Capitulo II Investigacin Operativa I

Programacin
Lineal
M.Sc. Ing. Gregorio Fernando Urea Mrida
http://www.sistemas.edu.bo/furena/
fernando.urena@sistemas.edu.bo

INTRODUCCIN A LA PROGRAMACIN LINEAL

Un modelo de programacin lineal busca

maximizar o minimizar una funcin lineal,
sujeta a un conjunto de restricciones
lineales.
Un modelo de programacin lineal
compuesto de lo siguiente:
* Un conjunto de variables de decisin
* Una funcin objetivo
* Un conjunto de restricciones

esta

LA IMPORTANCIA DE LA PROGRAMACIN LINEAL

Ciertos problemas se describen fcilmente a travs

de la programacin lineal.
*

* Muchos problemas pueden aproximarse a modelos

lineales.
* La salida generada por el programa que resuelve el
modelo de programacin lineal entrega informacin
til para responder nuevas condiciones sobre el qu
pasa si.

INTRODUCCIN A LA PROGRAMACIN LINEAL

El problema general es asignar recursos limitados

entre actividades competitivas de la mejor
manera posible (ptima).
Este problema incluye elegir el nivel de ciertas
actividades que compiten por recursos escasos
necesarios para realizarlas

INTRODUCCIN A LA PROGRAMACIN LINEAL

El adjetivo lineal significa que todas las funciones

matemticas del modelo deber ser funciones lineales.
En este caso, las palabra programacin no se
refiere a programacin en computadoras; en esencia
es un sinnimo de planeacin. As, la programacin
lineal trata la planeacin de las actividades para
obtener un resultado ptimo.

MODELO GENERAL DE PL

Opt z c1 x1 c2 x2 cn xn
s .a .
a11 x1 a12 x 2 a1n x n b1

a m1 x1 a m 2 x 2 a mn x n bm
x1 , x 2 , , x n 0

MODELO GENERAL DE PL

z: funcin objetivo
CT (c1,...,cn): vector de coeficientes de la f.o.
XT (x1,...,xn ): vector de variables de decisin
A (...,aij,...): matriz de coeficientes tcnicos
b (b1,...,bm): vector de demandas

Matricialmente,
Opt CTX
s.a.
AX b
x0

Forma cannica

MODELO GENERAL DE PL

Los trminos clave son recursos y actividades,

en donde m denota el nmero de distintos tipos
de recursos que se pueden usar y n denota el
nmero de actividades bajo consideracin.

ESTRUCTURA DE UN MODELO DE PL

1. Funcin objetivo. Consiste en optimizar el

objetivo que persigue una situacin la cual es
una funcin lineal de las diferentes
actividades del problema, la funcin objetivo
se maximizar o minimiza.
2. Variables de decisin. Son las incgnitas
del problema. La definicin de las variables
es el punto clave y bsicamente consiste en
los niveles de todas las actividades que
pueden llevarse a cabo en el problema a
formular.

ESTRUCTURA DE UN MODELO DE PL

3. Restricciones Estructurales. Diferentes

requisitos que debe cumplir cualquier
solucin para que pueda llevarse a cabo,
dichas
restricciones
pueden ser de
capacidad,
mercado,
materia
prima,
calidad, balance de materiales, etc.
4. Condicin tcnica. Todas las variables
deben tomar valores positivos, o en algunos
casos puede ser que algunas variables
tomen valores negativos.

CONJUNTO DE SOLUCIONES FACTIBLES PARA

EL MODELO LINEAL.

El conjunto de puntos que satisface todas las

restricciones del modelo es llamado:

REGION
FACTIBLE

USANDO UN GRAFICO SE
PUEDEN REPRESENTAR
TODAS LAS RESTRICCIONES,
LA FUNCION OBJETIVO Y LOS
TRES TIPOS DE PUNTOS DE
FACTIBILIDAD

Mtodo Grafico
El procedimiento del mtodo grafico incluye
dos pasos bsicos:
1. Determinar el espacio de solucin que
definen las soluciones factibles que
satisfacen todas las restricciones del
modelo.
2. Determinar la solucin optima de entre
todos los puntos en el espacio de la
solucin factible.
Este procedimiento se describe tanto para
una funcin objetivo de maximizacin, como
de minimizacin.

X2

1200

Restriccin del
plstico:
The
Plastic constraint
2X1+X2<=1200
Restriccin del total de produccin:
X1+X2<=800
No Factible

600

Horas de
Produccin
3X1+4X2<=2400

Restriccin del
exceso de produccin:
X1-X2<=450

Factible

600

800

Punto Inferior
Punto Medio

Tipos de puntos de factibilidad

Punto Extremo

X1

comenzar con una ganancia dada de = $2,000...

1200

X2

Entonces aumente la ganancia...

...y contine hasta que salga de la regin factible

800

Utilid. = $4,
2,
Ganancia
=$5040
3,
000

600

X1
400

600

800

1200

X2
Se toma un valor cercano al
punto ptimo

800

Regin no
factible

600

Feasible
Regin
region
Factible
X1
400

600

800

 Soluciones ptimas y puntos extremos.

* Si un problema de programacin lineal tiene una solucin
ptima, entonces esta corresponde a un punto extremo.
Mltiples soluciones ptimas.
* Cuando existen mltiples soluciones ptimas implica que
la funcin objetivo es una recta paralela a uno de los lados
de la regin factible.
* Cualquier promedio ponderado de la solucin ptima es
tambin una solucin ptima.

MODELO SIN SOLUCIN PTIMA

No factible:
modelo no
factible.

Ocurre cuando en el
hay ningn punto de

No acotado: Ocurre cuando el objetivo

puede crecer infinitamente (objetivo a
maximizar).

INFACTIBILIDAD

Ningn punto se encuentra,

simultneamente, sobre la lnea
la lnea
y
1
3
2

SOLUCIN NO ACOTADA

LA SOLUCIN GRFICA

5
4

Restriccin de hierro

Regin factible
Restriccin de vitamina D

2
Restriccin de vitamina A

SOLUCIN
PARA
PROBLEMAS
LINEALES
CON
MUCHAS VARIABLES DE DECISIN USANDO EL
COMPUTADOR

Los paquetes de programas lineales resuelven

grandes modelos lineales.
La mayora de los software usan la tcnica
algebraica llamada algoritmo Simplex.
Los paquetes incluyen:
El criterio de la funcin objetivo (Max o Min).
El tipo de cada restriccin:
.
Los coeficientes reales para el problema.

, ,

LA SOLUCIN GENERADA POR UN SOFTWARE

DE PROGRAMACIN LINEAL INCLUYE:

Los valores ptimos de la funcin objetivo.

Los valores ptimos de las variables de decisin.
La minimizacin del costo para los coeficientes de la
funcin objetivo.
Los rangos de optimizacin para los coeficientes de la
funcin objetivo.
La cantidad de holgura o exceso sobre cada
restriccin.
Los precios sombra (o dual) para las restricciones.
Los rangos de factibilidad para el coeficiente del lado
derecho.

FORMAS EQUIVALENTES DE LA
PROGRAMACION LINEAL
Regla 1.
Maximizar cX es equivalente a Minimizar cX
Minimizar cX es equivalente a Maximizar cX

Regla 2.
La desigualdad AX b es equivalente a la desigualdad -AX
-b.
La desigualdad AX b es equivalente a la desigualdad -AX
-b.

Regla 3.
Toda igualdad de la forma AX=b, puede descomponerse
como la interseccin de dos desigualdades AX b y AX
b.

FORMAS EQUIVALENTES DE LA
PROGRAMACION LINEAL
Regla 4.
Toda desigualdad de la forma AX b puede convertirse en
igualdad mediante la adicin de un vector S, llamado
vector de holgura compuesta por m componentes, todas
no-negativas es decir:

S1
S
2
S .

.
S m

0
0

.

.
0

FORMAS EQUIVALENTES DE LA
PROGRAMACION LINEAL
Toda desigualdad de la forma AX b puede convertirse en
igualdad mediante la resta de un vector E, llamado vector
de exceso o superfluo compuesta por m componentes,
todas no-negativas es decir:

E1
E
2
E .

.
E m

0
0

.

.
0

FORMAS EQUIVALENTES DE LA
PROGRAMACION LINEAL
Regla 5.
Una variable no restringida, aquella que puede tomar toda
clase de valores positivos, cero y negativos, puede
escribirse como la diferencia de dos variables nonegativas.

METODO SIMPLEX
Paso 1.
Dado cualquier programa lineal transfrmese por medio
del uso de las reglas de equivalencia 1, 2, 3 y 5 a el PL a
la forma cannica.

Max Z c X

Sujeto a:

A X b
X 0

METODO SIMPLEX
Paso 2.
Re-escriba la funcin objetivo de la siguiente manera

Z cX 0
Paso 3.
Aplicando la regla de equivalencia 4, convierta todas las
desigualdades en igualdades adicionando al PL variables
de holgura. Quedando convertida la forma cannica en:

Z cX 0

AX S b

X 0
S 0

METODO SIMPLEX

Paso 4.
Constryase una tabla o tableau con los coeficientes del PL
como se muestra a continuacin:
Z

x 1 x 2 . x n

s1 s2 .. sm

-c

METODO SIMPLEX
Paso 5.
Seleccione como vector de entrada aquella variable no
bsica cuya componente zj-cj en el reglon 0 se la mas
negativa para un PL Max y la mas positiva para un PL
Min.
Si no hay ningn candidato de entrada, es decir que
todas las componentes zj-cj de las variables no bsicas en
el reglon 0 son 0 la solucin mostrada en el tableau es
optimo.
En caso de que exista un empate entre varias variables no
bsicas que pueden entrar a la base, esto debe romperse
de manera arbitraria, es decir seleccione a cualquiera de
las variables no bsicas candidatas.

METODO SIMPLEX
Paso 6.
Una vez seleccionada la comuna aj que entrara a la nueva
base, seleccione el vector de salida ar que corresponde
una variable bsica actual utilizando la siguiente regla:

X Br
Yrj

X Bk
Min
k

Ykj

Ykj 0

En caso de que todas las componentes Ykj sean 0, la

solucin del PL es no acotada.

METODO SIMPLEX
Paso 7.
La interseccin en el tableau de la columna que entra y la
que sale determina el elemento pivote Yrj. Aplicando
operaciones matriciales elementales sobre el elemento
pivote convierta la columna aj en un vector unitario ur, es
decir ceros en toda la columna incluyendo la componente
zj-cj y un uno en Yrj.
Regrese al paso 5.

METODO PENALIZACION (M)

Paso 1.
Modifique las restricciones de tal manera que el lado
derecho de cada restriccin sea no negativo. Esto
requiere que se multiplique cada restriccin con un lado
derecho negativo por -1. Recuerde que al multiplicar una
desigualdad por un numero negativo, se invierte el
sentido de la desigualdad.

Paso 1.
Identifique cada restriccin que es ahora (luego del paso
1) una igualdad o un desigualdad . En el Paso 3,
aadiremos una variable artificial a cada una de estas
restricciones.

METODO PENALIZACION (M)

Paso 2.
Transforme cada restriccin de desigualdad a la forma
estndar. Esto significa que si la restriccin i es una
restriccin , aadiremos una variable de holgura si, y si
la restriccin i es una restriccin , restaremos una
variable de exceso ei.

Paso 3.
Si (despus del paso 1) la restriccin i es una igualdad o
una desigualdad , aada una variable artificial ai a la
restriccin i. tambin aada la restriccin de signo ai 0.

METODO PENALIZACION (M)

Paso 4.
Sea M un numero positivo muy grande. Si el PL es un problema
min, aada (para cada variable artificial) Mai a la funcin
objetivo. Si el PL es un problema max, aada (para cada variable
artificial) -Mai a la funcin objetivo.

Paso 5.
Ya que cada variable artificial estar en la base inicial, se debe
eliminar todas las variables artificiales del reglon 0 antes de
empezar el algoritmo simples. Esto asegura que empecemos con
una forma cannica. Para escoger la variable que entra, hay que
recordar que M es un numero positivo muy grande. Ahora, con el
mtodo simplex, resuelva el problema transformado. Si todas las
variables artificiales son iguales a cero en la solucin optima,
hemos encontrado la solucin optima para el problema original.
Si cualquier variable artificial es positiva en una solucin
optima, el problema original es no factible.

METODO DOBLE FASE

Paso 1.
Modifique las restricciones de tal manera que el lado
derecho de cada restriccin sea no negativo. Esto
requiere que se multiplique por -1 cada restriccin con
un lado derecho negativo

Paso 1.
Identifique cada restriccin que es ahora (luego del paso
1) una igualdad o un desigualdad . En el Paso 3,
aadiremos una variable artificial a cada una de estas
restricciones.

METODO DOBLE FASE

Paso 2.
Transforme cada restriccin que sea desigualdad a la
forma estndar. Esto significa que si la restriccin i es
una restriccin , aadiremos una variable de holgura si,
y si la restriccin i es una restriccin , restaremos una
variable de exceso ei.

Paso 3.
Si (despus del paso 1) la restriccin i es una desigualdad
o una igualdad, aada una variable artificial ai a la
restriccin i. tambin aada la restriccin de signo ai 0.

Paso 4.
Por el momento, ignore la funcin objetivo del PL
original. En su lugar, resuelva un PL cuya funcin
objetivo es min w = (la suma de todas las variables
artificiales). Esto se llama el PL Fase I. La solucin del PL
Fase I har las variables artificiales iguales a cero.

METODO DOBLE FASE

Ya que cada ai 0, la solucin del PL Fase I

corresponder a una de los tres casos siguientes:
a) El optimo valor de w es mayor que cero. En este caso, el
PL original no tiene una solucin factible.
b) El valor optimo de w es igual a cero, y no hay variables
artificiales en la base optima de la Fase I. En este caso,
omitimos todas las columnas que corresponden a las
variables artificiales, en el cuadro optimo de la Fase I.
Ahora combinamos la funcin objetivo original con las
restricciones del cuadro optimo de la Fase I. Esto
produce el PL Fase II. La solucin optima del PL Fase II,
es la solucin optima para el PL original.

METODO DOBLE FASE

c) El optimo valor de w es igual a cero, y por lo menos una
variable artificial esta en la base optima de la Fase I. En
este caso, podemos encontrar la solucin optima para el
PL original, si al final de la Fase I, omitimos, del cuadro
optimo de la Fase I, todas las variables artificiales no
bsicas y cualquier variable del problema original con un
coeficiente negativo en el reglon 0 del cuadro optimo de
la Fase I.

DUALIDAD
Asociada a cualquier estructura cannica o forma
estndar de programacin lineal

Max Z c X
s.a.

A X b
X 0

denominado problema primario o primal

DUALIDAD
se tiene definida la siguiente estructura

Min G b T Y
s.a.

AT Y c T
Y 0
denominada problema dual

DUALIDAD

La siguiente tabla muestra una descripcin de cada uno

de los componentes del problema primal y dual.
Componente

Dimensin

Caracterstica

Primal

X
c
b
A
Z
0

Vector columna con n elementos

Vector reglon con n elementos
Vector columna con m elementos
Matriz m por n
Escalar
Vector columna con n ceros

Vector de variables de actividad

primal
Vector de precios unitarios primales
Vector de disponibilidad de recursos
primales
Matriz de coeficientes tecnolgicos
funcin objetivo primal

Dual

Y
cT
bT
AT
G
0

Vector columna con m elementos

Transpuesta del vector c, o sea,
vector
columna con
n
elementos
Transpuesta del vector b, o sea,
vector
reglon
con
m
elementos
Transpuesta de la matriz A ,o sea,
Matriz n por m
Escalar
Vector columna con m ceros

Vector de variables de actividad

duales
Vector de disponibilidad de recursos
duales
Vector de precios unitarios duales
Matriz de coeficientes tecnolgicos
funcin objetivo dual

Problema

DUALIDAD
USOS DE LA FORMULACION DEL MODELO DUAL
a) Resolver problemas lineales que tienen mas restricciones
que actividades. Al aplicarse la dualidad a un problema
primal donde m > n, se obtiene otro programa lineal
donde el numero de filas n es menor al numero de
columnas m.
b) Hacer interpretaciones econmicas de las soluciones
optimas de los problemas de programacin lineal.
c) Generar nuevos algoritmos para la solucin de problemas
de redes de optimizacin.
d) Generar mtodos como el dual simples para el anlisis de
sensibilidad de los problemas de programacin lineal.

DUALIDAD

La siguiente tabla proporciona un mecanismo para la

obtencin del modelo dual asociado a su modelo primal.

Primal

Dual

Max
Min
Restriccin i b i
Restriccin i = b i
Restriccin i b i
Variable i 0
Variable i no restringida
Variable i 0

Min
Max
Variable i 0
Variable i no restringida
Variable i 0
Restriccin i ci
Restriccin i = ci
Restriccin i ci

METODO DUAL SIMPLEX

Paso 1.
Empiece con un tableau donde todas las zj-cj 0, para
toda j en A

Paso 2.
Si XBi 0 para toda variable bsica donde i varia de 1 a
m, el tableau actual es optimo. Si no, se debe seleccionar
como vector de salida de la base, aquel cuyo valor de XBi
sea el valor mas negativo.

METODO DUAL SIMPLEX

Paso 3.
El vector ak de entrada ser aquel que satisfaga la siguiente
regla:

z k ck
Yik

zj cj
Max
j 1,..., n
Yij

Yij 0

Paso 4.
La columna a k se convierte en el vector unitario ui con el pivote
Yij igual a uno. Los cambios se levan a cabo con operaciones
matriciales elementales. Regrese al paso 2 y reptase hasta que
las condiciones de optimalidad se cumplan.

Si durante la aplicacin del paso 3, todos los elementos Yij

0, el programa original no tiene solucin.