentro de la regin. La propiedad de convexidad es un aspecto fundamental para
la caracterizacin de los problemas de optimizacin. En general, puede afirmarse que un
problema convexo (programacin convexa) es ms fcil de resolverse que otro que no lo es.
Los vrtices de la regin factible son los interceptos de los segmentos de reata lmites
de la regin. En este caso los vrtices son:
V1 (0,0)
V2 (0,600)
V3 (350,450)
V4 (700,200)
V5 (900,0)
Para encontrar la solucin ptima se procede de la siguiente manera: Se traza la recta
de la funcin objetivo para un valor arbitrario. Por ejemplo, sea:
Todos los puntos de esta recta que queden dentro de la regin factible son soluciones
factibles que producen obviamente un valor de U = 280.000 (por ejemplo X1 = 350; X2 = 200).
Se traza otra recta con un valor diferente, por ejemplo:
Esta recta es obviamente paralela a la primera, pues tiene la misma pendiente igual a
4/7 y, de nuevo, todos los puntos de ella que estn dentro de la regin factible son soluciones
factibles que producen un valor de U = 420.000.
O sea que la funcin objetivo U aumenta de valor a lo largo de una familia de rectas
paralelas con pendiente 4/7. Es aqu donde se puede concluir la forma de encontrar la
85
86
involucran parejas de ellas; por ejemplo, el siguiente modelo puede ser resuelto utilizando el
mtodo grfico:
Sujeto a:
Y se utiliza el mtodo grfico independientemente para cada Zi, con sus respectivas
restricciones.
En el caso de tres variables de decisin, an puede ser utilizado el mtodo grfico en
algunas ocasiones donde resulte fcil apreciar la regin factible y los planos objetivos. En
este caso la regin factible es un poliedro convexo, formado por el corte de los diferente
planos que constituyen las restricciones; el crecimiento de la funcin objetivo se puede
observar mediante el desplazamiento de planos paralelos. De nuevo, el ltimo punto del
poliedro que toque el plano al abandonar la regin factible ser la solucin ptima.
Considrese el modelo siguiente:
Sujeto a:
87
De los dos ejemplos resueltos por el mtodo grfico, puede sacarse una conclusin
muy importante, la cual es vlida para cualquier modelo de Programacin Lineal: La solucin
ptima se encuentra en uno de los vrtices de la regin factible. Esta afirmacin, que puede
ser planteada como un teorema, es de fundamental importancia, pues de infinitas soluciones
posibles (definidas por la regin factible), slo basta con mirar aquellas definidas por los
vrtices de la regin factible.
Obsrvese que en el caso anterior, la recta de la funcin objetivo abandona a la
regin factible en un solo vrtice, constituyndose as en una SOLUCIN PTIMA NICA.
Existen otros tres casos importantes, en los cuales no hay solucin ptima nica:
a.
Este caso ocurre cuando la recta de la funcin objetivo es paralela a uno de los lados de
la regin factibles. Obviamente, aqu la recta de la funcin objetivo toca infinitos puntos al
abandonar la regin factible. Estos infinitos puntos estn en el segmento de la recta que une
dos vrtices determinados (sin embargo, tambin en este caso la solucin ptima esta en los
88
vrtices de la regin factible). Todos ellos son solucin ptima y producen el mismo valor de
la funcin objetivo.
Por ejemplo, en el modelo N 1, si la funcin objetivo hubiera sido:
En este caso una varias variables pueden crecer ( decrecer) sin restriccin,
produciendo valores cada vez mayores ( menores) en la funcin objetivo. Es el caso en el que
la regin factible es abierta, probablemente debido a que falt incluir alguna restriccin en el
modelo.
Por ejemplo, en el modelo:
Sujeto a:
En este caso no existe en realidad una regin factible, pues la interseccin de las
restricciones es el conjunto vaco. Esta situacin se presenta cuando hay inconsistencia en las
restricciones y el modelo debe ser replanteado. Por ejemplo el modelo:
89
Sujeto a:
90
Sujeto a:
Igualdades Restrictivas
En el modelo anterior los bi deben ser mayores iguales a cero. Por lo general, se
cumple que m < n y, por lo tanto, el sistema de igualdades tiene infinitas soluciones (las
infinitas soluciones de la regin factible).
Para llevar cualquier modelo de Programacin Lineal a la forma estndar puede
hacerse uso (de ser necesario) de las siguientes transformaciones:
a. Si la funcin objetivo es de minimizacin, o sea MIN Z, puede definirse Z= Z y
cambiar la funcin objetivo a MAX (Z), o sea MAX Z.
b. Si se trata de una desigualdad de , se puede sumar una variable no negativa
denominada variable de holgura, para establecer la igualdad; o sea, si la restriccin es:
Se transforma a:
Se puede transformar a:
:
restriccin anterior.)
Se transforma en:
91
Las variables de holgura, obviamente, deben cumplir con las restricciones de nnegatividad.
c. Si alguno de los bi es menor que cero, entonces se multiplica por (-1) a ambos
lados de la desigualdad (o igualdad) y posteriormente se le suma ( se le resta) la variable de
holgura ( de exceso), dependiendo del signo resultante de la desigualdad. Si se trata desde un
comienzo de una igualdad, lgicamente no es necesario adicionar variable de holgura
exceso.
d. Si existe alguna variable que no tiene restriccin de no-negatividad (variable libre),
entonces se le reemplaza por la diferencia de dos variables positivas, en forma semejante a lo
visto anteriormente en el modelo de programacin de metas, as:
Xj es variable libre (Xj puede ser mayor, igual menor que cero)
Entonces donde aparece Xj, cambiarla por:
Sujeto a:
92
f.
g.
Donde aparezca la variable X4, debe cambiarse por (X4+ X4), X4+ y X4 mayores
iguales que cero.
La funcin objetivo se cambia a maximizacin.
Sujeto a:
3.5.2.2.
Solucin Bsica:
Es aquella solucin en la cual se les da el valor arbitrario de cero a las n m variables
que sobran en el sistema n m. A las m variables que no se les da el valor arbitrario de cero
93
se les denomina variables bsicas y se dice que constituyen una base del sistema de
ecuaciones.
Solucin ptima:
Es la solucin factible que proporciona el valor ptimo (mximo mnimo) de la
funcin objetivo.
Con base en las definiciones anteriores, se pueden enunciar los tres principales
teoremas de optimalidad (sin demostracin), a saber:
a.
b.
c.
Las soluciones factibles conforman un conjunto convexo, cuyos vrtices son las
soluciones bsicas factibles.
Si el sistema tiene una solucin factible, entonces existe por lo menos una solucin
bsica factible.
Si la funcin objetivo tiene un ptimo (mximo mnimo) finito, entonces existe
por lo menos una solucin ptima la cual es una solucin bsica factible.
3.5.2.3.
94
posible de soluciones bsicas resulta ser igual a todas las posibles formas de escoger las (n
m) variables de las n totales, o sea:
relativamente
pequeo),
entonces tendran que ser resueltos = 155,117,520 sistemas de
15
ecuaciones lineales de 15 15 para determinar la solucin ptima. Por lo tanto, la importancia
de estudiar este mtodo radica simplemente en la formacin de los fundamentos para la
comprensin del mtodo simplex.
Para ilustrar el mtodo se resolver a continuacin el modelo N 1 formulado
anteriormente (el de los transformadores):
Sujeto a:
Sujeto a:
Obsrvese que como las restricciones son todas , slo fue necesario sumar a cada
restriccin su correspondiente variable de holgura.
En el modelo estndar anterior se identifican n = 5 variables y m = 3 restricciones, y,
por lo tanto, el nmero de soluciones bsicas es igual a 10. Para encontrar cada solucin bsica
hay que asignarle el valor de cero a (n m) = 5 3 = 2 variables cada vez. Todas las
soluciones bsicas se muestran en la tabla siguiente.
95
/Solucin
ptima
Solucin
Bsica
1
2
3
4
5
6
7
8
9
10
X1
X2
X3
X4
X5
Factible?
Valor de U
0
0
0
0
1400
980
900
350
525
700
0
600
700
900
0
0
0
450
375
200
1400
0
233 1/3
-700
0
420
500
0
0
233 1/3
980
140
0
-280
-420
0
80
0
-70
0
900
300
200
0
-500
-80
0
100
0
0
x
x
0
420.000
x
x
360.000
455.000
420.000
La forma de asignar el valor de cero a dos variables en cada solucin debe ser lgica y
ordenada, con el objeto de no repetir dejar de tener en cuenta algunas de las soluciones
bsicas.
Obsrvese que las soluciones bsicas No. 3, 4, 5, 6, y 9 no son factibles, pues por lo
menos una de las variables no cumple con las restricciones de no-negatividad. Adems, es
importante notar que las soluciones 1, 2, 7, 8 y 10 son factibles y corresponden precisamente a
los vrtices V1, V2, V5, V3 y V4, respectivamente, de la regin factible mostrada en la figura
3.1 anterior. La solucin ptima es la No. 8, pues es la que produce el valor mximo de la
funcin objetivo U. La solucin ptima completa viene dada por:
X1 = 350
X2 = 450
X3 = 0
X4 = 0
X5 = 100
U* = 455.000
El valor ptimo de la variable de holgura X5 = 100 indica que, en su correspondiente
restriccin, la nmero 3, no se cumple la igualdad sino la desigualdad, o sea que hay un
sobrante de 100 unidades del recurso 3 (o sea que quedan disponibles 100 hr-mquina 2).
Como las variables de holgura X3 = X4 = 0 se concluye que las restricciones 1 y 2 se cumplen
con la igualdad, o sea que los recursos 1 (hr-hombre) y 2 (hr-mquina 1) se han utilizado
completamente. Estas conclusiones, por supuesto, son las mismas encontradas anteriormente
en el mtodo grfico.
El mtodo de enumeracin de soluciones bsicas identifica la existencia de infinitas
soluciones si se obtienen dos ms soluciones bsicas factibles diferente que producen el
mximo valor de la funcin objetivo. Identifica tambin el caso de ninguna solucin factible,
si no se obtiene ninguna solucin bsica factible, pero no identifica el caso de solucin no
acotada, tal como se ilustra en el modelo siguiente:
96
Sujeto a:
Sujeto a:
Solucin
Bsica
1
2
3
4
5
6
7
8
9
10
X1
X2 X3
X4
X5
0
0
0
0
0
0
10
9
10
12
0 0 10
0 2
0
0 18 10
10 0
0
6 0
4
10 -12 0
0 0
0
0 0
1
0 -2 0
-2 0
0
-18
?
0
12
0
0
2
0
0
0
Factible?
Valor de
U
Sist. Inconsistente
x
x
x
36
10
6
x
x
30
27
La tabla anterior sugiere que la solucin ptima del modelo es la solucin bsica No. 3,
pero en realidad, como se demostr anteriormente, la funcin objetivo es no acotada y, por lo
tanto, el modelo no tiene solucin ptima. Por esta razn, este mtodo puede fallar en estos
casos.
En la pgina siguiente se presenta un taller para la preparacin del primer examen del
curso. Se sugiere su solucin completa.
97
98
Ejercicio 3.2.
1.
Una refinera de petrleo puede comprar dos tipos de petrleo crudo. El tipo 1 cuesta
$57.500/barril y el tipo 2 cuesta $50.600/barril. Cada barril de petrleo crudo de cualquier
tipo ya refinado de produce tres tipos de productos terminados: gasolina para avin,
gasolina normal y kerosn. Un barril de petrleo crudo tipo 1 produce 0.45 barriles de
gasolina para avin, 0.18 barriles de gasolina normal, 0.30 barriles de kerosn y el resto
son desechos cuya eliminacin cuesta $2.300/barril. Por otra parte, un barril de petrleo
crudo tipo 2 produce 0.35 barriles de gasolina para avin, 0.36 barriles de gasolina
normal, 0.20 barriles de kerosn y el resto son desechos cuya eliminacin cuesta
$3.450/barril. La refinera ha firmado un contrato para proveer por lo menos 1.260.000
barriles de gasolina para avin, 900.000 barriles de gasolina normal y 300.000 barriles de
kerosn. Formule un modelo de programacin lineal que le permita determinar cuntos
barriles de petrleo crudo de cada tipo debe comprar la refinera para cumplir con la
demanda establecida a costo total mnimo.
2.
a) Resuelva el problema anterior mediante el mtodo grfico e interprete la solucin.
b) Replantee la funcin objetivo del modelo asumiendo que los precios de venta de cada
producto son los siguientes: Gasolina para avin $134.600/barril, gasolina normal
$75.000/barril y kerosn $40.500/barril. Asuma que ahora las demandas a satisfacer
son mximas. Resuelva de nuevo el problema mediante el mtodo grfico e interprete
la solucin obtenida.
3.
Una gran empresa distribuidora tiene que suministrar 800 toneladas/mes de productos a
sus clientes y est pensando en renovar completamente su flota de transporte. La empresa
tiene un presupuesto disponible de $1.150 millones (incluyendo los ingresos por venta del
equipo actual) para invertir en tres tipos de camiones. La tabla siguiente muestra la
capacidad, el costo de compra, el costo operativo y el nmero mximo de viajes/mes de
cada tipo de camin.
TIPO DE
CAMIN
CAPACIDAD
[Kg]
COSTO DE
COMPRA
[$millones]
COSTO DE
OPERACIN
[$/mes]
1
2
3
6.000
3.000
2.000
115
92
58
1.840.000
1.495.000
1.150.000
MX. No.
DE VIAJES
POR
MES
20
25
30
99
Una empresa productora estima con muy buena precisin que la demanda para las
prximas cuatro semanas es de 600.000 tornillos pequeos y 400.000 tornillos grandes.
Estos tornillos pueden producirse en dos mquinas distintas. La mquina 1 est disponible
56 horas/semana y la mquina 2 est disponible 84 horas/semana. Los requerimientos de
costos y tiempo para producir cada tamao de tornillo en cada mquina y el precio de
venta de cada tamao de tornillo se muestran a continuacin:
DETALLE
Precio de venta [$/millar]
Costo en la mquina 1 [$/millar]
Costo en la mquina 2 [$/millar]
Tiempo en la mquina 1 [min/lb]
Tiempo en la mquina 2 [min/lb]
TORNILLOS
PEQUEOS
63.250
14.375
18.400
1.50
1.00
TORNILLOS
GRANDES
74.750
17.825
21.275
1.75
1.25
6.
MANTEQUILLA
DE MAN
230
4.00
2.50
2.00
CHOCOLATE
414
0.80
1.00
0.50
Por motivos de sabor, la cantidad mnima de cada ingrediente en el dulce debe ser de 0.50
onzas.
a) Formule y resuelva un modelo de programacin lineal que le permita determinar la
cantidad a utilizar de cada tipo de ingrediente para satisfacer los requerimientos
nutricionales planteados al costo mnimo.
100
Se est analizando cmo combinar dos tipos de fertilizantes, de tal forma que la mezcla
contenga al menos 200 unidades de un cierto compuesto. El fertilizante A contiene 8
unidades del compuesto/Kg de fertilizante, mientras que el fertilizante B contiene 25
unidades del compuesto/Kg de fertilizante. El fertilizante A cuesta $1.000/Kg, mientras
que el fertilizante B cuesta $3.125/Kg. Ambos fertilizantes se producen a partir de dos
materias primas M1 y M2. Cada Kg de fertilizante A consume 6 litros de M1 y 3 litros de
M2. Cada Kg de fertilizante B consume 12 litros de M1 y 2 litros de M2. Se dispone de
216 litros de M1 y 60 litros de M2. Finalmente, por razones de calidad, la mezcla debe
contener a lo ms 16 Kg de fertilizante A.
a) Formule y resuelva un modelo de programacin lineal que le permita determinar
cuntos Kg de cada fertilizante utilizar en la mezcla para obtener el costo mnimo.
b) Analice la solucin ptima de este problema. Qu caracterstica especial tiene?
c) Encuentre la solucin ptima general de este problema e interprtela.
8.
101
4. EL MTODO SIMPLEX
Los autores presentan el mtodo simplex en diversas formas: tabular, algebraica,
matricial, etc. De todas estas maneras de presentacin, tal vez la ms adecuada y la que ms
ventajas ofrece para sentar en el estudiante una mejor base terica, es la forma matricial. Sin
embargo, posteriormente se har nfasis en las aplicaciones resueltas por computador, ya que
es en ltimas el instrumento que se utiliza para resolver cualquier modelo de Programacin
Lineal.
Para ilustrar y presentar el mtodo simplex, se utilizar el siguiente ejemplo sencillo:
M aximizar Z 5X1 3X 2
sujeto a :
3X1 5X 2 15
(3.1)
5X1 2X 2 10
(X1 , X 2 ) 0
Inicialmente, se resolver el modelo anterior, utilizando la enumeracin de soluciones
bsicas; la forma estndar del modelo es la siguiente:
M aximizar Z 5X1 3X 2
sujeto a :
3X1 5X 2 S1
5X1 2X 2
15 (3.2)
S 2 10
(X1 , X 2 , S1 , S 2 ) 0
Luego, el modelo en su forma estndar presenta n = nmero de variables = 4 y m =
nmero de restricciones = 2.
n 4
El nmero mximo de soluciones bsicas = 6
m 2
La tabla siguiente muestra las soluciones bsicas y la solucin ptima:
Solucin
Bsica No
1
2
3
4
5
X1
0
0
0
5
2
X2
0
3
5
0
0
S1
15
0
-10
0
9
S2
10
4
0
-15
0
Factible
Si
Si
No
No
Si
20/19
45/19
Si
Valor de Z
0
9
10
235/19
12.4
Por lo tanto, la solucin ptima es la No. 6. La tabla anterior debe tenerse presente para
el desarrollo que sigue.
102
donde,
Z11 =
C1n =
Xn1 =
Amn =
bm1 =
C C 1 C 2 C 3
C n 1n
X1
X
2
.
X (incluye variables de holgura y/ exceso Sk)
.
.
X n n1
a11 a12
a
21 a22
.
.
A
.
.
.
.
am1 .
a1n
b1
b
a2 n
2
.
. . . .
b
. . . .
.
.
. . . .
. . . amn mn
bm m1
0; X X 1 X 2 S1 S2 ;
3 5 1 0
A
;
5 2 0 1
15
b
10
103
1 0 S1 15
0 1 S 10
2
1
S1 1 0 15 15
S 2 0 1 10 10
La cual corresponde a la solucin bsica No 1 (en este caso se trata de una solucin
bsica factible).
Tmese ahora, por ejemplo, la solucin bsica No 4, de la tabla anterior. En ella, X2 =
S1 = 0 y, por lo tanto:
3 0 X 1 15
5 1 S 10
2
1
X 1 3 0 15 1 / 3 0 15 5
S 5 1 10 5 / 3 1 10 15
2
La cual corresponde a la solucin bsica No 4 (en este caso NO FACTIBLE).
En el primer caso, la matriz base asociada a la solucin bsica es la matriz idntica de
3 0
orden 2 y en el segundo caso es la matriz
. Obsrvese que, en cada caso, la solucin
5 1
bsica se obtiene invirtiendo la base y premultiplicndola por el vector b, o sea que una
solucin bsica es de la forma B 1b , donde B es la matriz base asociada a la solucin
correspondiente.
104
A B R
XB
X
X R
C CB C R
XBm1 =
XR
=
(n-m)1
CB1m
CR1( nm ) =
objetivo.
Por la tanto el modelo de PL (3.3) quedara expresado as:
M AX (M IN) Z C B X B C R X R
sujeto a :
BX B RX R b
(3.4)
X0
105
El paso a otra solucin bsica factible se logra cambiando de base, de tal forma que
una de las variables bsicas sale de la base, pasando a ser no bsica, y una de las variables no
bsicas entra a la base, volvindose bsica y entrando a ocupar el lugar de la variable que sali
de la base. En otras palabras, la diferencia entre dos bases sucesivas est en una sola columna.
El proceso de cambio de base contina hasta que se detecta que no se puede mejorar
ms la funcin objetivo (minimizando o maximizando) y es cuando se ha logrado encontrar la
solucin ptima del problema.
El mtodo SIMPLEX tiene tres condiciones fundamentales, de acuerdo con lo
expresado anteriormente: criterio de entrada (para determinar la variable que entra a la base),
criterio de salida (para determinar la variable que sale de la base) y criterio de parada, para
definir cuando se acaba el proceso. Estos tres criterios se deducen a continuacin (Ver Figura
1 adelante).
Se tienen dos ecuaciones, a partir de (3.4):
Z C B X B C R X R (3.5)
BX B RX R b (3.6)
Si suponemos que B es no singular, en (3.6) se tiene que:
B 1BX B B 1RX R B 1b
X B (B 1R ) X R B 1b
Sean:
Ym( nm) Bm1m R m( nm)
X B B 1b (solucin actual)
X B YX R X B (3.7)
Lo que se pretende es investigar la posible variacin de la solucin actual, ocasionada
por el futuro cambio de base. Obsrvese que si se hace XR = 0, todo se reduce a la solucin
actual.
Premultiplicando la ecuacin (3.7) por CB se obtiene:
CB X B CB YX R CB X B
Sea Z CB X B (valor actual de la funcin objetivo),
Z CB X B CB YX R (3.8)
Efectuando (3.5) menos (3.8), se obtiene:
Z Z CR X R CB YX R
106
O mejor:
Z Z (CB Y CR )X R (3.9)
Lo importante de la ecuacin (3.9) es que:
Z = Cualquier valor de la funcin objetivo (o valor futuro)
Z = Valor actual de la funcin objetivo
Cambio en el valor de la funcin objetivo si se modifica la base.
(CB Y CR )X R =
As, la ecuacin (3.9) muestra el cambio que tendra la funcin objetivo en una
iteracin, al cambiar de base. Por lo tanto se puede tratar de controlar este cambio para que sea
lo ms grande posible. Se puede entonces modificar esta ecuacin observando que se trata de
una ecuacin escalar. La notacin se modifica as:
CB Yn
Los trminos C B Y j son los productos escalares entre el vector C B y las columnas de la
matriz Y, y se le denomina Z j . As, la ecuacin (3.9) puede transformarse a:
Z Z ( Z j C j )X j (3.10)
j
Como slo una de las variables no bsicas X j es la que va a entrar a la base y tomar
seguramente un valor positivo, entonces la sumatoria se reduce a un slo trmino, ya que el
resto de variables no bsicas seguir siendo igual a cero. Por lo tanto, le ecuacin (3.10) se
transforma a:
Z Z ( Z k C k )X k (3.11)
(Z j C j ) sea"lomspositivoposible"(MIN)
En realidad puede entrar a la base cualquier variable cuyo (Z jCj) sea negativo para maximizacin, pero si se
escoge el menor es ms probable llegar al ptimo (mximo en este caso) ms rpidamente. Un razonamiento
semejante se presenta si se est MINIMIZANDO.
7
107
x1 x1 y1,m 1 y1,m 2
x x y
y2,m 2
2 2 2,m 1
xm xm ym ,m 1 ym ,m 2
xm 1
y2 n xm 2
xk
ymn xn
y1k
y2 k
ymk
y1n
xm xm -ymk xk
Como debe garantizarse que la prxima solucin bsica sea factible, entonces:
x1 y1k xk 0
x y x 0
2
2k k
xm -ymk xk 0
Por lo tanto:
x
xk mn s ; ysk 0
ysk
y sk debe ser mayor que cero, puesto que xk debe tomar tambin un valor no negativo.
Por otra parte, como la variable que va a salir de la base pasar a tomar valor cero,
entonces:
xs xs ysk xk 0 , donde xs es la variable a salir de la base. As:
x
xk s ; y sk 0
y sk
108
Por lo tanto, la variable que entra a la base toma el valor del cociente mnimo de la
variable que sale de la base.
Del razonamiento anterior, se obtiene el criterio de salida del mtodo SIMPLEX:
SALE DE LA BASE AQUELLA VARIABLE CUYO COCIENTE SEA EL
MNIMO, donde:
x
s ; ysk 0
ysk
Este cociente se efecta entre los valores actuales de la solucin y los trminos de la
columna k de la matriz Y que sean positivos solamente (recurdese que la columna k es la
columna asociada a la variable xk , previamente escogida para entrar a la base). El valor que
toma la variable que va a entrar a la base es precisamente el del cociente mnimo, o sea
xk mn . Es importante notar que este criterio es vlido tanto para problemas de
maximizacin como para problemas de minimizacin, pues su origen es el de obtener una
solucin bsica que sea factible.
Se cumple el CRITERIO DE
PARADA?
Si
No
La solucin
bsica factible
actual es una
SOLUCIN
PTIMA
109
( Z j C j ) 0, para minimizar
En resumen, el algoritmo SIMPLEX hace lo mostrado en la Figura 1 anterior. Los
casos especiales, como son funcin mltiples soluciones ptimas, funcin objetivo no acotada
y ninguna solucin factible, son identificados tambin por el algoritmo simplex, como se ver
ms adelante en los ejemplos 3.2, 3.3 y 3.4, respectivamente.
1 0
B
;
0 1
S
X
15
3 5
C B 0 0; C R 5 3; b ; R
; X B 1 ; X R 1
10
5 2
S2
X2
S1 S2
X1 X2
Entonces:
1
1 0 15 15
XB B b
0 1 10 10
1
Z CB X B 0
Los ( Z j C j ) de las variables bsicas siempre son iguales a cero, como se ver posteriormente. Si existe
algn ( Z j C j ) de una variable no bsica igual a cero, se concluye que existen mltiples soluciones ptimas,
ya que se podr cambiar de base sin modificar el valor de la funcin objetivo.
110
R.
1 0 3 5 3 5
Y B 1R
(columnas de la matriz Y)
0 1 5 2 5 2
T
Z1 C B Y1 0 03 5 0
Z 2 C B Y2 0 05 2 0
Z1 C1 0 5 5
ENTRA A LA BASE LA VARIABLE x1 9
Z 2 C2 0 3 3
T
Criterio de salida:
Recurdese que X B X B YX R , en este caso:
s 15 3 5 x1
XB 1
s2 10 5 2 x2
Columna asociada a X1 , variable a entrar a la base.
15 10
Luego: mn , mn 5 , 2 2
3 5
Por lo tanto sale de la base la variable S2.
1 3
B
;
0 5
s1 x 1
S
S
15
0 5
C B 0 5; C R 0 3; b ; R
; X B 1 ; X R 2
10
1 2
X1
X2
s2 x 2
Z CB X B 10
111
Ahora:
1 3 / 5 0 5 3 / 5 19 / 5
Y B 1R
(columnas de Y)
2 / 5
0 1 / 5 1 2 1 / 5
S2 X2
T
Z1 C B Y1 0 5 3 / 5 1 / 5 1
Z 2 C B Y2 0 519 / 5 2 / 5 2
Z1 C1 1 0 1
ENTRA A LA BASE LA VARIABLE X2 (la
Z 2 C2 2 3 1 ,
nica cuyo Zj Cj es negativo)
T
criterio de salida:
s 9 3 / 5 19 / 5 s2
XB 1
2 / 5 x2
x1 2 1 / 5
columna asociada a X2, la variable a entrar a la base.
45
45
Luego, mn , 5
19 19
Por lo tanto, sale de la base la variable S1.
10
1 0
X1
S1
5 3
B
;
2 5
x2 x1
5 3 15 5 / 19 3 / 19 15 45 / 19
XB B b
2 5 10 2 / 19 5 / 19 10 20 / 19
Z CB X B 235 / 19 12.37
1
Ahora:
5 / 19 3 / 19 0 1 3 / 19 5 / 19
Y B 1R
(columnas de Y)
2 / 19 5 / 19 1 0 5 / 19 2 / 19
Y1 Y2
T
Z1 C B Y1 3 5 3 / 19 5 / 19 16 / 19
Z 2 C B Y2 3 55 / 19 2 / 19 5 / 19
T
112
Z1 C1 16 / 19 0 16 / 19
0 , SE CUMPLE EL CRITERIO DE
Z 2 C2 5 / 19 0 5 / 19
PARADA.
Luego la solucin bsica factible actual es una solucin ptima. Como los nicos (Zj
Cj) iguales a cero son los de las variables bsicas, entonces esta es la nica solucin ptima del
modelo (3.1).
x 45 / 19
235
XB 2
Zmx C B X B
19
x1 20 / 19
s 0
X R 2 (variables no bsicas)
s1 0
XB
X1
X2
S1
S2
COCIENTE
0
0
15
10
3
5
5
2
1
0
0
1
15/3 = 5
10/5 = 2
0
-5
0
-3
0
0
0
0
0
5
9
2
0
1
19/5
2/5
1
0
-3/5
1/5
10
5
0
2
-1
0
0
1
1
3
5
45/19
20/19
0
1
1
0
5/19
-2/19
-3/19
5/19
Zmx
235/19
5
0
3
0
5/19
5/19
16/19
16/19
VARIABLES
BSICAS
S1
S2
CB
Zj
Zj C j
S1
X1
Zj
Zj C j
X2
X1
Zj
Zj C j
Solucin ptima
45/19 2.4
2/(2/5) = 5
113
X1 20/19
X 2 45/19
S1 0
S2 0
Z mx 235/19
Debe notarse que la inversa de la base en cada iteracin se va generando debajo de la
matriz idntica inicial.
Es importante notar que el mtodo SIMPLEX se mueve de una solucin bsica
factible a otra de una manera muy especial: mejorando lo ms posible a la funcin objetivo, y,
por lo tanto, slo visita algunas de las soluciones bsicas factibles hasta llegar a la solucin
ptima.
Ejercicio: Resuelva el problema de los transformadores (modelo No 1) mediante el
mtodo SIMPLEX.
4.5. EL MTODO
ARTIFICIALES
SIMPLEX
CON
VARIABLES
El mtodo SIMPLEX necesita que la base inicial sea la matriz idntica para poder
arrancar. El problema general de PL es:
MAX ( MIN ) Z CX
sujeto a :
AX (, , )b
(3.12)
X0
Si todas las restricciones son de , el mtodo SIMPLEX inicia con la base igual a la
matriz idntica, formada por las columnas de las variables de holgura. Pero si existe por lo
menos una restriccin de = de , la matriz idntica no aparece en forma automtica y por lo
tanto debe crearse mediante la adicin de variables artificiales, salvo algunas excepciones
(Ver Ejemplos 3.2 y 3.3)
114
Z 2X1 3X 2
M aximizar
Sujeto a : X1 2X 2 4
X1 X 2 3
X1, X 2 0
La forma estndar de ste modelo es la siguiente:
Z 2X1 3X 2
M aximizar
Sujeto a : X1 2X 2 S1 4
X1 X 2
X1 , X 2 , S1 0
M aximizar
Z 2X1 3X 2
Sujeto a : X1 2X 2 S1
X1 X 2
A 3
X1 , X 2 , S1 0; A variable artificial
M aximizar Z 2 X 13 X 2 MA
Sujeto a : X 1 2 X 2 S
X1 X 2
4
A3
(X 1 ,X 2 , S) 0; A variable artificial
11
Se ha cambiado S1 por S por existir slo una variable de holgura en este modelo.
11
115
Cj
CB
XB
X1
X2
0
-M
4
3
1
1
2
1
1
0
0
1
4/2 = 2
3/1 = 3
-3M
-M
-M-2
-M
-M-3
0
0
-M
0
2
1
1
0
0
1
6-M
3 M
2
2
- 1 M
2
2
3
0
3 M
2
2
3 M
2
2
-M
0
1
2
0
1
1
0
1
-1
-1
2
2
0
3
0
1
1
1
1+M
Zj
Z j -C j
X2
A
3
-M
Zj
Z j -C j
X2
X1
Zj
Z j -C j
3
2
-M
2/ = 4
1/ = 2
X1 2
X2 1
S 0
A 0 obviamente
Z max. 7
Obsrvese que la variable artificial sale de la base en el segundo tablero. Una vez
salga, no podr volver a entrar a la base, y puede incluso ignorarse esta columna para
encontrar la solucin ptima.12
Debe adems recordarse que M siempre es un valor muy grande positivo (M )
y, por lo tanto, su magnitud domina sobre cualquier otro nmero.
12
Sin embargo, es til mantener las columnas de las variables artificiales para determinar la inversa de la base
ptima, ya que ellas formaron la matriz idntica inicial.
116
Minimizar
Z 2 X 1 3X 2 X 3
Sujeto a : X 1 4 X 2 2 X 3
3X1 2 X 2
X1, X 2 , X 3
8
6
0
Z 2 X 1 3 X 2 X 3 MA
Sujeto a : 1 X 1 2 X 2 X 3 S1
4
2
3X1 2 X 2
S2 A 6
Cj
CB
XB
X1
X2
1
M
4
6
3
+3M
Zj
X3
S1
S2
2
2
1
0
-1
0
0
-1
0
1
8
2
- 3 M 3M
2
2+2M
-1+2M
1
0
-1
-1
-M
-M
M
0
3
2
0
1
5/3
2/3
1
0
-1
0
1/6
-1/3
-1/6
1/3
2
0
3
0
1
0
-1
-1
-
-
-M
9/5
4/5
0
1
1
0
3/5
-2/5
-3/5
2/5
1/10
-2/5
-1/10
2/5
2
0
3
0
1
0
-1
-1
-
-
-M
4+6M
Z j -C j
X3
X1
1
2
Zj
Z j -C j
X2
X1
Zj
Z j -C j
3
2
1.8
3
Sol.
ptima
No 1
Sol.
ptima
No 2
117
puede entrar a la base sin modificar el valor mnimo de la funcin objetivo y generar una
solucin ptima diferente. Estas soluciones son:
Solucin Optima N 1
X1 2
Solucin Optima N 2
X1 4 / 5
X2 0
X2 9/5
X3 3
X3 0
S1 S 2 0
S1 S 2 0
Z mn 7
Z mn 7
X1
X 2
X 3
S1
S
2
4
5
2
9
5
0
3
0 ; 0 1; 0 1 1; ,
0
0
0
0
118
50000
X1, X 2 , X 3 0
Sujeto a :
S1 50000
0.4 X 1 0.6 X 2 X 3
S 2 27000
X1, X 2 , X 3 ,S1,S2 0
Var.
Bsicas
S1
X3
Cj
1.2
1.0
0.8
CB
XB
X1
X2
X3
S1
S2
0
0.8
50000
27000
1
0.4
1
0.6
0
1
1
0
0
-1
50000
67500
21600
0.32
-0.88
0.48
-0.52
0.8
0
0
0
-0.8
-0.8
50000
70000
1
0
1
0.2
0
1
1
-0.4
0
-1
65600
1.2
0
1.36
0.36
0.8
0
0.88
0.88
-0.8
-0.8
Zj
Z j Cj
X1
X3
Zj
Z j Cj
1.2
0.8
En el ltimo tablero, S2 trata de entrar a la base, pero la regla del cociente falla,
entonces como no hay ninguna variable a salir de la base se concluye que hay FUNCIN
OBJETIVO NO ACOTADA.13
El caso de funcin objetivo no acotada es un caso donde no existe solucin PTIMA,
aunque si existen SOLUCIONES FACTIBLES, a diferencia del caso de NINGUNA
SOLUCIN FACTIBLE.
En la prctica puede presentarse este caso cuando se ha olvidado incluir en el modelo
alguna restriccin. En este problema falt acotar la variable X3. Obsrvese que este modelo
corresponde al caso de la refinera (Problema No. 16 de la coleccin de problemas), donde la
demanda es mnima y lo que puede comprarse a otros proveedores es ilimitado, lo cual
13
El problema se presenta en la 2 restriccin. La variable X 3 est acotada por debajo pero no por encima y as su
valor puede hacerse tan grande como se desee, haciendo crecer indefinidamente la funcin objetivo. La variable
de exceso S2 trata de entrar a controlar esto, pero obviamente no puede.
119
Maximizar
Z 10 X 1 15 X 2 12 X 3
5X 1 3X 2 X 3
Sujeto a :
144
5 X 1 6 X 2 15 X 3 240
2X1 X 2 X 3
80
X1, X 2 , X 3 0
Maximizar Z 10 X 1 15 X 2 12 X 3
MA
5 X 1 3 X 2 X 3 S1
Sujeto a :
5 X 1 6 X 2 15 X 3
144
S2
2X1 X 2 X 3
240
S 3 A 80
X1
X2
X3
S1
S2
S3
0
0
-M
144
240
80
5
-5
2
3
6
1
1
15
1
1
0
0
0
1
0
0
0
-1
0
0
1
28.8
-80M
-2M
-2M-10
-M
-M-15
-M
-M-12
0
0
0
0
M
M
-M
0
144/5
384
112/5
1
0
0
3/5
9
-1/5
M
6
5
1/5
16
3/5
1/5
1
-2/5
2M
2
5
2M
2
5
3/16
1/16
-7/16
0
1
0
0
0
-1
0
0
1
0
0
M
M
-M
0
-1/80
1/16
-3/80
3M 5
80 8
3M 5
80 8
0
0
-1
0
0
1
M
M
-M
0
10
0
-M
Zj
112M
288
5
Zj Cj
Zj
Zj Cj
XB
Z j Cj
X1
X3
A
CB
Zj
X1
S2
A
10
12
-M
10
0
24
24
8
1
0
0
- 8M 528
10
M
9
5
3M
2
5
3M
10
5
39/80
9/16
-43/80
0
1
0
43M 93
80
8
43M 27
80
8
12
0
7 M 21
16
8
7 M 21
16
8
NO
40
144
24
37.3
120
3X1 X 2 3
4 X1 X 2 6
X1 2 X 2 4
( X1, X 2 ) 0
El modelo se transforma como sigue para iniciar el mtodo de las dos fases:
14
121
M inimizar Z ' A1 A2
3 X 1 X 2 A1
sujeto a :
4 X 1 3X 2
S1 A2
X1 2X 2
S2 4
( X 1 , X 2 , S1 , S 2 ) 0; A1 , A2 Var. Artificiales
Cj 0
Var.
Bsicas
CB
XB
X1
X2
S1
S2
A1
A2
A1
A2
S2
1
1
0
3
6
4
3
4
1
1
3
2
0
-1
0
0
0
1
1
0
0
0
1
0
3/3 = 1
6/4 =
1.5
4/1 = 4
7
7
4
4
-1
-1
0
0
1
0
1
0
1
2
3
1
0
0
1/3
5/3
5/3
0
-1
0
0
0
1
1/3
-4/3
-1/3
0
1
0
0
0
5/3
5/3
-1
-1
0
0
-4/3
-7/3
1
0
Cj
3/5
6/5
1
4
1
0
0
1
0
1
0
0
1/5
-3/5
1
0
0
0
1
0
3/5
-4/5
1
0
-1/5
3/5
-1
18/5
4
0
1
0
1/5
1/5
0
0
2/5
9/5
1
1
0
0
0
1
0
0
0
1
-1/5
3/5
1
17/5
4
0
1
0
0
0
-1/5
-1/5
Zj
Z j Cj
X1
A2
S2
0
1
0
Zj
Z j Cj
X1
X2
S2
4
1
0
Zj
Z j Cj
X1
X2
S1
Zj
Z j Cj
4
1
0
3
1.2
1.8
Fin
Fase I
3
NO
1
Fin
Fase
II
122
5. TEORA DE DUALIDAD
El problema dual puede definirse en forma matemtica. Sin embargo, es adecuado
comenzar por una interpretacin econmica.
Supngase que en una empresa se producen dos artculos: 1 y 2. Las utilidades netas
unitarias son respectivamente, 35 y 80 u.p/unidad. Los requerimientos unitarios y la
disponibilidad de las mquinas son:
hr.mq.1
unidad
2
3
300
ARTICULO
1
2
Disponibilidad
hr.mq.2
unidad
5
4
500
MAXIMIZAR Z 35 X 1 80 X 2
Sujeto a :
2 X 1 3 X 2 300 (Recurso 1) (Problema Primal)
5X 1 4X 2 500 (Recurso 2)
(X1 , X 2 ) 0
Donde: X1= Nmero de artculos tipo 1 a producir, X2 = Nmero de artculos tipo 2 a
producir. A este problema anterior se le denomina problema primal.
Ahora, los recursos, en este caso las mquinas, pueden ser dedicados a otra actividad
diferente a la de producir los artculos 1 y 2. Para ello, sean:
5W2
unid .R2
u. p
u. p
123
y, si se efecta la suma:
(Problema Dual)
3W1 4W2 80
(W1 , W2 ) 0
La solucin del problema dual da la informacin acerca de los costos de
oportunidad de los recursos o precios sombra, es decir, la tasa a la cual podra
incrementarse (o decrecer) la funcin objetivo del problema primal, incrementando (o
disminuyendo) ligeramente la cantidad de recurso. Esto ser aclarado ms adelante.
Por lo tanto, la solucin del problema dual da una valiosa informacin: el precio
unitario adicional mximo que puede pagarse por cada unidad adicional de recurso escaso.
Esto se concluye de la propia definicin de la funcin objetivo del problema dual, ya que,
como se ver posteriormente, el valor ptimo de la funcin objetivo del problema primal es
igual al valor ptimo de la funcin objetivo del problema dual ( o sea Zmx = Z'mn).
Matricialmente estos dos problemas pueden definirse como:
MAX Z CX
S ujetoa : AX b
X0
Problema Primal
15
MIN Z ' W T b
(4.1) 15
S ujetoa : W T A C
W0
(4.2)
Problema Dual
Ms adelante se ver que cualquier problema de PL tiene su dual asociado. Sin embargo, para hallarlo debe
estar en la forma mostrada, o sea con funcin objetivo de maximizacin y restricciones menor igual ().
124
WT A C
Postmultiplicando por X:
W T AX CX (4.4)
Si se combinan las desigualdades (4.3) y (4.4), se obtiene:
CX WT b q.e.d
y W
dos soluciones factibles para los problemas primal y
TEOREMA 4.2: Sean X
dual respectivamente. Si se cumple que:
W
Tb
CX
y W
son las soluciones ptimas de los problemas primal y dual
entonces X
respectivamente.
Demostracin:
, W) . Del Teorema 4.1 se concluye que:
a) Tmese la pareja de soluciones factibles ( X
WT b
CX
W
T b , por hiptesis, entonces, W
T b WT b , donde W T es
pero como CX
T b ser el mnimo y es entonces
cualquier solucin factible del problema dual. Por lo tanto, W
la solucin ptima del problema dual.
CX CX
ser el mximo y
donde X es cualquier solucin factible del problema primal. As, CX
es entonces la solucin ptima del primal (q.e.d).
125
Z 400 X 1 700 X 2
Maximizar
Sujeto a :
7
X 2 1400 hr. hom bre R1
3
X 1 1.4 X 2 980 hr. maq.q R2
X1
X1, X 2 0
R3
400
7
W1 1.4W2 W3 700
3
(W1 , W2 , W3 ) 0
El tablero final del mtodo SIMPLEX aplicado al problema primal es el siguiente
(Comprubelo!!):
Var.
Bsicas
X2
X1
S3
Zj
Z j Cj
CB
XB
X1
X2
S1
S2
S3
700
400
0
450
350
100
0
1
0
1
0
0
15/14
-3/2
3/7
-15/14
5/2
-10/7
0
0
1
455000
400
0
700
0
150
150
250
250
0
0
126
C B B 1a
O, en forma compacta:
C B B 1 A C
T
1
T
Si W C B B , entonces W A C
Con lo que se conseguira cumplir con las restricciones del dual. Obsrvese que las
condiciones de optimalidad del problema primal son equivalentes a las condiciones de
factibilidad del problema dual.
Falta por demostrar que la solucin del dual propuesta satisface las condiciones de no
negatividad y el valor ptimo de la funcin objetivo. En particular para las variables de
holgura, las cuales forman la matriz idntica, se cumple que:
C B B 1I 0
T
1
pues sus coeficientes en la funcin objetivo son iguales a cero. Luego, si W C B B ,
se cumple que:
WT 0 ,
o sea que se trata de una solucin factible del problema dual. Pero, ser la ptima??
Si se evala el valor de la funcin objetivo para esta solucin, se obtiene:
Z1 W T b C B B 1b C B X B Z
Luego, de acuerdo con el Teorema 4.2 dicha solucin debe ser ptima. (q.e.d)
Conclusin: la solucin ptima del problema dual aparece en el tablero final
SIMPLEX del problema primal en la fila de los Zj, debajo de las columnas que forman la
inversa de la base ptima., o sea que W T C B B 1 .
Para el problema de los transformadores, la solucin ptima del problema dual
asociado es:
W1 150 W2 250 W3 0 Zl mn 455000
O sea que si se incrementa en 1 unidad el recurso hora-hombre, la funcin objetivo se
incrementara en 150. Si se incrementa en una unidad el recurso hora-mquina1, la funcin
127
MIN
Z 3X 1 5X 2
X1 4
Sujeto a :
2 X 2 12
3 X 12 X 2 18
(X1, X 2 ) 0
Para obtener el problema dual, el modelo debe llevarse a la forma dada en el modelo
generalizado (4.1). La funcin objetivo se multiplica por (-1) y queda entonces convertida a
una funcin de Maximizacin. Las restricciones de basta con multiplicarlas por (-1) y las
restricciones de igualdad se reemplazan por dos restricciones de desigualdad: una de y otro
de . Ntese que aqu no interesa que queden valores negativos en los trminos del lado
derecho (Vector b)
As, el modelo del ejemplo anterior quedara:
Maximizar U 3 X 1 5 X 2
Sujeto a :
X1
4
2 X 2 12
2 X 2 12
3 X 1 2 X 2 18
X1, X 2 0
128
3W4 3
2W2 W3 2W4 5
Obsrvese que las variables duales W2 y W3 aparecen siempre en la forma (W2 W3) y
por lo tanto podran ser reemplazadas por una sola variable W= W2 W3 no restringida en
signo.
Conclusin: La variable dual asociada a una restriccin de igualdad del problema
primal, aparece en el problema dual asociado como una variable no restringida en signo.
5.1.3. Otras Propiedades del Problema Dual
Propiedad de simetra: El problema dual del dual es el problema primal original.
Principio de holgura complementaria:
a) Si una variable de holgura Si (aadida a la i-sima restriccin) del problema primal
aparece como bsica en la solucin ptima del problema primal, entonces la correspondiente
variable dual Wi tomar valor cero en la solucin ptima del dual.
b) Si la variable de decisin Xj (no de holgura) aparece como bsica en la solucin
ptima del primal, entonces en la correspondiente solucin ptima del dual la j-sima
restriccin dual es una igualdad estricta, o, equivalentemente, su variable dual de holgura
asociada es igual a cero.
129
MAX
Z 4 X 1 3X 2
Sujeto a :
X1
X2 8
X1 X2 7
3 X 1 X 2 15
X2 1
(X1, X 2 ) 0
Obsrvese que el problema tiene dos variables de decisin y cinco restricciones. As,
las bases seran de orden m = 5. Pero, si se plantea el problema dual asociado, tendra cinco
variables duales y dos restricciones, por lo tanto se trabajara con bases de orden 2, lo cual es
ms manejable manual y computacionalmente. Obviamente, esta aplicacin adquiere mucho
ms sentido en grandes problemas que se presentan en la vida real.
Ejercicio: Plantee el correspondiente problema dual asociado y resulvalo. Muestre
que la solucin ptima del dual es:
W1 W2 W5 0 W3
5
1 l
W4
Z mn 25
2
2
X 1 4 X 2 3 Zmx 25
Ilustre con este ejemplo el principio de holgura complementaria.
130
Z j Cj
y kj
Z j Cj
y kj
Sujeto a :
2X1 X 2 X 3 3
X 1 2 X 2 3X 3 5
(X1, X 2 , X 3 ) 0
Obsrvese que si se fuera a resolver mediante el algoritmo SIMPLEX normal, se
necesitaran dos variables artificiales para crear la base inicial. El procedimiento mediante el
mtodo SIMPLEX dual es como sigue:
MIN
Z 16 X 1 11X 2 15 X 3
Sujeto a :
2 X 1 X 2 X 3 S1 3
X 1 2 X 2 3X 3
- S2 5
( X 1 , X 2 , X 3 , S1 , S 2 ) 0
Y ahora, multiplicando por (-1) a ambas igualdades, se obtiene:
MIN Z 16 X 1 11X 2 15 X 3
Sujeto a : - 2 X 1 - X 2 - X 3 S1
- X 1 - 2 X 2 - 3X 3
-3
S 2 -5
( X 1 , X 2 , X 3 , S1 , S 2 ) 0
En este caso, los tableros correspondientes seran los siguientes:
131
Variables
Bsicas
S1
S2
Cj
16
11
15
CB
XB
X1
X2
X3
S1
S2
0
0
-3
-5
-2
-1
-1
-2
-1
-3
1
0
0
1
0
-16
16
0
-11
5.5
0
-15
5
0
0
0
0
-4/3
5/3
-5/3
1/3
-1/3
2/3
0
1
1
0
-1/3
-1/3
25
5
-11
6.6
10
-1
3
15
0
0
0
-5
-5
15
4
-1
5
-3
1
0
0
1
-3
2
1
-1
29
10
-6
2
11
0
15
0
-3
-3
NO
-4
-4
4
7/3
1/3
0
1
1
0
5/3
-1/3
1/3
-2/3
-2/3
1/3
31
16
0
11
0
13
-2
-7
-7
-2
-2
Zj
Z j Cj
S1
X3
0
15
Zj
Z j Cj
X2
X3
11
15
Zj
Z j Cj
X2
X1
Zj
Z j Cj
11
16
Se satisfacen
condiciones de
optimalidad
Se mantiene
optimalidad
Se mantiene
optimalidad
Se logro la
factibilidad:
SOLUCIN
PTIMA
132
6. ANLISIS DE SENSIBILIDAD
Dado un problema de PL de la forma:
MAX Z CX
Sujeto a : AX b
X0
1
Se afecta la factibilidad, dada por: X B B b; X B 0
Se afecta la optimalidad, dada por: Z j C j 0 (Maximizacin);C B B 1 a C j 0
j
As, los cambios en el vector b pueden afectar la factibilidad y los cambios en los
coeficientes de la funcin objetivo y de algunas de las columnas de la matriz A pueden afectar
la optimalidad.
Todos estos cambios presuponen que la matriz base ptima B va a permanecer sin
cambios, ya que si se afecta la base puede daarse la factibilidad y la optimalidad
simultneamente, y puede ser preferible volver a resolver el problema desde un comienzo.
133
En este caso los Z j no cambian pues el CB permanece constante; slo cambian los C j .
Si C j va a cambiar a C j , entonces debe cumplirse que Z j C j 0 (Maximizacin)
para que la solucin siga siendo ptima. Si se rompe el criterio de optimalidad, entonces se
sigue iterando con el algoritmo SIMPLEX normal a partir de ese punto.
*
16
134
(interpretacin econmica del problema dual), es vlido en el rango para el cual la base
ptima sigue siendo la misma.
Ahora, el nuevo vector b* puede escribirse as:
b * b b
B 1 b * B 1 b B 1 b
[Nueva solucin] = [Solucin actual] + [Cambio en solucin]
Esta forma de obtencin de la nueva solucin facilita los clculos.
aj
cambia por
a j* .
aj
Y se recalcula:
Z j CB Yj
*
aj
135
Yn1 B 1a
n 1
Z n1 C B Yn 1
y se chequeara si (Z n1 Cn1 ) cumple con la condicin de optimalidad. Si cumple, la
solucin actual sigue siendo ptima; de lo contrario, esta nueva variable debe entrar a la base,
y as, debe continuarse con el algoritmo SIMPLEX normal hasta obtener de nuevo las
condiciones de optimalidad.
Obsrvese que este caso puede tratarse como si la columna original
an 1 hubiera sido
136
MAX Z 3 X 1 5 X 2
4
Sujeto a : X 1
2 X 2 24
3 X 1 2 X 2 18
(X1, X 2 ) 0
Cuya forma estndar es:
MAX Z 3 X 1 5 X 2
S1
Sujeto a : X 1
S2
2X 2
3X 1 2 X 2
24
S 3 18
( X 1 , X 2 , S1 , S 2 , S3 ) 0
El tablero ptimo de este problema es el siguiente (Verifquelo):
Variables
Bsicas
S1
X2
S2
Zj
Z j Cj
Cj
CB
XB
X1
X2
S1
S2
S3
0
5
0
4
9
6
1
3/2
-3
0
1
0
1
0
0
0
0
1
-1
45
15/2
9/2
5
0
0
0
0
0
5/2
5/2
137
Variables
Bsicas
S1
X2
S2
S4
S1
X2
S2
S4
Cj
CB
XB
X1
X2
S1
S2
S3
S4
0
5
0
0
0
5
0
0
4
9
6
24
4
9
6
-3
1
3/2
-3
2
1
3/2
-3
-5/2
0
1
0
3
0
1
0
0
1
0
0
0
1
0
0
0
0
0
1
0
0
0
1
0
-1
0
0
-1
-3/2
0
0
0
1
0
0
0
1
45
15/2
9/2
1.8
5
0
0
0
0
0
5/2
5/2
1.66
0
0
4
8
8
2
1
2/3
-4/3
5/3
0
1
0
0
1
0
0
0
0
0
1
0
0
0
0
1
0
1/3
-2/3
-2/3
40
10/3
1/3
5
0
0
0
0
0
0
0
5/3
5/3
Zj
Z j Cj
S1
X2
S2
S3
Zj
Z j Cj
0
5
0
0
Entra
como
variable bsica
Obsrvese que
X2 es bsica,
pero
su
columna es [0 1
0 3], luego,
debe corregirse
mediante
Gauss-Jordan
Aqu se toma el
en valor absoluto
(Maximizacin)
NUEVA
SOLUCIN
PTIMA
Obsrvese que el nuevo valor ptimo de la funcin objetivo es Z*mx = 40 < 45 (Valor
anterior), como es de esperarse al aadir una nueva restriccin que vuelva al problema nofactible.
138
TALLER
T1
T2
T3
Demanda
mxima Anual
Beneficio
[ $/Unidad ]
A1
REQUERIMIENTOS
A2
100
500
500
1,000
600
-
Capacidad Taller
[ HR/AO ]
400
12,000
800
18,000
1,000
6,000
A3
10
10
150,000
200,000
240,000
3.
4.
Incrementar la capacidad del taller T3, introduciendo una nueva mquina que
aade 6000 hr/ao de capacidad con un costo de $1020.000 anuales.
Una inversin en publicidad que vale $700.000 anuales y que podra cambiar las
demandas en 20, 14 y 10 respectivamente (o sea que las nuevas demandas seran
30, 22 y 20, respectivamente).
Una investigacin que cuesta $1200.000 al ao y que permitira disminuir el
tiempo requerido en el taller T3 para el producto A3, de 1000 a 500 hr/unidad.
Un esfuerzo tcnico por reducir los costos, aumentando el beneficio unitario del
producto A3 en $60.000/unidad. El costo de amortizacin durante la vida
remanente de fabricacin del producto sera de $400.000/ao.
Nota: las alternativas NO son mutuamente excluyentes, o sea que podra estudiarse
combinacin de ellas.
6.6.1.
600 X 1
10 (demanda de A1)
X1
X2
8 (demanda de A2)
X 3 10 (demanda de A3)
(X1, X 2 , X 3 ) 0
La forma estndar correspondiente es:
139
600 X 1
17
12000
S2
18000
S3
6000
S4
X1
10
S5
X2
S6 10
X3
( X 1 , X 2 , X 3 ) 0; S j 0; j 1,2,...,6
El lector debe comprobar que la solucin ptima nica viene expresada en el siguiente
tablero final ptimo:
Solucin
ptima
degenerada
(X3=0
y bsica)
Var.
Bsicas
S1
S2
X3
X1
X2
S6
Zj
Z j Cj
Cj
4.8
CB
XB
X1
X2
X3
S1
S2
S3
S4
S5
S6
0
0
4.8
3
4
0
7000
5000
0
10
8
10
0
0
0
1
0
0
0
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
-0.4
-0.8
0.001
0
0
-0.001
140
-20
-0.6
1
0
0.6
-500
-1000
0
0
1
0
0
0
0
0
0
1
62
3
0
4
0
4.8
0
0
0
0
0
.0048
.0048
0.12
0.12
4
4
0
0
17
140
w1=0
w2=0
w3=(0.0048)(50000)=240 18
w4=(0.12)(50000)=6.000
w5=(4)(50000)=200.000
w6=0
Es importante notar que algunos solucionadotes como WinQSB pueden dar una
solucin diferente a la anterior, ya que en el penltimo tablero simplex se presenta un empate
en la regla de salida.
Conclusiones de la solucin del dual:
-
19
X
B X B X B [ S1
S2
X3
X1
X2
S6 ]T
18
Obsrvese que la solucin del problema dual debe multiplicarse tambin por 50.000 , al igual que el valor real
ptimo de la funcin objetivo.
19
Tmese
141
X
200 6 10 8 4]T
B [4600
Obsrvese que la nueva solucin sigue siendo factible y, por lo tanto, es tambin
ptima. Se mantienen los niveles de produccin de A1 y A2 y ahora si debe producirse A3
(X3=6 unidades/ao de A3).
El nuevo valor de la funcin objetivo es:
Z [3(10) 4(8) 4.8(6)] 50000 $4'540.000 / Ao
menos el valor de recurso adicional $1'020.000 / Ao
$3'520.000 / Ao
Por lo tanto, esta alternativa por s sola es adecuada (el valor ptimo anterior era de
$3100.000/ao).
Nota: Del anlisis dual se concluy que por cada hora adicional de T3 la funcin
objetivo se incrementara en $240/hrT3. En este caso esto se cumple ya que la base ptima no
cambia, y:
$240
600hrT 3 1'440.000 $ / Ao
hrT 3
3'100.000 $ / Ao
4'540.000 $ / Ao
que era lo que se haba obtenido.
Este anlisis del problema dual ser vlido si la composicin bsica de la solucin
ptima NO cambia, o sea si la solucin permanece factible. Adems, obsrvese que se est
pagando:
1'020.000 $ / Ao
$170 / hr $240 / hr
6000 hr / Ao
que es el mximo adicional que estaba dispuesto a pagarse por cada hora adicional en
T3, lo cual confirma an ms lo dicho anteriormente.
Una pregunta que podra surgir es: cunto es lo mximo que se pueden aumentar las
hr/Ao disponibles en T3 para que se siga manteniendo la factibilidad y por lo tanto la funcin
objetivo crezca a razn de $240/hrT3?
Para determinar esto se realiza un anlisis paramtrico. Sea:
b [0 0 K 0 0 0]T X B B 1b [ 0.4K
Luego la nueva solucin sera:
142
7000 0.4 K
5000 0.8 K
0.001K
X B X B X B
10
10 0.001K
X
9400 12 30 22 32]T
B X B X B [2800
Luego se rompe la factibilidad y habra que seguir iterando con el algoritmo SIMPLEX
DUAL; el lector debe comprobar que la nueva solucin ptima es:
X 1 10 X 2 13 X 3 0 S1 4500 S 2 S 3 0 S 4 20 S 5 9 S 6 20
*
Z mx
(82)(50.000) 4'100.000 $ / Ao
143
Var.
Bsicas
S1
S2
X1
S4
X2
S6
Zj
4.8
CB
XB
X1
X2
X3
S1
S2
S3
S4
S5
S6
0
0
3
0
4
0
7000
5000
10
0
8
10
0
0
1
0
0
0
0
0
0
0
1
0
700/3
-100/3
5/3
-5/3
0
1
1
0
0
0
0
0
0
1
0
0
0
0
-1/6
-5/6
1/600
-1/600
0
0
0
0
0
1
0
0
-500
-1000
0
0
1
0
0
0
0
0
0
1
62
3
0
4
0
5
0.2
0
0
0
0
1/200
1/200
0
0
4
4
0
0
Z j Cj
O sea:
Z*3 [0 0 1 / 200 0 4 0][400 800 500 0 0 1]T 5 / 2
144
0 1]T
3
3 6
6
Y luego si se itera con la nueva columna. El lector debe comprobar que la nueva
solucin ptima es:
X 1 1 23
X 2 8 X 3 10 S1 3833 13
S 2 1166 23
S 3 0 S 4 8 13
S5 S6 0
*
Z mx
(85)(50.000) 4'250.000 $ / Ao
X 1 0 X 2 8 X 3 6 S1 5600 S 2 5200 S 3 0 S 4 10 S 5 0 S 6 4
*
Z mx
(68)(50.000) 3'400.000 $ / Ao
X 1 3 13
*
Z mx
X 2 8 X 3 10
5'100.000 $ / Ao
145
1
2
3
Decision
Variable
Solution
Value
Unit Cost
Profit c(j)
Total
Contribution
Reduced
Cost
Basis
Status
Allowable
Min. c(j)
Allowable
Max.c(j)
TR40VA
TR75VA
TR3
350.0
450.0
0
400.0
700.0
900.0
140,000.0
315,000.0
0
0
0
-12.5
basic
basic
at bound
385.7143
684.4445
-M
500.0000
933.3333
912.5000
Objective
Function
(Max.) =
Shadow
Price
Allowable
Min. RHS
Allowable
Max. RHS
150.0
250.0
0
1,166.667
840.0
800.0
1,633.333
1,050.000
M
Constraint
1
2
3
HR_HOMBRE
HR_MAQ1
HR_MAQ2
Left Hand
Side
1,400.0
980.0
800.0
455,000.0
Dir.
Right Hand
Side
<=
<=
<=
1,400.0
980.0
900.0
Slack
(Surplus)
0
0
100.0
146
pasa a:
Z CX 0
AX b
X0
1 C Z 0
0 A X b
lo cual podra incluso verse como:
A | X| b |
El problema es determinar una solucin bsica tal que Z sea mximo; por lo tanto Z
siempre ser una variable bsica. As, una base cualquiera para este caso sera:
1
B1
0
CB
1 C 1
0
0
:
B1
:
:
0
C 2
Ck
Se le denomina B1
pues se aument su
dimensin en 1.
147
1
B1
1
0
B
(1)
j
- C j
aj
Y1j B1
(1)
j
C B B 1 - C j - C j C B B 1 a j
B 1 a j
B 1 a j
(1)
j
Z j C j
Yj
148
B1
0
I m
y
XB
(1)
B1 b (1)
Pero como los coeficientes de las variables de holgura en la funcin objetivo son
iguales a cero, entonces:
0
1
1
B1
0
I m
Luego:
XB
(1)
Ib
(1)
(1)
0
b
En cualquier iteracin:
XB
1 C B B 1 0 C B B 1b Z
1
1
0 B b B b X B
YK
149
XB
Y as, se puede aplicar la regla del cociente, saliendo de la base aquella variable cuyo
sea mnimo, donde:
X
X
Br B i ; Yik 0
Yrk
Yik
Seguidamente se obtiene la inversa de la base siguiente: esto puede hacerse por
operaciones fila elementales de Gauss-Jordan o mediante el mtodo de hallar una inversa a
partir de otra, en donde las matrices originales slo difieren en 1 columna (la de la variable
que sale de la base).
En este caso se har por Gauss-Jordan. Si el lector est interesado en conocer el otro
mtodo puede consultar a Taha (1991)20.
Ejemplo: Resolver el problema de los transformadores mediante el mtodo SIMPLEX
Revisado.
Solucin: El modelo en su forma estndar es:
MAX Z 400 X 1 700 X 2
7
X 2 S1
3
X 1 1.4 X 2 S 2
Sujeto a : X 1
X1 X 2
1400
980
S 3 900
( X 1 , X 2 , S1 , S 2 , S3 ) 0
20
TAHA, Hamdy. Investigacin de operaciones. Alfa y Omega. 2 edicin, Mxico, 1991. Pginas 273-282.
150
MAX Z
Sujeto a :
Z - 400 X 1 - 700 X 2
7
X 2 S1
3
X 1 1.4 X 2 S 2
X1
X1 X 2
1400
980
S 3 900
( X 1 , X 2 , S1 , S 2 , S3 ) 0
B1 b1 b 2
b3
b4
1 siempre ser el vector unitario ya que Z siempre ser variable bsica. Luego, el
tablero inicial simplificado es:
Inversa de la base
Y21
-700
7/3
1.4
1
600
700
900
(1)
Base
XB
Z
S1
S2
S3
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
1400
980
900
400
1
400
Var X 1 : Z 1 C1 1 0 0 0
1
1
700
7/3
700
Var X 2 : Z 2 C 2 1 0 0 0
1.4
151
Luego la variable que entra es X2. Por lo tanto, debe calcularse Y21 , para poder
determinar la variable que sale (por esa razn aparece en la tabla mostrada arriba).
Y2(1) B1
(1)
2
Dado que Y2(1) debe convertirse en el vector unitario, entonces se realizan las
operaciones fila elementales necesarias. El resultado aparece en el segundo tablero:
Inversa de la base
Base
Z
X2
S2
S3
1
0
0
0
300
3/7
-3/5
-3/7
0
0
1
0
0
0
0
1
XB
Y21
-100
3/7
2/5
4/7
1400
350
525
(1)
420000
600
140
300
400
1
100
var . X 1 : Z 1 C1 1 300 0 0
1
1
0
1
var . S1 : Z 2 C 2 1 300 0 0 300
0
0
Entonces:
1 300
0 3 7
3
0
5
0 3
7
0 0
0 0
1 0
0 1
100
400
1 37
1 2
5
1
4
7
152
Inversa de la base
Base
Z
X2
X1
S3
1
0
0
0
150
15/14
-3/2
3/7
250
-15/14
5/2
-10/7
0
0
0
1
XB
(1)
455000
450
350
100
0
1
var . S1 : Z 1 C1 1 150 250 0 150
0
0
0
0
var . S 2 : Z 2 C 2 1 150 250 0 250
1
0
Luego, la solucin actual es la ptima, ya que ( Z j C j ) 0 j.
Aunque este mtodo no parece tener ventajas en la forma manual mostrada, sus
principales beneficios radican en los grandes ahorros de clculo computacional para
problemas de gran tamao que se presentan en la prctica.
153
Ejercicios 7.1
1. Encuentre por inspeccin una solucin ptima del siguiente modelo de PL:
Maximizar z 3 x1 4 x2 6 x3
sujeto a :
2 x1 3 x2 4 x3 16
( x1 , x2 , x3 ) 0
2. Cules de las siguientes afirmaciones sobre el mtodo Simplex son Falsas Verdaderas
(Justifique su respuesta):
a. Cualquier problema de PL necesita de variables artificiales para ser resuelto mediante
el mtodo Simplex.
b. En el criterio de entrada para maximizacin es obligatorio entrar a la base aqulla
variable cuyo (zj cj) sea lo ms negativo posible.
c. El criterio de salida del mtodo Simplex garantiza que la solucin bsica siguiente sea
factible.
d. En un tablero ptimo, todos los (zj cj) de las variables bsicas deben ser iguales a
cero.
e. La solucin ptima del problema dual asociado a un problema primal aparece siempre
en la fila de los (zj cj) debajo de la submatriz idntica inicial.
3. Considere el siguiente tablero Simplex para un problema de minimizacin:
cj
Var.
Bs.
x1
x3
CB
XB
100
250
7
x1
x2
x3
S1
S2
1/2
14/
5
1/6
7/2
1
zj
z j cj
154
c. Si usted quisiera encontrar otra solucin bsica factible ptima diferente a la dada en el
tablero, qu variable entrara a la base y cul saldra de ella?
d. Si la inversa de la base inicial se form con las columnas de las variables S1 y S2, cul
es la solucin ptima del problema dual asociado?
Hr.hombre
Mat_Prima
Hr.mq.
Valor
Dir. Valor del lado Holgura Precio
Lado izq.
Derecho
Exceso
Sombra
(RHS)
2150
2500
350
0
800
800
0
1.5
1250
1250
0
2.0
Mnimo
RHS
Mximo
RHS
2150
700
1000
M
1050
1375
Responda las siguientes preguntas en forma breve y precisa y justifique sus respuestas:
a. Si logramos conseguir 100 hr.hombre adicionales, entonces la funcin objetivo
aumenta en $100. (Falso Verdadero)
b. Si conseguimos 100 unidades adicionales de materia prima, entonces nuestra funcin
objetivo aumentara a un valor de $947. (Falso Verdadero)
155
CB
XB
x1
0
0.5
0.5
x2
x3
S1
S2
0.4
0.1
0.7
0.2
0.3
0.1
S3
a. Complete totalmente el tablero anterior y compruebe que se trata del tablero ptimo del
problema original.
b. Suponga que le ofrecen 100 unidades adicionales de cada uno de los tres recursos a un
costo adicional de $1.0/unidad. Cul de los tres recursos debera comprarse en
primera instancia? Qu informacin faltara para tomar una decisin definitiva acerca
de la compra de estos recursos?
c. Suponga que se aumenta la utilidad unitaria del producto 1 (x1) de 2 a $3/unidad. Cree
usted que entonces ahora sera rentable producirlo? Por qu?
156
a)
Maximizar
sujeto a:
X1 + X2 + X3
2X1 - X2 + 3X3
(X1, X2, X3)
b)
Minimizar
25
10
sujeto a:
0.4X1 + 0.35X2 + 0.5X3 + 0.7X4
0.6X1 + 0.65X2 + 0.5X3 + 0.3X4
(X1, X2, X3, X4)
= 0.55
= 0.45
0
c)
Maximizar
sujeto a:
3X1 - 3X2 + 2X3 + 8X4
5X1 + 6X2 - 4X3 - 4X4
-4X1 + 2X2 - X3 - 3X4
(X1, X2, X3, X4)
8.
50
40
-20
0
157
Minimizar
Z = X1 - X2 + 3X3
sujeto a:
X1 - 2X2 + X3
2X1 - 3X3
-4X2 + 5X3
(X1, X2, X3)
9.
5
1
8
0
sujeto a:
X1 + 2X2 + X3
430
3X1 + 2X3
460
X1 + 4X2
420
(X1, X2, X3)
0
10. Considere el problema No. 22 sobre la compra de aviones, de la coleccin de problemas
de formulacin de modelos de PL anterior. Ignore la restriccin de enteros. Resuelva el
problema mediante el mtodo simplex, utilizando la mxima precisin posible y resuelva
los siguientes puntos (Utilice toda la precisin posible en los clculos de los tableros
simplex y evite trabajar con cifras demasiado grandes):
a) Analice la solucin del problema dual.
b) Suponga que la empresa decide contratar 5 nuevos pilotos, incurriendo en un costo
adicional de US$100,000/ao. Se justifica esta decisin? Por qu?
c) Suponga ahora que la empresa tiene opcin de aumentar el presupuesto de inversin
en aviones a US$200 millones. Cul sera ahora la nueva solucin ptima del problema?
d) Cree que sera justificable invertir en la ampliacin de la capacidad de los hangares?
Por qu?
e) Suponga que se logra una rebaja en el costo de los aviones de vuelos medianos de
US$5 millones a US$4.5 millones cada uno. Cul sera ahora la mejor alternativa de
inversin?
f) Suponga finalmente que la empresa est estudiando la posibilidad de comprar un
nuevo tipo de avin diferente a los tres ya considerados. Este nuevo avin produce una
utilidad de US$450,000/ao, cuesta US$7 millones cada uno y ocupa una capacidad
igual a la de los aviones de vuelos medianos. Sera conveniente comprar este tipo de
avin? Por qu?
Nota: Trate independientemente cada una de las alternativas anteriores [(b) a (f)].
158
Ejercicio 7.2
1.
Usted posee 50 acres de tierra en la que puede plantar cualquier cantidad de maz, soya y
lechuga. La siguiente tabla muestra la informacin relevante con respecto de la
produccin, la ganancia neta y los requerimientos de agua de cada cultivo.
CULTIVO
No.
TIPO DE
CULTIVO
PRODUCCIN
[Kg/acre]
1
2
3
Maz
Soya
Lechuga
640
500
400
GANANCIA
NETA
[$/Kg]
1,00
0,80
0,60
AGUA
REQUERIDA
[Litros/Kg]
8,75
5,00
2,25
Dado que se tiene disponible 100.000 litros de agua y que la compaa se ha comprometido
a vender al menos 5.120 Kg de maz, se desarroll el siguiente modelo de PL, donde Xi =
Acres a sembrar de cada tipo de cultivo i = 1, 2, 3:
Maximizar 640 X 1 400 X 2 240 X 3 ($)
sujeto a :
X1
X2
X 3 50 acres tierra
X1
( X1 , X 2 , X 3 ) 0
X1
X2
X3
Solucin
8,0000
10,8750
31,1250
Coeficiente en la
Funcin
objetivo
640
400
240
Mnimo
coeficiente
en la f. objetivo
-M
376,1702
144,0000
Mximo
coeficiente
en la f. objetivo
710,0000
666,6667
276,1290
Valor
Lado izq.
Dir
.
Tierra
Agua
Demanda
Maz
50
100.000
8
Valor del
lado
Derecho
(RHS)
50
100.000
8
Holgura
Exceso
0
0
0
Precio
Sombra
150,00
0,10
-70,00
Mnimo
RHS
Mximo
RHS
30,08
82.600,00
0,00
69,33
149.800,00
11,70
159
a) Con la misma cantidad de dinero, qu sera mejor, adquirir 10 acres de terreno adicionales
comprar 13.000 litros adicionales de agua? (Slo puede escoger una de las dos
alternativas).
b) Manteniendo la misma cantidad de tierra y condicin de demanda del maz, usted desea
obtener una ganancia de $21.000. Cuntos litros adicionales de agua necesitara para
lograrlo?
c) Usted sabe que la inversa de la base ptima es la siguiente matriz:
1,9375
1,5625 0 ,000625
i)
Reconstruya el tablero final Simplex. Observe que debi haberse adicionado una
variable artificial A en la restriccin de demanda de maz (adems de la variable de
exceso S3), y, por lo tanto, la tercera columna de la matriz inversa anterior
corresponde a la columna de dicha variable artificial y las dos primeras a las
variables de holgura S1 y S2 adicionadas en las dos primeras restricciones de tierra y
agua.
ii)
iii)
160
Variables
Bsicas
S1
Coeficientes en la
funcin objetivo (CB)
0
Solucin
(XB)
750
x2
625
x3
zj
1.000
5.875
z j cj
x1
x2
x3
S1
S2
S3
2,5
0
0,25
0,5
0
0,25
1,00
4,75
2,75
0
3
0
1
4
0
0
0
0
0,00
0,75
0,75
2,5
0
0,2
5
1,00
3,25
3,25
161
b)
c)
d)
e)
Sera de $9.125
Sera de $5.125
Permanecera igual a $5.875
Slo podra determinarse resolviendo el problema desde el tablero inicial Simplex
162
8. OPTIMIZACIN NO LINEAL
Los problemas de optimizacin no-lineal son en general difciles de resolver, es decir,
son problemas NP-Hard. Ms an, no existen algoritmos generales para resolver cualquier
problema de programacin no-lineal. Dependiendo de la estructura del problema en particular,
se han desarrollado algunos algoritmos eficientes, como por ejemplo Programacin
Cuadrtica, Programacin Convexa, Programacin Geomtrica, etc.
Uno de los problemas de la optimizacin no-lineal surge del hecho de que la regin
factible resultante no necesariamente es convexa. Adems, el ptimo no necesariamente ocurre
en uno de los vrtices de la regin factible.
Ejemplo: Considere el siguiente problema de programacin no-Lineal:
Sujeto a:
10
9
8
7
6
5
4
3
2
1
1
10
163
Ejercicios 8.1
1.
R/. Mnimo
2.
Recurdese que si
, el vector gradiente
se define como:
Condiciones suficientes. Una condicin suficiente para que un punto estacionario
sea un extremo es que la matriz Hessiana IH evaluada en
sea:
) Positiva definida para un punto mnimo.
) Negativa definida para
un punto mximo
164
165
) = |-2|=-2
)=
=4
Ejercicio 8.2
Busque y categorice los puntos estacionarios de las siguientes funciones:
a)
b)
c)
d)
e)
Donde:
=(
g=
Se supone que F y g son dos veces diferenciables continuamente. En el mtodo de
Lagrange se construye la funcin Lagrangiana:
166
sujeto a
Donde
IP =
Negativas si
Positivas si
es un punto mximo.
es un punto mnimo.
167
En este caso m=1 y n=3. Se evaluarn los ltimos (n-m) = 2 menores principales de
, iniciando con el menor principal de orden 2m+1=3. Para cada punto estacionario, esto
dara lo siguiente:
a)
= (2, 2, 1, 1)
evaluada en este punto es:
168
= 4(2)
= -64 < 0
(negativo), entonces se
b)
Para
= (2, -2, 1, 1) se obtienen los mismos resultados que para el caso
(a), y por lo tanto el punto es un mnimo (comprubelo)
c)
Para
= (2.8, 0, 1.4, 1.4),
es:
d)
=
24220 =
48+2
>0
Como el punto
= (2.8, 0, 1.4, 1.4) no satisface ninguna de las condiciones
para un mnimo un mximo debe aplicarse las condiciones adicionales necesarias y
suficientes:
= (2, 2, 1, 1) y para
= (2, -2, 1,
169
Cuyas races son =2 y =8/9, ambas mayores que cero, reforzando el hecho de que
ambos son puntos mnimos.
Finalmente, para
Cuyas races son =2 y =-0.8, con lo que se concluye que este punto no es un punto
extremo.
Ejercicios 8.3
1) Resuelva:
Minimizar
Sujeto a:
Sujeto a:
Donde C > 0.
3) Resuelva:
Minimizar
Sujeto a:
4) Suponga que en cierto problema de produccin de n artculos diferentes, los costos de
produccin son proporcionales al cuadrado de las unidades producidas. Suponga que
todos los artculos son intercambiables y que se recibe una orden por una demanda total
de D unidades. Determine qu cantidad de cada artculo debe producirse para satisfacer la
demanda a costo total de produccin mnimo.
170
8.2. PROBLEMAS
CON
DESIGUALDAD
RESTRICCIONES
DE
Dadas las restricciones g( ) 0, una condicin necesaria para optimizar es que sea
no negativa (no positiva) para problemas de maximizacin (minimizacin). Ademas, tomando
las derivadas parciales de L(
, se obtiene:
, entonces
171
Por todo lo anterior, las condiciones necesarias de Kuhn Tucker para que
un punto estacionario del problema de maximizacin son:
sea
Sentido
de la optimizacin
Maximizacin
Minimizacin
Condiciones requeridas
Funcin objetivo
Espacio solucin
Cncava
Conjunto Convexo
Convexa
Conjunto convexo
Donde
172
Condiciones requeridas
Cncava
Convexa
Cncava
Minimizacin
Lineal
Convexa
Convexa
Cncava
Lineal
Ejemplo: Escriba las condiciones de KT para:
Minimizar
=
Sujeto a:
=
=
=
=
=
Como este es un problema de minimizacin, entonces
son:
(
Las condiciones de KT
173
Como
mnimo global.
Maximizar
Sujeto a:
b) Minimizar
Sujeto a:
174
Tomando los intervalos anterior y posterior al punto donde se obtuvo el mejor valor. Si
el mejor valor de la funcin objetivo se obtiene en un extremo, entonces slo se toma el sub-
175
intervalo anterior ( posterior) al extremo dado. Se repite as el proceso con el nuevo intervalo
de incertidumbre , hasta donde sea necesario.
El problema de este mtodo es que puede perderse el valor ptimo si no se escoge n lo
suficientemente grande al iniciar el proceso.
x1
x2
XL = a
XR = b
a+b
2
Dado que la funcin f(x) es unimodal sobre el intervalo [a, b], se pueden presentar tres
casos:
[a,
1) Si
2) Si
3) Si
].
, b]
, ]
En el intervalo [0,5]
Utilice = 0.001
Para mayor facilidad, se construye la tabla de la pgina siguiente, donde se muestra
cada iteracin. Sea, en general:
= Lmite izquierdo del intervalo.
= Lmite derecho del intervalo.
176
0
0
1.24975
1.24975
1.24975
1.24975
1.288804688
1.308332032
1.308332032
1.308332032
1.308332032
1.31077295
1.31077295
1.31138318
5
2.5005
2.5005
1.875625
1.5631875
1.40696875
1.327859375
1.327859375
1.327859375
1.319095704
1.314213868
1.314213868
1.311993409
1.312993409
2.4995
1.24975L
1.874625
1.5621875
1.40596875
1.327859375
1.288804688L
1.308332032L
1.318095704
1.313213868
1.31077295L
1.311993409
1.31138318L
2.5005R
21.35938
21.39063
1.25075
5.35961
5.358676
R
1.875625
8.3335272
8.345171
R
1.5631875
5.86457007
5.8690465
1.40696875R 5.40090202 5.40245366
1.328859375R
5.3317479
5.3320018
1.289804688 5.33408798
5.3337343
1.309332032
5.3299532 5.32989992
1.319095704R 5.33010099 5.33020048
1.314213868R 5.32984076 5.32986364
1.31177295 5.329850525 5.329835273
1.312993409R 5.32983401 5.329837814
1.31238318 5.329839632 5.329833635
Obsrvese que en la iteracin No. 13 se puede escoger el punto medio del intervalo de
incertidumbre [1.31138318, 1.312993409], el cual es x* 1.312188.
Dado que = 0.001, no se puede esperar una precisin mayor que . El valor ms
exacto de este mnimo en [0, 5] es x*= 1.31224996
177
Donde
entonces es el valor de r que maximiza a h(r). como h(r) es una funcin de una sola
variable, las tcnicas de bsqueda vistas anteriormente son muy tiles aqu, teniendo en
cuenta que h(r) debe ser unimodal.
El mtodo termina cuando
Dado que
, equivalentemente cuando:
, la condicin necesaria
se satisface en
Ejemplo:
Max.
Este ejercicio es slo para ilustrar. El mximo global de
Se tiene que:
Primera iteracin:
Sea
h(r) = (1-2r, 1) = -2
Segunda iteracin:
Sea
+ r(0 , 1) =
ocurre en
. Sea
178
h(r) = -2
, obtenindose
El lector debe comprobar que las siguientes iteraciones producen los resultados
mostrados en la siguiente tabla:
Iteracin (K)
0
-1,1
(-2,0)
(0, 1)
2
3
4
5
ptimo
3
2
1
2
1
2
3
2
179
Ejercicio 9.1
Aplique el mtodo del gradiente al problema:
Max
, donde:
A=
=
Considere
180
DX
Sujeto a:
AX
AX
Donde:
X=
C= (
b=
A es una matriz m x n =
D es una matriz cuadrada n x n
La funcin de n variables
donde la matriz D es simtrica.
X-
DX
Sean
=
U= (
AX
181
Ntese que:
Sean:
S=b-AX 0 Las variables de holgura de las restricciones.
Las condiciones son entonces:
182
Para resolver este sistema se utiliza la fase I del mtodo de las dos fases, con la
condicin adicional
=0
y
. Esto se controla evitando que
y
sean
positivas (bsicas) simultneamente, y que
sean positivas (bsicas) simultneamente.
Ejemplo:
Maximizar Z =
Sujeto a:
(
Ntese primero que el ptimo no-restringido
viola la restriccin lineal.
*=
*=
no es factible ya que
183
Var. Bs.
Ntese que
1
1
0
6
2
14
10
2
1
2
4
2
1
2
0
-1
0
0
0
-1
0
1
0
0
0
1
0
0
0
1
-1
-1
-1
-1
44 =1
62= 3
21 =2
es:
0
Var. Bs.
Iter.
#2
Iter
. #3
-1
43 = 1,3
-1
-1
1
0
0
0
0
-1
0
1
-1
-2
-1
-1
-2
-1
0
1
0
2
0
Fin
Fas
eI
0
0
-2
-1
0
=2
0
0
=2
22 = 1
184
Como se encontr una solucin factible sin variables artificiales en la base, la solucin
ptima del problema original es:
*=
*=
*= 4
10.2. UN
PROBLEMA
DETERMINSTICOS
DE
INVENTARIOS
=
Pero
=
=
CTU(y)=
= 0 y* =
185
Para que y* =
=
, se obtiene:
=
1, 2, , n, sean:
= Demanda
= Costo de preparacin
= Costo de manejo / unidad por unidad de tiempo
= Cantidad de pedido
= Requerimiento de rea (o volumen) de almacenamiento por cada unidad en
inventario
A = Area ( volumen) mximo de almacenamiento disponible para todos los n
artculos.
Si se supone que no hay faltantes (backorders), el modelo matemtico sera el
siguiente:
Sujeto a:
; i= 1,2,, n
186
Recurdese de las condiciones de Kuhn Tucker que en este caso para minimizacin,
<0.
Adems, como CTU (
es convexa, y el problema tiene una sola
restriccin lineal, el ptimo obtenido es un mnimo global.
Las condiciones necesarias son:
($/pedido)
10
5
15
(u/da)
2
4
4
($/u. da)
0,3
0,1
0,2
(pies2/u. da)
1
1
1
187
*=
*=
*=
= 11.55 Unidades
= 20.00 Unidades
= 24.49 Unidades
+ (1)
+ (1)
25
, as:
0
-0.1
11.55
8.94
20
11.55
24.49
17.32
31.04
12,81
-0.3
-0.4
3.67
6.03
7.56
6.67
12,25
10.95
1.48
-1.35
-0.344
-0.345
-0.346
-0.347
-0.348
6.360
6.356
3.350
6.3436
6.3372
7.12
7.116
7.107
7.0977
7.0888
11.62
11.612
11.599
11.5857
11.5728
0.1
0.084
0.056
0.027
-0.0012
188
Ejercicio 10.1
Resuelva los siguientes problemas del libro de Taha:
1) Serie de problemas 20.2a (Pg 750-751): No. 2 y 3
2) Serie de problemas 20.3c (Pg 770-771): No. 2. Resuelva adems el siguiente problema:
Sujeto a:
189
Minas de
bauxita
Costo de
explotacin
($/ton.)
420
360
540
A
B
C
Capacidad anual
de bauxita
(ton.)
36,000
52,000
28,000
Rendimiento
de almina
6.0%
8.0%
6.2%
Planta
Costo Produccin
($/ton almina)
B
C
D
E
330
320
380
240
Capacidad anual
procesamiento
de bauxita (ton/ao)
40,000
20,000
30,000
80,000
Proceso de Esmaltado:
Planta
D
E
Costo
Procesamiento
($/ton almina)
8,500
5,200
Capacidad anual
procesamiento
de Almina (ton/ao)
4,000
7,000
Las ventas anuales de aluminio terminado son de 1,000 ton en la planta D y de 1,200 ton en la
planta E.
190
i =
HACIA
j =
A
B
C
B
1
400
10
1,630
1
2
3
C
2
2,010
630
10
D
3
510
220
620
D
1
220
620
0
1,465
E
2
1,510
940
1,615
0
E
4
1,920
1,510
940
j =
HACIA
k =
B
C
D
E
1
2
3
4
Wj
Xij
B
Yjk
A
C
A
l
u
m
i
n
i
o
T
e
r
m
i
n
a
d
o
E
Minas de
Bauxita
Plantas de
Almina
Plantas de
Esmaltado
191
Variables de Decisin
Xij
Yjk
Wj
Funcin Objetivo
Minimizar Costo Total Anual
Mina A : 420( X AB X AC X AD X AE )
Mina B : 360( X BB X BC X BD X BE )
Mina C : 540( X CB X CC X CD X CE )
192
Planta B : 3,000,000WB
Planta C : 2,500,000WC
Planta D : 4,800,000WD
Planta E : 6,000,000WE
Restricciones
1) Por capacidad anual de explotacin de bauxita en cada mina (Ton de bauxita/ao):
Mina A : X AB X AC X AD X AE 36,000
Mina B : X BB X BC X BD X BE 52,000
Mina C : X CB X CC X CD X CE 28,000
Estas restricciones expresan que todo el flujo anual de bauxita que sale de cada mina no puede
exceder su capacidad anual de explotacin. Note que aqu no hay decisiones de cierre de
minas involucradas, es decir, que se asume que las minas siempre van a estar abiertas.
193
Planta B : X AB X BB X CB 40,000WB
Planta C : X AC X BC X CC 20,000WC
Planta D : X AD X BD X CD 30,000WD
Planta E : X AE X BE X CE 80,000WE
Estas restricciones aseguran que no se puede recibir flujo alguno de bauxita desde las
minas, si la planta de almina destino no ha sido abierta. Las restricciones han sido
formuladas de acuerdo con la capacidad de cada planta de almina de procesar la bauxita
entrante. Otra forma en la que estas restricciones podran escribirse es de acuerdo con la
capacidad de cada planta de almina de producir almina saliente. Sin embargo, la
informacin dada en el problema no permite formularlas de esta forma.
Este ejemplo es til para ilustrar que las restricciones de capacidad en una planta
productora pueden escribirse con base en las materias primas entrantes o tambin con base en
los productos terminados salientes. En el caso de los ingenios azucareros, para ilustrar con
otro ejemplo, podramos escribir las restricciones de capacidad de procesamiento de la caa de
azcar que llega al ingenio o podramos definir las restricciones con base en la capacidad de
produccin de azcar. Obsrvese finalmente que las anteriores restricciones, en combinacin
con el conjunto de restricciones (5) descrito ms adelante, aseguran que no se puede despachar
cantidad alguna de almina hacia las plantas de esmaltado, si la planta origen no ha sido
abierta, completando as la lgica del modelo.
3) Por capacidad anual de procesamiento de almina en cada planta de esmaltado (Ton de
almina/ao):
194
terminado. En extensiones de este modelo, tal como la planteada en el Problema No. 1 de los
Ejercicios 12.1, es probable que se requieran formular variables de decisin adicionales.
5) Por balance de masa en cada una de las plantas de almina:
X ij 0 i, j
Y jk 0 j , k
W j 0, 1 j
El modelo matemtico para resolver el problema planteado comprende entonces minimizar la
funcin objetivo, sujeto a las restricciones anteriormente enunciadas. Al simplificar la funcin
objetivo y las restricciones, se obtiene el siguiente modelo de programacin lineal mixta:
X AB X AC X AD X AE 36,000
X BB X BC X BD X BE 52,000
X CB X CC X CD X CE 28,000
195
X AB X BB X CB 40,000WB 0
X AC X BC X CC 20,000WC 0
X AD X BD X CD 30,000WD 0
X AE X BE X CE 80,000WE 0
X ij 0 i, j
Y jk 0 j , k
W j 0, 1 j
Este modelo contiene 24 variables de decisin, de las cuales 4 son binarias y el resto son
continuas, y 15 restricciones (sin incluir las restricciones obvias). Los modelos matemticos
de cadenas de abastecimiento internacionales que se formulan en la prctica pueden contener
decenas o cientos de miles de variables con decenas o cientos de miles de restricciones,
llegando incluso a millones de ellas. La dificultad para su solucin eficiente depende
principalmente del nmero de variables enteras (binarias) involucradas en el modelo y de su
estructura.
Solucin del modelo por solver de Excel
La solucin de este modelo puede encontrarse con la ayuda de software comercial especial
para ello, mediante el solver de Excel o incluso mediante un software ms especializado
como AMPL, a pesar de tratarse de un modelo pequeo. La hoja electrnica que resuelve este
modelo se muestra en la Figura 2. En general, cualquier modelo de programacin lineal
entera-mixta relativamente pequeo (por ejemplo, con un mximo de 240 celdas variables) se
puede resolver en formatos parecidos a los que se presentan en la figura mencionada.
196
198
significa que est tomando el valor de cada una de estas nueve restricciones y lo est haciendo
menor al recurso disponible en cada caso. El segundo grupo de restricciones hay que
escribirlo aparte porque son restricciones de igualdad y corresponden a las dos de demanda de
aluminio terminado, la cual se va a satisfacer exactamente, y a las cuatro de balance que por su
naturaleza siempre son igualdades (stas corresponden a la expresin $M$37:$R$37
$M$38:$R$38 de las restricciones del solver). Al solver se le debe decir cules de las
variables o celdas cambiantes son binarias. Para este efecto se tiene la expresin Apertura =
binario en solver. Ntese que aqu no aparecen las referencias de las celdas, ya que se ha
utilizado, para ilustrar, la definicin de un nombre en Excel y se han bautizado las celdas
B30 a B33 correspondientes a las variables binarias de apertura de plantas de almina con el
nombre de Apertura. Esto no es necesario hacerlo, pero muchas veces es conveniente para
efectos de identificacin y fcil recordacin de las variables.
El resto de variables o celdas cambiantes, por defecto, las tomar reales mayores iguales
que cero (aunque debe tenerse cuidado de que esto en realidad est definido as en la ventana
que se abre al pulsar las Opciones de la ventana del solver). Finalmente, cuando se le da el
comando Resolver al solver, se obtiene entonces la solucin ptima mostrada en la Figura 2
anterior.
Anlisis de la solucin ptima obtenida
40,000
1,666.7
1,760
C
B
1,000
1,200
1,240
12,000
D
C
1,440
1,060
20,000
A
l
u
m
i
n
i
o
T
e
r
m
i
n
a
d
o
E
Minas de
Bauxita
Plantas de
Almina
Plantas de
Esmaltado
199
cual al parecer es una planta muy ineficiente, tiene un costo fijo muy alto y/o tiene problemas
de localizacin. Los flujos ptimos son los que se muestran en las celdas B10 a B29 de la
Figura 2, ilustrados en forma grfica en la Figura 4. Se sugiere al lector comprobar que los
balances de flujo tanto en las plantas de almina como en las plantas de esmaltado se cumplen.
En cuanto a los recursos sobrantes es importante notar que la mina A apenas est siendo
explotada en un 4.63% de su capacidad (1,667 de 36,000 ton/ao disponibles). Muy
probablemente anlisis adicionales pueden revelar que debera considerarse el cierre de esta
mina o la redistribucin de su materia prima. Adems, su bauxita es la de menor calidad de
acuerdo con su rendimiento de almina. En cuanto a las plantas de almina abiertas, la B y la
C trabajan al 100% de su capacidad y la D tiene una capacidad sobrante del 54.44% (sobran
16,333 ton/ao de capacidad de las 30,000 disponibles). Las plantas de esmaltado tambin
estn trabajando holgadamente: La planta D trabaja al 62.5 % de su capacidad y la E al
42.86%.
200
almina
en
la
planta
de
201
# VARIABLES DE DECISIN
var x{i in MINAS, j in PLALU} >= 0;
# Ton de bauxita/ao a explotar en la mina i
# y a transportar a la planta de almina j (Ton de bauxita/ao)
var y{j in PLALU, k in PLESM} >= 0;
# Ton de almina/ao a producir en la planta de almina j
# y a transportar a la planta de esmaltado k (Ton
almina/ao)
de
202
de
procesamiento
de
bauxita
en
cada
203
# subject to pl_abierta_c:
# w["C"] = 1;
# subject to pl_abierta_d:
# w["D"] = 1;
# subject to pl_abierta_e:
# w["E"] = 1;
El archivo de datos correspondiente al modelo anterior y de acuerdo con la informacin
dada al comienzo de este ejemplo es el siguiente:
# CONJUNTO DE DATOS EN AMPL CORRESPONDIENTE AL PROBLEMA DE LA
BAUXITA
# CONJUNTOS PRINCIPALES
set MINAS:= A B C;
set PLALU:= B C D E;
set PLESM:= D E;
# PARMETROS
# Capacidad de procesamiento
esmaltado k
# (Ton de almina/ao):
de
almina
en
la
planta
de
204
D
220
620
0
1465
:=
1510
940
1615
0;
400
10
1630
2010
630
10
510
220
620
:=
1920
1510
940;
205
show_stats 1;
solution_precision 0;
omit_zero_rows 1;
omit_zero_cols 1;
display_precision 6;
display_round 1;
display_width 50;
# COMANDO DE SOLUCIN:
solve;
# COMANDOS DE IMPRESIN DE RESULTADOS:
printf "\n\n*************************************\n";
printf "RESULTADOS DEL PROBLEMA DE LA BAUXITA\n";
printf "*************************************\n\n";
printf "\nCOSTO TOTAL = \t%9.1f", costo_total;
printf "\n\nCONFIGURACION
ABIERTAS) =\n\n";
display w;
DEL
SISTEMA
(PLANTAS
DE
ALUMINA
DESDE
PLANTAS
DE
ALUMINA
HACIA
206
87455600.0
:=
D
B
D
C
1666.7
40000.0
12000.0
20000.0
207
:=
D
E
E
D
1440.0
1760.0
1240.0
1060.0
208
2.
Si se obliga a la planta de almina E a estar abierta: Se abren todas las plantas, pero no se
produce nada en la planta de almina E. Simplemente se paga su costo fijo y el costo total
anual asciende a 93,455,600 $/ao.
6.
7.
Si slo se abren las plantas B, C y E, se obtiene una solucin ptima con un costo mnimo
de 103,457,000 $/ao.
209
Normalmente, un arco tiene una capacidad asociada, la cual limita el posible flujo a
travs de el. Por ejemplo, se puede hablar de flujo de petrleo a travs de un oleoducto, de
flujo de productos a travs de una cadena de abastecimiento, o de flujo de vehculos a lo largo
de una red de careteras.
A consecuencia de lo anterior, una red puede ser dirigida u orientada si permite flujo
positivo en un sentido de sus arcos y flujo cero en el sentido contrario. Una red puede tambin
ser cclica cuando presenta al menos un ciclo, o sea cuando existe una ruta desde un nodo
hacia s mismo.
Por ejemplo en la red mostrada arriba, los arcos (1 , 2) , (2 , 3) y (3 , 1) forman un
ciclo. La red total es por lo tanto, cclica. Si una red no presenta ciclo alguno, se dice que es
acclica. Si la red es dirigida, el ciclo existe siempre y cuando sea consistente con las
direcciones de los flujos. En este caso el ciclo se denomina circuito. En la red siguiente, por
ejemplo, la serie de nodos 1-3-5-1 representa un circuito. Los nodos 1-2-3, sin embargo, no
representan un circuito.
210
4
6
Una red es conectada cuando cada dos nodos distintos estn unidos por lo menos por
una ruta.
Un rbol es una red conectada acclica, incluyendo un subconjunto de los nodos de la red. Un
rbol de expansin es un rbol que incluye todos los nodos de la red. Por ejemplo, para la red
mostrada en la pgina anterior, se muestra un rbol y un rbol de expansin:
21
211
Sean:
= Conjunto de nodos que se han conectado permanentemente en la iteracin k del
algoritmo.
= Conjunto de nodos que an no se han conectado.
Paso 0: Hacer = ,
N
Paso 1: Escoger cualquier nodo N. Hacer = { } y, por lo tanto,
N{ .
Hacer K=2.
Paso K: Seleccionar un nodo j*
que produce el arco ms corto hacia un nodo en
el conjunto conectado
. Unir permanentemente j* con
y eliminarlo de
, o sea:
,
Si
Parar. De lo contrario, hacer k=k+1 y repetir el paso k.
Ejemplo: Se muestran 6 poblaciones, las cuales deben ser unidas por una red de
carreteras con la longitud mnima de carreteras pavimentadas. Los arcos mostrados
representan todas las conexiones posibles con sus respectivas longitudes en km. Utilizando el
algoritmo del rbol de expansin mnima, determine cmo deben unirse las poblaciones.
50
0
15
13
2
48
17
25
32
6
52
50
0
75
12
100
Por conveniencia, se escoge el nodo 1 como el punto de partida del algoritmo. Por
conveniencia, los nodos que ya han sido conectados se muestran con doble crculo.
15
25
32
50
12
0
5
Iteracin 1
212
50
15
48
25
32
50
12
0
5
Iteracin 2
Las lneas delgadas muestran los arcos candidatos en cada iteracin para unir el
conjunto de nodos que ya han sido conectados con el suplemento.
Las lneas punteadas representan el arco de longitud mnima y las lneas gruesas
representan los arcos permanentes que unen nodos ya conectados.
Ntese que en la iteracin 1, por ejemplo, j*=2, y en la iteracin 2, j*=4 y que dara
unido al nodo 1 , mediante el arco (1 , 4). En la pgina siguiente se muestra el resto de las
iteraciones.
50
13
15
48
25
32
6
17
50
12
0
5
Iteracin 3
50
13
15
48
25
32
6
17
50
52
100
Iteracin 4
213
15
48
25
32
6
75
17
50
100
Iteracin 5
15
48
25
32
6
17
Iteracin 6
(rbol de expansin mnima)
O sea que la longitud mnima de carreteras pavimentadas que unira a las poblaciones es igual
a 15+25+31+17+48 km = 137 km. Aunque visualmente el rbol de la iteracin 6 pareciese
cclico (lo cual sera una contradiccin), la figura siguiente aclara este aspecto:
1
25
15
32
17
48
rbol de expansin
mnima
214
]=[
],
Una clasificacin temporal se puede reemplazar con otra cuando se encuentra una ruta
ms corta. Cuando es evidente que no se puede encontrar una ruta ms corta, la clasificacin
temporal se cambia a permanente. El algoritmo completo es como sigue:
Paso 0: Clasificar el nodo de origen (nodo 1) como permanente [0,-]. Haga i=1.
Paso i:
(a) Calcular las clasificaciones temporales [
] para cada nodo j al que se
puede llegar desde el nodo i, siempre y cuando j no est clasificado permanentemente. Si el
nodo j ya no est clasificado con [
] a travs de otro nodo k i y si
,
reemplazar la clasificacin temporal [
] con la clasificacin temporal [
].
(b) Si todos los nodos son permanentes, parar. De lo contrario, selecciona la
clasificacin [
] con la distancia
mas corta entre todas las calificaciones temporales,
215
rompiendo con los empates en forma arbitraria. Haga i=r, clasifique el nodo r como
permanente y repita el paso i.
Ejemplo: Determine la ruta ms corta desde el nodo 1 hacia todos los nodos de la red
12
7
(Nodo
Origen)
5
7
13
siguiente:
La forma ms fcil de resolver los problemas de la ruta mas corta es hacerlo
directamente en la red, copiando las clasificaciones sucesivas. Cuando una clasificacin se
vuelve permanente, por notacin, se encierra en un rectngulo. La red de la pgina siguiente
v mostrando las clasificaciones sucesivas.
[7 , 1]
12
1
5
[0 , -]
[12 , 4]
[8 , 1]
7
[21 , 5]
13
6
[17 , 3]
[5 , 1]
Las rutas ms cortas desde el nodo de origen (nodo 1) y cualquier nodo se encuentran
partiendo del nodo destino y devolvindose con la informacin dada por las clasificaciones
permanentes. La tabla siguiente resume los resultados:
216
Nodo
2
3
4
5
6
7
Distancia ms corta
desde el nodo 1
7
8
5
12
17
21
Ruta ms corta
desde el nodo 1
1-2
1-3
1-4
1-4-5
1-3-6
1-4-5-6
217
13. BIBLIOGRAFA
AHUJA, Ravindra K., Thomas L. Magnanti y James B. Orlin, Network Flows: Theory,
Algorithms, and Applications, Prentice Hall, Englewood Cliffs, New Jersey, 1993. (Excelente
texto para profundizacin en Teora de Redes)
BAZARAA, Mokhtar S., Hanif D. Sherali y C. M. Shetty, Nonlinear Programming:
Theory and Algorithms, 2 Edicin, John Wiley & Sons, Inc., New York, 1993. (Excelente
texto para profundizacin en Programacin No-Lineal)
DUQUE M., Ramn, Modelos Lineales: Formulacin, Universidad del Valle, Cali,
1987. (Coleccin de problemas formulados y resueltos para consulta)
ESCUDERO, L. F., E. Galindo, G. Garca, E. Gmez, V. Sabau y Schumann, A
modeling framework for supply chain management under uncertainty, European Journal of
Operational Research, Vol. 119, No. 1, 1999, pp. 1434. (Artculo de referencia)
FOURER, R., D. M. Gay y B. W. Kernighan, AMPL: A Modeling Language for
Mathematical Programming, The Scientific Press, San Francisco, 1993. (Este es el manual de
AMPL, un generador de modelos comercial excelente)
GOETSCHALCKX, Marc, Logistics Systems Design, versin 1.2.98, Georgia
Institute of Technology, 1998. (Texto de Logstica con aplicaciones selectas de modelacin
matemtica)
GOETSCHALCKX, Marc, Carlos J. Vidal y K. Dogan, Designing Global Supply
Chain Systems, European Journal of Operational Research, Vol. 143, No. 1, 118,
Noviembre de 2002. (Artculo de referencia)
HICKS, D. A Four Step Methodology for using Simulation and Optimization
Technologies in Strategic Supply Chain Planning, Proceedings of the 1999 Winter Simulation
Conference. (Ponencia de referencia)
HILLIER, Frederick S. y Gerald J. Lieberman, Introduccin a la Investigacin de
Operaciones, 6 Edicin, McGraw-Hill, 1997. (Este es el otro texto clsico de Investigacin de
Operaciones y se recomienda como consulta general)
CHVTAL, Vasek, Linear Programming, W. H. Freeman and Company, New York,
1983. (Buen texto para profundizacin en Programacin Lineal. Presenta un captulo completo
dedicado a aplicaciones de modelacin matemtica)
MATHUR, Kamlesh y D. Solow, Investigacin de Operaciones: El arte de la toma de
decisiones, Prentice-Hall Hispanoamericana, S. A., Mxico, 1996. (Excelente referencia para
la formulacin de modelos de programacin lineal y modelos en general)
218